医疗图像切割方法及装置制造方法及图纸

本发明专利技术实施例提供一种医疗图像切割方法及装置，所述方法包括：将待进行切割的医疗图像输入图像切割模型中，输出切割为小块的子医疗图像；图像切割模型包括图像偏移模块、特征提取模块、条件随机场模块和切割模块，图像偏移模块用于根据预设偏移量集合和第一区域的第一小块子图像，获取多个不同区域的第二小块子图像集合，特征提取模块用于提取各第二小块子图像的特征，条件随机场模块用于获取各第二小块子图像与第一小块子图像标注相同的概率，并通过损失函数计算各概率对应的损失值，切割模块用于对医疗样本图像进行切割。本发明专利技术实施例能够实现自适应切割医疗图像，并提高了神经网络训练效率，降低了神经网络训练成本。

【技术实现步骤摘要】
医疗图像切割方法及装置
本专利技术涉及计算机视觉
，尤其涉及一种医疗图像切割方法及装置。
技术介绍
计算机视觉在深度学习兴起之后获得了快速的发展，包括图像分类，目标检测与定位，图像分割。其中，基于深度学习的图像分割也广泛应用于医疗图像切割。然而，诸如组织学图像在内的医疗图像尺寸通常很大，如80000×80000及以上的像素，而深度神经网络的输入尺寸在500×500像素内。训练神经网络用于医疗图像进行分类处理首先需要将医疗图像切割成为小块子图像，再将小块图像标注后用于训练神经网络。传统的切割医疗图像为小块子图的方法包括：①平移滑动并且没有相交区域的切割；②平移滑动并且有相交区域的切割。但是上述两种方法切割的图像往往质量不佳，并且切割的图像中有两种或两种以上特征，也有部分图像包含大块的背景。而为了消除上述切割图像带来的影响，在训练神经网络的时候需要切割大量的医疗图像提升数据集的大小，大量的数据集量提升了标注人员的工作量，也提升了深度神经网络训练的时间和计算成本。
技术实现思路
针对现有技术存在的问题，本专利技术实施本文档来自技高网...

【技术保护点】
1.一种医疗图像切割方法，其特征在于，包括：/n获取待进行切割的医疗图像；/n将所述医疗图像输入图像切割模型中，输出切割为小块的子医疗图像；/n其中，所述图像切割模型是基于带有分类标注的医疗样本图像训练得到的，所述图像切割模型包括图像偏移模块、特征提取模块、条件随机场模块和切割模块；所述图像偏移模块用于根据预设偏移量集合，将医疗样本图像中第一区域的第一小块子图像分别增加偏移量集合中的每一偏移量，获取多个不同区域的第二小块子图像集合，所述特征提取模块用于提取所述各第二小块子图像的特征，所述条件随机场模块用于以所述各第二小块子图像的特征为输入，获取各第二小块子图像与第一小块子图像标注相同的概率，并...

【技术特征摘要】
1.一种医疗图像切割方法，其特征在于，包括：
获取待进行切割的医疗图像；
将所述医疗图像输入图像切割模型中，输出切割为小块的子医疗图像；
其中，所述图像切割模型是基于带有分类标注的医疗样本图像训练得到的，所述图像切割模型包括图像偏移模块、特征提取模块、条件随机场模块和切割模块；所述图像偏移模块用于根据预设偏移量集合，将医疗样本图像中第一区域的第一小块子图像分别增加偏移量集合中的每一偏移量，获取多个不同区域的第二小块子图像集合，所述特征提取模块用于提取所述各第二小块子图像的特征，所述条件随机场模块用于以所述各第二小块子图像的特征为输入，获取各第二小块子图像与第一小块子图像标注相同的概率，并通过损失函数计算各概率对应的损失值，所述切割模块用于根据计算得到的最大损失值对应的偏移量，对所述医疗样本图像进行切割；
其中，在对所述图像切割模型进行训练时，通过所述损失值来优化所述特征提取模块和所述条件随机场模块，直至满足预设收敛条件。


2.根据权利要求1所述的医疗图像切割方法，其特征在于，所述图像偏移模块中存储有第一小块子图像与第一小块子图像中心像素坐标的映射关系，以及各第二小块子图像与第二小块子图像中心像素坐标的映射关系；
相应地，根据预设偏移量集合，将医疗样本图像中第一区域的第一小块子图像分别增加偏移量集合中的每一偏移量，获取多个不同区域的第二小块子图像集合，包括：
根据预设偏移量集合，将医疗样本图像中第一区域的第一小块子图像中心像素坐标分别增加偏移量集合中的每一偏移量，获取多个第二小块子图像中心像素坐标。


3.根据权利要求1所述的医疗图像切割方法，其特征在于，在图像切割模型输出切割为小块的子医疗图像之后，还包括：根据切割为小块的子医疗图像中的组织进行分类。


4.根据权利要求1所述的医疗图像切割方法，其特征在于，所述条件随机场模块根据条件随机场函数获取各第二小块子图像与第一小块子图像标注相同的概率；其中，所述条件随机场函数为：









其中，P(l＝l|x)表示以小块子图像x作为条件标注为l的概率，P(l＝l|p)表示小块子图像x的中心像素坐标p作为条件标注为l的概率，p表示小块子图像x的中心像素在原始图像中的坐标，l表示以图像标注生成的随机变量，l表示图像标注，Z(p)表示归一化常数，表示能量函数，表示所有小块子图像x的全体集合，ψu表示一元势能函数，l(Δp+p)表示中心坐标为Δp+p的小块子图像的标注，Δp表示中心坐标为p的小块子图像对应的带训练的偏移量，Δp′表示中心坐标为Δp′的小块子图像对应的带训练的偏移量，ψp表示对偶势能函数，l(Δp′+p′)表示中心坐标为Δp′+p′的小块子图像的标注，ωp+Δp,p′+Δp′表示相邻与中心坐标为Δp+p和Δp′+p′的小块子图像的待训练权重，σ表示控制偏移...

【专利技术属性】
技术研发人员：沈逸卿，柯晶，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31