一种图像处理方法、设备及存储介质技术

本申请公开了一种图像处理方法、设备及存储介质，其中方法包括：提取出原始病理图像中的目标区域图像；对所述目标区域图像进行图像分割，得到病灶区域图像，所述病灶区域图像包含所述目标区域图像的病灶区域；根据所述病灶区域图像，在所述目标区域图像或所述原始病理图像中标记出所述目标区域图像的病灶边界。本申请可以在原始病理图像中提取出目标区域图像之后对该目标区域图像进行精确病灶边界检测，于是本申请实施例提出了一种用于实现区域级别的精确病灶边界检测的图像处理方法。

An Image Processing Method, Equipment and Storage Media

【技术实现步骤摘要】
一种图像处理方法、设备及存储介质
本申请涉及图像处理领域，尤其涉及一种图像处理方法、设备及存储介质。
技术介绍
病理图像为包含了人体部分组织的切面的图像，是临床中诊断肿瘤组织和细胞的金标准和重要依据之一。传统的病理图像诊断方法为医护人员人工读片以解读病理图像中包含的组织的病灶情况。但这种方法不仅费时费力，而且由于太依赖于医护人员的临床经验，于是时常会有诊断错误的情况发生。对此可以采用计算机辅助诊断方法来实现自动化读片，即利用机器来对病理图像进行图像处理，从而识别得到病理图像中包含的组织的病灶情况，该方法可以帮助医护人员快速读片，以最大程度解放病理医护人员的人力。目前的计算机辅助诊断方法主要是以确定病理图像的病灶类型为目标导向的图像处理方法，于是该图像处理方法更多关注的是如何确定病理图像的病灶类型，而很少关注病理图像的病灶边界等一类信息，甚至于不经过对病理图像的病灶区域的分割便直接实现对病理图像的病灶类型的分类，于是得到的图像处理的结果往往也只有病灶分类结果。但对于医护人员来说，除了病理图像的病灶类型以外还格外关注病理图像的病灶边界。现目前还没有一种用于实现精确病灶边界检测的图像处理方法。
技术实现思路
本申请实施例提供一种图像处理方法，可以实现区域级别的精确病灶边界检测。第一方面，本申请实施例提供了一种图像处理方法，该方法包括：提取出原始病理图像中的目标区域图像；对所述目标区域图像进行图像分割，得到病灶区域图像，所述病灶区域图像包含所述目标区域图像的病灶区域；根据所述病灶区域图像，在所述目标区域图像或所述原始病理图像中标记出所述目标区域图像的病灶边界。可见，本申请实施例提出了一种用于实现区域级别的精确病灶边界检测的图像处理方法。具体的，由于本申请可以在原始病理图像中提取出目标区域图像之后对该目标区域图像进行病灶边界检测，于是相对于传统方法中对整个原始病理图像进行处理来说，本申请的方法不仅可以减少数据处理量和减少处理时间，并且相对于整张原始病理图像来说，对目标区域图像这样的小图进行处理，可以关注到区域中的更多图像细节，从而更加准确的确定目标区域图像的病灶边界。结合第一方面，在第一方面的第一种实现方式中，所述提取出原始病理图像中的目标区域图像之前，还包括：显示原始病理图像，并接收针对于所述原始病理图像的区域选择指令；所述提取出原始病理图像中的目标区域图像，包括：根据所述区域选择指令提取出所述原始病理图像中的目标区域图像。可见，目标区域图像是根据用户的区域选择指令来确定的，于是本申请实施例可以提高边界检测的灵活性，根据用户的实际需要来对原始病理图像中的任意区域图像进行处理，于是本申请实施例进一步的提高了图像处理的效率。结合第一方面的第一种实现方式，在第一方面的第二种实现方式中，所述根据所述区域选择指令提取出所述原始病理图像中的目标区域图像，包括：根据所述区域选择指令确定出所述原始病理图像中的选中区域图像；按照图像尺寸调整规则在所述原始病理图像中对所述选中区域图像的尺寸进行调整，使得调整之后的选中区域图像的尺寸符合图像分割的尺寸标准；将所述调整之后的选中区域图像作为目标区域图像，并从所述原始病理图像中提取出所述目标区域图像。可见，本申请对目标区域图像的尺寸进行规定，使得目标区域图像的尺寸可以满足后续图像分割的对于输入图像的尺寸标准，从而将图像分割的运算时间控制在秒级，然而在不规定输入图像大小的时候，会因为尺寸大小和/或尺寸比例的原因，而导致图像分割的运算时间长达几分钟。结合第一方面的第二种实现方式，在第一方面的第三种实现方式中，所述对所述目标区域图像进行图像分割，得到所述病灶区域图像之后，所述在所述目标区域图像或所述原始病理图像中标记出所述目标区域图像的病灶边界之前，还包括：检测所述目标区域图像相比于所述选中区域图像的多余部分图像；根据所述目标区域图像相比于选中区域图像的多余部分图像，对所述病灶区域图像进行裁剪。可见，在上一实施例的方法被实施的情况下，本申请实施例可以在图像分割得到病灶区域图像之后，根据之前目标区域图像的尺寸调整情况，对病灶区域图像进行逆向调整，从而一定程度上对目标区域图像的尺寸进行恢复，使得最终确定得到的目标区域图像的病灶边界，尽量接近于用户指定的选中区域图像的病灶边界。结合第一方面的第二种实现方式，在第一方面的第四种实现方式中，所述对所述目标区域图像进行图像分割，得到所述病灶区域图像，包括：利用深度学习全卷积分割网络对所述目标区域图像进行图像分割，得到所述病灶区域图像，所述图像尺寸调整规则为深度学习图像调整规则，所述深度图像调整规则用于指示所述深度学习全卷积分割网络对应的尺寸标准。可见，本申请实施例结合了深度学习技术来实现对病灶区域图像的精确分割，且对于不同的图像分割技术对应于有不同的图像尺寸调整规则，当图像分割技术为深度学习技术的时候，对应的图像尺寸调整规则为深度图像调整规则，于是根据深度图像调整规则调整得到的目标区域图像符合后续深度学习全卷积分割网络对于输入图像的尺寸标准，更有助于提高后续图像分割的速度，于是进一步的提高了图像处理的效率。结合第一方面的第四种实现方式，在第一方面的第五种实现方式中，所述按照图像尺寸调整规则在所述原始病理图像中对所述选中区域图像的尺寸进行调整，使得调整之后的选中区域图像的大小符合图像分割的尺寸标准，包括：获取所述深度学习全卷积网络对应的深度学习图像调整规则，所述深度学习图像调整规则包括尺寸比例标准以及尺寸大小标准；按照所述深度学习图像调整规则中的尺寸比例标准以及尺寸大小标准，分别对所述选中区域图像的尺寸比例以及尺寸大小进行调整，使得调整之后的选中区域图像的大小符合所述深度学习全卷积网络的尺寸标准。可见，本申请实施例对深度学习图像调整规则以及调整的过程进行了详细说明，即按照深度学习图像调整规则中的尺寸比例标准和尺寸大小标准分别对选中区域图像进行一次调整，其调整的先后顺序不受限定，于是选中区域图像根据目标区域图像进行调整之后，根据其尺寸比例和尺寸大小都受到了很大的改善。结合第一方面的第五种实现方式，在第一方面的第六种实现方式中，所述深度学习图像调整规则中的尺寸比例标准为，所述选中区域图像的边长为预设数值的倍数，所述预设数值为偶数；所述深度学习图像调整规则的尺寸大小标准为，所述选中区域图像的尺寸小于等于预设最大尺寸。可见，本申请实施例进一步地对上一实施例所提及的深度学习图像调整规则中的尺寸比例标准和尺寸大小标准进行详细说明。结合第一方面至第一方面的第六种实现方式，在第一方面的第七种实现方式中，所述根据所述病灶区域图像，在所述目标区域图像或所述原始病理图像中标记出所述目标区域图像的病灶边界，包括：检测得到所述病灶区域图像的边界；提取所述病灶区域图像的边界的各个边界点的坐标；根据所述病灶区域图像的边界的各个边界点的坐标，在所述目标区域图像或所述原始病理图像中标记出所述目标区域图像的病灶边界。可见，本申请实施例通过边界检测检测到病灶区域图像的边界以及通过轮廓提取来提取病灶区域图像的边界的坐标，然后根据病灶区域图像的边界的坐标进行标记，于是得到的目标区域图像的病灶边界既清晰又准确，且可以认为是一种精确病灶边界。第二方面，本申请实施例提供了一种图像处理设备，该图本文档来自技高网...

【技术保护点】
1.一种图像处理方法，其特征在于，包括：提取出原始病理图像中的目标区域图像；对所述目标区域图像进行图像分割，得到病灶区域图像，所述病灶区域图像包含所述目标区域图像的病灶区域；根据所述病灶区域图像，在所述目标区域图像或所述原始病理图像中标记出所述目标区域图像的病灶边界。

【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：提取出原始病理图像中的目标区域图像；对所述目标区域图像进行图像分割，得到病灶区域图像，所述病灶区域图像包含所述目标区域图像的病灶区域；根据所述病灶区域图像，在所述目标区域图像或所述原始病理图像中标记出所述目标区域图像的病灶边界。2.根据权利要求1所述的方法，其特征在于，所述提取出原始病理图像中的目标区域图像之前，还包括：显示原始病理图像，并接收针对于所述原始病理图像的区域选择指令；所述提取出原始病理图像中的目标区域图像，包括：根据所述区域选择指令提取出所述原始病理图像中的目标区域图像。3.根据权利要求2所述的方法，其特征在于，所述根据所述区域选择指令提取出所述原始病理图像中的目标区域图像，包括：根据所述区域选择指令确定出所述原始病理图像中的选中区域图像；按照图像尺寸调整规则在所述原始病理图像中对所述选中区域图像的尺寸进行调整，使得调整之后的选中区域图像的尺寸符合图像分割的尺寸标准；将所述调整之后的选中区域图像作为目标区域图像，并从所述原始病理图像中提取出所述目标区域图像。4.根据权利要求3所述的方法，其特征在于，所述对所述目标区域图像进行图像分割，得到所述病灶区域图像之后，所述根据所述病灶区域图像，在所述目标区域图像或所述原始病理图像中标记出所述目标区域图像的病灶边界之前，还包括：检测所述目标区域图像相比于所述选中区域图像的多余部分图像；根据所述目标区域图像相比于选中区域图像的多余部分图像，对所述病灶区域图像进行裁剪。5.根据权利要求3所述的方法，其特征在于，所述对所述目标区域图像进行图像分割，得到所述病灶区域图像，包括：利用深度学习全卷积分割网络对所述目标区域图像进行图像分割，得到所述病灶区域图像，所述图像尺寸调整规则为深度学习图像调整规则，所述深度图像...

【专利技术属性】
技术研发人员：黄晓迪，李嘉辉，
申请(专利权)人：上海商汤智能科技有限公司，
类型：发明
国别省市：上海,31