【技术实现步骤摘要】
一种医学图像处理方法、系统、装置和计算机可读存储介质
本申请涉及医学图像处理领域，特别涉及一种医学图像分割的方法和系统。
技术介绍
现有的医学图像处理软件大多只针对具有正常外观的器官或组织图像进行处理，难以处理发生病变、损伤的器官或组织图像。以脑部图像为例，现有的医学图像处理软件可以较好地处理正常脑部图像，但对于出现脑肿瘤、脑卒中、脑出血、多发性硬化症等异常的脑部图像，现有的医学图像处理软件在处理时存在较多不足。以脑肿瘤为例，由于肿瘤异质性的存在，脑肿瘤内部可划分为瘤周水肿、肿瘤核心以及肿瘤增强区域。在手术方案的制定中，肿瘤核心通常需要完全切除，而水肿区则视情况保留或切除。此外，大面积水肿、坏死和增强是恶性肿瘤的典型特征。因此，基于多模态影像的肿瘤部位分割和定量分析对于疾病诊断、手术方案的制定以及预后具有重要意义。然而由于肿瘤部位是三维结构，如果全部勾画数据量极大。对于医生来说手动勾画十分耗时，并且勾画结果可重复性低，不同人之间也存在较大偏差。临床上为简单起见通常只选取一个截面统计其面积信息。此外，由于肿瘤异质性使得肿瘤边界不明确从而分割精确度较低。目前的深度学习...
【技术保护点】
1.一种医学图像处理方法，其特征在于，包括：获取样本图像，所述样本图像中包括异常区域，所述异常区域包括至少一个子异常区域；获取图像处理级联网络，所述图像处理级联网络包括至少两级神经网络；用所述样本图像训练所述图像处理级联网络中的各级神经网络，得到训练完备的图像处理级联网络；其中，第一级神经网络的输入为未分割的样本图像，最后一级神经网络的输出为所述至少一个子异常区域的分割结果；用所述训练完备的图像处理级联网络处理待测图像，确定所述待测图像中的异常区域。
【技术特征摘要】
1.一种医学图像处理方法，其特征在于，包括：获取样本图像，所述样本图像中包括异常区域，所述异常区域包括至少一个子异常区域；获取图像处理级联网络，所述图像处理级联网络包括至少两级神经网络；用所述样本图像训练所述图像处理级联网络中的各级神经网络，得到训练完备的图像处理级联网络；其中，第一级神经网络的输入为未分割的样本图像，最后一级神经网络的输出为所述至少一个子异常区域的分割结果；用所述训练完备的图像处理级联网络处理待测图像，确定所述待测图像中的异常区域。2.如权利要求1所述的医学图像处理方法，其特征在于：所述图像处理级联网络包括依次连接的第一神经网络、第二神经网络和第三神经网络，其中：所述第一神经网络的输入包括未分割的样本图像或待测图像，输出为异常区域第一分割图，所述异常区域第一分割图包括整个异常区域的分割结果；所述第二神经网络的输入至少包括所述异常区域第一分割图，输出为异常区域第二分割图，所述异常区域第二分割图包括所述至少一个子异常区域的初步分割结果；所述第三神经网络的输入至少包括所述异常区域第二分割图，输出为异常区域第三分割图，所述异常区域第三分割图包括所述至少一个子异常区域的精确分割结果。3.如权利要求2所述的医学图像处理方法，其特征在于：所述第二神经网络和/或所述第三神经网络的输入还包括所述未分割的样本图像或待测图像。4.如权利要求1所述的医学图像处理方法，其特征在于，所述样本图像和待测图像为三维图像，所述图像处理级联网络中的各级神经网络为卷积神经网络。5.如权利要求4所述的医学图像处理方法，其特征在于，所述卷积神经网络包括下采样单元和上采样单元，其中至少一个下采样单元或上采样单元包括残差子单元，所述残差子单元包括依次连接的第一卷积层、第二卷积层和第三卷积层，其中：所述第一卷积层包括1×1×1的第一卷积核，用于融合不同通道的图像特征，所述第一卷积层的输出图像通道数小于输入图像通道数；所述第二卷积层包括N×N×N的第二卷积核，其中N为大于1的奇数，所述第二卷积层的输入图像为所述第一卷积层的输出图像；所述第三卷积层包括1×1×1的第三卷积核，所述第三卷积层的输入图像为所述第二卷积层的输出图像，所述第三卷积层的输出图像通道数大于输入图像通道数。6.如权利要求4所述的医学图像处理方法，其特征在于，所述卷积神经网络包括至少两个依次连接的上采样单元，其中连接在最后的上采样单元的输出图像分辨率高于其他上采样单元的输出图像分辨率；所...
【专利技术属性】
技术研发人员：花蕊，石峰，高耀宗，詹翊强，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。