[go: up one dir, main page]

CN111476760B - 医学图像的生成方法、装置、电子设备及介质 - Google Patents

医学图像的生成方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN111476760B
CN111476760B CN202010186679.3A CN202010186679A CN111476760B CN 111476760 B CN111476760 B CN 111476760B CN 202010186679 A CN202010186679 A CN 202010186679A CN 111476760 B CN111476760 B CN 111476760B
Authority
CN
China
Prior art keywords
image
medical image
sample
standard
discrimination
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
Application number
CN202010186679.3A
Other languages
English (en)
Other versions
CN111476760A (zh
Inventor
王俊
张丞
高鹏
谢国彤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202010186679.3A priority Critical patent/CN111476760B/zh
Priority to PCT/CN2020/098947 priority patent/WO2021184576A1/zh
Publication of CN111476760A publication Critical patent/CN111476760A/zh
Application granted granted Critical
Publication of CN111476760B publication Critical patent/CN111476760B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种人工智能技术，揭露了一种医学图像的生成方法，包括：获取原始医学图像并进行预处理得到标准医学图像；根据所述标准医学图像利用医学图像生成模型生成第一样本图像集；对所述第一样本图像集进行有效信息量计算并选择K个有效信息量对应的第一样本图像得到有效图像集，将所述有效图像集和所述标准医学图像输入至和所述图像生成模型有互相约束关系的图像判别模型中进行判别，得到判别结果，根据所述判别结果调整所述图像判别模型的参数，得到标准图像生成模型，将所述原始医学图像输入至所述标准图像生成模型生成最终的医学图像。本发明可以解决医学图像模型的训练耗费大量人力资源的问题。

Description

医学图像的生成方法、装置、电子设备及介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种医学图像的生成方法、装置、电子设备及计算机可读存储介质。
背景技术
随着科技的发展，医疗水平也越来越高，在医疗健康领域，医学图像对于研究病情，预测疾病和医疗科技发展都有着重大的意义。然而，含有足够多的医疗信息的医学图像数量较少，需求量却很大，所以如何训练出高效精确的医学图像的生成模型，以生成更多医学图像，越来越重要。
目前医学图像的生成需要依赖于专业知识水平很高的医疗专家对大量样本进行人工筛选，再输入进预先构建的模型进行训练，造成了大量人力资源的浪费。
发明内容
本发明提供一种医学图像的生成方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决医学图像生成模型的训练需要浪费大量人力资源的问题。
为实现上述目的，本发明提供的一种医学图像的生成方法，包括：
获取原始医学图像，对所述原始医学图像进行转换处理，得到初始医学图像；
对所述初始医学图像进行细胞增强处理，得到标准医学图像；
获取所述标准医学图像中各像素信息的分布数据，根据所述分布数据利用图像生成模型生成多张与所述标准医学图相似的第一样本图像，得到第一样本图像集；
对所述第一样本图像集进行有效信息量计算，得到所述第一样本图像集中每个第一样本图像的有效信息量，依照所述有效信息量的排列顺序从所述第一样本图像集中选择K个有效信息量对应的第一样本图像，得到有效图像集；
将所述有效图像集和所述标准医学图像输入至与所述图像生成模型有互相约束关系的图像判别模型中进行图像判别，得到判别结果，根据所述判别结果调整所述图像判别模型的参数，直到所述判别结果满足预设要求时，得到此时所述图像判别模型的参数，根据所述参数得到标准图像生成模型；
将所述原始医学图像输入至所述标准图像生成模型，生成第二样本图像集，根据所述第二样本图像生成最终的医学图像。
可选地，所述对所述原始医学图像进行转换处理，得到初始医学图像，包括：
将所述原始医学图像进行灰度值转换，得到原始灰度图；
将所述原始灰度图进行降噪处理，得到降噪灰度图；
将所述降噪灰度图进行几何变换处理，得到变换灰度图；
将所述变换灰度图进行对比度增强，得到所述初始医学图像。
可选地，所述对所述初始医学图像进行细胞增强处理，得到标准医学图像，包括：
利用如下计算公式计算所述初始医学图像与二阶高斯函数的卷积，得到所述初始医学图像的尺度空间导数Iabc：
其中，I为所述初始医学图像；G(x,y,z)为高斯函数；x,y,z为所述高斯函数的参数；σ为所述高斯函数的标准偏移量；为求偏倒数运算符号/>为求卷积运算符号；
根据所述尺度空间导数Iabc对所述初始医学图像进行细胞增强，得到所述标准医学图像。
可选地，所述获取所述标准医学图像中各像素信息的分布数据，根据所述分布数据利用图像生成模型生成多张与所述标准医学图相似的第一样本图像，得到第一样本图像集，包括：
构建样本生成损失函数F；
将所述标准医学图像中各像素信息的分布数据输入至所述图像生成模型，生成初始第一样本图像集；
将所述初始第一样本图像集和所述标准医学图像输入到所述样本生成损失函数F进行损失计算，得到损失函数值p；
当所述损失函数值p大于或等于预设的损失阈值m时，则调整所述图像生成模型的参数，并重新生成第一样本图像；
当所述损失函数值p小于所述损失阈值m时，则得到所述第一样本图像集。
可选地，所述样本生成损失函数F包括：
F＝Lc-Ls
Lc＝E[logP(C|Xreal)]+E[logP(C|Xfake)]
Ls＝E[logP(S|Xreal)]+E[logP(S|Xfake)]
其中，E[]为求期望值运算；Lc为所述第一样本图像与所述标准医学图像的相似度的期望值；Ls为所述标准医学图像中的有效信息量的期望值；Xreal 为所述标准医学图像；Xfake为所述第一样本图像；C为所述第一样本图像中的有效信息量；S为所述标准医学图像中的有效信息量。
可选地，所述将所述有效图像集和所述标准医学图像输入至与所述图像生成模型有互相约束关系的图像判别模型中进行图像判别，得到判别结果，根据所述判别结果调整所述图像判别模型的参数，直到所述判别结果满足预设要求时，得到此时所述图像判别模型的参数，包括：
构建判别损失函数Y；
将所述标准医学图像和所述有效图像集输入至所述图像判别模型，生成所述最终医学图像集；
将所述最终医学图像集和所述有效图像集输入到所述判别损失函数Y进行损失计算，得到损失函数值q；
当所述损失函数值q大于或等于预设的损失阈值n时，调整所述图像判别模型的参数，重新生所述最终医学图像；
当所述损失函数值q小于所述损失阈值n时，得到此时所述图像判别模型的参数。
可选地，所述判别损失函数Y包括：
Y＝Lc+Ls
Lc＝E[logP(C|Xreal)]+E[logP(C|Xfake)]
Ls＝E[logP(S|Xreal)]+E[logP(S|Xfake)]
其中，E[]为求期望值运算；Lc为所述第一样本图像与所述标准医学图像的相似度的期望值；Ls为所述标准医学图像中的有效信息量的期望值；Xreal 为所述标准医学图像；Xfake为所述第一样本图像；C为所述第一样本图像中的有效信息量；S为所述标准医学图像中的有效信息量。
为了解决上述问题，本发明还提供一种医学图像的生成方法装置，所述装置包括：
图像预处理模块，用于获取原始医学图像，对所述原始医学图像进行转换处理，得到初始医学图像，对所述初始医学图像进行细胞增强处理，得到标准医学图像；
第一样本图像生成模块，用于获取所述标准医学图像中各像素信息的分布数据，根据所述分布数据利用图像生成模型生成多张与所述标准医学图相似的第一样本图像，得到第一样本图像集；
有效信息计算模块，用于对所述第一样本图像集进行有效信息量计算，得到所述第一样本图像集中每个第一样本图像的有效信息量，依照所述有效信息量的排列顺序从所述第一样本图像集中选择K个有效信息量对应的第一样本图像，得到有效图像集；
图像判别模块，用于将所述有效图像集和所述标准医学图像输入至与所述图像生成模型有互相约束关系的图像判别模型中进行图像判别，得到判别结果，根据所述判别结果调整所述图像判别模型的参数，直到所述判别结果满足预设要求时，得到此时所述图像判别模型的参数，根据所述参数得到标准图像生成模型；将所述原始医学图像输入至所述标准图像生成模型，生成第二样本图像集，根据所述第二样本图像生成最终的医学图像。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述中任意一项所述的医学图像的生成方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述中任意一项所述的医学图像的生成方法。
本发明实施例根据标准医学图像中各像素信息的分布数据，利用图像生成模型生成多张与所述标准医学图相似的第一样本图像，实现了对图像生成模型的初步训练，让其可以产生第一样本图像以便后续使用；进一步地，对所述第一样本图像集进行有效信息量计算，依照有效信息量的排列顺序，从所述第一样本图像集中选择K个有效信息量对应的第一样本图像，得到有效图像集，以筛选出了含有更多有效信息的医学图像，进一步保证了后续图像生成质量，同时也避免了人工进行逐个筛选样本；将所述有效图像集和所述标准医学图像输入至与所述图像生成模型有互相约束关系的图像判别模型中进行图像判别，得到判别结果，根据判别结果调整所述图像判别模型的参数，利用所述图像判别模型与所述图像生成模型的约束关系，进一步调整所述图像生成模型的参数，实现了对所述图像生成模型的再次训练，保证了图像生成模型在图像生成时的精确度。因此本发明提出的医学图像的生成方法、装置及计算机可读存储介质，可以实现自动批量的对第一样本图像进行筛选，并自动化的训练出精确的医学图像模型，生成最终的医学图像，节省了大量人力资源。
附图说明
图1为本发明一实施例提供的医学图像的生成方法的流程示意图；
图2为本发明一实施例提供的医学图像的生成方法的模块示意图；
图3为本发明一实施例提供的医学图像的生成方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种医学图像的生成方法。参照图1所示，为本发明一实施例提供的医学图像的生成方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，医学图像的生成方法包括：
S1、获取原始医学图像，对所述原始医学图像进行转换处理，得到初始医学图像。
本发明实施例中，所述原始医学图像可以是医院存储的b超图片，彩超图片等。
本发明实施例中，所述对所述原始医学图像进行转换处理，得到初始医学图像，包括：
将所述原始医学图像进行灰度值转换，得到原始灰度图；
将所述原始灰度图进行降噪处理，得到降噪灰度图；
将所述降噪灰度图进行几何变换处理，得到变换灰度图；
将所述变换灰度图进行对比度增强，得到所述初始医学图像。
其中，所述将所述原始医学图像进行灰度值转换，得到原始灰度图，包括：
将所述原始医学图像中的所有像素输入至一个灰度值转换公式中进行灰度值转换，根据转换后的灰度值生成所述原始灰度图。
其中，所述灰度值转换公式为：
Gray＝0.30*R+0.59*G+0.11*B
其中R，G，B为所述包原始医学图像中的像素的三分量,Gray为转换得到的灰度值。
进一步地，本发明实施例中，所述将所述原始灰度图进行降噪处理，得到降噪灰度图，包括：
将所述原始灰度图中任一像素点的像素值用该像素点的一个邻域中各像素点的像素值的中值代替，让所述任一像素点周围的像素值接近的真实值，从而消除孤立的噪声点。
详细地，所述邻域可以是预设的圆形结构的二维滑动模板，将所述二维滑动模板内像素按照像素值的大小进行排序，生成单调上升(或下降)的二维数据序列，以找到所述邻域中各像素点的像素值的中值。
详细地，本发明实施例利用如下计算公式，对所述原始灰度图进行降噪处理，得到所述降噪灰度图：
g(x,y)＝med{f(x-j,y-k),(j,k∈W)}
其中，f(x,y)为所述原始灰度图；g(x,y)为所述降噪灰度图,W为二维滑动模板；j、k为所述二维滑动模版边界上像素点的坐标；med为降噪处理运算。
进一步地，所述将所述降噪灰度图进行几何变换处理，得到变换灰度图，包括：
对所述降噪灰度图通过平移、转置、镜像、旋转、缩放等几何变换处理，改正所述原始医学图像获取过程中产生的系统误差和仪器位置产生的随机误差；几何变换处理完成后，得到所述变换灰度图。
所述对比度指的是图像中像素点亮度最大值与最小值之间的对比。
本发明实施例可以采用对比度拉伸方法对所述变换灰度图进行对比度增强。
所述对比度拉伸方法也叫作灰度拉伸。本发明实施例使用对比度拉伸方法中的分段线性变换函数，根据实际需求针对所述原始灰度图中特定区域进行灰度拉伸，进而增强所述变换灰度图的对比度，得到初始医学图像。详细地，所述将所述变换灰度图进行对比度增强，得到初始医学图像，包括：
利用下述分段线性变换函数公式将所述变换灰度图进行对比度增强，得到所述初始医学图像：
Db＝f(Da)＝a*Da+b
其中a为线性斜率，b为Db在Y轴上的截距，Da代表输入所述变换灰度图的灰度值，Db代表输出所述初始医学图像的灰度值。
S2、对所述初始医学图像进行细胞增强处理，得到标准医学图像。
考虑到细胞都是以线状的形态出现，本发明实施例通过对预设的高斯函数的标准偏移量取不同的值可以获得所述标准医学图像不同标准偏移量取值下的适用于细胞的线性增强滤波。
所述线性增强滤波可用来对所述初始医学图像进行细胞增强。
本发明实施例根据所述高斯函数的卷积性质，计算所述初始医学图像与二阶高斯函数的卷积得到所述标准医学图像的尺度空间导数Iabc：
其中，I为所述初始医学图像；G(x,y,z)为高斯函数；x,y,z为所述高斯函数的参数；σ为所述高斯函数的标准偏移量；为求偏倒数运算符号/>为求卷积运算符号。
进一步地，本发明实施例通过对所述高斯函数的标准偏移量的不同取值，得到矩阵H：
其中，矩阵中的元素为不同标准偏移量取值下所述尺度空间导数Iabc的值。
由高斯函数的线形特点可以得知，当且仅当高斯函数的标准偏移量σ的大小刚好等于细胞的实际宽度的时候，可得到最佳的线性增强滤波，并利用所述最佳的线性增强滤波对所述初始医学图像进行细胞增强。
综上所述，本发明实施例将所述初始医学图像进行如上计算，调整所述标准偏移量的大小等于所述初始医学图像中细胞的实际宽度，得到所述最佳的线性增强滤波，进而实现对所述初始医学图像进行细胞增强，得到所述标准医学图像。
S3、获取所述标准医学图像中各像素信息的分布数据，根据所述分布数据利用图像生成模型生成多张与所述标准医学图相似的第一样本图像，得到第一样本图像集。
本发明实施例可用现有的munpy(Numerical Python，数字蟒蛇)等方法来获取所述标准医学图像中各像素信息的分布数据。
本发明实施例中，所述图像生成模型是一个用服从特定分布的噪声构建的样本卷积神经网络。
所述图像生成模型可以根据所述分布数据利用预设的图像生成模型生成多张与所述标准医学图的第一样本图像，得到第一样本图像集。
详细的，所述S3包括：
构建样本生成损失函数F；
将所述标准医学图像中各像素信息的分布数据输入至所述图像生成模型，生成初始第一样本图像集；
将所述初始第一样本图像集和所述标准医学图像输入到所述样本生成损失函数F进行损失计算，得到损失函数值p；
当所述损失函数值p大于或等于预设的损失阈值m时，则调整所述图像生成模型的参数，并重新生成第一样本图像；
当所述损失函数值p小于所述损失阈值m时，则得到所述第一样本图像集。
其中，所述样本生成损失函数F包括：
F＝Lc-Ls
Lc＝E[logP(C|Xreal)]+E[logP(C|Xfake)]
Ls＝E[logP(S|Xreal)]+E[logP(S|Xfake)]
其中，E[]为求期望值运算；Lc为所述第一样本图像与所述标准医学图像的相似度的期望值；Ls为所述标准医学图像中的有效信息量的期望值；Xreal 为所述标准医学图像；Xfake为所述第一样本图像；C为所述第一样本图像中的有效信息量；S为所述标准医学图像中的有效信息量。
本发明实施例利用所述图像生成模型生成多张第一样本图像，得到所述第一样本图像集。
详细地，所述标准医学图像的各像素信息中仅有部分含有对医疗有帮助的有效信息，所以生成的所述第一样本图像的各像素信息中也仅有部分包含所述有效信息。因此，利用S3生成的第一样本图像集中包含的有效信息仍不足以满足医学研究要求，需要进一步地执行下述的S4进行筛选。
S4、对所述第一样本图像集进行有效信息量计算，得到所述第一样本图像集中每个第一样本图像的有效信息量，依照所述有效信息量的排列顺序从所述第一样本图像集中选择K个有效信息量对应的第一样本图像，得到有效图像集。
详细的，本发明实施例中利用如下有效信息量计算公式计算所述第一样本图像集中每个第一样本图像的有效信息量R：
其中，b为所述第一样本图像中含有有效信息的像素个数；a为所述第一样本图像中像素的总个数。
所述第一样本图像中含有有效信息的像素个数可以用现有的图像识别技术进行识别获取。
进一步地，当计算完成后，本发明实施例将所述第一样本图像集中有效信息量按照从多到少的顺序进行排列，并从所述排列中选择有效信息量最多的k个所述第一样本图像，得到所述有效图像集。
S5、将所述有效图像集和所述标准医学图像输入至与所述图像生成模型有互相约束关系的图像判别模型中进行图像判别，得到判别结果，根据所述判别结果调整所述图像判别模型的参数，直到所述判别结果满足预设要求时，得到此时所述图像判别模型的参数，根据所述参数得到标准图像生成模型；将所述原始医学图像输入至所述标准图像生成模型，生成第二样本图像集，根据所述第二样本图像生成最终的医学图像。
详细地，所述图像判别模型是一个用于图像判别的卷积神经网络。
所述互相约束关系指的是所述图像生成模型和所述图像判别模型的损失函数中的参数相同，并且同步变化，例如，图像判别模型的其中一个参数变成“a”，则图像生成模型对应的参数也变成“a”。
详细的，所述将所述有效图像集和所述标准医学图像输入至与所述图像生成模型有互相约束关系的图像判别模型中进行图像判别，得到判别结果，根据所述判别结果调整所述图像判别模型的参数，直到所述判别结果满足预设要求时，得到此时所述图像判别模型的参数，包括：
构建判别损失函数Y，利用所述判别损失函数Y对所述图像判别模型进行约束；
将所述标准医学图像和所述有效图像集输入至所述图像判别模型，生成所述最终医学图像集；
将所述最终医学图像集和所述有效图像集输入到所述判别损失函数Y进行损失计算，得到损失函数值q；
当所述损失函数值q大于或等于预设的损失阈值n时，说明所述图像判别模型生成的最终医学图像集和有效图像集不相似，则调整所述图像判别模型的参数，重新生所述最终医学图像；
当所述损失函数值q小于所述损失阈值n时，说明所述图像判别模型生成的最终医学图像集和所述有效图像集相似，则完成训练，得到此时所述图像判别模型参数。
其中，所述判别损失函数Y如下：
Y＝Lc+Ls
Lc＝E[logP(C|Xreal)]+E[logP(C|Xfake)]
Ls＝E[logP(S|Xreal)]+E[logP(S|Xfake)]
其中，E[]为求期望值运算；Lc为所述第一样本图像与所述标准医学图像的相似度的期望值；Ls为所述标准医学图像中的有效信息量的期望值；Xreal 为所述标准医学图像；Xfake为所述第一样本图像；C为所述第一样本图像中的有效信息量；S为所述标准医学图像中的有效信息量。
进一步地，将所述原始医学图像输入至所述标准图像生成模型，生成第二样本图像集，根据所述第二样本图像生成最终的医学图像。本发明上述实施例根据标准医学图像中各像素信息的分布数据，利用图像生成模型生成多张与所述标准医学图相似的第一样本图像，实现了对图像生成模型的初步训练，让其可以产生第一样本图像以便后续使用；进一步地，对所述第一样本图像集进行有效信息量计算，依照有效信息量的排列顺序，从所述第一样本图像集中选择K个有效信息量对应的第一样本图像，得到有效图像集，以筛选出了含有更多有效信息的医学图像，进一步保证了后续图像生成质量，同时也避免了人工进行逐个筛选样本；将所述有效图像集和所述标准医学图像输入至与所述图像生成模型有互相约束关系的图像判别模型中进行图像判别，得到判别结果，根据判别结果调整所述图像判别模型的参数，利用所述图像判别模型与所述图像生成模型的约束关系，进一步调整所述图像生成模型的参数，实现了对所述图像生成模型的再次训练，保证了图像生成模型在图像生成时的精确度。因此本发明提出的医学图像的生成方法、装置及计算机可读存储介质，可以实现自动批量的对第一样本图像进行筛选，并自动化的训练出精确的医学图像模型，生成最终的医学图像，节省了大量人力资源。
如图2所示，是本发明医学图像的生成方法装置的功能模块图。
本发明所述医学图像的生成方法100可以安装于电子设备中。根据实现的功能，所述医学图像的生成方法装置可以包括图像预处理模块101、第一样本图像生成模块102、有效信息计算模块103和图像判别模块104。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述图像预处理模块101，用于获取原始医学图像，对所述原始医学图像进行转换处理，得到初始医学图像，对所述初始医学图像进行细胞增强处理，得到标准医学图像；
所述第一样本图像生成模块102，用于获取所述标准医学图像中各像素信息的分布数据，根据所述分布数据利用图像生成模型生成多张与所述标准医学图相似的第一样本图像，得到第一样本图像集；
所述有效信息计算模块103，用于对所述第一样本图像集进行有效信息量计算，得到所述第一样本图像集中每个第一样本图像的有效信息量，依照所述有效信息量的排列顺序从所述第一样本图像集中选择K个有效信息量对应的第一样本图像，得到有效图像集；
所述图像判别模块104，用于将所述有效图像集和所述标准医学图像输入至与所述图像生成模型有互相约束关系的图像判别模型中进行图像判别，得到判别结果，根据所述判别结果调整所述图像判别模型的参数，直到所述判别结果满足预设要求时，得到此时所述图像判别模型的参数，根据所述参数得到标准图像生成模型。
详细地，所述医学图像的生成方法装置各模块的具体实施步骤如下：
所述图像预处理模块101获取原始医学图像，对所述原始医学图像进行转换处理，得到初始医学图像，对所述初始医学图像进行细胞增强处理，得到标准医学图像。
本发明实施例中，所述原始医学图像可以是医院存储的b超图片，彩超图片等。
本发明实施例中，所述图像预处理模块101对所述原始医学图像进行转换处理，得到初始医学图像，包括：
将所述原始医学图像进行灰度值转换，得到原始灰度图；
将所述原始灰度图进行降噪处理，得到降噪灰度图；
将所述降噪灰度图进行几何变换处理，得到变换灰度图；
将所述变换灰度图进行对比度增强，得到所述初始医学图像。
其中，所述图像预处理模块101将所述原始医学图像进行灰度值转换，得到原始灰度图，包括：
将所述原始医学图像中的所有像素输入至一个灰度值转换公式中进行灰度值转换，根据转换后的灰度值生成所述原始灰度图。
其中，所述灰度值转换公式为：
Gray＝0.30*R+0.59*G+0.11*B
其中R，G，B为所述包原始医学图像中的像素的三分量,Gray为转换得到的灰度值。
进一步地，本发明实施例中，所述图像预处理模块101将所述原始灰度图进行降噪处理，得到降噪灰度图，包括：
将所述原始灰度图中任一像素点的像素值用该像素点的一个邻域中各像素点的像素值的中值代替，让所述任一像素点周围的像素值接近的真实值，从而消除孤立的噪声点。
详细地，所述邻域可以是预设的圆形结构的二维滑动模板，将所述二维滑动模板内像素按照像素值的大小进行排序，生成单调上升(或下降)的二维数据序列，以找到所述邻域中各像素点的像素值的中值。
详细地，所述图像预处理模块101利用如下计算公式，对所述原始灰度图进行降噪处理，得到所述降噪灰度图：
g(x,y)＝med{f(x-j,y-k),(j,k∈W)}
其中，f(x,y)为所述原始灰度图；g(x,y)为所述降噪灰度图,W为二维滑动模板；j、k为所述二维滑动模版边界上像素点的坐标；med为降噪处理运算。
进一步地，所述图像预处理模块101将所述降噪灰度图进行几何变换处理，得到变换灰度图，包括：
对所述降噪灰度图通过平移、转置、镜像、旋转、缩放等几何变换处理，改正所述原始医学图像获取过程中产生的系统误差和仪器位置产生的随机误差；几何变换处理完成后，得到所述变换灰度图。
所述对比度指的是图像中像素点亮度最大值与最小值之间的对比。
所述图像预处理模块101可以采用对比度拉伸方法对所述变换灰度图进行对比度增强。
所述对比度拉伸方法也叫作灰度拉伸。本发明实施例所述图像预处理模块101使用对比度拉伸方法中的分段线性变换函数，根据实际需求针对所述原始灰度图中特定区域进行灰度拉伸，进而增强所述变换灰度图的对比度，得到初始医学图像。详细地，所述将所述变换灰度图进行对比度增强，得到初始医学图像，包括：
所述图像预处理模块101利用下述分段线性变换函数公式将所述变换灰度图进行对比度增强，得到所述初始医学图像：
Db＝f(Da)＝a*Da+b
其中a为线性斜率，b为Db在Y轴上的截距，Da代表输入所述变换灰度图的灰度值，Db代表输出所述初始医学图像的灰度值。
考虑到细胞都是以线状的形态出现，本发明实施例所述图像预处理模块 101通过对预设的高斯函数的标准偏移量取不同的值可以获得所述标准医学图像不同标准偏移量取值下的适用于细胞的线性增强滤波。
所述线性增强滤波可用来对所述初始医学图像进行细胞增强。
本发明实施例所述图像预处理模块101根据所述高斯函数的卷积性质，计算所述初始医学图像与二阶高斯函数的卷积得到所述标准医学图像的尺度空间导数Iabc：
其中，I为所述初始医学图像；G(x,y,z)为高斯函数；x,y,z为所述高斯函数的参数；σ为所述高斯函数的标准偏移量；为求偏倒数运算符号/>为求卷积运算符号。
进一步地，本发明实施例所述图像预处理模块101通过对所述高斯函数的标准偏移量的不同取值，得到矩阵H：
其中，矩阵中的元素为不同标准偏移量取值下所述尺度空间导数Iabc的值。
由高斯函数的线形特点可以得知，当且仅当高斯函数的标准偏移量σ的大小刚好等于细胞的实际宽度的时候，可得到最佳的线性增强滤波，并利用所述最佳的线性增强滤波对所述初始医学图像进行细胞增强。
综上所述，本发明实施例所述图像预处理模块101将所述初始医学图像进行如上计算，调整所述标准偏移量的大小等于所述初始医学图像中细胞的实际宽度，得到所述最佳的线性增强滤波，进而实现对所述初始医学图像进行细胞增强，得到所述标准医学图像。
所述第一样本图像生成模块102获取所述标准医学图像中各像素信息的分布数据，根据所述分布数据利用图像生成模型生成多张与所述标准医学图相似的第一样本图像，得到第一样本图像集。
本发明实施例所述第一样本图像生成模块102可用现有的munpy (NumericalPython，数字蟒蛇)等方法来获取所述标准医学图像中各像素信息的分布数据。
本发明实施例中，所述图像生成模型是一个用服从特定分布的噪声构建的样本卷积神经网络。
所述图像生成模型可以根据所述分布数据利用预设的图像生成模型生成多张与所述标准医学图的第一样本图像，得到第一样本图像集。
详细的，所述第一样本图像生成模块102获取所述标准医学图像中各像素信息的分布数据，根据所述分布数据利用图像生成模型生成多张与所述标准医学图相似的第一样本图像，得到第一样本图像集包括：
构建样本生成损失函数F；
将所述标准医学图像中各像素信息的分布数据输入至所述图像生成模型，生成初始第一样本图像集；
将所述初始第一样本图像集和所述标准医学图像输入到所述样本生成损失函数F进行损失计算，得到损失函数值p；
当所述损失函数值p大于或等于预设的损失阈值m时，则调整所述图像生成模型的参数，并重新生成第一样本图像；
当所述损失函数值p小于所述损失阈值m时，则得到所述第一样本图像集。
其中，所述样本生成损失函数F包括：
F＝Lc-Ls
Lc＝E[logP(C|Xreal)]+E[logP(C|Xfake)]
Ls＝E[logP(S|Xreal)]+E[logP(S|Xfake)]
其中，E[]为求期望值运算；Lc为所述第一样本图像与所述标准医学图像的相似度的期望值；Ls为所述标准医学图像中的有效信息量的期望值；Xreal 为所述标准医学图像；Xfake为所述第一样本图像；C为所述第一样本图像中的有效信息量；S为所述标准医学图像中的有效信息量。
本发明实施例利用所述图像生成模型生成多张第一样本图像，得到所述第一样本图像集。
详细地，所述标准医学图像的各像素信息中仅有部分含有对医疗有帮助的有效信息，所以生成的所述第一样本图像的各像素信息中也仅有部分包含所述有效信息。因此，第一样本图像集中包含的有效信息仍不足以满足医学研究要求，需要进一步地进行筛选。
所述有效信息计算模块103对所述第一样本图像集进行有效信息量计算，得到所述第一样本图像集中每个第一样本图像的有效信息量，依照所述有效信息量的排列顺序从所述第一样本图像集中选择K个有效信息量对应的第一样本图像，得到有效图像集。
详细的，本发明实施例所述有效信息计算模块103利用如下有效信息量计算公式计算所述第一样本图像集中每个第一样本图像的有效信息量R：
其中，b为所述第一样本图像中含有有效信息的像素个数；a为所述第一样本图像中像素的总个数。
所述第一样本图像中含有有效信息的像素个数可以用现有的图像识别技术进行识别获取。
进一步地，当计算完成后，本发明实施例所述有效信息计算模块103将所述第一样本图像集中有效信息量按照从多到少的顺序进行排列，并从所述排列中选择有效信息量最多的k个所述第一样本图像，得到所述有效图像集。
所述图像判别模块104将所述有效图像集和所述标准医学图像输入至与所述图像生成模型有互相约束关系的图像判别模型中进行图像判别，得到判别结果，根据所述判别结果调整所述图像判别模型的参数，直到所述判别结果满足预设要求时，得到此时所述图像判别模型的参数，根据所述参数得到标准图像生成模型；将所述原始医学图像输入至所述标准图像生成模型，生成第二样本图像集，根据所述第二样本图像生成最终的医学图像。
详细地，所述图像判别模型是一个用于图像判别的卷积神经网络。
所述互相约束关系指的是所述图像生成模型和所述图像判别模型的损失函数中的参数相同，并且同步变化，例如，图像判别模型的其中一个参数变成“a”，则图像生成模型对应的参数也变成“a”。
详细的，所述所述图像判别模块104将所述有效图像集和所述标准医学图像输入至与所述图像生成模型有互相约束关系的图像判别模型中进行图像判别，得到判别结果，根据所述判别结果调整所述图像判别模型的参数，直到所述判别结果满足预设要求时，得到此时所述图像判别模型的参数，包括：
构建判别损失函数Y，利用所述判别损失函数Y对所述图像判别模型进行约束；
将所述标准医学图像和所述有效图像集输入至所述图像判别模型，生成所述最终医学图像集；
将所述最终医学图像集和所述有效图像集输入到所述判别损失函数Y进行损失计算，得到损失函数值q；
当所述损失函数值q大于或等于预设的损失阈值n时，说明所述图像判别模型生成的最终医学图像集和有效图像集不相似，则调整所述图像判别模型的参数，重新生所述最终医学图像；
当所述损失函数值q小于所述损失阈值n时，说明所述图像判别模型生成的最终医学图像集和所述有效图像集相似，则完成训练，得到此时所述图像判别模型参数。
其中，所述判别损失函数Y如下：
Y＝Lc+Ls
Lc＝E[logP(C|Xreal)]+E[logP(C|Xfake)]
Ls＝E[logP(S|Xreal)]+E[logP(S|Xfake)]
其中，E[]为求期望值运算；Lc为所述第一样本图像与所述标准医学图像的相似度的期望值；Ls为所述标准医学图像中的有效信息量的期望值；Xreal 为所述标准医学图像；Xfake为所述第一样本图像；C为所述第一样本图像中的有效信息量；S为所述标准医学图像中的有效信息量。
进一步地，将所述原始医学图像输入至所述标准图像生成模型，生成第二样本图像集，根据所述第二样本图像生成最终的医学图像。
如图3所示，是本发明实现医学图像的生成方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如所述医学图像模型的训练程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字 (SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器 11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如医学图像模型的训练程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器 10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行医学图像的生成程序12等)，以及调用存储在所述存储器11 内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3 示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源 (比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器 10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器 (Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是 LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的医学图像的生成方法程序12 是多个指令的组合，在所述处理器10中运行时，可以实现：
获取原始医学图像，对所述原始医学图像进行转换处理，得到初始医学图像；
对所述初始医学图像进行细胞增强处理，得到标准医学图像；
获取所述标准医学图像中各像素信息的分布数据，根据所述分布数据利用预设的图像生成模型生成多张与所述标准医学图相似的第一样本图像，得到第一样本图像集；
对所述第一样本图像集进行有效信息量计算，得到所述第一样本图像集中每个第一样本图像的有效信息量，从所述第一样本图像集中选择K个有效信息量对应的第一样本图像，得到有效图像集；
将所述有效图像集和所述标准医学图像输入至预设的和所述图像生成模型有互相约束关系的图像判别模型中进行图像判别，得到判别结果，将所述判别结果输入到损失函数内，得到损失函数值，当所述图像判别模型的损失函数值小于预设的损失阈值时，得到此时所述图像判别模型参数，根据所述参数得到最终的图像生成模型和图像判别模型。
具体地，所述处理器10对上述指令的具体实现方法可参考图2对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
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涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种医学图像的生成方法，其特征在于，所述方法包括：
获取原始医学图像，对所述原始医学图像进行转换处理，得到初始医学图像；
对所述初始医学图像进行细胞增强处理，得到标准医学图像；
获取所述标准医学图像中各像素信息的分布数据，根据所述分布数据利用图像生成模型生成多张与所述标准医学图像相似的第一样本图像，得到第一样本图像集；
对所述第一样本图像集进行有效信息量计算，得到所述第一样本图像集中每个第一样本图像的有效信息量，依照所述有效信息量的排列顺序从所述第一样本图像集中选择K个有效信息量对应的第一样本图像，得到有效图像集；
将所述有效图像集和所述标准医学图像输入至与所述图像生成模型有互相约束关系的图像判别模型中进行图像判别，得到判别结果，根据所述判别结果调整所述图像判别模型的参数，直到所述判别结果满足预设要求时，得到此时所述图像判别模型的参数，根据所述参数得到标准图像生成模型；
将所述原始医学图像输入至所述标准图像生成模型，生成第二样本图像集，根据所述第二样本图像生成最终的医学图像；
其中，所述对所述初始医学图像进行细胞增强处理，得到标准医学图像，包括：
利用如下计算公式计算所述初始医学图像与二阶高斯函数的卷积，得到所述初始医学图像的尺度空间导数Ixyz：
其中，I为所述初始医学图像；G(x,y,z)为高斯函数；x,y,z为所述高斯函数的参数；σ为所述高斯函数的标准偏移量；为求偏倒数运算符号；/>为求卷积运算符号；
根据所述尺度空间导数Ixyz对所述初始医学图像进行细胞增强，得到所述标准医学图像。
2.如权利要求1所述的医学图像的生成方法，其特征在于，所述对所述原始医学图像进行转换处理，得到初始医学图像，包括：
将所述原始医学图像进行灰度值转换，得到原始灰度图；
将所述原始灰度图进行降噪处理，得到降噪灰度图；
将所述降噪灰度图进行几何变换处理，得到变换灰度图；
将所述变换灰度图进行对比度增强，得到所述初始医学图像。
3.如权利要求1所述的医学图像的生成方法，其特征在于，所述获取所述标准医学图像中各像素信息的分布数据，根据所述分布数据利用图像生成模型生成多张与所述标准医学图像相似的第一样本图像，得到第一样本图像集，包括：
构建样本生成损失函数F；
将所述标准医学图像中各像素信息的分布数据输入至所述图像生成模型，生成初始第一样本图像集；将所述初始第一样本图像集和所述标准医学图像输入到所述样本生成损失函数F进行损失计算，得到损失函数值p；
当所述损失函数值p大于或等于预设的损失阈值m时，则调整所述图像生成模型的参数，并重新生成第一样本图像；
当所述损失函数值p小于所述损失阈值m时，则得到所述第一样本图像集。
4.如权利要求3所述的医学图像的生成方法，其特征在于，所述样本生成损失函数F包括：
F＝Lc-Ls
Lc＝E[logP(C|Xreal)]+E[logP(C|Xfake)]
Ls＝E[logP(S|Xreal)]+E[logP(S|Xfake)]
其中，E[]为求期望值运算；Lc为所述第一样本图像与所述标准医学图像的相似度的期望值；Ls为所述标准医学图像中的有效信息量的期望值；Xreal为所述标准医学图像；Xfake为所述第一样本图像；C为所述第一样本图像中的有效信息量；S为所述标准医学图像中的有效信息量。
5.如权利要求1所述的医学图像的生成方法，其特征在于，所述将所述有效图像集和所述标准医学图像输入至与所述图像生成模型有互相约束关系的图像判别模型中进行图像判别，得到判别结果，根据所述判别结果调整所述图像判别模型的参数，直到所述判别结果满足预设要求时，得到此时所述图像判别模型的参数，包括：
构建判别损失函数Y；
将所述标准医学图像和所述有效图像集输入至所述图像判别模型，生成最终医学图像集；
将所述最终医学图像集和所述有效图像集输入到所述判别损失函数Y进行损失计算，得到损失函数值q；
当所述损失函数值q大于或等于预设的损失阈值n时，调整所述图像判别模型的参数，重新生所述最终医学图像；
当所述损失函数值q小于所述损失阈值n时，得到此时所述图像判别模型的参数。
6.如权利要求5所述的医学图像的生成方法，其特征在于，所述判别损失函数Y包括：
Y＝Lc+Ls
Lc＝E[logP(C|Xreal)]+E[logP(C|Xfake)]
Ls＝E[logP(S|Xreal)]+E[logP(S|Xfake)]
其中，E[]为求期望值运算；Lc为所述第一样本图像与所述标准医学图像的相似度的期望值；Ls为所述标准医学图像中的有效信息量的期望值；Xreal为所述标准医学图像；Xfake为所述第一样本图像；C为所述第一样本图像中的有效信息量；S为所述标准医学图像中的有效信息量。
7.一种医学图像的生成装置，用于实现如权利要求1至6中任一项所述的医学图像的生成方法，其特征在于，所述装置包括：
图像预处理模块，用于获取原始医学图像，对所述原始医学图像进行转换处理，得到初始医学图像，对所述初始医学图像进行细胞增强处理，得到标准医学图像；
第一样本图像生成模块，用于获取所述标准医学图像中各像素信息的分布数据，根据所述分布数据利用图像生成模型生成多张与所述标准医学图像相似的第一样本图像，得到第一样本图像集；
有效信息计算模块，用于对所述第一样本图像集进行有效信息量计算，得到所述第一样本图像集中每个第一样本图像的有效信息量，依照所述有效信息量的排列顺序从所述第一样本图像集中选择K个有效信息量对应的第一样本图像，得到有效图像集；
图像判别模块，用于将所述有效图像集和所述标准医学图像输入至与所述图像生成模型有互相约束关系的图像判别模型中进行图像判别，得到判别结果，根据所述判别结果调整所述图像判别模型的参数，直到所述判别结果满足预设要求时，得到此时所述图像判别模型的参数，根据所述参数得到标准图像生成模型；将所述原始医学图像输入至所述标准图像生成模型，生成第二样本图像集，根据所述第二样本图像生成最终的医学图像。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任一项所述的医学图像的生成方法。
9.一种计算机可读存储介质，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如权利要求1至6中任一项所述的医学图像的生成方法。
CN202010186679.3A 2020-03-17 2020-03-17 医学图像的生成方法、装置、电子设备及介质 Active CN111476760B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010186679.3A CN111476760B (zh) 2020-03-17 2020-03-17 医学图像的生成方法、装置、电子设备及介质
PCT/CN2020/098947 WO2021184576A1 (zh) 2020-03-17 2020-06-29 医学图像的生成方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010186679.3A CN111476760B (zh) 2020-03-17 2020-03-17 医学图像的生成方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN111476760A CN111476760A (zh) 2020-07-31
CN111476760B true CN111476760B (zh) 2024-05-10

Family

ID=71748220

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010186679.3A Active CN111476760B (zh) 2020-03-17 2020-03-17 医学图像的生成方法、装置、电子设备及介质

Country Status (2)

Country Link
CN (1) CN111476760B (zh)
WO (1) WO2021184576A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112233194B (zh) * 2020-10-15 2023-06-02 平安科技（深圳）有限公司 医学图片优化方法、装置、设备及计算机可读存储介质
CN113989548B (zh) * 2021-10-20 2024-07-02 平安银行股份有限公司 证件分类模型训练方法、装置、电子设备及存储介质
CN114820357B (zh) * 2022-04-11 2023-05-05 深圳明锐理想科技有限公司 一种x射线图像处理方法、装置、电子设备及存储介质
CN114463602B (zh) * 2022-04-12 2022-07-08 北京云恒科技研究院有限公司 一种基于大数据的目标识别的数据处理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295682A (zh) * 2016-08-02 2017-01-04 厦门美图之家科技有限公司 一种判断图片质量因子的方法、装置和计算设备
CN109948707A (zh) * 2019-03-20 2019-06-28 腾讯科技（深圳）有限公司 模型训练方法、装置、终端及存储介质
CN110070540A (zh) * 2019-04-28 2019-07-30 腾讯科技（深圳）有限公司 图像生成方法、装置、计算机设备及存储介质
CN110147699A (zh) * 2018-04-12 2019-08-20 北京大学 一种图像识别方法、装置以及相关设备
CN110853047A (zh) * 2019-10-12 2020-02-28 平安科技（深圳）有限公司 智能图像分割及分类方法、装置及计算机可读存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9036044B1 (en) * 2013-07-22 2015-05-19 Google Inc. Adjusting camera parameters associated with a plurality of images
US10740866B2 (en) * 2018-06-26 2020-08-11 International Business Machines Corporation Determining appropriate medical image processing pipeline based on machine learning

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106295682A (zh) * 2016-08-02 2017-01-04 厦门美图之家科技有限公司 一种判断图片质量因子的方法、装置和计算设备
CN110147699A (zh) * 2018-04-12 2019-08-20 北京大学 一种图像识别方法、装置以及相关设备
CN109948707A (zh) * 2019-03-20 2019-06-28 腾讯科技（深圳）有限公司 模型训练方法、装置、终端及存储介质
CN110070540A (zh) * 2019-04-28 2019-07-30 腾讯科技（深圳）有限公司 图像生成方法、装置、计算机设备及存储介质
CN110853047A (zh) * 2019-10-12 2020-02-28 平安科技（深圳）有限公司 智能图像分割及分类方法、装置及计算机可读存储介质

Also Published As

Publication number Publication date
CN111476760A (zh) 2020-07-31
WO2021184576A1 (zh) 2021-09-23

Similar Documents

Publication Publication Date Title
CN111476760B (zh) 医学图像的生成方法、装置、电子设备及介质
CN112446839B (zh) 图像增强方法、装置、电子设备及计算机可读存储介质
CN111652845B (zh) 异常细胞自动标注方法、装置、电子设备及存储介质
WO2022121156A1 (zh) 图像中目标物检测方法、装置、电子设备及可读存储介质
CN113283446B (zh) 图像中目标物识别方法、装置、电子设备及存储介质
CN112233125B (zh) 图像分割方法、装置、电子设备及计算机可读存储介质
CN111932547B (zh) 图像中目标物的分割方法、装置、电子设备及存储介质
CN111932564B (zh) 图片识别方法、装置、电子设备及计算机可读存储介质
CN112036292B (zh) 基于神经网络的文字识别方法、装置及可读存储介质
CN111932482A (zh) 图像中目标物的检测方法、装置、电子设备及存储介质
CN111932534B (zh) 医学影像图片分析方法、装置、电子设备及可读存储介质
CN111933274B (zh) 疾病分类诊断方法、装置、电子设备及存储介质
CN111783982B (zh) 攻击样本的获取方法、装置、设备及介质
CN112990374B (zh) 图像分类方法、装置、电子设备及介质
CN112016560B (zh) 覆盖文本识别方法、装置、电子设备及存储介质
CN111696084A (zh) 细胞图像分割方法、装置、电子设备及可读存储介质
CN112862703B (zh) 基于移动拍照的图像校正方法、装置、电子设备及介质
CN112132812A (zh) 证件校验方法、装置、电子设备及介质
CN111695615A (zh) 基于人工智能的车辆定损方法、装置、电子设备及介质
CN113627394B (zh) 人脸提取方法、装置、电子设备及可读存储介质
CN111932563B (zh) 图片区域分割方法、装置、电子设备及存储介质
CN111915615B (zh) 图像分割方法、装置、电子设备及计算机可读存储介质
CN115908175B (zh) 低照度图像多级增强方法、装置、电子设备以及存储介质
CN113705686B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN112233194B (zh) 医学图片优化方法、装置、设备及计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40031433

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant