[发明专利]一种医学图像预处理方法及系统

说明书

本发明实施例公开了一种医学图像预处理方法及系统，方法包括：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。

技术领域

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

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。

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。

因此现有技术还有待于进一步发展。

发明内容

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。

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：

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；

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；

根据所述图像类别执行对应的操作。

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：

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；

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；

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。

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：

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。

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：

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。

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：

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；

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；