本申请涉及一种医学图像分割方法、病理图像处理方法、装置和设备。所述方法包括：获取待处理图对所述待处理医学图像进行目标检测以得到包含所述目标对象的目标候选区域；根据所述目标候选区域对所述待处理医学图像进行裁剪得到目标图像；通过全卷积分割网络对所述目标图像进行对象分割，得到目标对象。病理图像处理方法包括：根据所述的目标对象分割方法对病理图像进行目标分割得到动脉瘤；根据分割得到的动脉瘤计算所述动脉瘤的定量参数。采用本方法能够提高目标对象的检测精度和准确性。方法能够提高目标对象的检测精度和准确性。方法能够提高目标对象的检测精度和准确性。
【技术实现步骤摘要】
医学图像分割方法、病理图像处理方法、装置、设备
[0001]本申请涉及人工智能
，特别是涉及一种医学图像分割方法、病理图像处理方法、装置和设备。
技术介绍
[0002]颅内动脉瘤是由颅内动脉内腔的局部异常扩张所致动脉壁的一种瘤状突起，是一种常见的血管性疾病。为了实现对颅内动脉瘤的预防，需要对未破裂的颅内动脉瘤进行筛查和预防。
[0003]传统技术中，对于颅内动脉瘤的识别通常是依靠经验丰富的医学专家进行手动分割与测量参数。
[0004]然而，手动分割的方式需要依赖于专家，因此为了提高效率，引入了自动检测的方法，包括阈值法和区域生长法，但是阈值法和区域生长法有明显的缺陷，一是忽略了图像的空间结构，二是模型的效果过于依靠人工定义和设计，无法获得广泛使用。
技术实现思路
[0005]基于此，有必要针对上述技术问题，提供一种能够提高准确性的医学图像分割方法、病理图像处理方法、装置和设备。
[0006]一种医学图像分割方法，所述目标对象分割方法包括：
[0007]获取待处理医学图像；
[0008]对所述待处理医学图像进行目标检测以得到包含所述目标对象的目标候选区域；
[0009]根据所述目标候选区域对所述待处理医学图像进行裁剪得到目标图像；
[0010]通过全卷积分割网络对所述目标图像进行对象分割，得到目标对象。
[0011]在其中一个实施例中，所述对所述待处理医学图像进行目标检测以得到包含所述目标对象的目标候选区域，包括：
[0012]通过预先训练得到的目标检测网络提取所述待处理医学图像对应的特征信息；
[0013]通过预先训练得到的目标检测网络对所述特征图进行处理以提取多个不同长宽比例和面积的初始候选区域；
[0014]通过预先训练得到的目标检测网络对所述初始候选区域进行目标检测，以得到所述初始候选区域中存在目标的概率；
[0015]根据所述概率对所述初始候选区域进行目标分类以得到目标对象所对应的目标候选区域。
[0016]在其中一个实施例中，所述根据所述概率对所述初始候选区域进行目标分类以得到目标对象所对应的目标候选区域，包括：
[0017]将所述初始候选区域的尺寸修改为目标尺寸；
[0018]对所述目标尺寸的初始候选区域进行目标分类以得到每个所述目标尺寸的初始候选区域对应的分类置信度；
[0019]选取所述分类置信度最大的所述目标尺寸的初始候选区域作为目标对象所对应的目标候选区域。
[0020]在其中一个实施例中，所述选取所述分类置信度最大的初始候选区域作为目标对象所对应的目标候选区域，包括：
[0021]获取所述分类置信度最大的所述目标尺寸的初始候选区域作为当前初始候选区域，并计算剩余所述目标尺寸的初始候选区域与所述当前初始候选区域的重叠率；
[0022]当所述重叠率大于预设值时，删除与所述当前初始候选区域的所述重叠率大于预设值的剩余所述目标尺寸的初始候选区域，并将所述当前初始候选区域作为一个目标候选区域；
[0023]继续获取下一所述分类置信度最大的所述目标尺寸的初始候选区域作为当前初始候选区域，直至不存在所述目标尺寸的初始候选区域，获取生成的目标候选区域作为目标对象所对应的目标候选区域。
[0024]在其中一个实施例中，所述根据所述目标候选区域对所述待处理医学图像进行裁剪得到目标图像，包括：
[0025]对各个所述目标候选区域进行合并处理以得到裁剪范围；
[0026]根据所述裁剪范围对所述待处理医学图像进行裁剪处理得到目标图像。
[0027]在其中一个实施例中，所述通过全卷积分割网络对所述目标图像进行对象分割，得到目标对象，包括：
[0028]利用预先训练得到的全卷积分割网络，对所述目标图像进行特征抽取，得到与所述目标图像的目标对象对应的形态信息，所述形态信息包括所述目标对象的纹理特征、几何结构特征以及位置特征中的一种或几种；
[0029]根据所述目标图像的所述目标对象对应的形态信息，利用预先训练得到的全卷积分割网络对所述目标图像进行目标对象定位，得到目标对象。
[0030]一种病理图像处理方法，所述病理图像处理方法包括：
[0031]根据上述任意一个实施例中所述的医学图像分割方法对病理图像进行目标分割得到动脉瘤；
[0032]根据分割得到的动脉瘤计算所述动脉瘤的定量参数。
[0033]在其中一个实施例中，所述根据分割得到的动脉瘤计算所述动脉瘤的定量参数，包括：
[0034]根据分割得到的动脉瘤计算得到动脉瘤的属性参数，所述属性参数包括动脉瘤体积、表面积、长短轴中的一种或多种；和/或；
[0035]在所述动脉瘤中模拟血液流动参数得到所述动脉瘤对应的血液动力学属性结果。
[0036]一种医学图像分割装置，所述医学图像分割装置包括：
[0037]待处理医学图像获取模块，用于获取待处理医学图像
[0038]目标检测模块，用于对所述待处理医学图像进行目标检测以得到包含所述目标对象的目标候选区域；
[0039]裁剪模块，用于根据所述目标候选区域对所述待处理医学图像进行裁剪得到目标图像；
[0040]对象分割模块，用于通过全卷积分割网络对所述目标图像进行对象分割，得到目
标对象。
[0041]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任意一个实施例中任一项所述的方法的步骤。
[0042]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一个实施例中任一项所述的方法的步骤。
[0043]上述医学图像分割方法、病理图像处理方法、装置和设备，先通过目标检测以确定目标对象的候选区域，这样可以粗略得到目标对象的所在区域，然后再通过预先训练得到的全卷积分割网络进行分割以得到目标对象，以实现目标对象的精确分割，这样先通过目标检测进行粗略定位，再通过在粗略定位的候选区域进行模型分割，可以保证目标对象分割的准确性。
附图说明
[0044]图1为一个实施例中医学图像分割方法的应用环境图；
[0045]图2为一个实施例中医学图像分割方法的流程示意图；
[0046]图3为一个实施例中目标候选区域获取方法的流程图；
[0047]图4为一个实施例中的根据初始候选区域选取目标候选区域的示意图；
[0048]图5为一个实施例中的正负样本的示意图；
[0049]图6为一个实施例中单像素对应的初始候选区域的示意图；
[0050]图7为一个实施例中的全卷积分割网络的网络结构图；
[0051]图8为一个实施例中的全卷积分割网络的训练过程的流程图；
[0052]图9为一个实施例中病理图像处理方法的流程示意图；
[0053]图10为一个实施例中医学图像分割装置的结构框图；...
【技术保护点】
【技术特征摘要】
1.一种医学图像分割方法，其特征在于，所述目标对象分割方法包括：获取待处理医学图像；对所述待处理医学图像进行目标检测以得到包含所述目标对象的目标候选区域；根据所述目标候选区域对所述待处理医学图像进行裁剪得到目标图像；通过全卷积分割网络对所述目标图像进行对象分割，得到目标对象。2.根据权利要求1所述的医学图像分割方法，其特征在于，所述对所述待处理医学图像进行目标检测以得到包含所述目标对象的目标候选区域，包括：通过预先训练得到的目标检测网络提取所述待处理医学图像对应的特征信息；通过预先训练得到的目标检测网络对所述特征图进行处理以提取多个不同长宽比例和面积的初始候选区域；通过预先训练得到的目标检测网络对所述初始候选区域进行目标检测，以得到所述初始候选区域中存在目标的概率；根据所述概率对所述初始候选区域进行目标分类以得到目标对象所对应的目标候选区域。3.根据权利要求2所述的医学图像分割方法，其特征在于，所述根据所述概率对所述初始候选区域进行目标分类以得到目标对象所对应的目标候选区域，包括：将所述初始候选区域的尺寸修改为目标尺寸；对所述目标尺寸的初始候选区域进行目标分类以得到每个所述目标尺寸的初始候选区域对应的分类置信度；选取所述分类置信度最大的所述目标尺寸的初始候选区域作为目标对象所对应的目标候选区域。4.根据权利要求3所述的医学图像分割方法，其特征在于，所述选取所述分类置信度最大的初始候选区域作为目标对象所对应的目标候选区域，包括：获取所述分类置信度最大的所述目标尺寸的初始候选区域作为当前初始候选区域，并计算剩余所述目标尺寸的初始候选区域与所述当前初始候选区域的重叠率；当所述重叠率大于预设值时，删除与所述当前初始候选区域的所述重叠率大于预设值的剩余所述目标尺寸的初始候选区域，并将所述当前初始候选区域作为一个目标候选区域；继续获取下一所述分类置信度最大的所述目标尺寸的初始候选区域作为当前初始候选区域，直至不存在所述目标尺寸的初始候选区域，获取生成的目标候选区域作为目标对象所对应的目标候选区域。5.根据权利要求1至4任意一项所述的医学图像分割方法，其特征在于，所述根据所述...
【专利技术属性】
技术研发人员：陈俊强，杨溪，
申请(专利权)人：上海微创卜算子医疗科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。