本技术涉及图像处理，具体涉及一种基于图像处理的胰腺肿瘤风险预测方法及系统。
背景技术：
1、胰腺癌是消化道常见恶性肿瘤之一，其早期预测对于提高患者的生存率具有重要意义。目前，常用的预测方法为通过超声检查识别胰腺的结构异常，并根据超声检查结果来预测胰腺肿瘤风险。超声检查包括常规超声成像技术以及超声造影成像技术。在现有技术中，单纯依靠常规超声成像技术难以对胰腺肿瘤的结构细节进行全面评估。而超声造影成像技术虽然能够反映胰腺肿块的微循环灌注情况，从而得到胰腺肿瘤的结构细节，但是超声造影成像技术在结构细节的表现上不如常规超声成像技术清晰。并且超声检查结果的准确性与检查者的主观经验密切相关，从而限制了胰腺肿瘤风险预测的准确率。
2、因此，如何提升胰腺区域的肿瘤风险预测准确程度，成为亟需解决的技术问题。
技术实现思路
1、本技术提供了一种基于图像处理的胰腺肿瘤风险预测方法及系统，可以提升胰腺区域的肿瘤风险预测准确程度。
2、第一方面，本技术提供了一种基于图像处理的胰腺肿瘤风险预测方法，所述方法包括：获取胰腺区域对应的多个超声图像和多个造影图像；基于多个所述超声图像，得到静态图像；基于多个所述造影图像，得到动态图像；将所述静态图像和所述动态图像输入至预设的胰腺肿瘤风险预测评分模型，得到预测总分；判断所述预测总分是否大于或等于预设阈值；当所述预测总分大于或等于所述预设阈值时，确定所述胰腺区域存在胰腺肿瘤风险。
3、通过采用上述技术方案，通过获取胰腺区域的多个超声图像和多个造影图像，从而提供了全面的胰腺区域影像数据，有助于准确地反映胰腺的实际情况，确保后续图像处理和分析的可靠性和准确性。通过基于多个超声图像来提取静态图像，从而利用超声成像的高分辨率特点，生成清晰的静态图像，有助于识别和分析胰腺组织的形态和结构。通过基于多个造影图像来提取动态图像，从而利用造影图像的动态特性，能够展示胰腺区域的血流和功能变化情况，有助于评估胰腺的功能状态和发现异常。通过将静态图像和动态图像输入至预设的胰腺肿瘤风险预测评分模型，从而综合静态和动态影像数据，提供了更为全面的评估基础，提高了预测模型的准确性和可靠性。通过在预测总分达到或超过预设阈值时确定胰腺区域存在胰腺肿瘤风险，从而提升胰腺区域的肿瘤风险预测准确程度。
4、可选的，所述基于多个所述超声图像，得到静态图像，具体包括：计算各个所述超声图像的灰度级差异，得到各个所述超声图像对应的第一对比度；基于拉普拉斯变换方法对各个所述超声图像进行清晰度识别，得到各个所述超声图像对应的第一清晰度；计算各个所述超声图像对应的第一信噪比；获取标定图像；并确定所述标定图像对应的第二对比度、第二清晰度以及第二信噪比；基于各个所述第一对比度、各个所述第一清晰度、各个所述第一信噪比、所述第二对比度、所述第二清晰度以及所述第二信噪比，从多个所述超声图像中得到所述静态图像。
5、通过采用上述技术方案，通过计算各个超声图像的灰度级差异，得到各个超声图像对应的第一对比度，从而能够量化图像的灰度差异，提升图像对比度分析的精确度。通过基于拉普拉斯变换方法对各个超声图像进行清晰度识别，得到各个超声图像对应的第一清晰度，从而能够有效识别图像的边缘信息，提升图像清晰度评估的准确性。通过计算各个超声图像对应的第一信噪比，从而能够评估图像的噪声水平和信号强度，提升图像质量评估的全面性。通过获取标定图像，并确定标定图像对应的第二对比度、第二清晰度以及第二信噪比，从而能够提供基准参考，提高对比和清晰度评估的可靠性。通过基于各个第一对比度、各个第一清晰度、各个第一信噪比、第二对比度、第二清晰度以及第二信噪比，从多个超声图像中得到静态图像，从而能够综合各项图像质量指标，选取最优静态图像，提升图像的准确性和可用性。
6、可选的，所述基于各个所述第一对比度、各个所述第一清晰度、各个所述第一信噪比、所述第二对比度、所述第二清晰度以及所述第二信噪比，从多个所述超声图像中得到所述静态图像，具体包括：将各个所述第一对比度与所述第二对比度进行对比，得到各个所述超声图像对应的第一对比度误差；将各个所述第一清晰度与所述第二清晰度进行对比，得到各个所述超声图像对应的第一清晰度误差；将各个所述第一信噪比与所述第二信噪比进行对比，得到各个所述超声图像对应的第一信噪比误差；将各个所述第一对比度误差、各个所述第一清晰度误差以及各个所述第一信噪比误差进行加权求和，得到各个所述超声图像对应的第一综合准确度误差；从多个所述第一综合准确度误差中确定第二综合准确度误差，其中，所述第二综合准确度误差大于其余所述第一综合准确度误差；将所述第二综合准确度误差对应的所述超声图像作为所述静态图像。
7、通过采用上述技术方案，通过将各个第一对比度与第二对比度进行对比，得到各个超声图像对应的第一对比度误差，从而能够量化超声图像相对于标定图像在对比度上的偏差，提升图像对比度评估的精确性。通过将各个第一清晰度与第二清晰度进行对比，得到各个超声图像对应的第一清晰度误差，从而能够量化超声图像相对于标定图像在清晰度上的偏差，提升图像清晰度评估的精确性。通过将各个第一信噪比与第二信噪比进行对比，得到各个超声图像对应的第一信噪比误差，从而能够量化超声图像相对于标定图像在信噪比上的偏差，提升图像信噪比评估的精确性。通过将各个第一对比度误差、各个第一清晰度误差以及各个第一信噪比误差进行加权求和，得到各个超声图像对应的第一综合准确度误差，从而能够综合多项图像质量指标，提供整体图像质量评估结果。通过从多个第一综合准确度误差中确定第二综合准确度误差，其中，第二综合准确度误差大于其余第一综合准确度误差，从而能够识别出质量最优的超声图像，提升静态图像选取的准确性。通过将第二综合准确度误差对应的超声图像作为静态图像，从而确保选取的静态图像在对比度、清晰度和信噪比方面均达到最佳状态，提高图像的质量和可靠性。
8、可选的，所述基于多个所述造影图像，得到动态图像，具体包括：将多个所述造影图像在空间上对齐，得到多个对齐后的造影图像；将多个所述对齐后的造影图像的灰度值归一化到一个统一的预设范围内，得到归一化后的造影图像；将多个所述归一化后的造影图像按照时间顺序堆叠起来，得到三维数组，其中，所述三维数组为包含多个帧的序列，每一帧为一张所述归一化后的造影图像；设定所述三维数组中每两帧之间的时间间隔，并基于所述时间间隔，生成所述动态图像。
9、通过采用上述技术方案，通过将多个造影图像在空间上对齐，得到多个对齐后的造影图像，从而能够消除图像间的空间偏差，提高造影图像的空间一致性，确保后续处理的准确性。通过将多个对齐后的造影图像的灰度值归一化到一个统一的预设范围内，得到归一化后的造影图像，从而能够消除图像间的灰度值差异，提高图像的对比度和一致性，确保分析结果的可靠性。通过将多个归一化后的造影图像按照时间顺序堆叠起来，得到三维数组，其中，三维数组为包含多个帧的序列，每一帧为一张归一化后的造影图像，从而能够将多个时间点的造影图像整合为一个连续的时间序列，便于动态分析。通过设定三维数组中每两帧之间的时间间隔，并基于时间间隔，生成动态图像，从而能够精确地描述造影剂在时间上的分布和变化，提供高质量的动态图像。
10、可选的，所述将多个所述造影图像在空间上对齐，得到多个对齐后的造影图像，具体包括：将多个所述造影图像中的第一帧图像作为基准图像；从所述基准图像中提取多个第一特征点，并从其余所述造影图像中提取多个第二特征点；使用特征匹配算法将多个所述第二特征点与多个所述第一特征点进行匹配，得到匹配特征点对；基于所述匹配特征点对，计算变换矩阵，其中，所述变换矩阵用于将其余所述造影图像的坐标系转换到所述基准图像的坐标系；将所述变换矩阵应用到其余所述造影图像上，得到多个所述对齐后的造影图像。
11、通过采用上述技术方案，通过将多个造影图像中的第一帧图像作为基准图像，从而能够提供一个稳定的参照点，确保后续图像对齐过程的一致性和可靠性。通过从基准图像中提取多个第一特征点，并从其余造影图像中提取多个第二特征点，从而能够在每一帧图像中识别出关键的特征信息，为图像对齐提供基础数据。通过使用特征匹配算法将多个第二特征点与多个第一特征点进行匹配，得到匹配特征点对，从而能够准确地识别出各图像之间的对应关系，确保图像对齐的准确性。通过基于匹配特征点对，计算变换矩阵，其中，变换矩阵用于将其余造影图像的坐标系转换到基准图像的坐标系，从而能够提供一种数学工具，实现图像间的精确变换和对齐。通过将变换矩阵应用到其余造影图像上，得到多个对齐后的造影图像，从而能够确保所有造影图像在同一坐标系下对齐，提高图像的空间一致性，进而提高后续分析的准确性。
12、可选的，所述预设的胰腺肿瘤风险预测评分模型包括卷积神经网络层、3d卷积神经网络层以及全连接层；所述将所述静态图像和所述动态图像输入至预设的胰腺肿瘤风险预测评分模型，得到预测总分，具体包括：使用所述卷积神经网络层对所述静态图像进行处理，提取所述静态图像中的空间特征，得到静态图像特征；使用所述3d卷积神经网络层对所述动态图像进行处理，提取所述动态图像中的时空特征，得到动态图像特征；将所述静态图像特征与所述动态图像特征进行融合，得到融合特征；将所述融合特征输入至所述全连接层，通过多层神经网络进行处理，得到所述预测总分。
13、通过采用上述技术方案，通过使用卷积神经网络层对静态图像进行处理，提取静态图像中的空间特征，得到静态图像特征，从而能够有效捕捉静态图像的细节和结构信息，提升空间特征提取的精确性。通过使用3d卷积神经网络层对动态图像进行处理，提取动态图像中的时空特征，得到动态图像特征，从而能够全面捕捉动态图像中时间和空间上的变化信息，提升时空特征提取的效果。通过将静态图像特征与动态图像特征进行融合，得到融合特征，从而能够综合静态和动态图像的信息，提高特征表示的丰富性和准确性。通过将融合特征输入至全连接层，通过多层神经网络进行处理，得到预测总分，从而能够充分利用深度学习的强大学习能力，提升胰腺肿瘤风险预测的准确性和可靠性。
14、可选的，所述全连接层包括起始隐藏层、后续隐藏层以及输出层；所述将所述融合特征输入至所述全连接层，通过多层神经网络进行处理，得到所述预测总分，具体包括：将所述融合特征输入至所述起始隐藏层，通过多个神经元的线性变换处理，并通过relu激活函数进行非线性变换，得到起始层输出特征；将所述起始层输出特征输入至所述后续隐藏层，重复通过多个神经元的线性变换处理，并通过relu激活函数进行非线性变换，得到后续层输出特征；将所述后续层输出特征输入至所述输出层，通过一个或多个神经元的线性变换处理，并通过sigmoid激活函数，将所述后续层输出特征转换为0到1之间的概率值，得到预测总分。
15、在本技术的第二方面提供了一种基于图像处理的胰腺肿瘤风险预测系统，所述系统包括：获取模块、处理模块以及风险评估模块；所述获取模块，用于获取胰腺区域对应的多个超声图像和多个造影图像；所述处理模块，用于基于多个所述超声图像，得到静态图像；所述处理模块，还用于基于多个所述造影图像，得到动态图像；所述处理模块，还用于将所述静态图像和所述动态图像输入至预设的胰腺肿瘤风险预测评分模型，得到预测总分；所述处理模块，还用于判断所述预测总分是否大于或等于预设阈值；所述风险评估模块，用于当所述预测总分大于或等于所述预设阈值时，确定所述胰腺区域存在胰腺肿瘤风险。
16、在本技术的第三方面提供了一种电子设备，包括处理器、存储器、用户接口及网络接口，所述存储器用于存储指令，所述用户接口和网络接口用于给其它设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述电子设备执行如本技术第一方面任意一项所述的方法。
17、在本技术的第四方面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存储有能够被处理器加载并执行如本技术第一方面任意一项所述的方法的计算机程序。
18、综上所述，本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
19、通过获取胰腺区域的多个超声图像和多个造影图像，从而提供了全面的胰腺区域影像数据，有助于准确地反映胰腺的实际情况，确保后续图像处理和分析的可靠性和准确性。通过基于多个超声图像来提取静态图像，从而利用超声成像的高分辨率特点，生成清晰的静态图像，有助于识别和分析胰腺组织的形态和结构。通过基于多个造影图像来提取动态图像，从而利用造影图像的动态特性，能够展示胰腺区域的血流和功能变化情况，有助于评估胰腺的功能状态和发现异常。通过将静态图像和动态图像输入至预设的胰腺肿瘤风险预测评分模型，从而综合静态和动态影像数据，提供了更为全面的评估基础，提高了预测模型的准确性和可靠性。通过在预测总分达到或超过预设阈值时确定胰腺区域存在胰腺肿瘤风险，从而提升胰腺区域的肿瘤风险预测准确程度。
1.一种基于图像处理的胰腺肿瘤风险预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于多个所述超声图像，得到静态图像，具体包括：
3.根据权利要求2所述的方法，其特征在于，所述基于各个所述第一对比度、各个所述第一清晰度、各个所述第一信噪比、所述第二对比度、所述第二清晰度以及所述第二信噪比，从多个所述超声图像中得到所述静态图像，具体包括：
4.根据权利要求1所述的方法，其特征在于，所述基于多个所述造影图像，得到动态图像，具体包括：
5.根据权利要求4所述的方法，其特征在于，所述将多个所述造影图像在空间上对齐，得到多个对齐后的造影图像，具体包括：
6.根据权利要求1所述的方法，其特征在于，所述预设的胰腺肿瘤风险预测评分模型包括卷积神经网络层、3d卷积神经网络层以及全连接层；所述将所述静态图像和所述动态图像输入至预设的胰腺肿瘤风险预测评分模型，得到预测总分，具体包括：
7.根据权利要求6所述的方法，其特征在于，所述全连接层包括起始隐藏层、后续隐藏层以及输出层；所述将所述融合特征输入至所述全连接层，通过多层神经网络进行处理，得到所述预测总分，具体包括：
8.一种基于图像处理的胰腺肿瘤风险预测系统，其特征在于，所述系统包括：获取模块、处理模块以及风险评估模块；
9.一种电子设备，其特征在于，包括处理器(601)、存储器(605)、用户接口(603)及网络接口(604)，所述存储器(605)用于存储指令，所述用户接口(603)和网络接口(604)用于给其它设备通信，所述处理器(601)用于执行所述存储器(605)中存储的指令，以使所述电子设备(600)执行如权利要求1-7任意一项所述的方法。
10.一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存储有指令，当所述指令被执行时，执行如权利要求1-7任意一项所述的方法。
