一种医学图像处理的方法及装置制造方法及图纸

本发明专利技术实施例提供了一种医学图像处理的方法及装置，涉及医疗技术领域，对医学图像进行多目标(器官)分割时进行分层级处理，首先识别医学图像中包含的医学部位，然后再识别医学部位中包含的各类目标，能够提高器官识别的精确度。该方法包括获取原始医学图像；通过机器学习，识别所述原始医学图像中包含的若干个第一医学部位；从所述若干个第一医学部位中确定指定第一医学部位；通过机器学习，识别所述指定第一医学部位中包含的若干个目标。本发明专利技术实施例提供的技术方案适用于对医学图像进行多目标分割过程中。

A method and device for medical image processing

The embodiment of the invention provides a method and apparatus for medical image processing, and relates to the technical field of medical, multi objective of medical image (organ) hierarchical segmentation, first identify medical parts contained in medical image, and then identify the parts in all kinds of medicine containing target organ can improve the recognition accuracy. The method includes obtaining the original medical image; through machine learning, a plurality of first medical parts include recognition of the original medical image; determine the designated first medical sites from the plurality of first medical parts; through machine learning, the identification of the specified first medicine contains a plurality of target position. The technical scheme provided by the embodiment of the invention is suitable for the multitarget segmentation of medical images.

【技术实现步骤摘要】
一种医学图像处理的方法及装置
本专利技术涉及医疗
，尤其涉及一种医学图像处理的方法及装置。
技术介绍
图像的分割算法由“传统特征提取”+“分类器”模型逐渐向“深度学习”模型转变，因此基于深度学习的多目标分割算法也正被广泛应用于各个领域。在医学
中，基于深度学习的多目标分割算法主要用于对医学图像进行器官分割。因为图像中多目标之间没有关联和部位从属信息，传统的多目标分割方法中并没有考虑到层级的概念。因此，典型的多目标图像分割的深度学习算法，均是在预训练网络模型的基础上直接进行多类目标分割的训练。如此存在如下问题：若将直接进行多类目标分割的方法，用于解决医学
的器官分割问题，可能会因为待分割的器官较多，而导致器官识别不精确，很容易遗漏器官。
技术实现思路
有鉴于此，本专利技术实施例提供了一种医学图像处理的方法及装置，对医学图像进行多目标分割时进行分层级处理，提高了器官识别的精确度，减少了器官的识别遗漏。第一方面，本专利技术实施例提供一种医学图像处理的方法，所述方法包括：获取原始医学图像；通过机器学习，识别所述原始医学图像中包含的若干个第一医学部位；从所述若干个第一医学部位中确定指定第一医学部位；通过机器学习，识别所述指定第一医学部位中包含的若干个目标。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在所述从所述若干个第一医学部位中确定指定第一医学部位之后，所述方法还包括：通过机器学习，识别所述指定第一医学部位中包含的若干个第二医学部位；从所述若干个第二医学部位中确定指定第二医学部位；通过机器学习，识别所述指定第二医学部位中包含的若干个第三医学部位；从所述若干个第三医学部位中确定指定第三医学部位；以此类推，通过机器学习，识别所述指定第N-1医学部位中包含的若干个第N医学部位；从所述若干个第N医学部位中确定指定第N医学部位；则通过机器学习，识别所述指定第一医学部位中包含的若干个目标，包括，通过机器学习，识别所述指定第N医学部位中包含的若干个目标；其中，N为大于1的整数。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在所述通过机器学习，识别所述指定第一医学部位中包含的若干个目标之后，所述方法还包括：根据所述识别出的若干个目标，生成并输出分割医学图像。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在所述获取原始医学图像之后，所述方法还包括：获取所述若干个目标的在所述第一医学部位中的从属信息。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述方法适用于基于卷积神经网络的人工神经网络模型。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述基于卷积神经网络的人工神经网络模型包括粗训练网络和精分割网络；其中，所述粗训练网络用于识别所述原始医学图像中包含的若干个第一医学部位；所述精分割网络用于识别所述若干个第一医学部位中指定第一医学部位包含的若干个目标。第二方面，本专利技术实施例提供一种医学图像处理的装置，所述装置包括：第一获取单元，用于获取原始医学图像；第一识别单元，用于通过机器学习，识别所述原始医学图像中包含的若干个第一医学部位；第一确定单元，用于从所述若干个第一医学部位中确定指定第一医学部位；第二识别单元，用于通过机器学习，识别所述指定第一医学部位中包含的若干个目标。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述装置还包括：第三识别单元，用于通过机器学习，识别所述指定第一医学部位中包含的若干个第二医学部位；第二确定单元，用于从所述若干个第二医学部位中确定指定第二医学部位；第四识别单元，用于通过机器学习，识别所述指定第二医学部位中包含的若干个第三医学部位；第三确定单元，用于从所述若干个第三医学部位中确定指定第三医学部位；以此类推，第N+1识别单元，用于通过机器学习，识别所述指定第N-1医学部位中包含的若干个第N医学部位；第N确定单元，用于从所述若干个第N医学部位中确定指定第N医学部位；则所述第二识别单元具体用于，通过机器学习，识别所述指定第N医学部位中包含的若干个目标；其中，N为大于1的整数。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述装置还包括：处理单元，用于根据所述识别出的若干个目标，生成并输出分割医学图像。如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述装置还包括：第二获取单元，用于获取所述若干个目标在所述第一医学部位中的从属信息。第三方面，本专利技术实施例提供一种医学图像处理的装置，所述装置包括处理器以及存储器；所述存储器用于存储指令，所述指令被所述处理器执行时，导致所述装置实现如上所述的方法。本专利技术实施例提供了一种医学图像处理的方法及装置，对医学图像进行多目标(器官)分割时进行分层级处理，通过机器学习，首先识别医学图像中包含的第一医学部位，然后再识别第一医学部位中包含的各类目标。本专利技术实施例提供的这种由“粗”到“精”的多目标识别分割方法，相对于现有技术中直接进行多目标分割来说，提高了器官识别的精确度，减少了器官的识别遗漏。【附图说明】为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。图1是本专利技术实施例提供的一种医学图像处理的方法流程图；图2是本专利技术实施例提供的另一种医学图像处理的方法流程图；图3是本专利技术实施例提供的另一种医学图像处理的方法流程图；图4是本专利技术实施例提供的另一种医学图像处理的方法流程图；图5是本专利技术实施例提供的一种医学图像处理的装置组成框图；图6是本专利技术实施例提供的另一种医学图像处理的装置组成框图；图7是本专利技术实施例提供的另一种医学图像处理的装置组成框图；图8是本专利技术实施例提供的另一种医学图像处理的装置组成框图；图9是本专利技术实施例提供的一种医学图像处理的实体装置组成图。【具体实施方式】为了更好的理解本专利技术的技术方案，下面结合附图对本专利技术实施例进行详细描述。应当明确，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。在本专利技术实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本专利技术。在本专利技术实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。应当理解，尽管在本专利技术实施例中可能采用术语第一、第二来描述识别单元、确定单元，但这些单元不应限于这些术语。这些术语仅用来将单元彼此区分开。例如，在不脱离本专利技术实施例范围的情况下，第一识别单元也可以被称为第二识别单元，类似地，第二识别单元也可以被称为第一识别单元。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”本文档来自技高网...

【技术保护点】
一种医学图像处理的方法，其特征在于，所述方法包括：获取原始医学图像；通过机器学习，识别所述原始医学图像中包含的若干个第一医学部位；从所述若干个第一医学部位中确定指定第一医学部位；通过机器学习，识别所述指定第一医学部位中包含的若干个目标。

【技术特征摘要】
1.一种医学图像处理的方法，其特征在于，所述方法包括：获取原始医学图像；通过机器学习，识别所述原始医学图像中包含的若干个第一医学部位；从所述若干个第一医学部位中确定指定第一医学部位；通过机器学习，识别所述指定第一医学部位中包含的若干个目标。2.根据权利要求1所述的方法，其特征在于，在所述从所述若干个第一医学部位中确定指定第一医学部位之后，所述方法还包括：通过机器学习，识别所述指定第一医学部位中包含的若干个第二医学部位；从所述若干个第二医学部位中确定指定第二医学部位；通过机器学习，识别所述指定第二医学部位中包含的若干个第三医学部位；从所述若干个第三医学部位中确定指定第三医学部位；以此类推，通过机器学习，识别所述指定第N-1医学部位中包含的若干个第N医学部位；从所述若干个第N医学部位中确定指定第N医学部位；则通过机器学习，识别所述指定第一医学部位中包含的若干个目标，包括，通过机器学习，识别所述指定第N医学部位中包含的若干个目标；其中，N为大于1的整数。3.根据权利要求1所述的方法，其特征在于，在所述通过机器学习，识别所述指定第一医学部位中包含的若干个目标之后，所述方法还包括：根据所述识别出的若干个目标，生成并输出分割医学图像。4.根据权利要求1所述的方法，其特征在于，在所述获取原始医学图像之后，所述方法还包括：获取所述若干个目标在所述第一医学部位中的从属信息。5.根据权利要求1所述的方法，其特征在于，所述方法适用于基于卷积神经网络的人工神经网络模型。6.根据权利要求5所述的方法，其特征在于，所述基于卷积神经网络的人工神经网络模型包括粗训练网络和精分割网络；其中，所述粗...

【专利技术属性】
技术研发人员：吕传峰，
申请(专利权)人：上海联影医疗科技有限公司，
类型：发明
国别省市：上海,31