一种望诊图像质量评价方法、装置、设备及存储介质与流程

本发明涉及图像处理技术领域，具体是一种望诊图像质量评价方法、装置、设备及存储介质。

背景技术：

中医四诊经过数千年的实践和发展，已经成为一种系统而完备的诊断方法；望诊作为四诊之一，以舌诊为代表，需要医生在标准光源下根据视觉信息进行观察和诊断，同时在中医理论指导下结合闻诊、问诊、切诊三诊信息，对望诊进行去伪存真，进行基本健康状态判断和疾病症候诊断，从而进行指导处方用药和判断疗效和预后。

长期以来，望诊诊疗经验和理论主要建立在个体医生观察、分析基础上，而医生望诊诊断结果受到个体感官能力、个人经验、疲劳程度、个人情绪等主客观因素影响，加之各地区专家医生资源分布不均匀，采取传统诊疗方式容易出现漏诊和误诊的情况。

近年来，随着计算机计算能力的提高、数据量的阶梯式增长，以神经网络为主的深度学习技术的得到了快速发展，被大量的应用于医疗领域；国内外学者、研究机构在关于望诊计算机辅助系统上做了大量研究工作，但是并不是所有的新方法都优于旧方法，一些方法在临床应用一段时间后效果不理想，甚至被淘汰；效果不确定的辅助诊断方法不仅增加医疗费用，还可能因为误诊和漏诊对患者造成伤害，根本原因在于所有的望诊辅助诊断方法均建立在望诊图像基础之上，而望诊图像采集中会受到主客观因素的影响，造成图像质量参差不齐，辅助诊断方法或医生难以区分图像质量的是否合格，从而产生误诊和漏诊情况。

同时以神经网络为主的深度学习辅助诊断算法建立在大量的数据之上，受数据驱动，但是不同研究机构所采用的算法是建立在其采集的数据集之上，不同数据集之间数据量数据质量均存在差异，导致不同方法间难以进行客观的比较。

技术实现要素：

本发明的目的在于提供一种望诊图像质量评价方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种望诊图像质量评价方法，具体步骤如下：

a、获取待分析的望诊图像；

b、根据实际场景对望诊图像进行预处理，使之符合后续处理；

c、采用基于神经网络的图像算法对望诊图像进行质量检测；得到望诊图像质量总评分及影响总评分的各项指标数值；

d、根据质量检测结果将样本分类收入样本库，实现望诊图像数据的标准化管理。

作为本发明的进一步方案：所述步骤b具体是：根据后续流程处理需要，采用形态学算法或基于神经网络的图像算法对所述望诊图像进行预处理。

作为本发明的进一步方案：所述步骤c具体是：根据样本库设计需要，采用基于神经网络的图像算法对望诊图像对所述预处理后的图像进行质量检测，获取望诊图像评价对象质量总评分及影响总评分的各项指标的评分，所述评价对象为像素集合，为原始图像全部像素的子集。

作为本发明的进一步方案：所述步骤d具体是：根据所述望诊图像质量检测结果和实际样本库管理设计，将望诊图像更新至样本库，实现望诊图像数据的标准化管理。

一种望诊图像质量评价系统，包括望诊图像获取模块、望诊图像质量检测模块、望诊图像预处理模块和望诊图像样本库更新模块，望诊图像获取模块、望诊图像质量检测模块、望诊图像预处理模块和望诊图像样本库更新模块依次连接。

一种望诊图像质量评价设备，采用权利要求2所述的望诊图像质量评价系统，包括存储器和处理器。

一种望诊图像质量评价存储介质，存储有权利要求2所述的望诊图像质量评价系统。

与现有技术相比，本发明的有益效果是：本发明根据实际场景对获取待分析的望诊图像进行预处理，使之符合后续处理；并采用基于神经网络的图像算法对预处理后望诊图像或图像上某个目标或某一类目标进行质量评价，获得所述望诊图像质量检测结果，即望诊图像质量总评分及影响总评分的各项指标数值；根据质量检测结果将样本分类收入样本库，实现望诊图像数据的标准化管理。由此可知，本申请能够实现对望诊图像或图像上某个目标或某一类目标进行质量评价，过滤掉质量不合格的望诊图像，同时给出不合格的指标及量化参数；解决不同数据集之间和不同辅助诊断算法之间难以进行客观比较的问题，从而有助于提高医生及辅助诊疗系统的稳定性和一致性，保证诊断结果的可靠性和准确性，减少误诊和漏诊。

附图说明

图1本申请的一种望诊图像质量检测方法所适用的一种场景的系统组成架构示意图。

图2本申请的一种望诊图像质量检测方法所适用的计算机设备的一种组成结构示意图。

图3本申请的一种望诊图像质量检测方法的一种流程示意图。

图4本申请的一种望诊图像质量检测方法望诊图像预处理的一种流程示意图。

图5本申请的一种望诊图像质量检测方法望诊质量检测的一种流程示意图。

图6本申请的一种望诊图像质量检测方法望诊图像样本库更新的一种流程示意图。

图7本申请的一种望诊图像质量检测方法的又一种流程示意图。

图8本申请的一种望诊图像质量检测装置的一种组成结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：请参阅图1-8，本发明实施例中，一种望诊图像的质量检测方法，包括：

获取待分析的望诊图像。

根据后续流程处理需要，采用形态学算法或基于神经网络的图像算法对所述望诊图像进行预处理。

根据样本库设计需要，采用基于神经网络的图像算法对望诊图像对所述预处理后的图像进行质量检测，获取望诊图像评价对象质量总评分及影响总评分的各项指标的评分，所述评价对象为像素集合，为原始图像全部像素的子集。

根据所述望诊图像质量检测结果和实际样本库管理设计，将望诊图像更新至样本库，实现望诊图像数据的标准化管理。

实施例2：本申请还提供了一种望诊图像质量检测装置，包括：

望诊图像获取模块，用于获取待分析的望诊图像。

望诊图像预处理模块，根据后续流程处理需要，采用形态学算法或基于神经网络的图像算法对所述望诊图像进行预处理。

望诊图像质量检测模块，根据样本库设计需要，采用基于神经网络的图像算法对望诊图像对所述预处理后的图像进行质量检测，获取望诊图像评价对象质量总评分及影响总评分的各项指标的评分，所述评价对象为像素集合，为原始图像全部像素的子集。

望诊图像样本库更新模块，根据所述望诊图像质量检测结果和实际样本库管理设计，将望诊图像更新至样本库，实现望诊图像数据的标准化管理。

实施例3：本申请提供了一种计算机设备，包括：存储器和处理器；

其中，所述处理器用于执行所述存储器中存储的程序。

所述存储器用于存储程序，所述程序至少包含：

获取待分析的望诊图像。

根据后续流程处理需要，采用形态学算法或基于神经网络的图像算法对所述望诊图像进行预处理。

根据样本库设计需要，采用基于神经网络的图像算法对望诊图像对所述预处理后的图像进行质量检测，获取望诊图像评价对象质量总评分及影响总评分的各项指标的评分，所述评价对象为像素集合，为原始图像全部像素的子集。

根据所述望诊图像质量检测结果和实际样本库管理设计，将望诊图像更新至样本库，实现望诊图像数据的标准化管理。

实施例4：本申请还提供了一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如上所述任意一项的望诊图像处理方法。

本申请根据实际场景对获取待分析的望诊图像进行预处理，使之符合后续处理；并采用基于神经网络的图像算法对预处理后望诊图像或图像上某个目标或某一类目标进行质量评价，获得所述望诊图像质量检测结果，即望诊图像质量总评分及影响总评分的各项指标数值；根据质量检测结果将样本分类收入样本库，实现望诊图像数据的标准化管理。由此可知，本申请能够实现对望诊图像或图像上某个目标或某一类目标进行质量评价，过滤掉质量不合格的望诊图像，同时给出不合格的指标及量化参数；解决不同数据集之间和不同辅助诊断算法之间难以进行客观比较的问题，从而有助于提高医生及辅助诊疗系统的稳定性和一致性，保证诊断结果的可靠性和准确性，减少误诊和漏诊。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。