CN117830311B - 医学影像图片分段和关键帧标识方法、系统、设备及介质 - Google Patents
医学影像图片分段和关键帧标识方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117830311B CN117830311B CN202410245012.4A CN202410245012A CN117830311B CN 117830311 B CN117830311 B CN 117830311B CN 202410245012 A CN202410245012 A CN 202410245012A CN 117830311 B CN117830311 B CN 117830311B
- Authority
- CN
- China
- Prior art keywords
- frame
- picture
- difference value
- medical image
- picture frame
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 37
- 210000000056 organ Anatomy 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000003709 image segmentation Methods 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 201000010099 disease Diseases 0.000 abstract description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 4
- 239000012634 fragment Substances 0.000 description 4
- 206010028980 Neoplasm Diseases 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种医学影像图片分段和关键帧标识方法、系统、设备及介质，该方法包括：通过基于角度的函数标识同一器官不同拍照角度的每一帧医学影像；根据预设图片分段规则对医学影像进行划分，得到每个图片分段所对应的信息三元组；根据预设关键帧标识规则对信息三元组所对应的图片分段进行亮度面积计算，并根据亮度面积确定每个图片分段所包含的关键帧。本发明建立了基于角度的医学影像图片分段，针对不同人的同一器官，提高了病灶位置和病症判断的准确性；关键帧自动标识为更准确快速地诊断提供了技术手段；已经建立的基于角度范围的分段信息有助于后续同一器官的影像图片观察和拍摄工作。
Description
技术领域
本发明涉及医学影像技术领域，特别是涉及医学影像图片分段和关键帧标识方法、系统、设备及介质。
背景技术
在肿瘤影像分析中，随着AI技术的发展，深度学习越来越广泛运用在医学影像分析中，其作为辅助诊断，为病灶位置和病症判断提供了很大帮助。
肿瘤的医学影像图片具有独特性，通常会针对肿瘤部位进行360度观察，并留下影像图片数据。不同角度呈现的病灶特征不同，对应影像图片也有明显差异。在相同的角度范围内，不同人的器官影像图片大致相同。将相同角度范围的不同人的影像图片进行大数据分析，有利于更准确地进行图像学习和判断。
现有的大数据分析，并没有区分不同角度范围的影像图片。因此，为了更精准地进行影像图片分析，亟需一种能够有效区分不同角度范围的影像图片的方法。
发明内容
针对同一个器官，从不同体位角度留下的医学影像图片具有较大差异，呈现出影像图片具有角度信息的特征。为了更精准地进行影像图片分析，从而更准确地判断器官病灶位置和病变程度，本发明提供了一种医学影像图片分段和关键帧标识方法、系统、设备及介质。
第一方面，本发明实施例提供了一种医学影像图片分段和关键帧标识方法，包括：
通过基于角度的函数标识同一器官不同拍照角度的每一帧医学影像；每一帧医学影像的标识包括每一帧医学影像的编号和拍照角度信息；
根据预设图片分段规则对所述医学影像进行划分，得到每个图片分段所对应的信息三元组；所述信息三元组包括图片分段的起始角度帧、图片分段内图像最大值帧和图片分段的结束角度帧；
根据预设关键帧标识规则对所述信息三元组所对应的图片分段进行亮度面积计算，并根据所述亮度面积确定每个所述图片分段所包含的关键帧；所述关键帧至少包括所述图片分段内亮度面积最大的帧。
优选地，所述预设图片分段规则，包括步骤：
S11、初始化所述起始角度帧和所述结束角度帧；
S12、计算所述起始角度帧与所述结束角度帧的第一差值，并将所述第一差值依次赋值给初始图片帧差值和中间图片帧差值；
S13、判断所述医学影像是否有下一图片帧，若有则将下一图片帧设定为当前图片帧，并计算所述起始角度帧与所述当前图片帧的第二差值，并将所述第二差值赋值给目标图片帧差值，继续执行步骤S14；否则结束图片分段。
优选地，采用直方图法计算所述起始角度帧与所述结束角度帧的第一差值。
优选地，若所述医学影像有下一图片帧，则所述预设图片分段规则还包括步骤：
S14、判断所述目标图片帧差值是否大于所述初始图片帧差值，若所述目标图片帧差值大于所述初始图片帧差值则执行步骤S15；若所述目标图片帧差值小于所述初始图片帧差值则执行步骤S16；
S15、将所述目标图片帧差值依次赋值给所述初始图片帧差值和所述中间图片帧差值，以及将所述当前图片帧设定为所述图像最大值帧，重复执行步骤S13；
S16、判断所述目标图片帧差值是否小于所述中间图片帧差值，若所述目标图片帧差值小于所述中间图片帧差值则将所述目标图片帧差值赋值给所述中间图片帧差值，重复执行步骤S13；若所述目标图片帧差值大于所述中间图片帧差值则继续执行步骤S17；
S17、将所述结束角度帧更新为所述当前图片帧的前一图片帧，并将所述起始角度帧、所述图像最大值帧和所述结束角度帧构成图片分段所对应的信息三元组，继续执行步骤S18；
S18、将所述起始角度帧更新为所述当前图片帧，以及将所述结束角度帧更新为所述当前图片帧的下一图片帧，重复执行步骤S12-S13。
优选地，所述亮度面积通过计算最大亮度及相邻亮度下降至预设幅度内所包含的像素面积得到。
优选地，所述预设关键帧标识规则，包括步骤：
S21、选择任一所述信息三元组，并将所述起始角度帧、所述图像最大值帧和所述结束角度帧设定为关键帧；
S22、初始化当前图片帧和下一图片帧；
S23、计算所述当前图片帧与所述下一图片帧的第一亮度面积差值，并将所述第一亮度面积差值赋值给初始亮度面积差值；
S24、将所述当前图片帧更新为所述下一图片帧，以及将所述下一图片帧更新为所述当前图片帧的下一图片帧；
S25、判断所述下一图片帧是否超出所述信息三元组所对应的图片分段，若是则重复执行步骤S21-S25；否则计算所述当前图片帧与所述下一图片帧的第二亮度面积差值，并将所述第二亮度面积差值赋值给目标亮度面积差值，继续执行步骤S26；
S26、判断所述目标亮度面积差值是否大于所述初始亮度面积差值，若所述目标亮度面积差值大于所述初始亮度面积差值则将所述目标亮度面积差值赋值给所述初始亮度面积差值，重复执行步骤S24-S25；若所述目标亮度面积差值小于所述初始亮度面积差值则标识所述下一图片帧为关键帧，重复执行步骤S24-S25。
第二方面，本发明实施例提供了一种医学影像图片分段和关键帧标识系统，包括：
影像获取及标识模块，用于通过基于角度的函数标识同一器官不同拍照角度的每一帧医学影像；每一帧医学影像的标识包括每一帧医学影像的编号和拍照角度信息；
图片分段模块，用于根据预设图片分段规则对所述医学影像进行划分，得到每个图片分段所对应的信息三元组；所述信息三元组包括图片分段的起始角度帧、图片分段内图像最大值帧和图片分段的结束角度帧；
关键帧标识模块，用于根据预设关键帧标识规则对所述信息三元组所对应的图片分段进行亮度面积计算，并根据所述亮度面积确定每个所述图片分段所包含的关键帧；所述关键帧至少包括所述图片分段内亮度面积最大的帧。
第三方面，本发明实施例提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的医学影像图片分段和关键帧标识方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的医学影像图片分段和关键帧标识方法。
本发明实施例一种医学影像图片分段和关键帧标识方法、系统、设备及介质与现有技术相比，其有益效果在于：建立了基于角度的医学影像图片分段，针对不同人的同一器官，提高了病灶位置和病症判断的准确性；关键帧自动标识为更准确快速地诊断提供了技术手段；已经建立的基于角度范围的分段信息有助于后续同一器官的影像图片观察和拍摄工作。
附图说明
图1是本发明实施例一种医学影像图片分段和关键帧标识方法的流程示意图；
图2是本发明实施例预设图片分段规则的流程示意图；
图3是本发明实施例预设关键帧标识规则的流程示意图；
图4是本发明实施例一种医学影像图片分段和关键帧标识系统的结构示意图；
图5是本发明实施例一种终端设备的结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
需要说明的是，本发明适用的前提条件是已经完成器官的医学影像图片采集工作。基于已有的医学影像图片，如图1所示，本发明实施例提供了一种医学影像图片分段和关键帧标识方法，包括：
S1、通过基于角度的函数标识同一器官不同拍照角度的每一帧医学影像；
具体地，用基于角度的函数标识每帧影像图片，将一组影像图片中每帧按顺序编号。每一帧医学影像的标识包括每一帧医学影像的编号和拍照角度信息。本实施例用FN(a,b)表示每一帧医学影像，N表示每一帧医学影像的编号，a和b表示每一帧医学影像对应的拍照角度信息。为了简便，用FN代替FN(a,b)。以DICOM类型文件为例，以Image Position和Image Orientation作为a和b的数值，描述当前图像和人体坐标系的相对位置。
S2、根据预设图片分段规则对医学影像进行划分，得到每个图片分段所对应的信息三元组；
根据预设图片分段规则将针对同一个器官拍摄的一组影像分为不同的影像片段，建立影像片段和影像图片拍照角度的对应关系，并输出影像图片片段信息三元组。具体地，信息三元组包括图片分段的起始角度帧、图片分段内图像最大值帧和图片分段的结束角度帧。
具体地，如图2所示，预设图片分段规则，包括：
S11、初始化起始角度帧和结束角度帧；
具体地，将该组影像的第一帧作为起始角度帧FH，以及将第一帧的下一帧即第二帧作为结束角度帧FE。
S12、计算起始角度帧与结束角度帧的第一差值，并将第一差值依次赋值给初始图片帧差值和中间图片帧差值；
具体地，采用直方图法计算起始角度帧和结束角度帧的第一差值H(FH,FE)，并将第一差值依次赋值给初始图片帧差值QC和中间图片帧差值QT。
S13、判断医学影像是否有下一图片帧，若有则将下一图片帧设定为当前图片帧，并计算起始角度帧与当前图片帧的第二差值，并将第二差值赋值给目标图片帧差值，继续执行步骤S14；否则结束图片分段。
具体地，判断医学影像是否有下一图片帧，若有则将下一图片帧设定为当前图片帧FY，并计算起始角度帧与当前图片帧的第二差值H(FH,FY)，并将第二差值赋值给目标图片帧差值QY，继续执行步骤S14；否则，说明该组医学影像划分完毕，结束图片分段。
进一步地，若医学影像有下一图片帧，则预设图片分段规则还包括步骤：
S14、判断目标图片帧差值是否大于初始图片帧差值，若目标图片帧差值大于初始图片帧差值则执行步骤S15；若目标图片帧差值小于初始图片帧差值则执行步骤S16；
具体地，判断目标图片帧差值QY是否大于初始图片帧差值QC，若QY>QC则执行步骤S15；若QY<QC则执行步骤S16。
S15、将目标图片帧差值依次赋值给初始图片帧差值和中间图片帧差值，以及将当前图片帧设定为图像最大值帧，重复执行步骤S13；
具体地，将目标图片帧差值QY依次赋值给初始图片帧差值QC和中间图片帧差值QT，以及将当前图片帧FY设定为图像最大值帧FC，重复执行步骤S13。
S16、判断目标图片帧差值是否小于中间图片帧差值，若目标图片帧差值小于中间图片帧差值则将目标图片帧差值赋值给中间图片帧差值，重复执行步骤S13；若目标图片帧差值大于中间图片帧差值则继续执行步骤S17；
具体地，判断目标图片帧差值QY是否小于中间图片帧差值QT，若QY<QT则将目标图片帧差值QY赋值给中间图片帧差值QT，重复执行步骤S13；若QY>QT则继续执行步骤S17。
S17、将结束角度帧更新为当前图片帧的前一图片帧，并将起始角度帧、图像最大值帧和结束角度帧构成图片分段所对应的信息三元组，继续执行步骤S18；
具体地，将结束角度帧FE更新为当前图片帧FY的前一图片帧FY-1，并将起始角度帧FH、图像最大值帧FC和结束角度帧FE构成图片分段所对应的信息三元组(FH,FC,FE)，继续执行步骤S18。
S18、将起始角度帧更新为当前图片帧，以及将结束角度帧更新为当前图片帧的下一图片帧，重复执行步骤S12-S13。
具体地，将起始角度帧FH更新为当前图片帧FY，以及将结束角度帧FE更新为当前图片帧FY的下一图片帧FY+1，重复执行步骤S12-S13。
需要说明的是，预设图片分段规则即步骤S11-S18主要是建立基于影像图片拍照角度信息的影像片段，通过与第一帧比较，找到与第一帧差异最大的帧以及与第一帧差异小但和最大差异帧差异大的帧，建立描述影像片段范围三元组(FH,FC,FE)。在上述影像图片片段信息三元组(FH,FC,FE)中，提供了大致的角度信息，可以为后续相同器官的影像图片片段划分提供参考。
为了方便理解，本实施例预设图片分段规则也可采用如下过程简要说明：
1.1、令X=1，Y=2；
1.2、FH=FX，FE=FY；
1.3、计算QC=QT=H(FH,FE)；
1.4、如果影像图片帧编号有Y=Y+1，则令Y=Y+1，计算QY=H(FH,FY)，转入流程1.5或1.6；如果没有帧编号Y=Y+1，则该组影像片段划分完毕；
1.5、如果QY>QC，则QC=QT=QY，FC=FY，转入流程1.4；
1.6、如果QY<QC，则如果QY<QT，则QT=QY，转入流程1.4；如果QY>QT，则FE=FY-1，输出影像图片分段信息三元组(FH,FC,FE)；X=Y，Y=Y+1，转入流程1.2。
S3、根据预设关键帧标识规则对信息三元组所对应的图片分段进行亮度面积计算，并根据亮度面积确定每个图片分段所包含的关键帧。
与预设图片分段规则不同，采用计算亮度面积进行预设关键帧标识规则。在影像图片片段信息三元组(FH,FC,FE)中，再次查找并标识关键帧。其中，关键帧至少包括图片分段内亮度面积最大的帧，亮度面积通过计算最大亮度及相邻亮度下降至预设幅度内所包含的像素面积得到。进一步地，本实施例优选的亮度面积采用最大亮度及相邻亮度数值下降至95%幅度内所包含的像素面积。
具体地，如图3所示，预设关键帧标识规则，包括：
S21、选择任一信息三元组，并将起始角度帧、图像最大值帧和结束角度帧设定为关键帧；
具体地，选择任一基于影像片段角度信息三元组(FH,FC,FE)，设定起始角度帧FH、图像最大值帧FC和结束角度帧FE为默认关键帧。
S22、初始化当前图片帧和下一图片帧；
具体地，将起始角度帧FH设定为当前图片帧FP，以及将起始角度帧的下一图片帧FH+1设定为下一图片帧FQ。
S23、计算当前图片帧与下一图片帧的第一亮度面积差值，并将第一亮度面积差值赋值给初始亮度面积差值；
具体地，采用直方图法计算当前图片帧FP与下一图片帧FQ的第一亮度面积差值L1(FP,FQ)，并将第一亮度面积差值赋值给初始亮度面积差值QS。
S24、将当前图片帧更新为下一图片帧，以及将下一图片帧更新为当前图片帧的下一图片帧；
具体地，将当前图片帧FP更新为下一图片帧FQ，以及将下一图片帧FQ更新为当前图片帧的下一图片帧。
S25、判断下一图片帧是否超出信息三元组所对应的图片分段，若是则重复执行步骤S21-S25；否则计算当前图片帧与下一图片帧的第二亮度面积差值，并将第二亮度面积差值赋值给目标亮度面积差值，继续执行步骤S26；
具体地，判断下一图片帧是否超出信息三元组所对应的图片分段，若是则进入下一个信息三元组，重复执行步骤S21-S25；否则计算当前图片帧FP与下一图片帧FQ的第二亮度面积差值L2(FP,FQ)，并将第二亮度面积差值赋值给目标亮度面积差值QZ，继续执行步骤S26。
S26、判断目标亮度面积差值是否大于初始亮度面积差值，若目标亮度面积差值大于初始亮度面积差值则将目标亮度面积差值赋值给初始亮度面积差值，重复执行步骤S24-S25；若目标亮度面积差值小于初始亮度面积差值则标识下一图片帧为关键帧，重复执行步骤S24-S25。
具体地，判断目标亮度面积差值QZ是否大于初始亮度面积差值QS，若QZ>QS则将目标亮度面积差值QZ赋值给初始亮度面积差值QS，重复执行步骤S24-S25；若QZ<QS则标识下一图片帧FQ为关键帧，重复执行步骤S24-S25。
需要说明的是，预设关键帧标识规则即步骤S21-S26是在不同影像片段内，选择亮度面积最大的帧作为关键帧。通过前后两帧相比较的方式，标识亮度面积最大的帧作为关键帧。同时，关键帧所对应的角度信息，也为后续影像图片拍照提供了位置参考信息。
为了方便理解，本实施例预设关键帧标识规则也可采用如下过程简要说明：
2.1、选择基于影像片段角度信息三元组(FH,FC,FE)，设定FH、FC和FE为默认关键帧；
2.2、令FP=FH，FQ=FH+1，计算QS=L1(FP,FQ)；
2.3、令P=Q，Q=Q+1,如果Q<E，则计算QZ=L2(FP,FQ)；如果Q>E，则进入下一个三元组，转入流程2.1；
2.4、如果QZ>QS，则QS=QZ，转入流程2.3；
2.5、如果QZ<QS，则标识FQ为关键帧，转入流程2.3。
本发明实施例一种医学影像图片分段和关键帧标识方法，建立了基于角度的医学影像图片分段，针对不同人的同一器官，提高了病灶位置和病症判断的准确性；关键帧自动标识为更准确快速地诊断提供了技术手段；已经建立的基于角度范围的分段信息有助于后续同一器官的影像图片观察和拍摄工作。
基于上述一种医学影像图片分段和关键帧标识方法，如图4所示，本发明实施例提供了一种医学影像图片分段和关键帧标识系统，包括：
影像获取及标识模块1，用于通过基于角度的函数标识同一器官不同拍照角度的每一帧医学影像；每一帧医学影像的标识包括每一帧医学影像的编号和拍照角度信息；
图片分段模块2，用于根据预设图片分段规则对医学影像进行划分，得到每个图片分段所对应的信息三元组；信息三元组包括图片分段的起始角度帧、图片分段内图像最大值帧和图片分段的结束角度帧；
关键帧标识模块3，用于根据预设关键帧标识规则对信息三元组所对应的图片分段进行亮度面积计算，并根据亮度面积确定每个图片分段所包含的关键帧；关键帧至少包括图片分段内亮度面积最大的帧。
需要说明的是，上述一种医学影像图片分段和关键帧标识系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。关于一种医学影像图片分段和关键帧标识系统的具体限定参见上文中对于一种医学影像图片分段和关键帧标识方法的限定，二者具有相同的功能和作用，在此不再赘述。
本发明实施例还提供了一种终端设备，该终端设备包括：
处理器、存储器和总线；
所述总线，用于连接所述处理器和所述存储器；
所述存储器，用于存储操作指令；
所述处理器，用于通过调用所述操作指令，可执行指令使处理器执行如本发明上述一种医学影像图片分段和关键帧标识方法对应的操作。
在一个可选实施例中提供了一种终端设备，如图5所示，图5所示的终端设备5000包括：处理器5001和存储器5003。其中，处理器5001和存储器5003相连，如通过总线5002相连。可选地，终端设备5000还可以包括收发器5004。需要说明的是，实际应用中收发器5004不限于一个，该终端设备5000的结构并不构成对本发明实施例的限定。
处理器5001可以是CPU，通用处理器，DSP，ASIC，FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器5001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线5002可包括一通路，在上述组件之间传送信息。总线5002可以是PCI总线或EISA总线等。总线5002可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器5003可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器5003用于存储执行本发明方案的应用程序代码，并由处理器5001来控制执行。处理器5001用于执行存储器5003中存储的应用程序代码，以实现前述任一方法实施例所示的内容。
其中，终端设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现本发明上述一种医学影像图片分段和关键帧标识方法。
本发明的又一实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。
此外，本发明的实施例还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
综上所述，本发明实施例一种医学影像图片分段和关键帧标识方法、系统、设备及介质，建立了基于角度的医学影像图片分段，针对不同人的同一器官，提高了病灶位置和病症判断的准确性；关键帧自动标识为更准确快速地诊断提供了技术手段；已经建立的基于角度范围的分段信息有助于后续同一器官的影像图片观察和拍摄工作。
本说明书中的各个实施例均采用递进的方式描述，各个实施例直接相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。需要说明的是，上述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。
Claims (9)
1.一种医学影像图片分段和关键帧标识方法，其特征在于，包括：
通过基于角度的函数标识同一器官不同拍照角度的每一帧医学影像；每一帧医学影像的标识包括每一帧医学影像的编号和拍照角度信息；
根据预设图片分段规则对所述医学影像进行划分，得到每个图片分段所对应的信息三元组；所述信息三元组包括图片分段的起始角度帧、图片分段内图像最大值帧和图片分段的结束角度帧；所述图像最大值帧为图片分段内与起始角度帧差值最大的帧；
根据预设关键帧标识规则对所述信息三元组所对应的图片分段进行亮度面积计算，并根据所述亮度面积确定每个所述图片分段所包含的关键帧；所述关键帧至少包括所述图片分段内亮度面积最大的帧。
2.根据权利要求1所述的医学影像图片分段和关键帧标识方法，其特征在于，所述预设图片分段规则，包括步骤：
S11、初始化所述起始角度帧和所述结束角度帧；
S12、计算所述起始角度帧与所述结束角度帧的第一差值，并将所述第一差值依次赋值给初始图片帧差值和中间图片帧差值；
S13、判断所述医学影像是否有下一图片帧，若有则将下一图片帧设定为当前图片帧，并计算所述起始角度帧与所述当前图片帧的第二差值，并将所述第二差值赋值给目标图片帧差值，继续执行步骤S14；否则结束图片分段。
3.根据权利要求2所述的医学影像图片分段和关键帧标识方法，其特征在于，采用直方图法计算所述起始角度帧与所述结束角度帧的第一差值。
4.根据权利要求2所述的医学影像图片分段和关键帧标识方法，其特征在于，若所述医学影像有下一图片帧，则所述预设图片分段规则还包括步骤：
S14、判断所述目标图片帧差值是否大于所述初始图片帧差值，若所述目标图片帧差值大于所述初始图片帧差值则执行步骤S15；若所述目标图片帧差值小于所述初始图片帧差值则执行步骤S16；
S15、将所述目标图片帧差值依次赋值给所述初始图片帧差值和所述中间图片帧差值，以及将所述当前图片帧设定为所述图像最大值帧，重复执行步骤S13；
S16、判断所述目标图片帧差值是否小于所述中间图片帧差值，若所述目标图片帧差值小于所述中间图片帧差值则将所述目标图片帧差值赋值给所述中间图片帧差值，重复执行步骤S13；若所述目标图片帧差值大于所述中间图片帧差值则继续执行步骤S17；
S17、将所述结束角度帧更新为所述当前图片帧的前一图片帧，并将所述起始角度帧、所述图像最大值帧和所述结束角度帧构成图片分段所对应的信息三元组，继续执行步骤S18；
S18、将所述起始角度帧更新为所述当前图片帧，以及将所述结束角度帧更新为所述当前图片帧的下一图片帧，重复执行步骤S12-S13。
5.根据权利要求1所述的医学影像图片分段和关键帧标识方法，其特征在于，所述亮度面积通过计算最大亮度及相邻亮度下降至预设幅度内所包含的像素面积得到。
6.根据权利要求1所述的医学影像图片分段和关键帧标识方法，其特征在于，所述预设关键帧标识规则，包括步骤：
S21、选择任一所述信息三元组，并将所述起始角度帧、所述图像最大值帧和所述结束角度帧设定为关键帧；
S22、初始化当前图片帧和下一图片帧；
S23、计算所述当前图片帧与所述下一图片帧的第一亮度面积差值，并将所述第一亮度面积差值赋值给初始亮度面积差值；
S24、将所述当前图片帧更新为所述下一图片帧，以及将所述下一图片帧更新为所述当前图片帧的下一图片帧；
S25、判断所述下一图片帧是否超出所述信息三元组所对应的图片分段，若是则重复执行步骤S21-S25；否则计算所述当前图片帧与所述下一图片帧的第二亮度面积差值，并将所述第二亮度面积差值赋值给目标亮度面积差值，继续执行步骤S26；
S26、判断所述目标亮度面积差值是否大于所述初始亮度面积差值，若所述目标亮度面积差值大于所述初始亮度面积差值则将所述目标亮度面积差值赋值给所述初始亮度面积差值，重复执行步骤S24-S25；若所述目标亮度面积差值小于所述初始亮度面积差值则标识所述下一图片帧为关键帧，重复执行步骤S24-S25。
7.一种医学影像图片分段和关键帧标识系统，其特征在于，包括：
影像获取及标识模块，用于通过基于角度的函数标识同一器官不同拍照角度的每一帧医学影像；每一帧医学影像的标识包括每一帧医学影像的编号和拍照角度信息；
图片分段模块，用于根据预设图片分段规则对所述医学影像进行划分，得到每个图片分段所对应的信息三元组；所述信息三元组包括图片分段的起始角度帧、图片分段内图像最大值帧和图片分段的结束角度帧；所述图像最大值帧为图片分段内与起始角度帧差值最大的帧；
关键帧标识模块，用于根据预设关键帧标识规则对所述信息三元组所对应的图片分段进行亮度面积计算，并根据所述亮度面积确定每个所述图片分段所包含的关键帧；所述关键帧至少包括所述图片分段内亮度面积最大的帧。
8.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的医学影像图片分段和关键帧标识方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任一项所述的医学影像图片分段和关键帧标识方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410245012.4A CN117830311B (zh) | 2024-03-05 | 2024-03-05 | 医学影像图片分段和关键帧标识方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410245012.4A CN117830311B (zh) | 2024-03-05 | 2024-03-05 | 医学影像图片分段和关键帧标识方法、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117830311A CN117830311A (zh) | 2024-04-05 |
| CN117830311B true CN117830311B (zh) | 2024-05-28 |
Family
ID=90510098
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410245012.4A Active CN117830311B (zh) | 2024-03-05 | 2024-03-05 | 医学影像图片分段和关键帧标识方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117830311B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050111801A (ko) * | 2005-11-14 | 2005-11-28 | 미쓰비시덴키 가부시키가이샤 | 화상 검색 방법, 화상 특징량 부호화 방법 및 화상 특징량복호 방법 |
| CN101251583A (zh) * | 2007-02-19 | 2008-08-27 | 威斯康星校友研究基金会 | 局部化且高度约束的图像重构方法 |
| CN101271587A (zh) * | 2008-02-25 | 2008-09-24 | 北京理工大学 | 一种基于过渡光贴图的光照和阴影绘制方法 |
| CN108459785A (zh) * | 2018-01-17 | 2018-08-28 | 中国科学院软件研究所 | 一种视频多尺度可视化方法与交互方法 |
| CN109920518A (zh) * | 2019-03-08 | 2019-06-21 | 腾讯科技（深圳）有限公司 | 医学影像分析方法、装置、计算机设备和存储介质 |
| CN110555423A (zh) * | 2019-09-09 | 2019-12-10 | 南京东控智能交通研究院有限公司 | 基于多维运动摄像机的航拍视频的交通参数提取方法 |
| CN113792600A (zh) * | 2021-08-10 | 2021-12-14 | 武汉光庭信息技术股份有限公司 | 一种基于深度学习的视频抽帧方法和系统 |
| CN116563937A (zh) * | 2023-02-13 | 2023-08-08 | 北京工业大学 | 基于关键帧的多粒度特征学习步态识别方法 |
| CN117557859A (zh) * | 2023-11-27 | 2024-02-13 | 上海交通大学 | 基于目标追踪的超声影像目标多角度融合分析系统及方法 |
-
2024
- 2024-03-05 CN CN202410245012.4A patent/CN117830311B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050111801A (ko) * | 2005-11-14 | 2005-11-28 | 미쓰비시덴키 가부시키가이샤 | 화상 검색 방법, 화상 특징량 부호화 방법 및 화상 특징량복호 방법 |
| CN101251583A (zh) * | 2007-02-19 | 2008-08-27 | 威斯康星校友研究基金会 | 局部化且高度约束的图像重构方法 |
| CN101271587A (zh) * | 2008-02-25 | 2008-09-24 | 北京理工大学 | 一种基于过渡光贴图的光照和阴影绘制方法 |
| CN108459785A (zh) * | 2018-01-17 | 2018-08-28 | 中国科学院软件研究所 | 一种视频多尺度可视化方法与交互方法 |
| CN109920518A (zh) * | 2019-03-08 | 2019-06-21 | 腾讯科技（深圳）有限公司 | 医学影像分析方法、装置、计算机设备和存储介质 |
| CN110555423A (zh) * | 2019-09-09 | 2019-12-10 | 南京东控智能交通研究院有限公司 | 基于多维运动摄像机的航拍视频的交通参数提取方法 |
| CN113792600A (zh) * | 2021-08-10 | 2021-12-14 | 武汉光庭信息技术股份有限公司 | 一种基于深度学习的视频抽帧方法和系统 |
| CN116563937A (zh) * | 2023-02-13 | 2023-08-08 | 北京工业大学 | 基于关键帧的多粒度特征学习步态识别方法 |
| CN117557859A (zh) * | 2023-11-27 | 2024-02-13 | 上海交通大学 | 基于目标追踪的超声影像目标多角度融合分析系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度学习的视频图像再压缩方法;郝小龙;冯敏;樊强;彭启伟;韩斌;;电子设计工程;20190605(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117830311A (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5988119B2 (ja) | 逆光検出方法及びデバイス | |
| US11361190B2 (en) | Deep learning model used for image recognition and training apparatus of the model and method thereof | |
| CN109829853A (zh) | 一种无人机航拍图像拼接方法 | |
| CN112930677B (zh) | 用于在第一镜头和第二镜头之间切换的方法和电子设备 | |
| CN112016475A (zh) | 一种人体检测识别方法和装置 | |
| CN114390201A (zh) | 对焦方法及其装置 | |
| CN112084939A (zh) | 图像特征数据管理方法、装置、计算机设备及存储介质 | |
| CN111654637B (zh) | 对焦方法、对焦装置及终端设备 | |
| CN117830311B (zh) | 医学影像图片分段和关键帧标识方法、系统、设备及介质 | |
| JP2004030694A (ja) | デジタル映像テクスチャー分析方法 | |
| CN113240582B (zh) | 一种图像拼接方法及装置 | |
| CN111680716B (zh) | 一种识别对比方法、装置、计算机设备和存储介质 | |
| CN110796084A (zh) | 车道线识别方法、装置、设备和计算机可读存储介质 | |
| CN113821689B (zh) | 基于视频序列的行人检索方法、装置和电子设备 | |
| CN113420604B (zh) | 多人姿态估计方法、装置和电子设备 | |
| CN116309999A (zh) | 一种3d虚拟形象的驱动方法、装置、电子设备及存储介质 | |
| CN115310277A (zh) | 模型训练的方法、系统、设备及存储介质 | |
| KR100811834B1 (ko) | 영상 특징량 추출방법 및 이를 이용한 내용 기반 영상 검색방법 | |
| CN106203244A (zh) | 一种镜头类型的确定方法及装置 | |
| JP3437087B2 (ja) | 特徴点追跡方法及び装置、並びに特徴点追跡プログラムを記録した記録媒体 | |
| CN111143589A (zh) | 一种图像处理方法及装置、存储介质 | |
| US11776141B1 (en) | Hybrid image registration techniques | |
| CN113766090B (zh) | 一种图像处理方法、终端以及存储介质 | |
| JPH1139477A (ja) | 対応点探索装置 | |
| JP6421587B2 (ja) | 画像処理装置、撮像装置、画像処理方法、及びプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |