医疗图像异常区域分割方法及设备技术

本发明专利技术提供一种医疗图像异常区域分割方法及设备，所述方法包括：获取医疗图像；将所述医疗图像划分为多个待分类图像块，并利用第一机器学习模型分别对各个所述待分类图像块进行分类，分类结果为正常图像块或异常图像块；分别基于所述异常图像块在所述医疗图像中取待分割图像块，并利用第二机器学习模型分别对各个所述待分割图像块进行语义分割，分割结果为异常像素点；在所述医疗图像中标注所述异常像素点。

Medical image abnormal region segmentation method and equipment

The invention provides a medical image abnormal region segmentation method and equipment, which includes: acquiring medical image; dividing the medical image into several image blocks to be classified, and classifying each image block to be classified by using the first machine learning model, and classifying the result into normal image blocks or abnormal image blocks; and based on the abnormal image blocks, respectively, the medical image is classified as normal image blocks or abnormal image blocks. The image blocks to be segmented are taken from the medical image and semantically segmented by the second machine learning model. The segmented results are abnormal pixels. The abnormal pixels are labeled in the medical image.

【技术实现步骤摘要】
医疗图像异常区域分割方法及设备
本专利技术涉及医学影像处理领域，具体涉及一种医疗图像异常区域分割方法及设备。
技术介绍
在计算机视觉领域，目前热点的研究方向主要有图像识别，目标定位与检测，语义分割等。图像分割是计算机视觉至关重要的组成部分，是由图像处理到图像分析的关键步骤。图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。语义分割是在图像分割的基础上，识别出每一块区域的语义。图像语义分割是AI领域中一个重要的分支，目前被广泛应用在地理信息系统、无人车驾驶、医疗影像分析、机器人等领域中。在一些医学图像的分析任务中，需要检测出一些病灶的区域，对该病灶区域进行分割，统计出面积等信息，能够帮助医生对疾病做出更准确的诊断。端到端的卷积神经网络依靠强大的表达能力在图像分割领域能够得到比较准确的结果。但是对于卷积神经网络等机器学习模型而言，如果前景信息只占图像区域很小的比例，则比较难训练出性能优秀的表达模型，模型的识别准确性会比较低。医疗图像的尺寸通常较大，而一些异常区域只占非常小的比率，有些甚至小于百万分之一。现有技术利用卷积神经网络等机器学习模型对医疗图像进行识别，找到较小异常区域的准确性比较差。
技术实现思路
有鉴于此，本专利技术提供一种医疗图像异常区域分割方法，包括如下步骤：获取医疗图像；将所述医疗图像划分为多个待分类图像块，并利用第一机器学习模型分别对各个所述待分类图像块进行分类，分类结果为正常图像块或异常图像块；分别基于所述异常图像块在所述医疗图像中取待分割图像块，并利用第二机器学习模型分别对各个所述待分割图像块进行语义分割，分割结果为异常像素点；在所述医疗图像中标注所述异常像素点。可选地，相邻的所述待分类图像块有部分重叠。可选地，将所述医疗图像划分为多个待分类图像块，包括：利用第一设定尺寸的滑动窗口遍历所述医疗图像取得待分类图像块，遍历过程中的滑动方向包括水平方向和竖直方向，在两个所述方向中的滑动步长均小于所述滑动窗口的长度和宽度。可选地，所述第一机器学习模型输出二值图像块，用于表示所述正常图像块和所述异常图像块。可选地，分别基于所述异常图像块在所述医疗图像中取待分割图像块，包括：识别由至少一个所述异常图像块组成的异常连通区域；以所述异常连通区域为中心在所述医疗图像中取第二设定尺寸的待分割图像块。可选地，所述第二机器学习模型输出的是至少一个通道的异常像素点掩图，其中包括至少一种异常像素点。可选地，所述第二机器学习模型输出的是二通道的异常像素点掩图，其中包括至少两种异常像素点。可选地，在所述医疗图像中标注所述异常像素点，包括：分别在各个所述待分割图像块中标注相应的语义分割结果；将全部标注结果映射回所述医疗图像中。可选地，所述医疗图像为眼底图像，所述方法用于分割眼底图像中的出血点和/或渗出点。相应地，本专利技术还提供一种医疗图像异常区域分割设备，包括：至少一个处理器以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述医疗图像异常区域分割方法。根据本专利技术提供的医疗图像异常区域分割方法，首先将医疗图像划分为多个待分类图像块，并利用一个机器学习模型分别对各个待分类图像块进行分类确定正常图像块和异常图像块，实现对异常部位的粗定位，排除背景内容，使得后续处理过程中可以不再对背景内容进行识别处理，提高识别效率；然后根据异常图像块在医疗图像中取得待分割图像块，这些待分割图像块中包含异常像素点，异常像素点在待分割图像块中的占比要远远大于在整张医疗图像中的占比，在此基础上使用另一个机器学习模型对待分割图像块进行语义分割，找到异常像素点，由此可以提高对异常区域识别的准确性。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，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他的附图。图1为本专利技术实施例中的医疗图像异常区域分割方法的流程图；图2为本专利技术实施例中的眼底图像异常区域分割方法的流程图；图3为本专利技术实施例中的眼底图像；图4是对图3所示眼底图像进行增强处理后的结果；图5是在眼底图像中去除了部分区域的结果；图6是本专利技术实施例中使用滑动窗口获取待分类图像块的示意图；图7是本专利技术实施例中基于连通区域确定取图范围的示意图；图8是本专利技术实施例中基于连通区域获取待分割图像块的示意图；图9是本专利技术实施例中在待分割图像块中标注语义分割结果的示意图；图10是利用本专利技术实施例提供的技术方案得到的语义分割结果的示意图。具体实施方式下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。在本专利技术的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，下面所描述的本专利技术不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。本专利技术实施例提供了一种医疗图像异常区域分割方法，该方法可以由计算机和服务器等电子设备执行。在本方法中使用了机器学习模型识别图像，所述机器学习模型可以是多种类型和结构的神经网络。如图1所示该方法包括如下步骤：S1A，获取医疗图像。在一个实施例中，获取的是单通道图像，例如CT(ComputedTomography，电子计算机断层扫描)图像、超声波检测图像等等；在另一个实施例中，获取的是多通道图像，例如是眼底照片。医疗图像可以是由医用检测设备采集的原始图像，也可以是经过加工或处理后的图像。S2A，将医疗图像划分为多个待分类图像块，并利用第一机器学习模型分别对各个待分类图像块进行分类，分类结果为正常图像块或者异常图像块。待分类图像块的尺寸可根据医疗图像的尺寸进行设定，对于多数情况，待分类图像块的尺寸应当明显小于整个医疗图像的尺寸。例如医疗图像的尺寸为1000*1000(像素)，所划分出的待分类图像块的尺寸可以是100*100(像素)。不同待分类图像块的尺寸可以是相同的或者不同的。相邻的待分类图像块边界可以相互紧邻，也可以有部分重叠。在使用第一机器学习模型之前应当使用样本数据对其进行训练使其具备一定的分类能力。具体可以使用大量已知为正常的图像块和已知为异常的图像块对初始的模型进行训练，训练数据包括异常和正常两个类别，经过训练后的模型即可分辨输入的图像块属于正常类或是异常类。此步骤中的第一机器学习模型只需要对图像块进行二分类，针对一个待分类图像块输出为正常或者本文档来自技高网...

【技术保护点】
1.一种医疗图像异常区域分割方法，其特征在于，包括如下步骤：获取医疗图像；将所述医疗图像划分为多个待分类图像块，并利用第一机器学习模型分别对各个所述待分类图像块进行分类，分类结果为正常图像块或异常图像块；分别基于所述异常图像块在所述医疗图像中取待分割图像块，并利用第二机器学习模型分别对各个所述待分割图像块进行语义分割，分割结果为异常像素点；在所述医疗图像中标注所述异常像素点。

【技术特征摘要】
1.一种医疗图像异常区域分割方法，其特征在于，包括如下步骤：获取医疗图像；将所述医疗图像划分为多个待分类图像块，并利用第一机器学习模型分别对各个所述待分类图像块进行分类，分类结果为正常图像块或异常图像块；分别基于所述异常图像块在所述医疗图像中取待分割图像块，并利用第二机器学习模型分别对各个所述待分割图像块进行语义分割，分割结果为异常像素点；在所述医疗图像中标注所述异常像素点。2.根据权利要求1所述的方法，其特征在于，相邻的所述待分类图像块有部分重叠。3.根据权利要求2所述的方法，其特征在于，将所述医疗图像划分为多个待分类图像块，包括：利用第一设定尺寸的滑动窗口遍历所述医疗图像取得待分类图像块，遍历过程中的滑动方向包括水平方向和竖直方向，在两个所述方向中的滑动步长均小于所述滑动窗口的长度和宽度。4.根据权利要求1所述的方法，其特征在于，所述第一机器学习模型输出二值图像块，用于表示所述正常图像块和所述异常图像块。5.根据权利要求1-4中任一项所述的方法，其特征在于，分别基于所述异常图像块在所述医疗图像中取待分割图像块，包括：识别由至少一...

【专利技术属性】
技术研发人员：黄烨霖，熊健皓，赵昕，张大磊，
申请(专利权)人：上海鹰瞳医疗科技有限公司，
类型：发明
国别省市：上海,31