医学图像的分类标注方法和系统、服务器技术方案

本发明专利技术公开了医学图像的分类标注方法和系统、服务器，属于医学图像技术领域。该方法包括：获取原始医学图像并发送给人工标注终端；获取人工标注终端返回的人工标注图并通过边缘提取算法得到标注区域的像素边界；通过预先训练的全卷积神经网络模型，对原始医学图像进行处理得到尺寸为原始医学图像大小、深度为标注类型数目的特征图；在像素边界，将特征图与人工标注图进行比较；如果像素点在人工标注图与特征图上结果一致，则不对该像素点进行修正；反之，则选取特征图上该像素点周围的多个像素点，以多个像素点中数量最多的类别作为该像素点的类别；以修正后的特征图作为网络标注图输出。

【技术实现步骤摘要】
医学图像的分类标注方法和系统、服务器
本专利技术属于医学图像处理
，特别涉及一种医学图像的分类标注方法和系统、服务器。
技术介绍
先进医学成像技术如超声成像、磁共振成像技术等产生了大量的二维与三维医学图像用于医疗诊断，这些图像中包含了病理组织、器官等多种信息，需要医务工作人员结合专业知识进行判断。然而医学成像和常规图像相比具有对比度差、噪声大等特点，造成诊断耗时、容易出错等问题。通过预先进行医学图像地分割与标注，把目标区域从背景区域中定量地分离出来，不仅可以减小医学专家在疾病诊断过程中的工作量与成本，而且可以减少人工过程的出错率，从而提高诊断效率与准确度。目前，对于医学图像的分割处理多采用基于阈值、边缘检测等的传统图像分割方法，这些方法容易受噪声影响，难以保证分割边缘的连续性与封闭性。以神经网络为代表的人工智能算法在自动驾驶等图像处理领域中得到成熟应用，成为解决医疗图像处理问题的新兴技术。
技术实现思路
为了解决上述问题，本专利技术实施例提供了一种医学图像的分类标注方法和系统、服务器。所述技术方案如下：一方面，本专利技术实施例提供了医学图像的分类标注方法，该方法包括：S101：获取原始医学图像并发送给人工标注终端；S102：获取人工标注终端返回的人工标注图并通过边缘提取算法得到标注区域的像素边界，所述人工标注图由人工标注终端在原始医学图像上的目标区域通过人工按照预定策略分类标注得到；S103：通过预先训练的全卷积神经网络模型，对原始医学图像进行处理得到尺寸为原始医学图像大小、深度为标注类型数目的特征图，所述特征图深度方向上像素值最大的点所在的层数序号为标注的类别号；S104：在像素边界，将特征图与人工标注图进行比较；如果像素点在人工标注图与特征图上结果一致，则不对该像素点进行修正；反之，则选取特征图上该像素点周围的多个像素点，以多个像素点中数量最多的类别作为该像素点的类别；S105：以经过步骤S104处理后的特征图作为网络标注图输出。其中，在人工标注终端，人工绘制目标区域的边缘轮廓，通过连通图算法将边缘轮廓围成的区域进行填充，人工对填充后的区域进行分类标注，所述人工标注图与特征图标注的类别对应。具体地，本专利技术实施例中人工标注终端的标注方法为：S201：人工选择特定颜色的画笔并选择粗线型，不同颜色代表不同的组织且对应相应的标注分类；S202：人工使用画笔勾勒出目标区域的大致轮廓；S203：通过连通图算法，将位于轮廓内的像素点标注为画笔颜色以实现将边缘轮廓围成的区域进行填充；S204：人工选择细线型，对区域边缘进行修补；S205：如果还有区域要标注,则重复步骤S201-S204，如果没有则得到人工标注图。进一步地，本专利技术提供的分类标注方法还包括：每张原始医学图像均具有唯一的数据标识码；在步骤S101中，获取原始医学图像及对应的数据标识码并一起发送给人工标注终端；在步骤S102中，获取人工标注图及对应的数据标识码，在步骤S105中，输出网络标注图及对应的数据标识码；数据标识码的生成方法为：S301：原始医学图像X通过线性投影矩阵W矩阵运算得到向量Y；其中，原始医学图像X的大小为：宽度为w，高度为3h；线性投影矩阵W的大小为1*w；向量Y的尺寸为1*3h；线性投影矩阵W根据下列公式计算得到：S302：向量Y的每个元素向下取整到最近的整数，使Y向量的每个元素都在[0,255]之间；S303：通过哈希散列函数，将Y向量映射为特定数字标识码ID；如果特定数字标识码ID与已有图像ID相同，则为特定数字标识码ID加上后缀标识符与已有图像ID进行区分；带或不带后缀标识符的特定数字标识码ID即为数据标识码。其中，步骤S103具体包括：S401：通过多个卷积核和最大池化提取原始医学图像的特征信息，得到初始特征图；S402：通过平均值池化将初始特征图降采样至一系列尺寸，通过卷积核卷积处理；再依次通过双线性插值方法与等尺寸卷积将系列尺寸特征图还原到初始特征图大小，得到还原特征图；S403：将还原特征图和初始特征图拼接得到拼接特征图；S404：依次通过双线性插值方法与等尺寸卷积将拼接特征图还原到原始医学图像大小，再通过softmax算法，得到尺寸为原始医学图像大小、深度为标注类型数目的特征图。优选地，本专利技术提供的分类标注方法还包括：选取特征图与人工标注图误差较小的原始医学图像为高质量样本，以高质量样本作为全卷积神经网络模型的输入，以该原始医学图像对应的网络标注图作为全卷积神经网络模型的输出，对全卷积神经网络模型进行优化训练。具体地，在步骤S104中，如果特征图与人工标注图中结果不一致的像素点在像素边界的占比小于预定阈值时，则认为特征图与人工标注图误差较小，对应的原始医学图像为高质量样本；所述优化训练方法包括：以原有的已标注医学图像作为验证集，对高质量样本进行k折交叉验证。具体地，在步骤S104中：多个像素点的数量为15-25个。另一方面，本专利技术实施例还提供了一种医学图像的分类标注系统，该系统包括：用户：用于将原始医学图像上传至服务器，并能显示网络标注图；中央数据库：用于获取并存储用户上传的原始医学图像，将原始医学图像分发给服务器，存储网络标注图并将网络标注图发送至用户；服务器：用于将原始医学图像分发给人工标注终端，对原始医学图像通过预先训练的全卷积神经网络模型进行处理得到尺寸为原始图像大小、深度为标注类型数目的特征图，获取人工标注图并通过边缘提取算法对人工标注图进行处理得到标注区域的像素边界；在像素边界，通过与人工标注图对比对特征图进行修正得到网络标注图，将网络标注图上传至中央数据库；人工标注终端：用于显示原始医学图像和人工标注图，对原始医学图像进行人工标注得到人工标注图，并将人工标注图上传至服务器。又一方面，本专利技术实施例还提供了一种服务器，包括：数据收发模块：用于接收中央数据库发送的原始医学图像、向人工标注终端发送原始医学图像和向中央数据库发送网络标注图；图像处理模块：用于通过边缘提取算法对人工标注图进行处理得到标注区域的像素边界；全卷积神经网络模块：用于通过预先训练的全卷积神经网络模型，对原始医学图像进行处理得到尺寸为原始医学图像大小、深度为标注类型数目的特征图，所述特征图深度方向上像素值最大的点所在的层数序号为标注的类别号；修正模块：用于在像素边界，将特征图与人工标注图进行比较；如果像素点在人工标注图与特征图上结果一致，则不对该像素点进行修正；反之，则选取特征图上该像素点周围的多个像素点，以多个像素点中数量最多的类别作为该像素点的类别；以修正后的特征图作为网络标注图。其中，本专利技术实施例提供的全卷积神经网络模块包括：特征图提取单元：用于通过多次卷积与池化提取原始医学图像的特征信息，得到初始特征图；多尺度卷积池化单元：用于通过平均池本文档来自技高网...

【技术保护点】
1.医学图像的分类标注方法，其特征在于，所述方法包括：/nS101：获取原始医学图像并发送给人工标注终端；/nS102：获取人工标注终端返回的人工标注图并通过边缘提取算法得到标注区域的像素边界，所述人工标注图由人工标注终端在原始医学图像上的目标区域通过人工按照预定策略分类标注得到；/nS103：通过预先训练的全卷积神经网络模型，对原始医学图像进行处理得到尺寸为原始医学图像大小、深度为标注类型数目的特征图，所述特征图深度方向上像素值最大的点所在的层数序号为标注的类别号；/nS104：在像素边界，将特征图与人工标注图进行比较；如果像素点在人工标注图与特征图上结果一致，则不对该像素点进行修正；反之，则选取特征图上该像素点周围的多个像素点，以多个像素点中数量最多的类别作为该像素点的类别；/nS105：以经过步骤S104处理后的特征图作为网络标注图输出。/n

【技术特征摘要】
1.医学图像的分类标注方法，其特征在于，所述方法包括：
S101：获取原始医学图像并发送给人工标注终端；
S102：获取人工标注终端返回的人工标注图并通过边缘提取算法得到标注区域的像素边界，所述人工标注图由人工标注终端在原始医学图像上的目标区域通过人工按照预定策略分类标注得到；
S103：通过预先训练的全卷积神经网络模型，对原始医学图像进行处理得到尺寸为原始医学图像大小、深度为标注类型数目的特征图，所述特征图深度方向上像素值最大的点所在的层数序号为标注的类别号；
S104：在像素边界，将特征图与人工标注图进行比较；如果像素点在人工标注图与特征图上结果一致，则不对该像素点进行修正；反之，则选取特征图上该像素点周围的多个像素点，以多个像素点中数量最多的类别作为该像素点的类别；
S105：以经过步骤S104处理后的特征图作为网络标注图输出。


2.根据权利要求1所述的医学图像的分类标注方法，其特征在于，在人工标注终端，人工绘制目标区域的边缘轮廓，通过连通图算法将边缘轮廓围成的区域进行填充，人工对填充后的区域进行分类标注，所述人工标注图与特征图标注的类别对应。


3.根据权利要求2所述的医学图像的分类标注方法，其特征在于，所述人工标注终端的标注方法为：
S201：人工选择特定颜色的画笔并选择粗线型，不同颜色代表不同的组织且对应相应的标注分类；
S202：人工使用画笔勾勒出目标区域的大致轮廓；
S203：通过连通图算法，将位于轮廓内的像素点标注为画笔颜色以实现将边缘轮廓围成的区域进行填充；
S204：人工选择细线型，对区域边缘进行修补；
S205：如果还有区域要标注,则重复步骤S201-S204，如果没有则得到人工标注图。


4.根据权利要求1所述的医学图像的分类标注方法，其特征在于，所述方法还包括：每张原始医学图像均具有唯一的数据标识码；在步骤S101中，获取原始医学图像及对应的数据标识码并一起发送给人工标注终端；在步骤S102中，获取人工标注图及对应的数据标识码，在步骤S105中，输出网络标注图及对应的数据标识码；
所述数据标识码的生成方法为：
S301：原始医学图像X通过线性投影矩阵W矩阵运算得到向量Y；



其中，原始医学图像X的大小为：宽度为w，高度为3h；线性投影矩阵W的大小为1*w；向量Y的尺寸为1*3h；线性投影矩阵W根据下列公式计算得到：



S302：向量Y的每个元素向下取整到最近的整数，使Y向量的每个元素都在[0,255]之间；
S303：通过哈希散列函数，将Y向量映射为特定数字标识码ID；如果特定数字标识码ID与已有图像ID相同，则为特定数字标识码ID加上后缀标识符与已有图像ID进行区分；带或不带后缀标识符的特定数字标识码ID即为数据标识码。


5.根据权利要求1所述的医学图像的分类标注方法，其特征在于，步骤S103具体包括：
S401：通过多个卷积核和最大池化提取原始医学图像的特征信息，得到初始特征图；
S402：通过平均值池化将初始特征图降采样至一系列尺寸，通过卷积核卷积处理；再依次通过双线性插值方法与等尺寸卷积将系列尺寸特征图还原到初始特征图大小，得到还原特征图；
S403：将还原特征图和初始特征图拼接...

【专利技术属性】
技术研发人员：李黎，张文浩，翟石磊，孙安玉，
申请(专利权)人：武汉千屏影像技术有限责任公司，
类型：发明
国别省市：湖北;42