本申请涉及医学图像处理,特别是涉及窗宽窗位自动生成方法、装置、计算机设备和存储介质。
背景技术:
1、医学图像是反映人体内部结构的图像,是现代医疗诊断的主要依据之一。医学图像相较于一般图像,其具有更大的灰度值范围以区分不同的组织结构,所以在医生在阅片之前需要调整图像的灰度信息至人眼可分辨的范围内。其中,调整图像的窗宽窗位是一种常见手段。其中,窗宽(window width,ww)指的是图像显示的灰度值范围,而窗位(windowlevel,wl)指的是这个范围的中心灰度值。通过调整图像的窗宽和窗位将原始医学图像映射到0-255的灰度区间内,通过人眼观察就能区分出图像中各个位置表示的组织信息。
2、目前,窗宽窗位生成方法大都依据图像的灰度直方图生成初始窗宽窗位,再由阅片人根据主观视觉感受手动调整原始窗宽窗位,所以阅片人的经验会影响窗宽窗位的生成效率,同时在一定程度上影响准确性。
3、针对相关技术中存在受人为因数影响,导致窗宽窗位生成效率低且准确性不高,目前还没有提出有效的解决方案。
技术实现思路
1、在本实施例中提供了一种窗宽窗位自动生成方法、装置、计算机设备和存储介质,以解决相关技术中受人为因数影响,导致窗宽窗位生成效率低且准确性不高的问题。
2、第一个方面,在本实施例中提供了一种窗宽窗位自动生成方法,包括:
3、获取样本医学图像中图像灰度的图像灰度初始最小值、图像灰度初始最大值;
4、将所述样本医学图像、所述图像灰度初始最小值以及图像灰度初始最大值输入到神经网络模型中进行预测,并基于预测结果构建所述神经网络模型的损失函数;
5、基于所述损失函数,对所述神经网络模型进行迭代优化,得到目标神经网络模型;
6、将目标医学图像输入到所述目标神经网络模型中进行预测,生成窗宽窗位。
7、在其中的一些实施例中,所述将所述样本医学图像、所述图像灰度初始最小值以及图像灰度初始最大值输入到神经网络模型中进行预测,并基于预测结果构建所述神经网络模型的损失函数,包括:
8、将所述样本医学图像、所述图像灰度初始最小值以及图像灰度初始最大值输入到神经网络模型中进行预测,得到图像灰度调整最小值、图像灰度调整最大值以及调整医学图像;
9、根据所述样本医学图像、所述图像灰度初始最小值、所述图像灰度初始最大值、所述调整医学图像、所述图像灰度调整最小值以及所述图像灰度调整最大值,构建所述神经网络模型的损失函数。
10、在其中的一些实施例中,所述根据所述样本医学图像、所述图像灰度初始最小值、所述图像灰度初始最大值、所述调整医学图像、所述图像灰度调整最小值以及所述图像灰度调整最大值,构建所述神经网络模型的损失函数,包括:
11、根据所述样本医学图像、图像灰度初始最小值、图像灰度初始最大值,构建所述样本医学图像的灰度直方图的灰度分布特性;
12、根据所述图像灰度调整最小值和所述图像灰度调整最大值,构建调整窗宽窗位后的所述样本医学图像的对比度;
13、根据所述样本医学图像和所述调整医学图像,构建所述样本医学图像和所述调整医学图像之间的相似度;
14、根据所述灰度分布特性、所述对比度以及所述相似度,构建神经网络模型的损失函数。
15、在其中的一些实施例中,所述相似度包括余弦相似度、哈希相似度、均方误差相似度以及互信息相似度中的一种。
16、在其中的一些实施例中,所述基于所述损失函数,对所述神经网络模型进行迭代优化,得到目标神经网络模型,包括:
17、基于所述损失函数,利用优化器对所述神经网络模型进行迭代优化,在迭代优化结果满足预设终止条件时,得到目标神经网络模型。
18、在其中的一些实施例中,所述将目标医学图像输入到所述目标神经网络模型中进行预测,生成窗宽窗位,包括:
19、将目标医学图像输入到所述目标神经网络模型中进行预测,得到图像灰度绝对最小值和图像灰度绝对最大值;
20、根据所述图像灰度绝对最小值和所述图像灰度绝对最大值,生成窗宽窗位。
21、在其中的一些实施例中,所述将目标医学图像输入到所述目标神经网络模型中进行预测,得到图像灰度绝对最小值和图像灰度绝对最大值,包括:
22、对所述样本医学图像进行归一化处理,得到归一化处理后的样本医学图像;
23、将归一化处理后的目标医学图像输入到所述目标神经网络模型中进行预测,得到图像灰度相对最小值和图像灰度相对最大值;
24、将所述图像灰度相对最小值转换为对应的图像灰度绝对最小值;
25、将所述图像灰度相对最大值转换为对应的图像灰度绝对最大值。
26、第二个方面,在本实施例中提供了一种窗宽窗位自动生成装置,包括:获取模块、预测构建模块、优化模块以及测试模块;
27、所述获取模块,用于获取样本医学图像中图像灰度的图像灰度初始最小值、图像灰度初始最大值;
28、所述预测构建模块,用于将所述样本医学图像、所述图像灰度初始最小值以及图像灰度初始最大值输入到神经网络模型中进行预测,并基于预测结果构建所述神经网络模型的损失函数;
29、所述优化模块,用于基于所述损失函数,对所述神经网络模型进行迭代优化,得到目标神经网络模型;
30、所述测试模块,用于将目标医学图像输入到所述目标神经网络模型中进行预测,生成窗宽窗位。
31、第三个方面,在本实施例中提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述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上述第一个方面所述的窗宽窗位自动生成方法。
32、第四个方面,在本实施例中提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一个方面所述的窗宽窗位自动生成方法。
33、与相关技术相比,在本实施例中提供的窗宽窗位自动生成方法、装置、计算机设备和存储介质,通过获取样本医学图像中图像灰度的图像灰度初始最小值、图像灰度初始最大值;将样本医学图像、图像灰度初始最小值以及图像灰度初始最大值输入到神经网络模型中进行预测,并基于预测结果构建神经网络模型的损失函数;基于损失函数,对神经网络模型进行迭代优化,得到目标神经网络模型;将目标医学图像输入到目标神经网络模型中进行预测,生成窗宽窗位;解决了相关技术中受人为因数影响,导致窗宽窗位生成效率低且准确性不高的问题,利用预测结果先构建损失函数,再完成目标神经网络模型的训练,最后基于目标神经网络模型来实现自动生成窗宽窗位,避免人为因数的影响,提高生成效率和准确性。
34、本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
1.一种窗宽窗位自动生成方法,其特征在于,包括:
2.根据权利要求1所述的窗宽窗位自动生成方法,其特征在于,所述将所述样本医学图像、所述图像灰度初始最小值以及图像灰度初始最大值输入到神经网络模型中进行预测,并基于预测结果构建所述神经网络模型的损失函数,包括:
3.根据权利要求2所述的窗宽窗位自动生成方法,其特征在于,所述根据所述样本医学图像、所述图像灰度初始最小值、所述图像灰度初始最大值、所述调整医学图像、所述图像灰度调整最小值以及所述图像灰度调整最大值,构建所述神经网络模型的损失函数,包括:
4.根据权利要求3所述的窗宽窗位自动生成方法,其特征在于,所述相似度包括余弦相似度、哈希相似度、均方误差相似度以及互信息相似度中的一种。
5.根据权利要求1所述的窗宽窗位自动生成方法,其特征在于,所述基于所述损失函数,对所述神经网络模型进行迭代优化,得到目标神经网络模型,包括:
6.根据权利要求1所述的窗宽窗位自动生成方法,其特征在于,所述将目标医学图像输入到所述目标神经网络模型中进行预测,生成窗宽窗位,包括:
7.根据权利要求6所述的窗宽窗位自动生成方法,其特征在于,所述将目标医学图像输入到所述目标神经网络模型中进行预测,得到图像灰度绝对最小值和图像灰度绝对最大值,包括:
8.一种窗宽窗位自动生成装置,其特征在于,包括:获取模块、预测构建模块、优化模块以及测试模块;
9.一种计算机设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的窗宽窗位自动生成方法的步骤。
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权利要求1至7中任一项所述的窗宽窗位自动生成方法的步骤。