提取肝脏边缘的方法及电子设备技术

本公开提供提取肝脏边缘的方法及电子设备。用于提高肝脏边缘的分割效率，包括：对肝脏的医学图像连续进行多次特征提取，得到多个第一特征图，对前指定数量的各第一特征图分别进行特征提取，得到多个第二特征图，其中，所述第二特征图的数量与所述第一特征图进行特征提取的次数相同；并，对除所述前指定数量的各第一特征图之外的第一特征图进行上采样，得到上采样后的第一特征图，并对所述上采样后的第一特征图进行特征提取，得到第三特征图；将所述多个第二特征图和所述第三特征图进行融合，得到融合后的特征图；对所述融合后的特征图进行融合分类操作，得到目标医学图像，其中，所述目标医学图像中包括所述肝脏的边缘以及所述边缘的类别。缘的类别。缘的类别。

【技术实现步骤摘要】
提取肝脏边缘的方法及电子设备


[0001]本专利技术涉及图像处理
，特别涉及一种提取肝脏边缘的方法及电子设备。

技术介绍

[0002]目前，采用腹腔镜下行肝脏肿瘤切除术仍存在一定的争议。支持行腹腔镜切除术者认为：腹腔镜手术减小手术创伤，减少常规开腹手术导致的腹腔内严重粘连，利于患者恢复。而反对者认为腹腔镜手术过程中缺乏手的触感，不易判定肿瘤位置，尤其对位于肝Ⅰ、Ⅳa、
Ⅶ
、
Ⅷ
段的肿瘤在腹腔镜下暴露较为困难，且这几段肝段的肿瘤靠近肝脏主要的脉管系统，操作过程中极易损伤周围脉管而导致出血，增加了手术风险。而导致争议的根源在于相较于开腹手术，腹腔镜手术医生更难定位肝脏病灶位置及其周围脉管组织分布情况，因此结合术前拍摄的三维CT影像，定位腹腔镜术野中的组织器官解剖结构变得极为关键。
[0003]为了准确的定位腹腔镜术野中肝脏病灶位置及其周围脉管组织分布情况，需要获取腹腔镜视频图像中肝脏边缘信息。
[0004]现有技术中，确定肝脏边缘信息的做法都是由经验丰富的医生手动在图像上进行分割的，所以导致肝脏边缘的分割效率较低。

技术实现思路

[0005]本公开示例性的实施方式中提供一种提取肝脏边缘的方法及电子设备，用于提高肝脏边缘的分割效率。
[0006]本公开的第一方面提供一种提取肝脏边缘的方法，所述方法包括：
[0007]对肝脏的医学图像连续进行多次特征提取，得到多个第一特征图，其中，后一次特征提取输入的图像为前一次特征提取后得到的图像，且所述多个第一特征图包括各次特征提取得到的各图像中的部分或全部；
[0008]对前指定数量的各第一特征图分别进行特征提取，得到多个第二特征图，其中，所述第二特征图的数量与所述第一特征图进行特征提取的次数相同；并，
[0009]对除所述前指定数量的各第一特征图之外的第一特征图进行上采样，得到上采样后的第一特征图，并对所述上采样后的第一特征图，得到第三特征图；
[0010]将所述多个第二特征图和所述第三特征图进行融合，得到融合后的特征图；
[0011]对所述融合后的特征图进行融合分类操作，得到目标医学图像，其中，所述目标医学图像中包括所述肝脏的边缘以及所述边缘的类别。
[0012]本实施例中通过对肝脏的医学图像连续进行多次特征提取，得到多个第一特征图，然后基于分别基于部分第一特征图得到多个第二特征图和第三特征图，然后将所述多个第二特征图和所述第三特征图进行融合，得到融合后的特征图，最后基于融合后的特征图实现对肝脏边缘的提取以及肝脏边缘的分类。由此，本实施例中可自动提取肝脏的边缘，并不需要人工提取，提高了肝脏边缘提取的效率。
[0013]在一个实施例中，所述将所述多个第二特征图和所述第三特征图进行融合，得到
融合后的特征图，包括：
[0014]利用所述各第二特征图的权重和所述第三特征图的权重对所述各第二特征图和所述第三特征图进行共享串联融合，得到所述融合后的特征图。
[0015]本实施例通过对不同的第二特征图设置不同的权重，可以充分使用精准定位肝脏的边缘信息，从而在提高边缘精准度和尖锐程度的同时，抑制肝脏内部琐碎的边缘。
[0016]在一个实施例中，所述对所述融合后的特征图进行融合分类操作，得到目标医学图像，包括：
[0017]采用多个指定大小的卷积层对所述融合后的特征图分别进行特征提取，得到所述目标医学图像，其中，所述卷积层的数量与所述目标图像中边缘的类别的数量相同。
[0018]本实施例中通过多个指定大小的卷积层对所述融合后的特征图分别进行特征提取以实现对肝脏边缘的分割和分类。
[0019]在一个实施例中，所述对肝脏的医学图像连续进行多次特征提取，得到多个第一特征图，包括：
[0020]将所述肝脏的医学图像输入至肝脏分割神经网络中连续进行多次特征提取，得到所述多个第一特征图；
[0021]其中，通过以下方式对所述肝脏分割神经网络进行训练：
[0022]获取肝脏训练样本和肝脏测试样本，其中，所述肝脏训练样本和所述肝脏测试样本均包括预先标注好的肝脏图像，且所述肝脏图像中包括所述肝脏的边缘以及所述边缘的类别；
[0023]基于所述肝脏训练样本对所述肝脏分割神经网络进行训练，得到训练后的肝脏分割神经网络；
[0024]将所述肝脏测试样本输入至所述肝脏分割神经网络中，得到所述肝脏测试样本对应的预测肝脏图像，其中，所述预测肝脏图像中包括肝脏的预测边缘，以及所述预测边缘的类别；
[0025]根据所述预先标注好的肝脏图像和所述预测肝脏图像，得到误差值；
[0026]若所述误差值大于指定阈值，则结束对肝脏分割神经网络的训练。
[0027]本实施例通过肝脏训练样本对所述肝脏分割神经网络进行训练，得到训练后的肝脏分割神经网络，然后通过肝脏测试样本对训练后的肝脏分割神经网络进行测试，以提高训练后的肝脏分割神经网络的准确率。
[0028]在一个实施例中，所述获取肝脏训练样本和肝脏测试样本之前，所述方法还包括：
[0029]利用预设算法对所述肝脏训练样本和所述肝脏测试样本中预先标注好的肝脏图像进行图像预处理操作，其中，所述图像预处理操作包括图像增强、对比度调整、色彩饱和度调整以及图像分辨率调整中的至少一个。
[0030]本实施例通过对训练样本和测试样本中的肝脏图像先进行预处理操作，以减少误差，提高训练的准确率。
[0031]本公开第二方面提供一种电子设备，包括存储单元和处理器，其中：
[0032]所述存储单元，被配置为存储肝脏的医学图像；
[0033]所述处理器，被配置为：
[0034]对肝脏的医学图像连续进行多次特征提取，得到多个第一特征图，其中，后一次特
征提取输入的图像为前一次特征提取后得到的图像，且所述多个第一特征图包括各次特征提取得到的各图像中的部分或全部；
[0035]对前指定数量的各第一特征图分别进行特征提取，得到多个第二特征图，其中，所述第二特征图的数量与所述第一特征图进行特征提取的次数相同；并，
[0036]对除所述前指定数量的各第一特征图之外的第一特征图进行上采样，得到上采样后的第一特征图，并对所述上采样后的第一特征图，得到第三特征图；
[0037]将所述多个第二特征图和所述第三特征图进行融合，得到融合后的特征图；
[0038]对所述融合后的特征图进行融合分类操作，得到目标医学图像，其中，所述目标医学图像中包括所述肝脏的边缘以及所述边缘的类别。
[0039]在一个实施例中，所述处理器执行所述将所述多个第二特征图和所述第三特征图进行融合，得到融合后的特征图，具体被配置为：
[0040]利用所述各第二特征图的权重和所述第三特征图的权重对所述各第二特征图和所述第三特征图进行共享串联融合，得到所述融合后的特征图。
[0041]在一个实施例中，所述处理器执行所述对所述融合后的特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种提取肝脏边缘的方法，其特征在于，所述方法包括：对肝脏的医学图像连续进行多次特征提取，得到多个第一特征图，其中，后一次特征提取输入的图像为前一次特征提取得到的图像，且所述多个第一特征图包括各次特征提取得到的各图像中的部分或全部；对前指定数量的各第一特征图分别进行特征提取，得到多个第二特征图，其中，所述第二特征图的数量与所述第一特征图进行特征提取的次数相同；并，对除所述前指定数量的各第一特征图之外的第一特征图进行上采样，得到上采样后的第一特征图，并对所述上采样后的第一特征图进行特征提取，得到第三特征图；将所述多个第二特征图和所述第三特征图进行融合，得到融合后的特征图；对所述融合后的特征图进行融合分类操作，得到目标医学图像，其中，所述目标医学图像中包括所述肝脏的边缘以及所述边缘的类别。2.根据权利要求1所述的方法，其特征在于，所述将所述多个第二特征图和所述第三特征图进行融合，得到融合后的特征图，包括：利用所述各第二特征图的权重和所述第三特征图的权重对所述各第二特征图和所述第三特征图进行共享串联融合，得到所述融合后的特征图。3.根据权利要求1所述的方法，其特征在于，所述对所述融合后的特征图进行融合分类操作，得到目标医学图像，包括：采用多个指定大小的卷积层对所述融合后的特征图分别进行特征提取，得到所述目标医学图像，其中，所述卷积层的数量与所述目标图像中边缘的类别的数量相同。4.根据权利要求1所述的方法，其特征在于，所述对肝脏的医学图像连续进行多次特征提取，得到多个第一特征图，包括：将所述肝脏的医学图像输入至肝脏分割神经网络中连续进行多次特征提取，得到所述多个第一特征图；其中，通过以下方式对所述肝脏分割神经网络进行训练：获取肝脏训练样本和肝脏测试样本，其中，所述肝脏训练样本和所述肝脏测试样本均包括预先标注好的肝脏图像，且所述肝脏图像中包括所述肝脏的边缘以及所述边缘的类别；基于所述肝脏训练样本对所述肝脏分割神经网络进行训练，得到训练后的肝脏分割神经网络；将所述肝脏测试样本输入至所述肝脏分割神经网络中，得到所述肝脏测试样本对应的预测肝脏图像，其中，所述预测肝脏图像中包括肝脏的预测边缘，以及所述预测边缘的类别；根据所述预先标注好的肝脏图像和所述预测肝脏图像，得到误差值；若所述误差值大于指定阈值，则结束对肝脏分割神经网络的训练。5.根据权利要求4所述的方法，其特征在于，所述获取肝脏训练样本和肝脏测试样本之前，所述方法还包括：利用预设算法对所述肝脏训练样本和所述肝脏测试样本中预先标注好的肝脏图像进行图像预处理操作，其中，所述图像预处理操作包括图像增强、对比度调整、色彩饱和度调整以及图像分辨率调整中的至少一个。
6.一种电子设备，其特征在于，包括存储单元和处理器，其中：所述存储单元，...

【专利技术属性】
技术研发人员：李其花，吴乙荣，李南哲，段小明，郭元甫，陈永健，
申请(专利权)人：青岛海信医疗设备股份有限公司，
类型：发明
国别省市：