一种面向医学图像的数据增强方法技术

本发明专利技术公开了一种面向医学图像的数据增强方法，其特征在于，包括以下步骤：数据的采集与读取；训练医疗预分类模型；获取图像的激活映射图；划分有效激活区域和非有效区域；检测图像中的干扰物并进行标记；对医学图像进行修复。通过上述方式，本发明专利技术能够降低医学图像处理对关键诊疗部位的影响，有效降低了诊疗关键信息缺失的可能性；在保证诊疗关键语义信息不被改变的前提下，最大程度的去除了干扰物对数字化诊疗产生的影响。字化诊疗产生的影响。字化诊疗产生的影响。

【技术实现步骤摘要】
一种面向医学图像的数据增强方法


[0001]本专利技术涉及图像处理领域，特别是涉及一种面向医学图像的数据增强方法。

技术介绍

[0002]在医学图像的获取过程中，往往受到诸如毛发、灰尘、光斑等因素的影响，导致最终获取到的图像不清晰、有异物遮挡或有很多与疾病诊断无关的信息，从而影响数字化诊疗手段的诊疗效果。
[0003]有的干扰物对诊疗关键部位造成了直接影响的遮挡，如压盖住伤口的毛发、覆盖在肿瘤上的光斑等。有的干扰物对诊疗造成了间接影响的物体，如黑色素瘤附近的毛发、毛孔、伤口等，虽然这些在诊疗关键部位周边的干扰物只对诊疗造成间接的影响，带来的干扰不如直接影响的大，但仍会影响数字化诊疗模型的设计和学习，导致诊疗模型将一些与疾病无关的因素关联起来，容易造成诊疗的误判。这些干扰物因素都会对数字化诊疗造成干扰，从而影响诊疗效果。
[0004]针对这些干扰物，常规的做法是使用图像修复技术对干扰物进行去除，或对干扰物进行识别并添加通过掩膜（Mask）屏蔽相关区域消除影响。但医学图像具有非常高的准确性要求，这些操作均有一定的概率影响到疾病诊疗的关键部位，从而导致疾病诊疗的偏差。
[0005]因此，在医学图像的数字化诊疗流程中，亟需一种既能保护诊疗关键部位信息、又能最大化去除干扰物影响的图像处理手段。
[0006]公告号为CN111127466A，名称为医学图像检测方法、装置、设备及存储介质的专利文献，提出了对医学图像进行分割处理，根据病灶分割区域和非病灶分割区域，确定该医学图像中表征所述目标部位的病灶信息的检测结果的技术方案，该专利对医学图像进行了区域分割及干扰物去除，但其忽略了病灶区域外的信息。在此基础上想要得到这些信息，只能通过多阶段，即利用关键区域与全局两张图像的方式获取，但这又降低了检测方法的效率。

技术实现思路

[0007]本专利技术主要解决的技术问题是提供一种面向医学图像的数据增强方法，能够有效去除采集到的医学图像数据中与疾病诊断无关的内容，同时最大化保护疾病诊疗关键部位的信息，帮助后续的数字化诊疗手段进行诊疗。
[0008]为解决上述技术问题，本专利技术采用的一个技术方案是：提供一种面向医学图像的数据增强方法，具体包括以下步骤：S1：数据的采集与读取；S2：训练医疗预分类模型；S3：获取图像的激活映射图；S4：划分有效激活区域和非有效区域；S5：检测图像中的干扰物并进行标记；S6：对医学图像进行修复。
[0009]进一步的，所述S1，包括：S11：根据诊疗需求对医学图像进行采集；S12：将采集到的医学图像进行标注；S13：将标注后的图像转化为标准化的图像格式，形成标准化的医学图像数据集。
[0010]进一步的，所述S2，训练过程包括：S21：根据医学图像的类别，选取一种深度分类网络模型；S22：初始化深度分类网络模型的参数，设定损失函数和优化器；S23：从标准化的医学图像数据集中任意选取x项数据；S24：将x项数据输入深度分类网络模型中，得到深度分类网络模型对每项数据的预测值；S25：计算预测值与标注之间的损失函数值，反向传播至网络参数并使用优化器更新参数；S26：若模型收敛，则结束训练，否则转至S23。
[0011]进一步的，所述S3，过程包括：S31：将医学图像输入深度分类网络模型，得到输出向量p；S32：根据输出向量p进行反向传播计算，得到每个特征图对应的梯度图；S33：对每个梯度图求平均，得到每个特征图对应的权重；S34：将权重与特征图进行加权求和，并使用ReLU激活函数激活，得到最终的类别激活映射图。
[0012]进一步的，所述S4，根据医学图像对应的激活映射图，使用OTSU（大律法）选取一个阈值γ，并根据阈值γ对每张图像的类别激活映射图进行二值化处理，分割出有效激活区域和非有效激活区域。
[0013]进一步的，所述S5，包括训练干扰物检测网络和干扰区域标记。
[0014]进一步的，所述训练干扰物检测网络，包括：S51：基于医学影像建立干扰物检测数据集，包含带有仿真干扰物的医学图像数据和干扰物对应的像素级标注；S52：选择一种深度分割网络模型，并初始化参数；S53：设定深度分割网络模型的损失函数和优化器；S54：从干扰物检测数据集中任意采样一批数据输入深度分割网络模型，得到预测干扰物位置概率图；S55：根据标注数据计算损失函数值，使用优化器对深度分割网络模型参数进行优化；S56：若模型收敛，则结束训练，否则转至S53；进一步的，所述干扰区域标记：S57：使用训练好的干扰物检测网络对每张医学图像进行检测，并将检测结果包含的区域标记为进一步的，所述S6，选取一种数字图像修复技术，对医学图像中的干扰物进行去除及修复；
进一步的，所述数字图像修复技术，包括但不限于基于编码解码网络的算法、基于对抗式生成神经网络的算法。
[0015]本专利技术的有益效果是：1.降低了医学图像处理对关键诊疗部位的影响，有效降低了诊疗关键信息缺失的可能性；2.在保证诊疗关键语义信息不被改变的前提下，最大程度的去除了干扰物对数字化诊疗产生的影响。
附图说明
[0016]图1是一种面向医学图像的数据增强方法的流程图；图2是一种面向医学图像的数据增强方法一较佳实施例的示意图。
具体实施方式
[0017]下面结合附图对本专利技术的较佳实施例进行详细阐述，以使本专利技术的优点和特征能更易于被本领域技术人员理解，从而对本专利技术的保护范围做出更为清楚明确的界定。
[0018]请参阅图1和图2，本专利技术实施例包括：一种面向医学图像的数据增强方法，具体包括以下步骤：S1：数据的采集与读取；S2：训练医疗预分类模型；S3：获取图像的激活映射图；S4：划分有效激活区域和非有效区域；S5：检测图像中的干扰物并进行标记；S6：对医学图像进行修复。
[0019]进一步的，所述S1，包括：S11：根据诊疗需求对医学图像进行采集；S12：将采集到的医学图像进行标注；S13：将标注后的图像转化为标准化的图像格式，形成标准化的医学图像数据集。
[0020]进一步的，所述S2，训练过程包括：S21：根据医学图像的类别，选取一种深度分类网络模型；S22：初始化深度分类网络模型的参数，设定损失函数和优化器；S23：从标准化的医学图像数据集中任意选取x项数据；S24：将x项数据输入深度分类网络模型中，得到深度分类网络模型对每项数据的预测值；S25：计算预测值与标注之间的损失函数值，反向传播至网络参数并使用优化器更新参数；S26：若模型收敛，则结束训练，否则转至S23。
[0021]进一步的，所述S3，过程包括：S31：将医学图像输入深度分类网络模型，得到输出向量p；S32：根据输出向量p进行反向传播计算，得到每个特征图对应的梯度图；
S33：对每个梯度图求平均，得到每个特征图对应的权重；S34：将权重与特征图进行加权求和，并使用ReLU激活函数激活，得到最终的类别激活映射图。
[0022]进一步的，所述S4，根据医学图像对应的激活映射图，使用OT本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向医学图像的数据增强方法，其特征在于，包括以下步骤：S1：数据的采集与读取；S2：训练医疗预分类模型；S3：获取图像的激活映射图；S4：划分有效激活区域和非有效区域；S5：检测图像中的干扰物并进行标记；S6：对医学图像进行修复。2.如权利要求1所述的一种面向医学图像的数据增强方法，其特征在于，所述S1，包括：S11：根据诊疗需求对医学图像进行采集；S12：将采集到的医学图像进行标注；S13：将标注后的图像转化为标准化的图像格式，形成标准化的医学图像数据集。3.如权利要求1所述的一种面向医学图像的数据增强方法，其特征在于，所述S2，训练过程包括：S21：根据医学图像的类别，选取一种深度分类网络模型；S22：初始化深度分类网络模型的参数，设定损失函数和优化器；S23：从标准化的医学图像数据集中任意选取x项数据；S24：将x项数据输入深度分类网络模型中，得到深度分类网络模型对每项数据的预测值；S25：计算预测值与标注之间的损失函数值，反向传播至网络参数并使用优化器更新参数；S26：若模型收敛，则结束训练，否则转至S23。4.如权利要求1所述的一种面向医学图像的数据增强方法，其特征在于，所述S3，过程包括：S31：将医学图像输入深度分类网络模型，得到输出向量p；S32：根据输出向量p进行反向传播计算，得到每个特征图对应的梯度图；S33：对每个梯度图求平均，得到每个特征图对应的权重；S34：将权重与特...

【专利技术属性】
技术研发人员：李瑞瑞，刘嘉润，赵伟，
申请(专利权)人：北京富通东方科技有限公司，
类型：发明
国别省市：