一种医学图像分割方法及计算机可读存储介质技术

本发明专利技术提供了一种医学图像分割方法及计算机可读存储介质，医学图像分割方法包括以下步骤：获取多份医学图像，将医学图像分类为训练图像、验证图像和测试图像，并对训练图像作变化处理；对训练图像作质心提取；以图像质心(c

【技术实现步骤摘要】
一种医学图像分割方法及计算机可读存储介质


[0001]本专利技术涉及医学影像处理领域，尤其涉及一种医学图像分割方法及计算机可读存储 介质。

技术介绍

[0002]随着计算机技术的不断进步，数字成像技术也日益成熟普及，这直接带动了医学图 像领域的飞速发展。医学图像技术通过对于患者特定部位的成像显示直接的向医生提供 了患者身体内部病灶情况，是临床诊断治疗必不可少的辅助手段之一。医学图像分割能 够很好地向医生提供目标物体详细的大小、形状以及位置等重要信息，因此在临床疾病 诊断筛查过程中有着至关重要的作用。
[0003]然而，医生手动分割医学影像并判断时，将面临速度慢、分割结果的不准确的问题， 且分割结果是否准确，很大程度上取决于医生专业水平的高低，这极大的限制了偏远地 区或小型医院卫生所对于潜在患者的发现与治疗几率，因此自动化医学图像分割意义重 大。
[0004]医学图像的高精度高速度识别分割处理吸引着越来越多研究人员的关注，其中应用 数学、统计学、图像学、计算机学等一系列领域学者的加入合作，使得医学图像处理发 展迅速，成果喜人，从传统的全人工分割识别发展到如今半自动和全自动分割处理。
[0005]近十多年来，基于神经网络的深度学习算法在众多医学图像分割任务中表现优异。 作为典型的监督学习模型，基于神经网络的深度学习算法十分依赖于数据的样本量。然 而，在医学图像分割任务中，一方面医学图像本身不易收集，另一方面，人工标注图像 耗时耗力，因此有效数据十分稀缺，这也直接影响最终的模型性能。
[0006]由此，需要一种新型的医学图像分割方法，可弥补现有图像样本稀缺的缺陷，极大 地推动智能化医疗事业的进步。

技术实现思路

[0007]为了克服上述技术缺陷，本专利技术的目的在于提供一种医学图像分割方法及计算机可 读存储介质，可极大提高自动化医疗评估的效率，缓解人工分割医学图像的压力。
[0008]本专利技术公开了一种医学图像分割方法，包括以下步骤：
[0009]获取多份医学图像，将医学图像分类为训练图像、验证图像和测试图像，并对训练 图像作变化处理，以增加训练图像的样本量；
[0010]对训练图像作质心提取，以得到训练图像的图像质心(c
x
,c
y
)；
[0011]以图像质心(c
x
,c
y
)为中心的直角坐标系下，计算训练图像的像素点于极坐标系下的 极坐标，以得到极坐标系下的变化图像；
[0012]基于改进UNet网络对变化图像分割，以获得分割图像；
[0013]在以图像质心(c
x
,c
y
)为中心的极坐标系下，计算分割图像的像素点于直角坐标系下 的直角坐标，以得到直角坐标系下的结果图像。
[0014]优选地，获取多份医学图像，将医学图像分类为训练图像、验证图像和测试图像， 并对训练图像作变化处理，以增加训练图像的样本量的步骤包括：
[0015]获取多份医学图像后，根据8：1：1的比例将所有医学影像划分为训练图像、验证 图像和测试图像；
[0016]执行以下任一或任意变化操作：
[0017]选取训练图像中的n％作翻转处理，记录为第一变化图像；
[0018]选取训练图像中的m％沿随机方向平移训练图像于随机方向上的长度的a％，记录为 第二变化图像；
[0019]选取训练图像中的p％随机缩小或放大训练图像原尺寸的b％，记录为第三变化图像；
[0020]选取训练图像中的q％绕训练图像中的随机像素点为中心旋转t
°
，记录为第四变化 图像；
[0021]选取训练图像中的r％作灰度消失操作，记录为第五变化图像；
[0022]集合第一变化图像、第二变化图像、第三变化图像、第四变化图像和/或第五变化图 像为增强图像，并补充至训练图像内。
[0023]优选地，对训练图像作质心提取，以得到训练图像的图像质心(c
x
,c
y
)的步骤包括：
[0024]针对训练图像I，构造以下算子：M
ij
＝∑
x,y
I(x,y)x
i
y
j
，其中I(x,y)表示训练图像I像 素点(x,y)处的像素值，以计算训练图像I的总像素值M
ij
；
[0025]根据以下算子计算图像质心(c
x
,c
y
)为：
[0026]c
x
＝M
10
/M
00
,c
y
＝M
01
/M
00
。
[0027]优选地，对训练图像作质心提取，以得到训练图像的图像质心(c
x
,c
y
)的步骤包括：
[0028]基于改进UNet网络建立图像分割模型，
[0029]或
[0030]以训练图像内的目标物体掩膜为基础建立热度图，以图像质心(c
x
,c
y
)为中心点，依 照二维高斯分布得到图像质心(c
x
,c
y
)附近的像素大小；
[0031]基于采用堆叠沙漏架构的神经网络计算热度图的强度，使得强度最大的热度图对应 的中心点为最终质心。
[0032]优选地，以图像质心(c
x
,c
y
)为中心的直角坐标系下，计算训练图像的像素点于极坐 标系下的极坐标，以得到极坐标系下的变化图像的步骤包括：
[0033]在直角坐标系下，对于训练图像的像素点(x,y)，定义如下函数：
[0034][0035][0036]对于尺寸为H
×
W的训练图像I，根据以下算子计算以图像质心(c
x
,c
y
)为中心的极坐 标系下的训练图像I'的像素点的极坐标
[0037][0038][0039]优选地，在以图像质心(c
x
,c
y
)为中心的极坐标系下，计算分割图像的像素点于直角 坐标系下的直角坐标，以得到直角坐标系下的结果图像的步骤包括：
[0040]基于以下算子，计算尺寸为H
×
W、以图像质心(c
x
,c
y
)为中心的极坐标系下的训练 图像I'的像素点的极坐标对应的直角坐标系下的训练图像I的像素点的直角坐标 (x,y)：
[0041][0042][0043]本专利技术还公开了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被 处理器执行时实现如上所述的步骤。
[0044]采用了上述技术方案后，与现有技术相比，具有以下有益效果：
[0045]1.本专利技术提出的基于边缘信息再提取的改进UNet网络，相较于传统网络能够很好 地防止信本文档来自技高网...

【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，包括以下步骤：获取多份医学图像，将所述医学图像分类为训练图像、验证图像和测试图像，并对所述训练图像作变化处理，以增加所述训练图像的样本量；对所述训练图像作质心提取，以得到所述训练图像的图像质心(c
x
,c
y
)；以图像质心(c
x
,c
y
)为中心的直角坐标系下，计算所述训练图像的像素点于极坐标系下的极坐标，以得到极坐标系下的变化图像；基于改进UNet网络对所述变化图像分割，以获得分割图像；在以图像质心(c
x
,c
y
)为中心的极坐标系下，计算所述分割图像的像素点于直角坐标系下的直角坐标，以得到直角坐标系下的结果图像。2.如权利要求1所述的医学图像分割方法，其特征在于，获取多份医学图像，将所述医学图像分类为训练图像、验证图像和测试图像，并对所述训练图像作变化处理，以增加所述训练图像的样本量的步骤包括：获取多份医学图像后，根据8：1：1的比例将所有医学影像划分为训练图像、验证图像和测试图像；执行以下任一或任意变化操作：选取训练图像中的n％作翻转处理，记录为第一变化图像；选取训练图像中的m％沿随机方向平移所述训练图像于所述随机方向上的长度的a％，记录为第二变化图像；选取训练图像中的p％随机缩小或放大训练图像原尺寸的b％，记录为第三变化图像；选取训练图像中的q％绕训练图像中的随机像素点为中心旋转t
°
，记录为第四变化图像；选取训练图像中的r％作灰度消失操作，记录为第五变化图像；集合所述第一变化图像、第二变化图像、第三变化图像、第四变化图像和/或第五变化图像为增强图像，并补充至训练图像内。3.如权利要求1所述的医学图像分割方法，其特征在于，对所述训练图像作质心提取，以得到所述训练图像的图像质心(c
x
,c
y
)的步骤包括：针对训练图像I，构造以下算子：M
ij
＝∑
x,y
I(x,y)x
i
y
j
，其中I(x,y)表示训练图像I像素点(x,y)处的像素值，以计算训练图像I的总像素值M
ij
；根据以下算子计算图像质心(c
x
,c
y
)...

【专利技术属性】
技术研发人员：凌雅婷，刘倩，孔德兴，
申请(专利权)人：海盐县南北湖医学人工智能研究院，
类型：发明
国别省市：