一种医学图像预处理方法及系统与流程

1.本发明涉及图像处理技术领域，尤其涉及一种医学图像预处理方法及系统。


背景技术：

2.由于dr影像质量受到设备参数、操作技师的操作水平、患者身体状况、拍摄时患者位姿等影响，导致图片成像在亮度、对比度等方面存在显著差异性。在深度模型进行训练时，由于部分输入图片的质量偏差过大，导致深度学习模型难以进行训练，影响模型训练准确率，同时影响模型的使用效果。
3.目前对于图像质量的检出，通常采用深度学习方式，构建不同质量的图片的数据集，进行分类训练。该方法训练成本较高，且存在假阳性高的特点，即对正常的图片存在误判，通常不能满足对低质量图片检出率高和高质量图片误检率低的要求。
4.因此现有技术还有待于进一步发展。


技术实现要素：

5.针对上述技术问题，本发明实施例提供了一种医学图像预处理方法及系统，能够解决现有技术中通过深度学习对图片进行处理，容易对正常的图片存在误判，不能满足对低质量图片检出率高和高质量图片误检率低的要求的技术问题。
6.本发明实施例的第一方面提供一种医学图像预处理方法，包括：
7.构建医学图像数据集，所述医学图像数据集包括图像质量正常的正常图片数据集和图像质量异常的异常图片数据集；
8.对医学图像数据集进行梯度计算，分别生成正常图片数据集对应的第一梯度分布和异常图片数据集对应的第二梯度分布；
9.根据第一梯度分布和第二梯度分布确定梯度阈值；
10.获取待处理的医学图像，计算待处理的医学图像的第三梯度，根据第三梯度与梯度阈值的关系，获取待处理的医学图像的图像类别；
11.根据所述图像类别执行对应的操作。
12.可选地，获取待处理的医学图像，计算待处理的医学图像的第三梯度，根据第三梯度与梯度阈值的关系，获取待处理的医学图像的图像类别，包括：
13.获取待处理的医学图像，计算待处理的医学图像的第三梯度，判断第三梯度是否大于梯度阈值；
14.若第三梯度大于梯度阈值，则判定待处理的医学图像的图像类别为正常图像；
15.若第三梯度小于等于梯度阈值，则判定待处理的医学图像的图像类别为异常图像。
16.可选地，图像类别为正常图像时，根据所述图像类别执行对应的操作，包括：
17.将所述待处理的医学图像输入深度学习模型，获取对应的识别结果。
18.可选地，所述图像类别为异常图像时，根据所述图像类别执行对应的操作，包括：
19.将所述待处理的医学图像进行删除，不再输入深度学习模型。
20.可选地，所述根据第一梯度分布和第二梯度分布确定梯度阈值，包括：
21.采用统计方法，分别统计第一梯度对应第一概率分布图和第二梯度对应的第二概率分布图；
22.根据第一概率分布图获取正常图片数据集的概率密度最大值所在的第一区间；
23.根据第二概率分布图获取异常图片数据集的概率密度最大值所在的第二区间；
24.根据第一区间和第二区间，确定梯度阈值。
25.本发明实施例第二方面提供了一种医学图像预处理系统，所述系统包括：存储器、处理器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，所述计算机程序被所述处理器执行时实现以下步骤：
26.构建医学图像数据集，所述医学图像数据集包括图像质量正常的正常图片数据集和图像质量异常的异常图片数据集；
27.对医学图像数据集进行梯度计算，分别生成正常图片数据集对应的第一梯度分布和异常图片数据集对应的第二梯度分布；
28.根据第一梯度分布和第二梯度分布确定梯度阈值；
29.获取待处理的医学图像，计算待处理的医学图像的第三梯度，根据第三梯度与梯度阈值的关系，获取待处理的医学图像的图像类别；
30.根据所述图像类别执行对应的操作。
31.可选地，所述计算机程序被所述处理器执行时还实现以下步骤：
32.获取待处理的医学图像，计算待处理的医学图像的第三梯度，判断第三梯度是否大于梯度阈值；
33.若第三梯度大于梯度阈值，则判定待处理的医学图像的图像类别为正常图像；
34.若第三梯度小于等于梯度阈值，则判定待处理的医学图像的图像类别为异常图像。
35.可选地，所述计算机程序被所述处理器执行时还实现以下步骤：
36.将所述待处理的医学图像输入深度学习模型，获取对应的识别结果。
37.可选地，所述计算机程序被所述处理器执行时还实现以下步骤：
38.采用统计方法，分别统计第一梯度对应第一概率分布图和第二梯度对应的第二概率分布图；
39.根据第一概率分布图获取正常图片数据集的概率密度最大值所在的第一区间；
40.根据第二概率分布图获取异常图片数据集的概率密度最大值所在的第二区间；
41.根据第一区间和第二区间，确定梯度阈值。
42.本发明实施例第三方面提供了一种非易失性计算机可读存储介质，其特征在于，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行上述的医学图像预处理方法。
43.本发明实施例提供的技术方案中，构建医学图像数据集，医学图像数据集包括图像质量正常的正常图片数据集和图像质量异常的异常图片数据集；对医学图像数据集进行梯度计算，分别生成正常图片数据集对应的第一梯度分布和异常图片数据集对应的第二梯度分布；根据第一梯度分布和第二梯度分布确定梯度阈值；获取待处理的医学图像，计算待
处理的医学图像的第三梯度，根据第三梯度与梯度阈值的关系，获取待处理的医学图像的图像类别；根据图像类别执行对应的操作。本发明实施例的医学图片数据输入深度学习模型学习之前，筛查出图片质量泛白或者泛黑的图片，过滤掉质量太差的图片的噪音，提高后续深度学习模型训练准确率。
附图说明
44.图1为本发明实施例中一种医学图像预处理方法的一实施例的流程示意图；
45.图2a为本发明实施例中一种医学图像预处理方法的一实施例的异常图片示意图；
46.图2b为本发明实施例中一种医学图像预处理方法的一实施例的正常图片示意图；
47.图3a为本发明实施例中一种医学图像预处理方法的一实施例的异常图片数据集为3000张图片时的直方图分布示意图；
48.图3b为本发明实施例中一种医学图像预处理方法的一实施例的异常图片数据集为5000张图片时的直方图分布示意图；
49.图4a为本发明实施例中一种医学图像预处理方法的一实施例的正常图片数据集为100张图片时的直方图分布示意图；
50.图4b为本发明实施例中一种医学图像预处理方法的一实施例的正常图片数据集为1000张图片时的直方图分布示意图；
51.图4c为本发明实施例中一种医学图像预处理方法的一实施例的正常图片数据集为3000张图片时的直方图分布示意图；
52.图4d为本发明实施例中一种医学图像预处理方法的一实施例的正常图片数据集为5000张图片时的直方图分布示意图；
53.图5a为本发明实施例中一种医学图像预处理方法的一实施例的待处理图片的示意图；
54.图5b为本发明实施例中一种医学图像预处理方法的一实施例的待处理图片的梅梯度示意图；
55.图6为本发明实施例中一种医学图像预处理系统的另一实施例的硬件结构示意图。
具体实施方式
56.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，本领域技术人员在没有作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。
57.以下结合附图对本发明实施例进行详细的描述。
58.请参阅图1，图1为本发明实施例中一种医学图像预处理方法的一个实施例的流程示意图。如图1所示，包括：
59.步骤s100、构建医学图像数据集，所述医学图像数据集包括图像质量正常的正常图片数据集和图像质量异常的异常图片数据集；
60.步骤s200、对医学图像数据集进行梯度计算，分别生成正常图片数据集对应的第
一梯度分布和异常图片数据集对应的第二梯度分布；
61.步骤s300、根据第一梯度分布和第二梯度分布确定梯度阈值；
62.步骤s400、获取待处理的医学图像，计算待处理的医学图像的第三梯度，根据第三梯度与梯度阈值的关系，获取待处理的医学图像的图像类别；
63.步骤s500、根据所述图像类别执行对应的操作。
64.具体实施时，本发明实施例旨在图片数据输入深度学习模型学习之前，筛查出图片质量泛白或者泛黑的图片，过滤掉质量太差的图片的噪音，提高模型训练准确率。泛白或者泛黑导致肺部组织的纹理不清晰，会造成无法判断肺部疾病的存在，造成误诊或者漏诊。该医学图像属于废片标准，应该在深度学习模型训练时进行过滤掉。发暗的图片如图2a，正常的图片如图2b。
65.本发明实施例的医学图像一般是指dr影像。针对dr影像的质量特点，进行分类统计。首先针对图片质量泛白或者泛黑的情况，收集正常图片的数据集和异常图片的数据集。根据图片的梯度计算，找出正常图片和异常图片的梯度的分布。通过阈值分析，得出能区分出低质量图片检出率高和高质量图片误检率低的图片，在将图片送入模型之前，对图片进行预处理。该方法属于利用质量较差的废片的图像特征的传统图像处理算法。
66.其中计算梯度图的可采用图像的膨胀图与腐蚀图之差计算求得。计算梯度图用于提取图片的边缘信息。具体api可以调用opencv的cv2.morphologyex(img,cv.morph_gradient,np.ones((5,5),np.uint8)，膨胀类似与'领域扩张',将图像的高亮区域或白色部分进行扩张,其运行结果图比原图的高亮区域更大。腐蚀类似'领域被蚕食',将图像中的高亮区域或白色部分进行缩减细化,其运行结果图比原图的高亮区域更小。两者相减，可以得到该图片的梯度。
67.本发明实施例的方法具有方法具备运行速度快，检测可靠，不需要事先训练等优点。通过阈值可以控制不同的检出率和漏检率。
68.进一步地，获取待处理的医学图像，计算待处理的医学图像的第三梯度，根据第三梯度与梯度阈值的关系，获取待处理的医学图像的图像类别，包括：
69.获取待处理的医学图像，计算待处理的医学图像的第三梯度，判断第三梯度是否大于梯度阈值；
70.若第三梯度大于梯度阈值，则判定待处理的医学图像的图像类别为正常图像；
71.若第三梯度小于等于梯度阈值，则判定待处理的医学图像的图像类别为异常图像。
72.具体地，假设存在一个阈值a，当某一图片的梯度小于等于a时，判定图片为质量较差，当某一图片梯度大于a时，判定图片质量较好。在构建好数据集之后，可以通过统一标准，确定异常图片数据集中有多少在该标准下被检出，有多少在该标准下没有被检出；同样，使用该标准，确定正常图片数据集中有多少被误判为质量低的，有多少是被判断正常的。
73.通过不断调节a的数值，可以观察到正常和异常数据集的表现。当异常数据集检出率高，同时正常数据集误检率低时，可以确定此时a为最佳阈值。
74.进一步地，图像类别为正常图像时，根据所述图像类别执行对应的操作，包括：
75.将所述待处理的医学图像输入深度学习模型，获取对应的识别结果。
76.具体实施时，在确定待处理的医学图像的图像类别后，若是图像较好，则输入后续的深度学习模型。
77.进一步地，图像类别为异常图像时，根据所述图像类别执行对应的操作，包括：
78.将所述待处理的医学图像进行删除，不再输入深度学习模型。
79.具体实施时，图像较差，则不再将图像输入后续的深度学习模型中进行训练。
80.进一步地，根据第一梯度分布和第二梯度分布确定梯度阈值，包括：
81.采用统计方法，分别统计第一梯度对应第一概率分布图和第二梯度对应的第二概率分布图；
82.根据第一概率分布图获取正常图片数据集的概率密度最大值所在的第一区间；
83.根据第二概率分布图获取异常图片数据集的概率密度最大值所在的第二区间；
84.根据第一区间和第二区间，确定梯度阈值。
85.具体实施时，获取方法：假设原图大小为512*512，通过梯度计算，可以得到梯度图512*512，可以获取一个梯度图的统计直方图分布，然后再统计整个数据集的梯度图，可以得到整个数据集的直方图分布。进行均一化处理后，可以得到梯度图的概率分布图。
86.阈值界定方法中，分析低质量图片数据集的概率密度最大处为5-9之间，正常的图片数据集的概率密度最大处为12-16之间。确定阈值范围。在通过逐一改变阈值，观察两个数据集的表现，即质量差的数据集能被检出多少，质量好的数据集能被误检出多少。当观察质量差的数据集能被检出多，同时质量好的数据集能被误检出的少时候，即确定最佳阈值。
87.本发明还提供了一种医学图像预处理的具体应用实施例，具体如下：
88.构建正常样本数据集100、1000、3000、5000和异常样本数据集100、1000、3000和5000；
89.分别统计正常样本数据集和异常样本数据集分别在100、1000、3000和5000下的梯度分布直方图；其中异常样本数据集在3000和5000下的梯度分布直方图分别如图3a和图3b所示，正常样本数据集在100、1000、3000和5000下的梯度分布直方图分别如图4a、图4b、图4c和图4d所示.
90.通过分析对比，100,1000,3000,5000质量很差的数据集，前5最多的梯度分布在5-9之间(5,6,7,8,9)；
91.通过分析对比，100,1000,3000,5000质量合格的数据集，前5最多的梯度分布在12-16之间(12,13,14,15,16)；
92.通过分析对比，100,1000,3000,5000质量合格的数据集，前5最多的梯度分布在5-9之间(12,13,14,15,16)；
93.算法设计如下：
94.输入图片尺寸设定为(512,512),如图5a所示，生成梯度图，如图5b所示；
95.截取图片中心区域，宽400，长400，左上角点为(50,50)；
96.统计梯度值最多的前5的数值，并计算平均值；
97.当阈值小于某一数值时，判断为废片，当阈值大于某一数值时，判断为正常图片；
98.根据图片类别进行后续操作，废片不进入训练，正常片进入模型训练；
99.阈值可调，可以根据废片的检出率和漏诊率进行自行设置。
100.由以上方法实施例可知，本发明实施例提供了一种医学图像预处理方法，通过构
建医学图像数据集，医学图像数据集包括图像质量正常的正常图片数据集和图像质量异常的异常图片数据集；对医学图像数据集进行梯度计算，分别生成正常图片数据集对应的第一梯度分布和异常图片数据集对应的第二梯度分布；根据第一梯度分布和第二梯度分布确定梯度阈值；获取待处理的医学图像，计算待处理的医学图像的第三梯度，根据第三梯度与梯度阈值的关系，获取待处理的医学图像的图像类别；根据图像类别执行对应的操作。本发明实施例的医学图片数据输入深度学习模型学习之前，筛查出图片质量泛白或者泛黑的图片，过滤掉质量太差的图片的噪音，提高后续深度学习模型训练准确率。
101.需要说明的是，上述各步骤之间并不必然存在一定的先后顺序，本领域普通技术人员，根据本发明实施例的描述可以理解，不同实施例中，上述各步骤可以有不同的执行顺序，亦即，可以并行执行，亦可以交换执行等等。
102.上面对本发明实施例中的医学图像预处理方法进行了描述，下面对本发明实施例中的医学图像预处理系统进行描述，请参阅图6，图6是本发明实施例中一种医学图像预处理系统的另一实施例的硬件结构示意图，如图6所示，系统10包括：存储器101、处理器102及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被处理器101执行时实现以下步骤：
103.构建医学图像数据集，所述医学图像数据集包括图像质量正常的正常图片数据集和图像质量异常的异常图片数据集；
104.对医学图像数据集进行梯度计算，分别生成正常图片数据集对应的第一梯度分布和异常图片数据集对应的第二梯度分布；
105.根据第一梯度分布和第二梯度分布确定梯度阈值；
106.获取待处理的医学图像，计算待处理的医学图像的第三梯度，根据第三梯度与梯度阈值的关系，获取待处理的医学图像的图像类别；
107.根据所述图像类别执行对应的操作。
108.具体的实施步骤与方法实施例相同，此处不再赘述。
109.可选地，计算机程序被处理器101执行时还实现以下步骤：
110.获取待处理的医学图像，计算待处理的医学图像的第三梯度，判断第三梯度是否大于梯度阈值；
111.若第三梯度大于梯度阈值，则判定待处理的医学图像的图像类别为正常图像；
112.若第三梯度小于等于梯度阈值，则判定待处理的医学图像的图像类别为异常图像。
113.具体的实施步骤与方法实施例相同，此处不再赘述。
114.可选地，计算机程序被处理器101执行时还实现以下步骤：
115.将所述待处理的医学图像输入深度学习模型，获取对应的识别结果。
116.具体的实施步骤与方法实施例相同，此处不再赘述。
117.可选地，计算机程序被处理器101执行时还实现以下步骤：
118.将所述待处理的医学图像进行删除，不再输入深度学习模型。
119.具体的实施步骤与方法实施例相同，此处不再赘述。
120.可选地，计算机程序被处理器101执行时还实现以下步骤：
121.采用统计方法，分别统计第一梯度对应第一概率分布图和第二梯度对应的第二概
率分布图；
122.根据第一概率分布图获取正常图片数据集的概率密度最大值所在的第一区间；
123.根据第二概率分布图获取异常图片数据集的概率密度最大值所在的第二区间；
124.根据第一区间和第二区间，确定梯度阈值。
125.具体的实施步骤与方法实施例相同，此处不再赘述。
126.本发明实施例提供了一种非易失性计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如，执行以上描述的图1中的方法步骤s100至步骤s500。
127.作为示例，非易失性存储介质能够包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦rom(eeprom)或闪速存储器。易失性存储器能够包括作为外部高速缓存存储器的随机存取存储器(ram)。通过说明并非限制，ram可以以诸如同步ram(sram)、动态ram、(dram)、同步dram(sdram)、双数据速率sdram(ddr sdram)、增强型sdram(esdram)、synchlink dram(sldram)以及直接rambus(兰巴斯)ram(drram)之类的许多形式得到。本发明实施例中所描述的操作环境的所公开的存储器组件或存储器旨在包括这些和/或任何其他适合类型的存储器中的一个或多个。
128.以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。