医学图像分类和分割方法和装置制造方法及图纸

本发明专利技术提供一种医学图像分类和分割的方法和装置，能够解决由于训练数据数量有限和医学图像的临川特征表达不完全，导致图像的分类和分割效果差的问题。该方法包括：对医学图像进行数据增强和预处理，构建分类数据集和分割数据集；构建卷积神经网络模型，提取自然图像数据集的特征，以得到卷积神经网络激活特征；基于所述分类数据集，训练所述卷积神经网络提取所述分类数据集的特征，以区分所述医学图像是有癌图像或无癌图像；基于所述分割数据集，训练所述卷积神经网络提取所述分割数据集的特征，以分割所述医学图像的癌变区域。

【技术实现步骤摘要】
医学图像分类和分割方法和装置
本专利技术涉及计算机
，尤其涉及一种医学图像分类和分割的方法和装置。
技术介绍
特征提取在医学图像分析领域具有重要的地位。医学图像有多种模态，例如核磁图像、CT图像和数字病理切片等，这导致来源于同一个人的同一病症下的多种模态的图像，有着不同的纹理、色彩和形态等特征。因此，特征设计在高阶医学图像分析任务，例如分类任务和分割任务中有重要地位。而基于人工方法提取图像的纹理、色彩和形态等特征通常受到专业知识、医学图像特征复杂、有标记的医学图像数量有限等条件的限制。因此，在医学图像分析中，自动特征提取算法对于高阶医学图像分析任务具有重要意义，基于卷积神经网络的特征提取方法。一种高效的、全面的特征提取算法，广泛应用于医学图像分割、分类等任务中。基于卷积神经网络的激活特征的特征提取是医学图像分类和分割常用的特征提取算法。该算法利用网络上的大量图像数据集，卷积神经网络可以提取到充足的特征数据，研究表明，不同图像数据集的低阶的图像特征具有较高的一致性。因此，基于自然图像的特征数据同样适用于医学图像，将这些特征迁移到医学图像中，结合支持向量机等算法便可实现医学图像的分类和分割。在实现本专利技术中，专利技术人发现现有技术至少存在以下问题：1.训练数据不足的情况下，卷积神经网络对医学图像的特征表达不完全。2.人工设计特征难以充分表达医学图像的临床特征，从而导致图像的分类和分割效果差。
技术实现思路
有鉴于此，本专利技术实施例提供一种医学图像的分类和分割的方法、装置和装置，能够解决医学图像训练数据不足，临床特征难以表征情况下的分类和分割问题。为实现上述目的，根据本专利技术实施例的一个方面，提供了一种医学图像的分类和分割方法。本专利技术实施例一种医学图像的分类和分割方法包括：对医学图像进行数据增强和预处理，构建分类数据集和分割数据集；构建卷积神经网络模型，提取自然图像数据集的特征，以得到卷积神经网络激活特征；基于所述分类数据集，训练所述卷积神经网络提取所述分类数据集的特征，以区分所述医学图像是有癌图像或无癌图像；基于所述分割数据集，训练所述卷积神经网络提取所述分割数据集的特征，以分割所述医学图像的癌变区域。可选地，所述数据增强和预处理包括对所述医学图像进行旋转、镜像或平移；将所述医学图像截取为224×224像素的图像的子块，以得到所述分类数据集；将所述医学图像截取为112×112像素的图像的子块，以得到所述分割数据集。可选地，所述训练所述卷积神经网络提取所述分类数据集的特征包括基于所述卷积神经网络激活特征提取所述分类数据集的特征，以得到分类特征向量；将所述分类特征向量通过3层池化层，以得到每幅医学图像的分类特征向量；对所述每幅医学图像的分类特征向量进行特征挑选，以得到挑选特征向量；基于一对一的支持向量机，对所述挑选特征向量进行分类，判断所述医学图像是有癌图像或无癌图像。可选地，所述训练所述卷积神经网络提取所述分割数据集的特征包括基于所述卷积神经网络激活特征，提取所述分割数据集的特征，以得到分割特征向量；基于支持向量机，对所述分割特征向量进行分类，计算所述分割数据集中的每幅图像的子块为有癌症区域或非癌症区域的置信度；根据所述图像的子块的有癌区域的置信度，计算所述分割数据集的每幅图像的每个像素属于有癌症区域或非癌症区域的置信度，使用阈值分割对所述图像的有癌症区域进行分割。为实现上述目的，根据本专利技术实施例的一个方面，提供了一种医学图像分类和分割装置。本专利技术实施例一种医学图像分类和分割装置包括：数据获取模块，用于对医学图像进行数据增强和预处理，构建分类数据集和分割数据集；特征提取模块，用于构建卷积神经网络模型，提取自然图像数据集的特征，以得到卷积神经网络激活特征；分类模块，用于基于所述分类数据集，训练所述卷积神经网络提取所述分类数据集的特征，以区分所述医学图像是有癌图像或无癌图像；分割模块，用于基于所述分割数据集，训练所述卷积神经网络提取所述分割数据集的特征，以分割所述医学图像的癌变区域。可选地，所述数据获取模块用于对所述医学图像进行旋转、镜像或平移；将所述医学图像截取为224×224像素的图像的子块，以得到所述分类数据集；将所述医学图像截取为112×112像素的图像的子块，以得到所述分割数据集。可选地，所述分类模块用于基于所述卷积神经网络激活特征提取所述分类数据集的特征，以得到分类特征向量；将所述分类特征向量通过3层池化层，以得到每幅医学图像的分类特征向量；对所述每幅医学图像的分类特征向量进行特征挑选，以得到挑选特征向量；基于一对一的支持向量机，对所述挑选特征向量进行分类，判断所述医学图像是有癌图像或无癌图像。可选地，所述分割模型还用于基于所述卷积神经网络激活特征，提取所述分割数据集的特征，以得到分割特征向量；基于支持向量机，对所述分割特征向量进行分类，计算所述分割数据集中的每幅图像的子块为有癌症区域或非癌症区域的置信度；根据所述图像的子块的有癌区域的置信度，计算所述分割数据集的每幅图像的每个像素属于有癌症区域或非癌症区域的置信度，使用阈值分割对所述图像的有癌症区域进行分割。为实现上述目的，根据本专利技术实施例的再一方面，提供了一种实现医学图像的分割和分类方法的电子设备。本专利技术实施例的一种电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本专利技术实施例的医学图像的分类和分割方法。为实现上述目的，根据本专利技术实施例的又一方面，提供了一种计算机可读介质。本专利技术实施例的一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时用于实现使所述计算机执行本专利技术实施例的医学图像的分类和分割方法。上述专利技术中的一个实施例具有如下优点或有益效果：因为采用迁移学习的技术手段，即利用大量的自然图像数据集训练卷积神经网络，将训练得到的激活特征迁移到医学图像的特征提取中，所以克服了医学图像的数据量不足的技术问题，进而达到了用少量的医学图像做训练数据取得较高的精度的技术效果；因为采用基于图像的子块的卷积神经网络的技术手段，通过将医学图像截取为图像的子块，作为训练数据输入到设计好的卷积神经网络中，通过网络学习自动学习并整合图像的子块的特征得到医学图像的特征表达，该过程不需要人工设计特征，所以克服了医学图像的临床特征难以表达的技术问题，进而提高了医学图像分类和分割的准确率。上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。附图说明附图用于更好地理解本专利技术，不构成对本专利技术的不当限定。其中：图1是根据本专利技术实施例的医学图像的分类和分割方法的主要步骤的示意图；图2是根据本专利技术实施例的医学图像的分类和分割方法的流程示意图；图3是根据本专利技术实施例的医学图像的分类和分割装置的主要模块的示意图；图4是适于用来实现本申请实施例的终端设备或服务器的计算机系统的结构示意图。具体实施方式以下结合附图对本专利技术的示范性实施例做出说明，其中包括本专利技术实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本专利技术的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知本文档来自技高网...

【技术保护点】
一种医学图像分类和分割的方法，其特征在于，包括：对医学图像进行数据增强和预处理，构建分类数据集和分割数据集；构建卷积神经网络模型，提取自然图像数据集的特征，以得到卷积神经网络激活特征；基于所述分类数据集，训练所述卷积神经网络提取所述分类数据集的特征，以区分所述医学图像是有癌图像或无癌图像；基于所述分割数据集，训练所述卷积神经网络提取所述分割数据集的特征，以分割所述医学图像的癌变区域。

【技术特征摘要】
1.一种医学图像分类和分割的方法，其特征在于，包括：对医学图像进行数据增强和预处理，构建分类数据集和分割数据集；构建卷积神经网络模型，提取自然图像数据集的特征，以得到卷积神经网络激活特征；基于所述分类数据集，训练所述卷积神经网络提取所述分类数据集的特征，以区分所述医学图像是有癌图像或无癌图像；基于所述分割数据集，训练所述卷积神经网络提取所述分割数据集的特征，以分割所述医学图像的癌变区域。2.根据权利要求1所述的方法，其特征在于，所述数据增强和预处理包括：对所述医学图像进行旋转、镜像或平移；将所述医学图像截取为224×224像素的图像的子块，以得到所述分类数据集；将所述医学图像截取为112×112像素的图像的子块，以得到所述分割数据集。3.根据权利要求1所述的方法，其特征在于，所述训练所述卷积神经网络提取所述分类数据集的特征包括：基于所述卷积神经网络激活特征提取所述分类数据集的特征，以得到分类特征向量；将所述分类特征向量通过3层池化层，以得到每幅医学图像的分类特征向量；对所述每幅医学图像的分类特征向量进行特征挑选，以得到挑选特征向量；基于一对一的支持向量机，对所述挑选特征向量进行分类，判断所述医学图像是有癌图像或无癌图像。4.根据权利要求1所述的方法，其特征在于，所述训练所述卷积神经网络提取所述分割数据集的特征包括：基于所述卷积神经网络激活特征，提取所述分割数据集的特征，以得到分割特征向量；基于支持向量机，对所述分割特征向量进行分类，计算所述分割数据集中的每幅图像的子块为有癌症区域或非癌症区域的置信度；根据所述图像的子块的有癌区域的置信度，计算所述分割数据集的每幅图像的每个像素属于有癌症区域或非癌症区域的置信度，使用阈值分割对所述图像的有癌症区域进行分割。5.一种医学图像分类分割的装置，其特征在于，包括：数据获取模块，用于对医学图像进行数据增强和预处理，构建分类数据集和分割数据集；特征提取模块，用于构建卷积...

【专利技术属性】
技术研发人员：许燕，闫雯，
申请(专利权)人：深圳北航新兴产业技术研究院，
类型：发明
国别省市：广东,44