[發明專利]醫學圖像的加窗方法及裝置

有效

• 申請號: 202011104293.X
• 申請日: 2020-10-15
• 公開（公告）號: CN112233126B
• 公開（公告）日: 2021-09-17
• 發明（設計）人: 亢寒;張榮國;李新陽;王少康;陳寬
• 申請（專利權）人: 推想醫療科技股份有限公司
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/62;G06T7/00;G06N3/08;G06N3/02
• 代理公司: 北京布瑞知識產權代理有限公司 11505
• 代理人: 秦衛中

本發明提供了一種醫學圖像的加窗方法及裝置。該方法包括：分別獲取待加窗處理的多個醫學圖像中的每個醫學圖像中的感興趣區域的第一CT值和第二CT值，其中，第一CT值大于第二CT值；根據獲取的多個第一CT值，確定加窗處理的窗口的第一參數值；根據獲取的多個第二CT值，確定加窗處理的窗口的第二參數值；根據窗口的第一參數值和第二參數值，對多個醫學圖像進行加窗處理，能夠自動選擇合適的窗寬、窗位。

技術領域

本發明涉及窗技術領域，具體涉及一種醫學圖像的加窗方法及裝置。

背景技術

窗技術(Window Technique)是醫生用以觀察不同密度正常組織或病變的一種顯示技術，其包括窗寬和窗位兩個參數，窗寬是指CT圖像所顯示的CT值范圍，窗位是指窗寬范圍內的中心值。由于各種不同組織結構或病變具有不同的像素值，因此欲顯示某一組織結構細節時，應選擇適合觀察組織結構的窗寬、窗位，對圖像進行加窗處理，以獲得顯示最佳效果。

對CT圖像進行圖像處理時，也需對CT圖像進行加窗操作從而方便后續操作。然而，在一般情況下，操作者需要了解相關醫學知識，才能知道凸顯出感興趣區域所需的窗寬窗位；其次，因為CT圖像生成的方式不一樣，操作者所能查詢到的窗寬窗位一般都是大致范圍，這樣的窗寬窗位范圍并不適用于圖像處理。

發明內容

有鑒于此，本發明實施例提供了一種醫學圖像的加窗方法及裝置，能夠自動選擇合適的窗寬、窗位。

根據本發明實施例的第一方面，提供一種醫學圖像的加窗方法，包括：分別獲取待加窗處理的多個醫學圖像中的每個醫學圖像中的感興趣區域的第一CT值和第二CT值，其中，第一CT值大于第二CT值；根據獲取的多個第一CT值，確定加窗處理的窗口的第一參數值；根據獲取的多個第二CT值，確定加窗處理的窗口的第二參數值；根據窗口的第一參數值和第二參數值，對多個醫學圖像進行加窗處理。

在本發明的一個實施例中，上述根據獲取的多個第一CT值，確定加窗處理的窗口的第一參數值，包括：將多個第一CT值從小到大排列，選取多個第一CT值中的第一預設分位數作為窗口的第一參數值，其中，上述根據獲取的多個第二CT值，確定加窗處理的窗口的第二參數值，包括：將多個第二CT值從小到大排列，選取多個第二CT值中的第二預設分位數作為窗口的第二參數值。

在本發明的一個實施例中，多個醫學圖像為神經網絡模型的正樣本訓練集中的多個正樣本，神經網絡模型包括二值化分割網絡模型，上述方法還包括：從樣本集中獲取正樣本訓練集和負樣本訓練集，其中，正樣本訓練集中的每個正樣本為具有感興趣區域的圖像，負樣本訓練集中的每個負樣本為不具有感興趣區域的圖像，其中，上述根據窗口的第一參數值和第二參數值，對多個醫學圖像進行加窗處理，包括：根據窗口的第一參數值和第二參數值，分別對正樣本訓練集中的每個正樣本和負樣本訓練集中的每個負樣本進行加窗處理，其中，上述方法還包括：利用經過加窗處理的正樣本訓練集和負樣本訓練集對神經網絡模型進行訓練。

在本發明的一個實施例中，上述利用經過加窗處理的正樣本訓練集和負樣本訓練集對神經網絡模型進行訓練，包括：根據批尺寸參數，分別從正樣本訓練集中獲取i個正樣本，其中，i為大于等于1的整數；根據批尺寸參數和i個正樣本的數量，分別從負樣本訓練集中獲取j個負樣本；根據每個由i個正樣本和j個負樣本組成的小批量樣本集對神經網絡模型進行訓練。

在本發明的一個實施例中，上述根據每個由i個正樣本和j個負樣本組成的小批量樣本集對神經網絡模型進行訓練，包括：將小批量樣本集作為一個整體，獲得小批量樣本集對應的一個損失函數值，根據損失函數值對神經網絡模型進行訓練。