医学图像的检测方法、装置、设备和存储介质制造方法及图纸

本申请提供一种医学图像的检测方法、装置、设备和存储介质。该方法包括：获取医学图像；将所述医学图像输入分割模型，得到目标分割图像；所述目标分割图像包括感兴趣区域；将所述目标分割图像和所述医学图像输入检测模型，得到病变检测图像；所述病变检测图像包括病变区域的候选位置，所述病变区域位于所述感兴趣区域内；所述分割模型和所述检测模型均为深度学习模型。该方法所提供的分割模型和检测模型的鲁棒性较高，不仅提高了医学图像的分割结果的准确性，而且提高了病变检测的结果的准确性。

Detection methods, devices, devices and storage media of medical images

【技术实现步骤摘要】
医学图像的检测方法、装置、设备和存储介质
本申请涉及图像处理领域，特别是涉及一种医学图像的检测方法、装置、设备和存储介质。
技术介绍
目前，前列腺癌是威胁全球数百万男性生命的最常见的癌症类型，是导致男性死亡的第二大癌症，因此，前列腺癌早期的诊断和治疗能够大大提高患者的生存率和治愈率。而在前列腺癌早期的诊断中，从患者的医学图像中确定出前列腺的位置是至关重要的一步。传统技术中，通常是采用机器学习的算法对医学图像进行分割，以得到前列腺的位置。具体的过程可以为：对医学图像进行特征提取，然后采用分类器对提取出的特征进行体素级分类，从而确定出前列腺的具体位置。其中，分类器可以为稀疏表示分类器、随机森林以及Adaboost等。但是，采用传统的机器学习算法得到的结果，易受到医学图像的各种复杂因素的影响，从而导致医学图像的分割结果的准确率较低，且传统的医学图像的分割算法的鲁棒性较低。
技术实现思路
基于此，有必要针对传统方式的医学图像的分割结果的准确率较低，且传统的医学图像的分割算法的鲁棒性较低的技术问题，本申请提供一种医学图像的检测方法、装置、设备和存储介质。一种医学图像的检测方法，包括：获取医学图像；将所述医学图像输入分割模型，得到目标分割图像；所述目标分割图像包括感兴趣区域；将所述目标分割图像和所述医学图像输入检测模型，得到病变检测图像；所述病变检测图像包括病变区域的候选位置，所述病变区域位于所述感兴趣区域内；所述分割模型和所述检测模型均为深度学习模型。在其中一个实施例中，所述分割模型包括第一分割模型和第二分割模型，所述感兴趣区域包括初始感兴趣区域和目标感兴趣区域；所述将所述医学图像输入分割模型，得到目标分割图像，包括：将所述医学图像输入所述第一分割模型，得到第一目标分割图像；所述第一目标分割图像包括所述初始感兴趣区域；将所述第一目标分割图像和所述医学图像输入所述第二分割模型，得到第二目标分割图像；所述第二目标分割图像包括所述目标感兴趣区域。在其中一个实施例中，所述检测模型包括注意力机制网络；所述将所述目标分割图像和所述医学图像输入检测模型，得到病变检测图像，包括：将所述目标分割图像和所述医学图像输入检测模型，并根据所述检测模型中的采样处理网络和所述注意力机制网络的联合处理，得到病变检测图像。在其中一个实施例中，所述将所述医学图像输入所述第一分割模型，得到第一目标分割图像，包括：采用所述第一分割模型对所述医学图像进行层级化的下采样块操作，得到多分辨率的中间特征图，并对所述多分辨率的中间特征图进行层级化的上采样块操作和层级化的特征融合，得到所述第一目标分割图像。在其中一个实施例中，所述注意力机制网络包括注意力门限块；所述将所述目标分割图像和所述医学图像输入检测模型，并根据所述检测模型中的采样处理网络和所述注意力机制网络的联合处理，得到所述病变检测图像，包括：将待检测图像进行层级化的下采样块操作，得到多分辨率的中间特征图；所述待检测图像包括所述目标分割图像和所述医学图像；采用注意力门限块将所述多分辨率的中间特征图逐层进行上采样块操作，得到所述病变检测图像。在其中一个实施例中，所述分割模型是采用图像分割数据集和预设的第一卷积神经网络进行模型训练得到的；其中，所述图像分割数据集包括：原始医学图像和已标注感兴趣区域的医学图像。在其中一个实施例中，所述检测模型是采用病变检测数据集和预设的第二卷积神经网络进行模型训练得到的；其中，所述病变检测数据集包括：原始医学图像、所述目标分割图像和已标注病变区域的医学图像；所述第二卷积神经网络包括注意力机制网络。一种医学图像的检测装置，包括：获取模块，用于获取医学图像；分割模块，用于将所述医学图像输入分割模型，得到目标分割图像；所述目标分割图像包括感兴趣区域；病变检测模块，用于将所述目标分割图像和所述医学图像输入检测模型，得到病变检测图像；所述病变检测图像包括病变区域的候选位置，所述病变区域位于所述感兴趣区域内；所述分割模型和所述检测模型均为深度学习模型。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取医学图像；将所述医学图像输入分割模型，得到目标分割图像；所述目标分割图像包括感兴趣区域；将所述目标分割图像和所述医学图像输入检测模型，得到病变检测图像；所述病变检测图像包括病变区域的候选位置，所述病变区域位于所述感兴趣区域内；所述分割模型和所述检测模型均为深度学习模型。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取医学图像；将所述医学图像输入分割模型，得到目标分割图像；所述目标分割图像包括感兴趣区域；将所述目标分割图像和所述医学图像输入检测模型，得到病变检测图像；所述病变检测图像包括病变区域的候选位置，所述病变区域位于所述感兴趣区域内；所述分割模型和所述检测模型均为深度学习模型。本实施例提供的医学图像的检测方法、装置、设备和存储介质，计算机设备将获取到的医学图像输入分割模型得到目标分割图像，然后将得到的目标分割图像和医学图像输入检测模型得到病变检测图像，从而实现对医学图像中的感兴趣区域的病变检测。由于计算机设备在对医学图像进行分割操作得到感兴趣区域的过程中，所使用的分割模型为深度学习模型，深度学习模型相比传统的机器学习算法的稳定性、鲁棒性较高，因此，提高了医学图像的分割结果的准确性。另外，由于计算机设备输入到检测模型中的输入图像为目标分割图像和医学图像，即在病变检测的过程中，计算机设备将多种图像数据综合利用，形成图像数据的互补，从而提高了病变检测的结果的准确性；同时，计算机设备在病变检测过程中所使用的检测模型为深度学习模型，这样，便进一步提高了病变检测的结果的准确性。附图说明图1为一实施例提供的医学图像的检测方法应用的系统架构图；图2为一实施例提供的医学图像的检测方法流程示意图；图3为另一实施例提供的医学图像的分割方法流程示意图；图4为一实施例提供的第一分割模型的网络结构示意图；图5为一实施例提供的混合块的结构示意图；图6为一实施例提供的检测模型的网络结构示意图；图7为一实施例提供的注意力门限块的结构示意图；图8为一实施例提供的分割模型训练方法流程示意图；图9为一实施例提供的检测模型训练方法流程示意图；图10为另一实施例提供的医学图像的检测方法流程示意图；图11为另一实施例提供的医学图像的检测方法流程示意图；图12为一实施例提供的医学图像的检测装置结构示意图；图13为一实施例提供的计算机设备的内部结构示意图。具体实施方式本申请提供的医学图像的检测方法，适应于各种医学图像的检测系统，例如MR系统、CT系统、PET系统、PET-CT系统、PET-MR系统以及超声系统等。图1为一实施例提供的医学图像的检测系统的结构示意图，如图1所示，该系统可以包括扫描设备11和计算机设备12，扫描设备11与计算机设备12之间可以通过有线方式通信，也可以通过无线方式通信。可选的，扫描设备11的类型与其所属的系统类型相匹配，即当该系统为MR系统时，扫描设备11为MR扫描设备，当该系统为PET系统时，扫描设备11为PET探测器，本实施例对扫描设备11的具体类型不做限定。可选的，计算机设备12可以为PC本文档来自技高网...

【技术保护点】
1.一种医学图像的检测方法，其特征在于，包括：获取医学图像；将所述医学图像输入分割模型，得到目标分割图像；所述目标分割图像包括感兴趣区域；将所述目标分割图像和所述医学图像输入检测模型，得到病变检测图像；所述病变检测图像包括病变区域的候选位置，所述病变区域位于所述感兴趣区域内；所述分割模型和所述检测模型均为深度学习模型。

【技术特征摘要】
1.一种医学图像的检测方法，其特征在于，包括：获取医学图像；将所述医学图像输入分割模型，得到目标分割图像；所述目标分割图像包括感兴趣区域；将所述目标分割图像和所述医学图像输入检测模型，得到病变检测图像；所述病变检测图像包括病变区域的候选位置，所述病变区域位于所述感兴趣区域内；所述分割模型和所述检测模型均为深度学习模型。2.根据权利要求1所述的方法，其特征在于，所述分割模型包括第一分割模型和第二分割模型，所述感兴趣区域包括初始感兴趣区域和目标感兴趣区域；所述将所述医学图像输入分割模型，得到目标分割图像，包括：将所述医学图像输入所述第一分割模型，得到第一目标分割图像；所述第一目标分割图像包括所述初始感兴趣区域；将所述第一目标分割图像和所述医学图像输入所述第二分割模型，得到第二目标分割图像；所述第二目标分割图像包括所述目标感兴趣区域。3.根据权利要求1所述的方法，其特征在于，所述检测模型包括注意力机制网络；所述将所述目标分割图像和所述医学图像输入检测模型，得到病变检测图像，包括：将所述目标分割图像和所述医学图像输入检测模型，并根据所述检测模型中的采样处理网络和所述注意力机制网络的联合处理，得到病变检测图像。4.根据权利要求2所述的方法，其特征在于，所述将所述医学图像输入所述第一分割模型，得到第一目标分割图像，包括：采用所述第一分割模型对所述医学图像进行层级化的下采样块操作，得到多分辨率的中间特征图，并对所述多分辨率的中间特征图进行层级化的上采样块操作和层级化的特征融合，得到所述第一目标分割图像。5.根据权利要求3所述的方法，其特征在于，所述注意力机制网络包括注意力门限块；所述将所述目标分割图像...

【专利技术属性】
技术研发人员：徐小栋，廖术，周翔，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