【技术实现步骤摘要】
医学图像目标区域定位方法及系统
本专利技术涉及医学图像
，特别是涉及一种医学图像目标区域定位方法及系统。
技术介绍
随着大数据和深度学习两大
的迅猛发展，以深度神经网络为基石的人工智能技术已渗入到各行各业，特别是在医学影像领域已获得了前所未有的突破。近年来，基于反卷积深度神经网络U-net及其派生网络已成熟的应用于多种医学图像，如：PET，CT和眼底图等。其中，精准的器官分割和病灶提取能够有效帮助医生提高阅片速率，避免误诊和漏诊的情况。与传统的有监督学习模型一样，以U-net为代表的图像分割网络依赖于高质量的标注数据，尤其是医学图像，需要专业团队的精确标注。U-net及其派生网络是一种全卷积网络，该网络能够在较少的训练图像情况下达到较为精准的分割效果。具体的，当医学图像进入U-net网络时，首先经过收缩网络，图像通过卷积操作进行缩小。其次，再经过定位网络，图像通过反卷积操作进行放大，得出一张用于目标区域定位或分割的概率图像。同时，所得到的概率图像用于计算U-net网络的损失函数，便于优化网络参数。最后，再采用阈值法将概率图像二值化，进而得到定位区域。其...
【技术保护点】
1.一种医学图像目标区域定位方法，其特征在于，包括如下步骤：使用图像分割网络对预先收集的预设张数的医学图像进行模型训练，构建相应的训练模型；将构建的所述训练模型用于需要进行目标区域定位的当前医学图像，对所述当前医学图像进行图像分割，获取分割概率图；采用巴特沃斯滤波器对分割后的所述分割概率图进行巴特沃斯数字图像处理，得到滤波概率图；采用区域生长法对所述滤波概率图进行定位，获取相应的定位区域。
【技术特征摘要】
1.一种医学图像目标区域定位方法，其特征在于，包括如下步骤：使用图像分割网络对预先收集的预设张数的医学图像进行模型训练，构建相应的训练模型；将构建的所述训练模型用于需要进行目标区域定位的当前医学图像，对所述当前医学图像进行图像分割，获取分割概率图；采用巴特沃斯滤波器对分割后的所述分割概率图进行巴特沃斯数字图像处理，得到滤波概率图；采用区域生长法对所述滤波概率图进行定位，获取相应的定位区域。2.根据权利要求1所述的医学图像目标区域定位方法，其特征在于，所述使用图像分割网络对预先收集的预设张数的医学图像进行模型训练，构建相应的训练模型时，所使用的所述图像分割网络为U-net网络；其中，所述U-net网络中的卷积层采用3*3大小的卷积核，并以“SAME”的方式进行卷积操作；且所述U-net网络中的激活函数均采用relu激活函数，损失函数采用最小均方误差函数，最优化方法采用Adam优化法。3.根据权利要求2所述的医学图像目标区域定位方法，其特征在于，所述U-net网络中的超参数设置为：每一次训练样本大小参数设置为2，学习率参数设置为0.1，并以每一个epoch进行指数衰减，衰减因子为0.96。4.根据权利要求1所述的医学图像目标区域定位方法，其特征在于，所述采用巴特沃斯滤波器对分割后的所述分割概率图进行巴特沃斯数字图像处理，得到滤波概率图，包括如下步骤：对当前输出的所述分割概率图进行数值调整，将当前输出的所述分割概率图的值统一减去所述分割概率图中的最小概率值，得到调整后概率图；将调整后概率图进行快速傅里叶变换，得到相应的频谱图；对所述频谱图进行平移操作，将频域的零点重排至所述频谱图的中心点，得到相应的重排频谱图；对所述重排频谱图进行低通滤波操作，得到滤波后的频谱图；将所述滤波后的频谱图的频域零点还原至初始零点位置，得到还原后的频谱图；对所述还原后的频谱图做逆快速傅里叶变换，得到所述滤波概率图。5.根据权利要求4所述的医学图像目标区域定位方法，其特征在于，所述对所述重排频谱图进行低通滤波操作时，所使用的巴特沃斯低通滤波器的传递函数表达式为：其中，D(u,v)为点(u,v)到滤波器中心的距离，D0为预设的非负数，n为巴特沃斯滤波器的阶数。6.根据权利要求1至5任一项所述的医学图像目标区域定位方法，其特征在于，所述采用区域生长法对所述滤波概率图进行定位，获取相应的定位区域，包括如下步骤：读取所述滤波概率图，并寻找到所述滤波概率图中概率值最大的坐标点；以所述概率值最大的坐标点为种子点，并且以4邻域的方式进行区域生长；其中，区域生长的条件为生长到振铃的第一个波谷；实时判断区域生长变化情况，并在判断出当前区域不再变化时，确定当...
【专利技术属性】
技术研发人员：姜泓羊，杨康，高孟娣，代黎明，
申请(专利权)人：代黎明，
类型：发明
国别省市：北京,11
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。