[发明专利]基于CT影像的图像处理方法、装置、设备及存储介质

说明书

本发明涉及人工智能领域，公开了一种基于CT影像的图像处理方法、装置、设备及存储介质。方法包括：对初始颈椎CT影像进行平滑分割处理，得到候选颈椎CT影像；通过异常识别模型对候选颈椎CT影像进行异常位置识别，得到至少一个异常区域图像；对异常区域图像进行异常类型分析，确定至少一个异常类型；对候选颈椎CT影像进行分割，得到多个颈椎CT分割图；将多个颈椎CT分割图输入卷积神经网络进行特征提取，得到语义特征信息集合；对至少一个异常类型进行特征信息匹配，得到至少一个异常特征信息；将至少一个异常特征信息填充至每一颈椎CT分割图中预置的信息填充区域，得到目标颈椎CT影像。本发明还涉及区块链技术，初始颈椎CT影像可存储于区块链中。

技术领域

本发明涉及人工智能领域，尤其涉及一种基于CT影像的图像处理方法、装置、设备及存储介质。

背景技术

日益精细化的医学图像提供了大量的信息，对辅助医生做出准确诊断发挥着至关重要的作用。然而，人工阅片耗时耗力，加上病理学的广泛差异以及不同医生主观意识上的偏差，往往会造成漏检、误判的情况出现，海量的影像数据而每天都会生产出海量的影像数据。

随着人工智能的不断发展，深度学习技术被广泛运用在各种领域，特别是计算机视觉，被用来实现脸部识别、目标检测、图像分割等。在医学领域，通常需要对CT影像进行分析。现有技术中，针对CT影像边界分割准确率差，对于分割后的图像缺乏特征分析，不能快速高效的识别CT图像中异常的类型与异常特征信息。

发明内容

本发明实施例提供了一种基于CT影像的图像处理方法、装置、设备及存储介质，用于提高对CT影像进行异常识别的效率。

本发明第一方面提供了一种基于CT影像的图像处理方法，包括：获取目标用户的初始颈椎CT影像，并对所述初始颈椎CT影像进行平滑分割处理，得到候选颈椎CT影像；通过预置的异常识别模型对所述候选颈椎CT影像进行异常位置识别，得到至少一个异常区域图像；对所述至少一个异常区域图像进行异常类型分析，确定至少一个异常类型，其中，所述异常类型包括：圆形图像类、椭圆形图像类及不规则图像类；基于所述至少一个异常类型，对所述候选颈椎CT影像进行分割处理，得到多个颈椎CT分割图；将所述多个颈椎CT分割图输入预置的卷积神经网络进行语义特征提取，得到与所述多个颈椎CT分割图对应的语义特征信息集合；基于所述语义特征信息集合对所述至少一个异常类型进行特征信息匹配，得到至少一个异常特征信息；将所述至少一个异常特征信息填充至每一所述颈椎CT分割图中预置的信息填充区域，得到目标颈椎CT影像。

可选的，在本发明第一方面的第一种实现方式中，所述获取目标用户的初始颈椎CT影像，并对所述初始颈椎CT影像进行平滑分割处理，得到候选颈椎CT影像包括：获取所述初始颈椎CT影像，并采用自适应权重中值滤波算法对所述初始颈椎CT影像进行去噪处理，得到去噪后的初始颈椎CT影像；基于形态学开闭运算对所述去噪后的初始颈椎CT影像进行颈椎轮廓分析，得到预测颈椎区域；采用直方图均衡化算法对所述预测颈椎区域进行标准化处理，得到候选颈椎CT图像。

可选的，在本发明第一方面的第二种实现方式中，所述通过预置的异常识别模型对所述候选颈椎CT影像进行异常位置识别，得到至少一个异常区域图像包括：将所述候选颈椎CT影像输入所述异常识别模型进行卷积运算，得到多个不同尺度的高斯图像；基于预设的尺度范围对所述多个不同尺度的高斯图像进行异常位置识别，得到至少一个异常位置区域图像；对所述至少一个异常位置区域图像进行二值化处理，得到至少一个异常区域图像。

可选的，在本发明第一方面的第三种实现方式中，所述对所述至少一个异常区域图像进行异常类型分析，确定至少一个异常类型包括：对所述至少一个异常区域图像进行纹理特征提取，得到至少一个异常纹理特征信息；基于所述至少一个异常纹理特征信息对所述至少一个异常区域图像进行类型匹配，确定至少一个异常类型。