医学图像处理方法及设备技术

本发明专利技术提供一种医学图像处理方法及医学图像处理设备，包括：利用基于深度学习的分割算法对医学图像进行分割以得到标注了关注区域的归一化图像；将所述归一化图像的像素矩阵与所述医学图像的像素矩阵相乘以得到重建前图像；利用基于深度学习的超分辨率算法对所述重建前图像进行超分辨率重建以得到重建后图像。本发明专利技术的方法或设备能够得到高质量的医学图像以供医生做出更准确的诊断，此外计算负荷小，能够快速得到重建后图像。

Medical image processing methods and equipment

The present invention provides a method of medical image processing and medical image processing equipment, including: the use of segmentation algorithm based on deep learning of medical image segmentation to get the attention of normalized image annotation; matrix pixel image matrix pixels of the normalized image and the medical image reconstruction are multiplied before using; deep learning super resolution algorithm for super resolution reconstruction to achieve reconstruction of the image after image reconstruction. The method or device of the invention can get high-quality medical images for doctors to make more accurate diagnosis. Besides, the computation load is small, and the reconstructed images can be quickly obtained.

【技术实现步骤摘要】
医学图像处理方法及设备
本专利技术涉及图像处理领域，具体涉及一种医学图像处理方法及设备。
技术介绍
现代医学技术日益发展，其中很大一部分得力于医学影像技术的日渐成熟。医学影像技术包括CT(ComputedTomography)技术、MRI(MagneticResonanceImaging)技术、超声技术等，这些技术使得医生足以充分了解患者内部病理结构，从而制定精确治疗方案，具有重大的诊断意义。医学图像在形成过程中由于受到成像环境、成像系统影响不可避免产生降质，在智能手机和家庭便携医疗设备的普及下，对低质量医学图像的处理在医学图像领域具有广阔的应用前景和重要的理论研究意义。
技术实现思路
本专利技术的目的在于一种具有增强的分辨率的医学图像处理方法及设备，其能够得到高质量的医学图像以供医生做出更准确的诊断。本专利技术一个方案提供了一种医学图像处理方法，包括：利用基于深度学习的分割算法对医学图像进行分割以得到标注了关注区域的归一化图像；将所述归一化图像的像素矩阵与所述医学图像的像素矩阵相乘以得到重建前图像；利用基于深度学习的超分辨率算法对所述重建前图像进行超分辨率重建以得到重建后图像。优选地，该方法进一步包括在对所述医学图像进行所述分割之前，对所述医学图像进行标准化处理。优选地，所述标准化处理包括色彩标准化和/或光照标准化处理。优选地，该方法进一步包括提取所述重建后图像中的关注区域并将其显示出来。优选地，该方法进一步包括：将所述重建后图像用于构建医学图像识别模型；或者将所述重建后图像输入到医学图像识别模型中，以识别所述重建后图像中的关注区域的类别和/或名称。本专利技术另一个方案提供了一种医学图像处理设备，包括存储器和处理器，所述存储器配置为存储计算指令，所述处理器通过执行所述计算指令以对医学图像进行以下处理：利用基于深度学习的分割算法对医学图像进行分割以得到标注了关注区域的归一化图像；将所述归一化图像的像素矩阵与所述医学图像的像素矩阵相乘以得到重建前图像；利用基于深度学习的超分辨率算法对所述重建前图像进行超分辨率重建以得到重建后图像。优选地，在对所述医学图像进行所述分割之前，所述处理器还执行对所述医学图像进行标准化处理的计算指令。优选地，所述标准化处理的计算指令包括色彩标准化的计算指令和/或光照标准化处理的计算指令。优选地，所述处理器还执行提取所述重建后图像医学图像中的关注区域的计算指令。优选地，该医学图像处理设备还包括：显示器，其配置为将所述重建后图像中的关注区域显示出来。利用本专利技术方案的医学图像处理方法和/或医学图像处理设备，先利用基于深度学习的分割算法对医学图像进行分割得到标注了关注区域的归一化图像，然后对该归一化图像处理得到重建前图像，接下来利用基于深度学习的超分辨率算法对所述重建前图像进行超分辨率重建，所得到的重建后图像包含关注区域的高质量医学图像。该高质量的医学图像能够用于医生直接诊断，对于医学影像技术所得到的医学图像(原图)分辨率较低容易造成医生误判的情况，经本专利技术方案处理的医学图像具有高质量，能够提高医生诊断的正确率。并且重建后的高质量医学图像可以用于训练生成高精度的医学图像识别模型。此外，也可以将重建后的高质量医学图像输入到医学图像识别模型中，从而能够自动识别医学图像的类别和名称。因此，本专利技术的方案具有很强的实用性。此外，由于本专利技术方案所得到的重建后图像仅包含关注区域的高质量医学图像，而对非关注区域不进行高分辨率重建处理，因此减小了计算负荷，能够快速得到重建后图像。附图说明图1为本专利技术实施例的一种医学图像处理方法的流程图。图2示例性地示出了医学图像经基于深度学习的图像分割算法处理后得到的归一化图像。图3为待进行超分辨率重建处理的重建前图像。图4为本专利技术一优选实施例的医学图像处理方法的流程图。图5示出对医学图像的标准化处理。图6示出本专利技术实施例的一种医学图像处理设备。具体实施方式此处参考附图描述本公开的各种方案以及特征。应理解的是，可以对此处公开的实施例做出各种修改。因此，上述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本公开的范围和精神内的其他修改。包含在说明书中并构成说明书的一部分的附图示出了本公开的实施例，并且与上面给出的对本公开的大致描述以及下面给出的对实施例的详细描述一起用于解释本公开的原理。通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本专利技术的这些和其它特性将会变得显而易见。还应当理解，尽管已经参照一些具体实例对本专利技术进行了描述，但本领域技术人员能够确定地实现本专利技术的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。当结合附图时，鉴于以下详细说明，本公开的上述和其他方面、特征和优势将变得更为显而易见。此后参照附图描述本公开的具体实施例；然而，应当理解，所公开的实施例仅仅是本公开的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本公开模糊不清。因此，本文所公开的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本公开。本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本公开的相同或不同实施例中的一个或多个。本文所称的医学图像一般地包括：计算机断层扫描CT，内窥镜图像，核磁共振成像MRT等。参照图1，将描述本专利技术实施例的一种医学图像处理方法。该方法包括以下步骤：步骤S101，利用基于深度学习的分割算法对医学图像进行分割以得到标注了关注区域的归一化图像。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提取出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。传统图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。医学图像分割是图像分割的一个重要领域，它在图像中自动分割出感兴趣的区域方面扮演着及其重要的角色。对于医学图像而言，人们往往只关注图像的特定领域，因此图像分割在医学图像中具有很重要的意义，例如看骨折，只需要将骨头所表示的特征图像(一般是一定灰度值的一块区域)从背景(如肌肉，另一种灰度值)分割出来，而其它的肌肉等则不显示(为黑色)。由于人体的器官组织是可发生形变的，而且影像上相邻灰度差别也很小，这些因素加大了图像分割的难度。因此，将感兴趣的区域准确的分割出来，需要对特征提取提出更高的要求。深度学习因其具有多隐层，能够自动学习有用的特征的特性，在特征的提取以及最终的分割结果在实际应用中效果很好。因此，在该步骤中，利用基于深度学习的分割算法对医学图像进行分割，以保障分割质量。在这一步骤中，将采用基于深度学习的图像分割技术(例如传统的基于CNN的分割算法、基于FCN的分割算法)。深度学习以一种具有多隐层的模型，用底层的输出作为高层的输入。从下到上是一个无监督学习的过程，它能够自动学习有用的特征，并将低级的特征表示为高级特征；从上到下是有监督的学习过程，通过带标签的数据对整个网络的参数进行优化、调整，使整个网络具有更好的特征学习能力。这种特征的学习和表示本文档来自技高网...

【技术保护点】
一种医学图像处理方法，包括：利用基于深度学习的分割算法对医学图像进行分割以得到标注了关注区域的归一化图像；将所述归一化图像的像素矩阵与所述医学图像的像素矩阵相乘以得到重建前图像；利用基于深度学习的超分辨率算法对所述重建前图像进行超分辨率重建以得到重建后图像。

【技术特征摘要】
1.一种医学图像处理方法，包括：利用基于深度学习的分割算法对医学图像进行分割以得到标注了关注区域的归一化图像；将所述归一化图像的像素矩阵与所述医学图像的像素矩阵相乘以得到重建前图像；利用基于深度学习的超分辨率算法对所述重建前图像进行超分辨率重建以得到重建后图像。2.如权利要求1所述的医学图像处理方法，进一步包括在对所述医学图像进行所述分割之前，对所述医学图像进行标准化处理。3.如权利要求2所述的医学图像处理方法，其中所述标准化处理包括色彩标准化和/或光照标准化处理。4.如权利要求1所述的医学图像处理方法，进一步包括提取所述重建后图像中的关注区域并将其显示出来。5.如权利要求1～4中任一项所述的医学图像处理方法，进一步包括将所述重建后图像用于构建医学图像识别模型；或者将所述重建后图像输入到医学图像识别模型中，以识别所述重建后图像中的关注区域的类别和/或名称。6.一种医学图像处理设备，包括存储器和处...

【专利技术属性】
技术研发人员：李莹莹，
申请(专利权)人：京东方科技集团股份有限公司，
类型：发明
国别省市：北京,11