本发明专利技术提供了一种图像处理方法、装置、设备及介质,涉及数据处理技术领域,包括:获取具有预设分辨率的样本图像序列,对样本图像序列进行分割和预处理,以获得若干样本数据;建立具有编码‑解码结构的初始模型,采用样本数据对初始模型进行训练,以获得目标模型,其中,初始模型基于样本输入进行特征提取和特征融合获得至少一个样本输出,以对应样本标签进行学习;获取待处理图像序列,对待处理图像序列依序分割获得若干处理数据,采用目标模型对各个处理数据处理,以获得具有分辨率超出阈值的目标图像,旨在解决现有CT图像较厚,Z轴分辨率较低的问题。
【技术实现步骤摘要】
本专利技术涉及数据处理,尤其涉及一种图像处理方法、装置、设备及介质。
技术介绍
1、电子计算机断层扫描(ct,computed tomography)是利用精确准直的x线束、γ射线、超声波等,与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描,根据人体不同组织对x线的吸收与透过率的不同,应用灵敏度极高的仪器对人体进行测量,然后将测量所获取的数据输入电子计算机,电子计算机对数据进行处理后,就可摄下人体被检查部位的断面或立体的图像,发现体内任何部位的细小病变。ct具有扫描时间快,图像清晰等特点,可用于多种疾病的检查。
2、但在实际临床扫描中由于受到ct设备和扫描时间的限制,重建出来的ct图像层厚较厚,z轴分辨率较低,容易造成微小病变漏诊的风险。因此如何提高ct图像z轴的分辨率成为目前的研究热门,ct扫描时如采用飞焦点技术或共轭采样技术,可将采样率提高1倍,同时提高z轴分辨率,但增加了扫描时间和设备存储成本;图像后处理方法如使用图像插值算法提升分辨率,基于图像前后两层推算出中间层ct图像,这种方法丢失了医学图像三维空间的连续性,图像失真严重;使用深度学习提高图像分辨率,需要采集到低分辨率ct图像和高分辨率ct图像用于训练神经网络,但在临床中很难获取这样的数据,因此缺乏一种准确且简便的方法提高图像的分辨率。
技术实现思路
1、为了克服上述技术缺陷,本专利技术的目的在于提供一种图像处理方法、装置、设备及介质,旨在解决现有ct图像较厚,z轴分辨率较低的问题。
<
p>2、本专利技术公开了一种图像处理方法,包括:3、获取具有预设分辨率的样本图像序列,对所述样本图像序列进行分割和预处理,以获得若干样本数据;每一所述样本数据均包括依序的至少三个样本图像,其中位于序列首尾的样本图像作为样本输入,其余的样本图像作为样本标签;
4、建立具有编码-解码结构的初始模型,采用所述样本数据对所述初始模型进行训练,以获得目标模型,其中,所述初始模型基于样本输入进行特征提取和特征融合获得至少一个样本输出,以对应样本标签进行学习;
5、获取待处理图像序列,对所述待处理图像序列依序分割获得若干处理数据,采用所述目标模型对各个处理数据处理,以获得具有分辨率超出阈值的目标图像。
6、优选地,所述目标模型基于输入的任一处理数据对应的两个待处理图像进行特征提取和特征融合,以获得至少三个输出,依序集合各个处理数据及其对应的输出获得目标图像。
7、优选地,所述对所述样本图像序列进行分割和预处理,以获得若干样本数据,包括:
8、获取所述样本图像序列的长度,以预设步长对所述样本图像序列进行分割,获得若干样本图像子序列,确定样本输入和样本标签;
9、对样本图像子序列中各个样本图像的ct值归一化,以获得各个样本数据。
10、优选地,所述初始模型基于样本输入进行特征提取和特征融合获得至少一个样本输出,包括:
11、所述初始模型包括四个3d卷积模块形成的编码结构和四个3d解卷积模块形成的解码结构,其中所述编码结构和解码结构形成对称结构且使得各个3d卷积模块和3d解卷积模块对应拼接;
12、采用四个3d卷积模块逐个对所述样本输入进行下采样;
13、采用四个3d解卷积模块对下采样后的样本输入依次进行上采样,在每次上采样时获取对应3d卷积模块的输出进行特征融合;
14、在最后一次上采样和特征融合后采用2d卷积层进行特征转换,以获得至少一个样本输出。
15、优选地,所述对所述初始模型进行训练,以获得目标模型,包括:
16、所述初始模型基于样本输入获得样本输出后,对应样本标签拟合所述初始模型的损失函数;其中,所述损失函数根据绝对误差损失函数和感知损失函数的加权获得;
17、获取测试集,采用训练后的初始模型基于测试集进行测试,测试完成后固定模型参数以获得目标模型。
18、优选地,所述对所述待处理图像序列依序分割获得若干处理数据,包括:
19、确定所述待处理图像序列,将序列中任意相邻的两个待处理图像划分成一处理数据;
20、其中,每一处理数据均与相邻的处理数据共用一待处理图像;
21、对各个所述处理图像进行ct值归一化处理。
22、优选地,所述待处理图像为z轴分辨率低于第一阈值的ct图像,所述样本图像为z轴分辨率高于第二阈值的ct图像。
23、本专利技术还提供一种图像处理装置,包括:
24、预处理模块,用于获取具有预设分辨率的样本图像序列,对所述样本图像序列进行分割和预处理,以获得若干样本数据;每一所述样本数据均包括依序的至少三个样本图像,其中位于序列首尾的样本图像作为样本输入,其余的样本图像作为样本标签;
25、训练模块,用于建立具有编码-解码结构的初始模型,采用所述样本数据对所述初始模型进行训练,以获得目标模型,其中,所述初始模型基于样本输入进行特征提取和特征融合获得至少一个样本输出,以对应样本标签进行学习;
26、执行模块,用于获取待处理图像序列,对所述待处理图像序列依序分割获得若干处理数据,采用所述目标模型对各个处理数据处理,以获得具有分辨率超出阈值的目标结果。
27、本专利技术还提供一种计算机设备,所述计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述图像处理方法的步骤。
28、本专利技术还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述图像处理方法的步骤。
29、采用了上述技术方案后,与现有技术相比,具有以下有益效果:
30、本申请提供的图像处理方法,建立编解码结构的初始模型,采用高分辨率的图像进行训练,获得目标模型,使得目标模型可以基于输入的图像进行特征提取和融合后输出位于其间的多个图像,以此来对输入的图像实现分辨率的提高,训练时结合绝对误差损失和感知损失来提高图像质量,保持图像细节和对比度,且无需配对的低分辨率ct图像和高分辨率ct图像就可训练网络。
本文档来自技高网...
【技术保护点】
1.一种图像处理方法,其特征在于,包括:
2.根据权利要求1所述的图像处理方法,其特征在于:
3.根据权利要求1所述的图像处理方法,其特征在于,所述对所述样本图像序列进行分割和预处理,以获得若干样本数据,包括:
4.根据权利要求1所述的图像处理方法,其特征在于,所述初始模型基于样本输入进行特征提取和特征融合获得至少一个样本输出,包括:
5.根据权利要求1所述的图像处理方法,其特征在于,所述对所述初始模型进行训练,以获得目标模型,包括:
6.根据权利要求1所述的图像处理方法,其特征在于,所述对所述待处理图像序列依序分割获得若干处理数据,包括:
7.根据权利要求1所述的图像处理方法,其特征在于:
8.一种图像处理装置,其特征在于,包括:
9.一种计算机设备,其特征在于,所述计算机设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述图像处理方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述权利要求1-7所述图像处理方法的步骤。
...
【技术特征摘要】
1.一种图像处理方法,其特征在于,包括:
2.根据权利要求1所述的图像处理方法,其特征在于:
3.根据权利要求1所述的图像处理方法,其特征在于,所述对所述样本图像序列进行分割和预处理,以获得若干样本数据,包括:
4.根据权利要求1所述的图像处理方法,其特征在于,所述初始模型基于样本输入进行特征提取和特征融合获得至少一个样本输出,包括:
5.根据权利要求1所述的图像处理方法,其特征在于,所述对所述初始模型进行训练,以获得目标模型,包括:
6.根据权利要求1所述的图像处理方法,其特...
【专利技术属性】
技术研发人员:任艳君,叶宏伟,江浩川,
申请(专利权)人:明峰医疗系统股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。