基于医学图像的组织分型方法及装置、电子设备
阅读：1053发布：2020-05-23
专利汇可以提供基于医学图像的组织分型方法及装置、电子设备专利检索，专利查询，专利分析的服务。并且公开了一种基于医学图像的组织分型方法及装置、计算机可读存储介质及 电子 设备，涉及 图像处理 技术领域。该基于医学图像的组织分型方法包括：基于待分型医学图像确定待分型组织对应的图像区域；基于图像区域确定待分型组织对应的灰度特征信息；基于灰度特征信息确定待分型组织的类型。由于灰度特征信息能够精准表征待分型组织的结构分布情况，因此，本公开 实施例 能够极大提高所确定的待分型组织的类型的精准度。此外，与现有直接采用 深度学习 的分型方法相比，本公开实施例不仅能够提高分型精准度，而且能够降低计算量，提高计算速度。，下面是基于医学图像的组织分型方法及装置、电子设备专利的具体信息内容。
1.一种基于医学图像的组织分型方法，其特征在于，应用于包括待分型组织的待分型医学图像，包括：
基于所述待分型医学图像确定所述待分型组织对应的图像区域；
基于所述图像区域确定所述待分型组织对应的灰度特征信息；
基于所述灰度特征信息确定所述待分型组织的类型。
2.根据权利要求1所述的方法，其特征在于，所述基于所述图像区域确定所述待分型组织对应的灰度特征信息，包括：
基于所述图像区域确定所述待分型组织对应的灰度直方图信息；
其中，所述基于所述灰度特征信息确定所述待分型组织的类型，包括：
基于所述灰度直方图信息确定所述待分型组织的类型。
3.根据权利要求1或2所述的方法，其特征在于，所述基于所述灰度特征信息确定所述待分型组织的类型，包括：
确定所述待分型组织对应的预设分型信息；
基于所述灰度特征信息与所述预设分型信息确定所述待分型组织的类型。
4.根据权利要求1所述的方法，其特征在于，所述基于所述待分型医学图像确定所述待分型组织对应的图像区域，包括：
对所述待分型医学图像进行图像分割操作，以确定图像分割信息；
基于所述图像分割信息确定所述待分型组织对应的图像区域。
5.根据权利要求4所述的方法，其特征在于，所述对所述待分型医学图像进行图像分割操作，以确定图像分割信息，包括：
将所述待分型医学图像输入至分割网络模型，以确定第一分割区域，其中，所述第一分割区域与所述待分型组织对应；
对所述第一分割区域进行精处理操作，以确定所述图像分割信息。
6.根据权利要求5所述的方法，其特征在于，所述对所述第一分割区域进行精处理操作，以确定图像分割信息，包括：
基于所述第一分割区域确定与所述待分型组织对应的种子区域；
利用能量优化算法对所述种子区域进行能量分割操作，以确定所述图像分割信息。
7.根据权利要求6所述的方法，其特征在于，所述能量优化算法包括图形切割算法，所述利用能量优化算法对所述种子区域进行能量分割操作，以确定所述图像分割信息，包括：
基于所述种子区域，利用所述图形切割算法确定所述种子区域对应的第二分割区域；
利用形态学算子对所述第二分割区域的分割边界进行优化操作，以确定所述图像分割信息。
8.根据权利要求4至7任一所述的方法，其特征在于，在所述对所述待分型医学图像进行图像分割操作，以确定图像分割信息之前，还包括如下各项中的至少一项：
调整所述待分型医学图像对应的窗宽信息和/或窗位信息；
对所述待分型医学图像进行裁剪操作，以去除第一图像区域，其中，所述第一图像区域与所述待分型组织之间为第一关联关系；
对所述待分型医学图像进行除噪声操作；
基于所述待分型医学图像的HU信息去除第二图像区域，其中，所述第二图像区域与所述待分型组织之间为第二关联关系。
9.根据权利要求4至7任一所述的方法，其特征在于，在所述对所述待分型医学图像进行图像分割操作，以确定图像分割信息之后，还包括：
基于所述图像分割信息确定第三分割区域；
基于所述第三分割区域和所述待分型组织确定所述待分型组织对应的关键点信息；
其中，所述基于所述图像分割信息确定所述待分型组织对应的图像区域，包括：
基于所述关键点信息对所述第三分割区域进行裁剪操作，以确定所述待分型组织对应的图像区域。
10.根据权利要求9所述的方法，其特征在于，所述基于所述第三分割区域和所述待分型组织确定所述待分型组织对应的关键点信息，包括：
将所述第三分割区域输入至关键点网络模型，以确定所述待分型组织对应的关键点信息。
11.根据权利要求1或2所述的方法，其特征在于，所述待分型医学图像为乳腺钼靶图像，所述待分型组织为乳腺。
12.一种基于医学图像的组织分型装置，其特征在于，应用于包括待分型组织的待分型医学图像，包括：
图像区域确定模块，用于基于所述待分型医学图像确定所述待分型组织对应的图像区域；
灰度特征信息确定模块，用于基于所述图像区域确定所述待分型组织对应的灰度特征信息；
类型确定模块，用于基于所述灰度特征信息确定所述待分型组织的类型。
13.一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1至11任一所述的基于医学图像的组织分型方法。
14.一种电子设备，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于执行上述权利要求1至11任一所述的基于医学图像的组织分型方法。
基于医学图像的组织分型方法及装置、电子设备
技术领域
[0001] 本公开涉及图像处理技术领域，具体涉及基于医学图像的组织分型方法及装置、计算机可读存储介质及电子设备。
背景技术
[0002] 医学图像作为辅助治疗的重要工具，其重要性不言而喻。众所周知，由于医学图像中包括较为复杂的人体或动物体的组织结构(比如心脏、乳腺等)，因此，与普通图像相比，医学图像的处理难度更高。尤其当需要为医学图像中的组织进行分型操作时，现有分型方法很难应用到医学图像。
[0003] 因此，如何对医学图像中的组织进行分型操作，并获取较高的分型精准度成为亟待解决的问题。发明内容
[0004] 为了解决上述技术问题，提出了本公开。本公开的实施例提供了一种基于医学图像的组织分型方法及装置、计算机可读存储介质及电子设备。
[0005] 在一方面，本公开实施例提供了一种基于医学图像的组织分型方法，应用于包括待分型组织的待分型医学图像。该基于医学图像的组织分型方法包括：基于待分型医学图像确定待分型组织对应的图像区域；基于图像区域确定待分型组织对应的灰度特征信息；基于灰度特征信息确定待分型组织的类型。
[0006] 在本公开一实施例中，基于图像区域确定待分型组织对应的灰度特征信息，包括：基于图像区域确定待分型组织对应的灰度直方图信息。其中，基于灰度特征信息确定待分型组织的类型，包括：基于灰度直方图信息确定待分型组织的类型。
[0007] 在本公开一实施例中，基于灰度特征信息确定待分型组织的类型，包括：确定待分型组织对应的预设分型信息；基于灰度特征信息与预设分型信息确定待分型组织的类型。
[0008] 在本公开一实施例中，基于待分型医学图像确定待分型组织对应的图像区域，包括：对待分型医学图像进行图像分割操作，以确定图像分割信息；基于图像分割信息确定待分型组织对应的图像区域。
[0009] 在本公开一实施例中，对待分型医学图像进行图像分割操作，以确定图像分割信息，包括：将待分型医学图像输入至分割网络模型，以确定第一分割区域，其中，第一分割区域与待分型组织对应；对第一分割区域进行精处理操作，以确定图像分割信息。
[0010] 在本公开一实施例中，对第一分割区域进行精处理操作，以确定图像分割信息，包括：基于第一分割区域确定与待分型组织对应的种子区域；利用能量优化算法对种子区域进行能量分割操作，以确定图像分割信息。
[0011] 在本公开一实施例中，能量优化算法包括图形切割算法，利用能量优化算法对种子区域进行能量分割操作，以确定图像分割信息，包括：基于种子区域，利用图形切割算法确定种子区域对应的第二分割区域；利用形态学算子对第二分割区域的分割边界进行优化操作，以确定图像分割信息。
[0012] 在本公开一实施例中，在对待分型医学图像进行图像分割操作，以确定图像分割信息之前，还包括如下各项中的至少一项：调整待分型医学图像对应的窗宽信息和/或窗位信息；对待分型医学图像进行裁剪操作，以去除第一图像区域，其中，第一图像区域与待分型组织之间为第一关联关系；对待分型医学图像进行除噪声操作；基于待分型医学图像的HU信息去除第二图像区域，其中，第二图像区域与待分型组织之间为第二关联关系。
[0013] 在本公开一实施例中，在对待分型医学图像进行图像分割操作，以确定图像分割信息之后，还包括：基于图像分割信息确定第三分割区域；基于第三分割区域和待分型组织确定待分型组织对应的关键点信息。其中，基于图像分割信息确定待分型组织对应的图像区域，包括：基于关键点信息对第三分割区域进行裁剪操作，以确定待分型组织对应的图像区域。
[0014] 在本公开一实施例中，基于第三分割区域和待分型组织确定待分型组织对应的关键点信息，包括：将第三分割区域输入至关键点网络模型，以确定待分型组织对应的关键点信息。
[0015] 在本公开一实施例中，待分型医学图像为乳腺钼靶图像，待分型组织为乳腺。
[0016] 在另一方面，本公开一实施例提供了一种基于医学图像的组织分型装置，应用于包括待分型组织的待分型医学图像。该基于医学图像的组织分型装置包括：图像区域确定模块，用于基于待分型医学图像确定待分型组织对应的图像区域；灰度特征信息确定模块，用于基于图像区域确定待分型组织对应的灰度特征信息；类型确定模块，用于基于灰度特征信息确定待分型组织的类型。
[0017] 在另一方面，本公开一实施例提供了一种计算机可读存储介质，该存储介质存储有计算机程序，该计算机程序用于执行上述实施例所提及的基于医学图像的组织分型方法。
[0018] 在另一方面，本公开一实施例提供了一种电子设备，该电子设备包括：处理器和用于存储处理器可执行指令的存储器，其中，处理器用于执行上述实施例所提及的基于医学图像的组织分型方法。
[0019] 本公开实施例提供的基于医学图像的组织分型方法，通过基于待分型医学图像确定待分型组织对应的图像区域，继而基于图像区域确定待分型组织对应的灰度特征信息，并基于灰度特征信息确定待分型组织的类型的方式，实现了确定待分型医学图像中的待分型组织的类型的目的。由于灰度特征信息能够精准表征待分型组织的结构分布情况，因此，本公开实施例能够极大提高所确定的待分型组织的类型的精准度。此外，与现有直接采用深度学习的分型方法相比，本公开实施例不仅能够提高分型精准度，而且能够降低计算量，提高计算速度。附图说明
[0020] 通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0021] 图1所示为本公开实施例所适用的一场景示意图。
[0022] 图2所示为本公开实施例所适用的另一场景示意图。
[0023] 图3所示为本公开一示例性实施例提供的基于医学图像的组织分型方法的流程示意图。
[0024] 图4所示为本公开另一示例性实施例提供的基于医学图像的组织分型方法的流程示意图。
[0025] 图5a至图5d所示为本公开一示例性实施例提供的乳腺的类型示意图。
[0026] 图6a至图6d所示为本公开一示例性实施例提供的不同种类型的乳腺对应的灰度直方图。
[0027] 图7所示为本公开一示例性实施例提供的基于待分型医学图像确定待分型组织对应的图像区域的流程示意图。
[0028] 图8所示为本公开一示例性实施例提供的对待分型医学图像进行图像分割操作，以确定图像分割信息的流程示意图。
[0029] 图9所示为本公开一示例性实施例提供的对第一分割区域进行精处理操作，以确定图像分割信息的流程示意图。
[0030] 图10所示为本公开另一示例性实施例提供的基于待分型医学图像确定待分型组织对应的图像区域的流程示意图。
[0031] 图11a至图11d所示为本公开一示例性实施例提供的待分型医学图像对应的多个预处理阶段的示意图。
[0032] 图12所示为本公开又一示例性实施例提供的基于待分型医学图像确定待分型组织对应的图像区域的流程示意图。
[0033] 图13所示为本公开一示例性实施例提供的待分型组织对应的关键点示意图。
[0034] 图14a和图14b所示为本公开一示例性实施例提供的不同阶段的灰度直方图。
[0035] 图15所示为本公开一示例性实施例提供的基于医学图像的组织分型装置的结构示意图。
[0036] 图16所示为本公开另一示例性实施例提供的基于医学图像的组织分型装置的结构示意图。
[0037] 图17所示为本公开一示例性实施例提供的图像区域确定模块的结构示意图。
[0038] 图18所示为本公开一示例性实施例提供的图像分割信息确定单元的结构示意图。
[0039] 图19所示为本公开一示例性实施例提供的图像分割信息确定子单元的结构示意图。
[0040] 图20所示为本公开另一示例性实施例提供的图像区域确定模块的结构示意图。
[0041] 图21所示为本公开又一示例性实施例提供的图像区域确定模块的结构示意图。
[0042] 图22所示为本公开一示例性实施例提供的电子设备的结构示意图。
具体实施方式
[0043] 下面，将参考附图详细地描述根据本公开的示例实施例。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是本公开的全部实施例，应理解，本公开不受这里描述的示例实施例的限制。
[0045] 灰度直方图是关于灰度级分布的函数，是对图像中灰度级分布的统计。具体地，灰度直方图是将数字图像中的所有像素，按照灰度值的大小，统计其出现的频率。灰度直方图是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图像中某种灰度出现的频率。
[0046] 众所周知，人体或动物体的组织结构比较复杂，比如能够清晰显示乳腺各层组织的乳腺钼靶图像。因此，与普通图像相比，医学图像的处理难度更高。尤其当需要为医学图像中的组织进行分型操作，以辅助后续的图像分析和/或诊断工作时，现有分型方法很难应用到医学图像。并且，即使一些现有分型方法能够应用到医学图像，其分型精准度及鲁棒性均较差。
[0047] 基于上述提及的技术问题，本公开的基本构思是提出一种基于医学图像的组织分型方法及装置、计算机可读存储介质及电子设备。该基于医学图像的组织分型方法通过基于待分型医学图像确定待分型组织对应的图像区域，继而基于图像区域确定待分型组织对应的灰度特征信息，并基于灰度特征信息确定待分型组织的类型的方式，实现了确定待分型医学图像中的待分型组织的类型的目的。由于灰度特征信息能够精准表征待分型组织的结构分布情况，因此，本公开实施例能够极大提高所确定的待分型组织的类型的精准度。此外，与现有直接采用深度学习的分型方法相比，本公开实施例不仅能够提高分型精准度，而且能够降低计算量，提高计算速度。
[0048] 在介绍了本公开的基本原理之后，下面将参考附图来具体介绍本公开的各种非限制性实施例。
[0050] 具体而言，图像采集设备2用于采集包括待分型组织的待分型医学图像，服务器1用于基于图像采集设备2采集的待分型医学图像确定待分型组织对应的图像区域，然后基于图像区域确定待分型组织对应的灰度特征信息，继而基于灰度特征信息确定待分型组织的类型。即，该场景实现了一种基于医学图像的组织分型方法。由于图1所示的上述场景利用服务器1实现了基于医学图像的组织分型方法，因此，该场景不但能够提高场景的适应能力，而且能够有效降低图像采集设备2的计算量。
[0051] 需要说明的是，本公开还适用于另一场景。图2所示为本公开实施例所适用的另一场景示意图。具体地，该场景中包括图像处理设备3，其中，图像处理设备3包括图像采集模块301和计算模块302，并且，图像采集模块301和计算模块302之间存在通信连接关系。
[0052] 具体而言，图像处理设备3中的图像采集模块301用于采集包括待分型组织的待分型医学图像，图像处理设备3中的计算模块302用于基于图像采集模块301采集的待分型医学图像确定待分型组织对应的图像区域，然后基于图像区域确定待分型组织对应的灰度特征信息，继而基于灰度特征信息确定待分型组织的类型。即，该场景实现了一种基于医学图像的组织分型方法。由于图2所示的上述场景利用图像处理设备3实现了基于医学图像的组织分型方法，无需与服务器等相关装置进行数据传输操作，因此，上述场景能够保证基于医学图像的组织分型方法的实时性。
[0053] 需要说明的是，上述场景中提及的图像采集设备2和图像采集模块301，包括但不限于为X线机、CT(Computed Tomography)扫描仪、MRI(Magnetic Resonance Imaging)设备等图像采集装置。对应地，上述场景中提及的图像采集设备2和图像采集模块301所采集的包括待分型组织的待分型医学图像，包括但不限于为X线图像、CT图像、MRI图像等能够将人体或动物体内部组织结构、密度等信息以影像方式呈现的医学图像。
[0054] 图3所示为本公开一示例性实施例提供的基于医学图像的组织分型方法的流程示意图。具体地，本公开实施例提供的基于医学图像的组织分型方法应用于包括待分型组织的待分型医学图像。
[0055] 如图3所示，本公开实施例提供的基于医学图像的组织分型方法包括如下步骤。
[0056] 步骤10，基于待分型医学图像确定待分型组织对应的图像区域。
[0057] 需要说明的是，步骤10中提及的待分型组织，指的是需要确定类型的组织。比如，待分型医学图像为乳腺钼靶图像，待分型组织为乳腺。
[0058] 步骤20，基于图像区域确定待分型组织对应的灰度特征信息。
[0059] 示例性地，步骤20中提及的灰度特征信息能够表征待分型组织对应的图像特征信息。应当理解，在通常情况下，待分型组织中包括多个不同的组织区域。
[0060] 需要说明的是，由于不同类型的组织区域在医学图像中的密度不同，比如，在乳腺钼靶图像中，乳腺腺体的密度大于脂肪的密度。因此，不同类型的组织区域在医学图像中的灰度信息不同。
[0061] 步骤30，基于灰度特征信息确定待分型组织的类型。
[0062] 示例性地，待分型医学图像为乳腺钼靶图像，待分型组织为乳腺。那么，待分型组织的类型包括脂肪型、少量腺体型、多量腺体型和致密型。
[0063] 在实际应用过程中，首先基于待分型医学图像确定待分型组织对应的图像区域，然后基于图像区域确定待分型组织对应的灰度特征信息，并基于灰度特征信息确定待分型组织的类型。
[0064] 本公开实施例提供的基于医学图像的组织分型方法，通过基于待分型医学图像确定待分型组织对应的图像区域，继而基于图像区域确定待分型组织对应的灰度特征信息，并基于灰度特征信息确定待分型组织的类型的方式，实现了确定待分型医学图像中的待分型组织的类型的目的。由于灰度特征信息能够精准表征待分型组织的结构分布情况，因此，本公开实施例能够极大提高所确定的待分型组织的类型的精准度。此外，与现有直接采用深度学习的分型方法相比，本公开实施例不仅能够提高分型精准度，而且能够降低计算量，提高计算速度。
[0065] 在本公开一实施例中，基于图像区域确定待分型组织对应的灰度特征信息步骤，包括：确定待分型组织对应的预设分型信息；基于灰度特征信息与预设分型信息确定待分型组织的类型。
[0066] 需要说明的是，预设分型信息既可以为人工确定，又可以借助相关的深度学习网络模型确定，本公开实施例对此不进行统一限定。
[0067] 图4所示为本公开另一示例性实施例提供的基于医学图像的组织分型方法的流程示意图。在本公开图3所示实施例的基础上延伸出本公开图4所示实施例，下面着重叙述图4所示实施例与图3所示实施例的不同之处，相同之处不再赘述。
[0068] 如图4所示，在本公开实施例提供的基于医学图像的组织分型方法中，基于图像区域确定待分型组织对应的灰度特征信息步骤包括如下步骤。
[0069] 步骤21，基于图像区域确定待分型组织对应的灰度直方图信息。
[0070] 如前所述，灰度直方图能够将图像区域中的所有像素，按照灰度值的大小，统计其出现的频率。又由于同一密度的组织区域对应相同的灰度，不同密度的组织区域对应不同的灰度，因此，基于灰度直方图信息能够确定待分型组织的组织区域的密度情况，进而基于密度情况确定待分型组织的类型。
[0071] 并且，在本公开实施例提供的基于医学图像的组织分型方法中，基于灰度特征信息确定待分型组织的类型步骤包括如下步骤。
[0072] 步骤31，基于灰度直方图信息确定待分型组织的类型。
[0073] 在实际应用过程中，首先基于待分型医学图像确定待分型组织对应的图像区域，然后基于图像区域确定待分型组织对应的灰度直方图信息，并基于灰度直方图信息确定待分型组织的类型。
[0074] 本公开实施例提供的基于医学图像的组织分型方法，通过基于待分型医学图像确定待分型组织对应的图像区域，继而基于图像区域确定待分型组织对应的灰度直方图信息，并基于灰度直方图信息确定待分型组织的类型的方式，实现了确定待分型医学图像中的待分型组织的类型的目的。由于基于灰度直方图信息能够快速、精准地确定待分型组织的类型，因此，本公开实施例能够进一步提高确定类型操作的精准度和实时性。
[0075] 在本公开一实施例中，基于ResNet网络模型实现步骤31中提及的基于灰度直方图信息确定待分型组织的类型的目的。示例性地，该ResNet网络模型的样本图像数据确定过程为：确定与待分型医学图像同类型的多幅样本图像，然后确定该多幅样本图像各自对应的灰度直方图信息，继而基于该多幅样本图像和该多幅样本图像各自对应的灰度直方图信息确定样本图像数据。示例性地，该ResNet网络模型的训练过程为：确定该ResNet网络模型对应的初始网络模型，基于样本图像数据对该初始网络模型进行训练操作，以生成该ResNet网络模型。
[0076] 下面结合图5a至图5d、以及图6a至图6d说明上述实施例提及的乳腺钼靶图像中的乳腺的类型以及不同的类型各自对应的灰度直方图情况，以进一步证明基于灰度直方图信息能够确定乳腺的类型。
[0077] 图5a至图5d所示为本公开一示例性实施例提供的乳腺的类型示意图。具体而言，图5a所示为脂肪型的乳腺，脂肪型指的是腺体占乳房的比例为25％以内。图5b所示为少量腺体型的乳腺，少量腺体型指的是腺体占乳房的比例为25％至50％的闭区间范围。图5c所示为多量腺体型的乳腺，多量腺体型指的是腺体占乳房的比例为50％至75％的开区间范围。图5d所示为致密型的乳腺，致密型指的是腺体占乳房的比例为75％或大于75％的范围。
[0078] 对应地，图6a至图6d所示为本公开一示例性实施例提供的不同种类型的乳腺对应的灰度直方图。具体而言，图6a所示为脂肪型的乳腺对应的灰度直方图1。图6b所示为少量腺体型的乳腺对应的灰度直方图2。图6c所示为多量腺体型的乳腺对应的灰度直方图3。图6d所示为致密型的乳腺对应的灰度直方图4。
[0079] 结合上述图5a至图5d、以及图6a至图6d所示能够明确得知，不同类型的腺体所对应的灰度直方图存在明显区别。由于腺体的密度大于脂肪的密度，因此，当腺体较多时，乳腺整体的密度会较大。从上述灰度直方图1至4中也可以看出，腺体致密程度越高，整体的灰度直方图会向右移动。由此，可基于灰度直方图信息确定乳腺的类型。
[0080] 图7所示为本公开一示例性实施例提供的基于待分型医学图像确定待分型组织对应的图像区域的流程示意图。在本公开图3所示实施例的基础上延伸出本公开图7所示实施例，下面着重叙述图7所示实施例与图3所示实施例的不同之处，相同之处不再赘述。
[0081] 如图7所示，在本公开实施例提供的基于医学图像的组织分型方法中，基于待分型医学图像确定待分型组织对应的图像区域步骤包括如下步骤。
[0082] 步骤11，对待分型医学图像进行图像分割操作，以确定图像分割信息。
[0083] 示例性地，步骤11中提及的图像分割操作，是针对待分型医学图像中包括的待分型组织进行的。换言之，图像分割操作是为了将待分型组织分离出来，以便降低与待分型组织无关的图像区域对灰度直方图的干扰，进而确定精准度更高地灰度直方图。
[0084] 步骤12，基于图像分割信息确定待分型组织对应的图像区域。
[0085] 在实际应用过程中，首先对待分型医学图像进行图像分割操作，以确定图像分割信息，并基于图像分割信息确定待分型组织对应的图像区域，然后基于图像区域确定待分型组织对应的灰度特征信息，并基于灰度特征信息确定待分型组织的类型。
[0086] 本公开实施例提供的基于医学图像的组织分型方法，通过对待分型医学图像进行图像分割操作以确定图像分割信息，并基于图像分割信息确定待分型组织对应的图像区域的方式，实现了基于待分型医学图像确定待分型组织对应的图像区域的目的。由于图像分割操作能够有效去除与待分型组织无关的图像区域，因此，本公开实施例不但能够降低计算量，而且能够进一步提高所确定的灰度直方图的精准度，进而进一步提高所确定的待分型组织的类型的精准度。
[0087] 在本公开一实施例中，能量优化算法包括图形切割算法，并且，利用能量优化算法对种子区域进行能量分割操作，以确定图像分割信息，包括：基于种子区域，利用图形切割算法确定种子区域对应的第二分割区域；利用形态学算子对第二分割区域的分割边界进行优化操作，以确定图像分割信息。
[0088] 应当理解，图形切割算法(Graph Cut,GC)为基于最小割最大流算法进行图像分割操作，进而将图像分割为前景区域和背景区域。那么，示例性地，在本公开实施例中，可将种子区域标记为前景区域对应的部分图像区域，将与待分型组织无关的区域标记为背景区域对应的部分图像区域，进而基于图形切割算法分割出图像中的前景区域和背景区域。
[0089] 应当理解，形态学算子的基本思想是用具有一定形态的结构元素去量度和提取图像中的对应形状，以达到图像分析和识别的目的。其中，形态学算子包括腐蚀、膨胀等。由于图形切割算法是基于图像的像素灰度信息和像素坐标信息进行的分割操作，因此，基于图形切割算法确定的第二分割区域的分割边界的光滑度不够理想。基于此，本公开实施例利用形态学算子对第二分割区域的分割边界进行优化操作，以提高其平滑度，进而确定质量更优的图像分割信息。
[0090] 图8所示为本公开一示例性实施例提供的对待分型医学图像进行图像分割操作，以确定图像分割信息的流程示意图。在本公开图7所示实施例的基础上延伸出本公开图8所示实施例，下面着重叙述图8所示实施例与图7所示实施例的不同之处，相同之处不再赘述。
[0091] 如图8所示，在本公开实施例提供的基于医学图像的组织分型方法中，对待分型医学图像进行图像分割操作，以确定图像分割信息步骤包括如下步骤。
[0092] 步骤111，将待分型医学图像输入至分割网络模型，以确定第一分割区域，其中，第一分割区域与待分型组织对应。
[0093] 示例性地，步骤111中提及的分割网络模型是基于与待分型医学图像对应的样本图像数据训练生成的。其中，样本图像数据的生成过程为：首先确定与上述待分型医学图像同类型的多幅图像，然后对该多幅图像中各自包括的待分型组织进行分割线标注操作，进而确定包括分割线信息和图像信息的样本图像数据。其中，分割网络模型的训练过程为：首先确定初始网络模型，然后基于样本图像数据训练该初始网络模型，进而生成最终的分割网络模型。
[0094] 可选地，初始网络模型和分割网络模型的模型结构是相同的，初始网络模型和分割网络模型之间的差异为模型的网络参数差异。即，初始网络模型中的网络参数为初始网络参数，然后利用样本图像数据对初始网络模型进行训练，训练过程中会调整初始网络参数，以最终生成分割网络模型中的网络参数。比如，基于梯度下降法不断调节初始网络模型的网络参数，以最终生成分割网络模型中的网络参数。
[0096] 步骤112，对第一分割区域进行精处理操作，以确定图像分割信息。
[0097] 示例性地，步骤112中提及的精处理操作，指的是对第一分割区域进行进一步分割处理操作，以确定图像分割信息。即，经历过精处理后，待分型组织对应的图像分割信息的精准度有所提高。
[0098] 需要说明的是，本公开实施例对精处理操作的具体类型不进行统一限定，只要精处理操作能够生成精准度更优地图像分割信息即可。比如，精处理操作为基于能量优化算法的分割操作。
[0099] 在实际应用过程中，首先将待分型医学图像输入至分割网络模型，以确定第一分割区域，继而对第一分割区域进行精处理操作，以确定图像分割信息，并基于图像分割信息确定待分型组织对应的图像区域，然后基于图像区域确定待分型组织对应的灰度特征信息，并基于灰度特征信息确定待分型组织的类型。
[0100] 本公开实施例提供的基于医学图像的组织分型方法，通过将待分型医学图像输入至分割网络模型，以确定第一分割区域，并对第一分割区域进行精处理操作，以确定图像分割信息的方式，实现了对待分型医学图像进行图像分割操作，以确定图像分割信息的目的。由于基于分割网络模型确定第一分割区域的方式能够充分利用深度学习在适应能力和鲁棒性方面的优势，因此，本公开实施例能够进一步提高图像分割操作的适应能力和鲁棒性。
又由于精分割操作能够进一步提高第一分割区域的分割精准度，因此，本公开实施例能够进一步提高图像分割操作的分割精准度。
又由于精分割操作能够进一步提高第一分割区域的分割精准度，因此，本公开实施例能够进一步提高图像分割操作的分割精准度。
[0101] 在本公开一实施例中，上述实施例提及的分割网络模型为U-Net网络模型。由于U-Net网络模型能够支持少量样本图像数据前提下的训练过程，因此，本公开实施例能够极大降低训练过程的计算量，尤其对于样本图像数据数量较少的医学图像数据，U-Net网络模型的优势更加明显。此外，由于U-Net网络模型能够实现像素点级别的图像分割操作，因此，本公开实施例能够充分提高分割精准度。
[0102] 需要说明的是，本公开实施例不局限于上述提及的U-Net网络模型，其他基于深度学习的网络模型均可应用到本公开实施例提及的基于医学图像的组织分型方法中。
[0103] 图9所示为本公开一示例性实施例提供的对第一分割区域进行精处理操作，以确定图像分割信息的流程示意图。在本公开图8所示实施例的基础上延伸出本公开图9所示实施例，下面着重叙述图9所示实施例与图8所示实施例的不同之处，相同之处不再赘述。
[0104] 如图9所示，在本公开实施例提供的基于医学图像的组织分型方法中，对第一分割区域进行精处理操作，以确定图像分割信息步骤包括如下步骤。
[0105] 步骤1121，基于第一分割区域确定与待分型组织对应的种子区域。
[0106] 示例性地，步骤1121中提及的种子区域，指的是待分型医学图像中的待分型组织对应的种子图像块区域。即，种子图像块区域隶属于待分型组织对应的图像区域。其中，种子图像块区域的尺寸可基于待分型组织以及待分型医学图像的实际情况确定。
[0107] 应当理解，由于分割网络模型的分割精准度有限，因此，基于分割网络模型确定的第一分割区域中可能包括与待分型组织无关的图像区域。比如，待分型医学图像为乳腺钼靶图像，待分型组织为乳腺，那么，较为理想的第一分割区域中只包括乳房对应的图像区域。然而，在一种实际情况中，第一分割区域中不仅包括乳房对应的图像区域，还包括与乳房位置接近的胸肌对应的图像区域。此外，在另外一种实际情况中，第一分割区域中还可能并未完整包括待分型组织对应的图像区域，比如未包括乳房的乳头等结构对应的图像区域。
[0108] 步骤1122，利用能量优化算法对种子区域进行能量分割操作，以确定图像分割信息。
[0109] 示例性地，步骤1122中提及的能量分割操作，指的是基于能量最小原则，利用能量优化算法对种子区域进行分割操作，以确定图像分割信息。
[0110] 在实际应用过程中，首先将待分型医学图像输入至分割网络模型，以确定第一分割区域，继而基于第一分割区域确定与待分型组织对应的种子区域，并利用能量优化算法对种子区域进行能量分割操作，以确定图像分割信息，然后基于图像分割信息确定待分型组织对应的图像区域，然后基于图像区域确定待分型组织对应的灰度特征信息，并基于灰度特征信息确定待分型组织的类型。
[0111] 本公开实施例提供的基于医学图像的组织分型方法，通过基于第一分割区域确定与待分型组织对应的种子区域，然后利用能量优化算法对种子区域进行能量分割操作，以确定图像分割信息的方式，实现了对第一分割区域进行精处理操作，以确定图像分割信息的目的。由于种子区域与待分型组织对应，因此，本公开实施例能够进一步提高所确定的图像分割信息的精准度。
[0112] 图10所示为本公开另一示例性实施例提供的基于待分型医学图像确定待分型组织对应的图像区域的流程示意图。在本公开图7所示实施例的基础上延伸出本公开图10所示实施例，下面着重叙述图10所示实施例与图7所示实施例的不同之处，相同之处不再赘述。
[0113] 如图10所示，在本公开实施例提供的基于医学图像的组织分型方法中，在对待分型医学图像进行图像分割操作，以确定图像分割信息步骤之前，还包括如下步骤。
[0114] 步骤13，调整待分型医学图像对应的窗宽信息和/或窗位信息。
[0115] 需要说明的是，窗宽信息和窗位信息是CT图像对应的信息。其中，窗宽信息指的是CT图像上显示的CT值范围。示例性地，在该CT值范围内的组织和病变均以不同的模拟灰度显示，而CT值高于此范围的组织和病变，均以白影显示，不再有灰度差异。那么，增大窗宽，则图像上显示的CT值范围加大，显示的具有不同密度的组织结构增多，但是各组织结构之间的灰度差别减少。减小窗宽，则图像上显示的组织结构减少，然而各组织结构之间的灰度差别增加。窗位信息指的是窗的中心位置。例如，窗宽为100H，当窗位为0H时，其CT值范围为-50H至+50H。
[0116] 由于不同的成像设备可能导致所确定的待分型医学图像有所差异，并且，即使是同一成像设备，当其成像参数有所变化时，所确定的待分型医学图像亦可能会有所差异。基于此，需要基于上述步骤13记载的步骤调整待分型医学图像对应的窗宽信息和/或窗位信息，以便实现对待分型医学图像的归一化处理，并尽量去除掉干扰像素，进而进一步提高有效像素的占比，继而降低甚至避免干扰像素对后续的分割网络模型的不良影响。其中，有效像素指的是能够对图像分割操作起到辅助作用的像素，比如乳房区域的像素。干扰像素指的是能够对图像分割操作起到负面作用的像素，比如胸肌区域的像素。
[0117] 步骤14，对待分型医学图像进行裁剪操作，以去除第一图像区域，其中，第一图像区域与待分型组织之间为第一关联关系。
[0118] 示例性地，第一图像区域为待分型医学图像中与待分型组织无关的背景区域。
[0119] 步骤15，对待分型医学图像进行除噪声操作。
[0120] 示例性地，对待分型医学图像进行除噪声操作的实际实现过程为：利用高斯滤波器去除待分型医学图像中的白噪声。
[0121] 步骤16，基于待分型医学图像的HU信息去除第二图像区域，其中，第二图像区域与待分型组织之间为第二关联关系。
[0122] 需要说明的是，HU(Hounsfield Unit)信息能够反映组织结构对X射线的吸收程度，是隶属于医学图像(比如CT图像)的图像特征信息。
[0123] 示例性地，待分型医学图像为乳腺钼靶图像，第二图像区域为乳腺钼靶图像中的备注信息对应的图像区域。其中，备注信息为待分型医学图像中的备注的患者信息等文字。由于乳腺钼靶图像中的文字等备注信息对应的HU信息与乳房区域对应的HU信息较为接近，而备注信息通常远离乳腺钼靶图像中的组织结构，因此，本公开实施例能够借助上述步骤
16实现去除与备注信息同类型的干扰因素的目的，进而为进一步提高图像分割操作的分割精准度和鲁棒性提供了前提条件。
16实现去除与备注信息同类型的干扰因素的目的，进而为进一步提高图像分割操作的分割精准度和鲁棒性提供了前提条件。
[0124] 在实际应用过程中，首先调整待分型医学图像对应的窗宽信息和/或窗位信息，并对待分型医学图像进行裁剪操作以去除第一图像区域，然后对待分型医学图像进行除噪声操作，并基于待分型医学图像的HU信息去除第二图像区域，继而对待分型医学图像进行图像分割操作，以确定图像分割信息，并基于图像分割信息确定待分型组织对应的图像区域，然后基于图像区域确定待分型组织对应的灰度特征信息，并基于灰度特征信息确定待分型组织的类型。
[0125] 本公开实施例提供的基于医学图像的组织分型方法，通过在对待分型医学图像进行图像分割操作之前，对待分型医学图像进行上述预处理操作的方式，进一步优化了待分型医学图像，进而为进一步提高所确定的待分型组织的类型的精准度提供了前提条件。
[0126] 需要说明的是，上述步骤13至步骤16提及的处理操作，并非是全部必须的，且各处理操作之间亦没有严格的顺序关系。在实际应用过程中，可根据实际情况调整所需要包括的具体步骤以及各步骤之间的顺序关系。
[0127] 图11a至图11d所示为本公开一示例性实施例提供的待分型医学图像对应的多个预处理阶段的示意图。具体地，图11a所示为未经预处理操作的原始乳腺钼靶图像，图11b所示为基于HU信息区分背景区域和组织结构后的乳腺钼靶图像，图11c所示为进行裁剪操作，以去除第一图像区域后的乳腺钼靶图像，图11d所示为进行调整窗宽信息和窗位信息操作后的乳腺钼靶图像。
[0128] 图12所示为本公开又一示例性实施例提供的基于待分型医学图像确定待分型组织对应的图像区域的流程示意图。在本公开图7所示实施例的基础上延伸出本公开图12所示实施例，下面着重叙述图12所示实施例与图7所示实施例的不同之处，相同之处不再赘述。
[0129] 如图12所示，在本公开实施例提供的基于医学图像的组织分型方法中，在对待分型医学图像进行图像分割操作，以确定图像分割信息步骤之后，还包括如下步骤。
[0130] 步骤17，基于图像分割信息确定第三分割区域。
[0131] 步骤18，基于第三分割区域和待分型组织确定待分型组织对应的关键点信息。
[0132] 并且，在本公开实施例提供的基于医学图像的组织分型方法中，基于图像分割信息确定待分型组织对应的图像区域步骤，包括如下步骤。
[0133] 步骤121，基于关键点信息对第三分割区域进行裁剪操作，以确定待分型组织对应的图像区域。
[0134] 在实际应用过程中，首先对待分型医学图像进行图像分割操作，以确定图像分割信息，并基于图像分割信息确定第三分割区域，继而基于第三分割区域和待分型组织确定待分型组织对应的关键点信息，并基于关键点信息对第三分割区域进行裁剪操作，以确定待分型组织对应的图像区域，然后基于图像区域确定待分型组织对应的灰度特征信息，并基于灰度特征信息确定待分型组织的类型。
[0135] 本公开实施例提供的基于医学图像的组织分型方法，基于待分型组织对应的关键点信息对图像进行了裁剪操作，进而进一步降低了所确定的待分型组织对应的图像区域中所包含的干扰像素量，从而为进一步提高所确定的灰度直方图的精准度提供了前提条件。
[0136] 下面结合图13、图14a和图14b具体描述图12所示实施例提及的基于医学图像的组织分型方法的有益效果。
[0137] 图13所示为本公开一示例性实施例提供的待分型组织对应的关键点示意图。如图13所示，待分型组织为乳腺，该乳腺对应的关键点信息为关键点A、B和C的坐标信息。具体地，关键点A位于乳头区域，关键点B位于第一胸肌区域，关键点C位于第二胸肌区域。
[0138] 示例性地，关键点A、B和C的确定过程可借助相应的关键点网络模型确定。比如，关键点网络模型为CenterNet网络模型。关键点网络模型的具体训练过程可参见常规的模型训练过程，本公开实施例不再赘述。
[0139] 需要说明的是，基于关键点A、B和C对图13所示图像进行裁剪操作后，能够裁剪掉与乳房区域相邻的胸肌区域，进而可进一步精细化待分型组织对应的图像区域的精准度。
[0140] 图14a和图14b所示为本公开一示例性实施例提供的不同阶段的灰度直方图。具体地，图14a所示为直接基于图13所示图像确定的灰度直方图5。图14b所示为基于关键点信息，裁剪掉图13所示图像中的胸肌区域后确定的灰度直方图6。
[0141] 结合图14a和图14b所示可知，基于关键点信息对图像进行裁剪后，能够进一步提高所确定的灰度直方图的精准度。
[0142] 图15所示为本公开一示例性实施例提供的基于医学图像的组织分型装置的结构示意图。如图15所示，本公开实施例提供的基于医学图像的组织分型装置包括：
[0143] 图像区域确定模块100，用于基于待分型医学图像确定待分型组织对应的图像区域；
[0144] 灰度特征信息确定模块200，用于基于图像区域确定待分型组织对应的灰度特征信息；
[0145] 类型确定模块300，用于基于灰度特征信息确定待分型组织的类型。
[0146] 图16所示为本公开另一示例性实施例提供的基于医学图像的组织分型装置的结构示意图。在本公开图15所示实施例的基础上延伸出本公开图16所示实施例，下面着重叙述图16所示实施例与图15所示实施例的不同之处，相同之处不再赘述。
[0147] 如图16所示，在本公开实施例提供的基于医学图像的组织分型装置中，灰度特征信息确定模块200包括：
[0148] 灰度直方图信息确定单元210，用于基于图像区域确定待分型组织对应的灰度直方图信息。
[0149] 并且，在本公开实施例提供的基于医学图像的组织分型装置中，类型确定模块300包括：
[0150] 类型确定单元310，用于基于灰度直方图信息确定待分型组织的类型。
[0151] 图17所示为本公开一示例性实施例提供的图像区域确定模块的结构示意图。在本公开图15所示实施例的基础上延伸出本公开图17所示实施例，下面着重叙述图17所示实施例与图15所示实施例的不同之处，相同之处不再赘述。
[0152] 如图17所示，在本公开实施例提供的基于医学图像的组织分型装置中，图像区域确定模块100包括：
[0153] 图像分割信息确定单元110，用于对待分型医学图像进行图像分割操作，以确定图像分割信息；
[0154] 图像区域确定单元120，用于基于图像分割信息确定待分型组织对应的图像区域。
[0155] 图18所示为本公开一示例性实施例提供的图像分割信息确定单元的结构示意图。在本公开图17所示实施例的基础上延伸出本公开图18所示实施例，下面着重叙述图18所示实施例与图17所示实施例的不同之处，相同之处不再赘述。
[0156] 如图18所示，在本公开实施例提供的基于医学图像的组织分型装置中，图像分割信息确定单元110包括：
[0157] 第一分割区域确定子单元1110，用于将待分型医学图像输入至分割网络模型，以确定第一分割区域，其中，第一分割区域与待分型组织对应；
[0158] 图像分割信息确定子单元1120，用于对第一分割区域进行精处理操作，以确定图像分割信息。
[0159] 图19所示为本公开一示例性实施例提供的图像分割信息确定子单元的结构示意图。在本公开图18所示实施例的基础上延伸出本公开图19所示实施例，下面着重叙述图19所示实施例与图18所示实施例的不同之处，相同之处不再赘述。
[0160] 如图19所示，在本公开实施例提供的基于医学图像的组织分型装置中，图像分割信息确定子单元1120包括：
[0161] 种子区域确定子单元11210，用于基于第一分割区域确定与待分型组织对应的种子区域；
[0162] 确定子单元11220，用于利用能量优化算法对种子区域进行能量分割操作，以确定图像分割信息。
[0163] 图20所示为本公开另一示例性实施例提供的图像区域确定模块的结构示意图。在本公开图17所示实施例的基础上延伸出本公开图20所示实施例，下面着重叙述图20所示实施例与图17所示实施例的不同之处，相同之处不再赘述。
[0164] 如图20所示，在本公开实施例提供的基于医学图像的组织分型装置中，图像区域确定模块100还包括：
[0165] 调整单元130，用于调整待分型医学图像对应的窗宽信息和/或窗位信息；
[0166] 第一图像区域去除单元140，用于对待分型医学图像进行裁剪操作，以去除第一图像区域，其中，第一图像区域与待分型组织之间为第一关联关系；
[0167] 除噪声单元150，用于对待分型医学图像进行除噪声操作；
[0168] 第二图像区域去除单元160，用于基于待分型医学图像的HU信息去除第二图像区域，其中，第二图像区域与待分型组织之间为第二关联关系。
[0169] 图21所示为本公开又一示例性实施例提供的图像区域确定模块的结构示意图。在本公开图17所示实施例的基础上延伸出本公开图21所示实施例，下面着重叙述图21所示实施例与图17所示实施例的不同之处，相同之处不再赘述。
[0170] 如图21所示，在本公开实施例提供的基于医学图像的组织分型装置中，图像区域确定模块100还包括：
[0171] 第三分割区域确定单元170，用于基于图像分割信息确定第三分割区域；
[0172] 关键点信息确定单元180，用于基于第三分割区域和待分型组织确定待分型组织对应的关键点信息。
[0173] 并且，在本公开实施例提供的基于医学图像的组织分型装置中，图像区域确定单元120包括：
[0174] 图像区域确定子单元1210，用于基于关键点信息对第三分割区域进行裁剪操作，以确定待分型组织对应的图像区域。
[0175] 应当理解，图15至图21提供的基于医学图像的组织分型装置中的图像区域确定模块100、灰度特征信息确定模块200和类型确定模块300，以及图像区域确定模块100中包括的图像分割信息确定单元110、图像区域确定单元120、调整单元130、第一图像区域去除单元140、除噪声单元150、第二图像区域去除单元160、第三分割区域确定单元170和关键点信息确定单元180，以及图像分割信息确定单元110中包括的第一分割区域确定子单元1110和图像分割信息确定子单元1120，以及图像分割信息确定子单元1120中包括的种子区域确定子单元11210和确定子单元11220，以及图像区域确定单元120中包括的图像区域确定子单元1210，以及灰度特征信息确定模块200中包括的灰度直方图信息确定单元210，以及类型确定模块300中包括的类型确定单元310的操作和功能可以参考上述图3至图12提供的基于医学图像的组织分型方法，为了避免重复，在此不再赘述。
[0176] 下面，参考图22来描述根据本公开实施例的电子设备。图22所示为本公开一示例性实施例提供的电子设备的结构示意图。
[0177] 如图22所示，电子设备40包括一个或多个处理器401和存储器402。
[0179] 存储器402可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器401可以运行所述程序指令，以实现上文所述的本公开的各个实施例的基于医学图像的组织分型方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如包括待分型组织的待分型医学图像等各种内容。
[0180] 在一个示例中，电子设备40还可以包括：输入装置403和输出装置404，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0181] 该输入装置403可以包括例如键盘、鼠标等等。该输出装置404可以向外部输出各种信息，包括确定出的待分型组织的类型信息等。该输出装置404可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0182] 当然，为了简化，图22中仅示出了该电子设备40中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备40还可以包括任何其他适当的组件。
[0183] 除了上述方法和设备以外，本公开的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述描述的根据本公开各种实施例的基于医学图像的组织分型方法中的步骤。
[0184] 所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0185] 此外，本公开的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述描述的根据本公开各种实施例的基于医学图像的组织分型方法中的步骤。
[0186] 所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0187] 以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本公开为必须采用上述具体的细节来实现。
[0188] 本公开中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0189] 还需要指出的是，在本公开的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
[0190] 提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本公开。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本公开的范围。因此，本公开不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0191] 为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本公开的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种道路瓶颈路段识别及交通拥堵传播预警系统和方法 | 2020-12-17 | 1 |
| 基于深度卷积神经网络的自由视点视频生成及交互方法 | 2022-06-18 | 2 |
| 一种计及支路量测数据的短期负荷协调预测方法 | 2022-08-05 | 2 |
| 一种跨链交易签名方法及装置 | 2020-07-28 | 2 |
| 全息显示方法、装置及可读存储介质 | 2021-03-08 | 1 |
| 宿舍调整方法、装置、电子设备及存储介质 | 2020-12-19 | 1 |
| 一种时间反演多址系统的多用户检测算法 | 2023-03-15 | 0 |
| 图像处理方法、装置和存储介质 | 2020-06-29 | 3 |
| 一种基于深度学习的智能车实时巡视系统 | 2021-10-28 | 1 |
| 一种双相机识别的机器人引导装配控制装置 | 2020-12-11 | 1 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈