医学图像处理方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种医学图像处理方法、装置、计算机设备和存储介质。所述方法包括：获取待处理医学图像；对所述待处理医学图像进行概率回归处理或概率阈值二值化处理，得到至少一个初始区域；将所得到的全部初始区域进行分类，得到包括目标对象的目标区域；对所述目标区域进行分割以得到目标对象。采用本方法先对待处理医学图像进行处理得到初始区域，然后对初始区域进行分类以得到包括目标对象的目标区域，最后仅对目标区域进行目标对象分割，这样通过多步处理一方面提高了准确性，其外由于每步处理都减少了一部分数据，从而也提高了效率。从而也提高了效率。从而也提高了效率。

【技术实现步骤摘要】
医学图像处理方法、装置、计算机设备和存储介质


[0001]本申请涉及工智能
，特别是涉及一种医学图像处理方法、装置、计算机设备和存储介质。

技术介绍

[0002]脑部微出血是脑无症状的微小出血遗留的陈旧的血黄铁质(hemosiderin)沉积。只能由高强度的MRI或剃度－回波T2加权MRI(Gradient
‑
echo T2
‑
weighted MRI)发现，表现为多发性微小的MRI信号丧失，多积聚于皮层下灰质，也可见于皮层和脑桥。微出血是淀粉样血管病和高血压血管病ICH的预警信号。
[0003]由于脑部微出血发生在脑实质，有体积小、数量多等特点，人工标记方法存在耗时、不易辨别等问题，所以自动脑部微出血点的检测就显得尤为重要。传统技术中，对于脑部微出血的处理通常是通过半自动检测方法。
[0004]然而，目前的半自动检测方法通过对脑影像进行预处理，提取图像特征，最后训练分类器区分当前位置是否存在病灶等过程，来实现脑微出血位置的检测功能，这样的处理方式由于脑部微出血体积小、数量多等，结果并不准确，仍然需要后续进行人工判断。

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和效率的医学图像处理方法、装置、计算机设备和存储介质。
[0006]一种医学图像处理方法，所述方法包括：
[0007]获取待处理医学图像；
[0008]对所述待处理医学图像进行概率回归处理或概率阈值二值化处理，得到至少一个初始区域；
[0009]将所得到的全部初始区域进行分类，得到包括目标对象的目标区域；
[0010]对所述目标区域进行分割以得到目标对象。
[0011]在其中一个实施例中，所述对所述待处理医学图像进行概率回归或概率阈值二值化处理，得到至少一个初始区域，包括：
[0012]对所述待处理医学图像进行概率回归或概率阈值二值化处理，得到所述待处理医学图像对应的概率分布；
[0013]根据所述概率分布对所述待处理医学图像进行二值化处理，得到至少一个待处理区域；
[0014]根据所述待处理区域进行连通域计算，得到至少一个初始区域；
[0015]或者
[0016]对所述待处理医学图像进行处理得到所述待处理医学图像中每一点对应的概率；
[0017]获取概率阈值，并根据所述概率阈值对所述概率进行处理以得到所述待处理医学图像中的至少一个初始区域。
[0018]在其中一个实施例中，所述对所述待处理医学图像进行概率回归处理或概率阈值二值化处理，得到至少一个初始区域，包括：
[0019]通过热力图回归网络的编码网络对所述待处理医学图像进行特征抽取，得到与目标对象对应的第一形态信息，所述第一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；
[0020]通过热力图回归网络的解码网络根据所述目标对象对应的第一形态信息进行概率回归或概率阈值二值化处理，得到至少一个初始区域。
[0021]在其中一个实施例中，所述将所得到的初始区域进行分类，得到包括目标对象的目标区域，包括：
[0022]将所述初始区域依次输入至二分类网络中，以判断所述初始区域中是否存在目标对象；
[0023]当所述初始区域中存在目标对象时，将所述初始区域作为目标区域。
[0024]在其中一个实施例中，所述将所述初始区域依次输入至二分类网络中，以判断所初始区域中是否存在目标对象，包括：
[0025]通过二分类网络的编码网络对所述初始区域进行特征抽取，得到与目标对象对应的第二形态信息，所述第二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；
[0026]将所抽取的第二形态信息输入至二分类网络的分类网络中，以判断所述初始区域中是否存在目标对象。
[0027]在其中一个实施例中，所述对所述目标区域进行分割以得到目标对象，包括：
[0028]通过全卷积分割网络的编码网络对所述目标区域进行特征抽取，得到与目标对象对应的第三形态信息，所述第三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]通过预先训练的全卷积分割网络的解码网络，根据所述目标对象对应的第三形态信息进行目标对象分割得到目标对象。
[0030]在其中一个实施例中，所述待处理医学图像为脑部图像，所述目标对象为脑部微出血目标对象；所述对所述目标区域进行分割以得到目标对象之后，包括：
[0031]对分割得到的脑部微出血目标对象计算几何属性和/或血液动力学属性。
[0032]一种应用于上述的医学图像处理方法中的网络训练方法，所述网络包括级联的热力图回归网络、二分类网络以及全卷积分割网络；所述热力图回归网络、二分类网络以及全卷积分割网络的训练方法包括：
[0033]获取目标对象样本数据；
[0034]获取基础网络，并设置基础网络的超参数；
[0035]定义基础网络的损失函数；
[0036]利用目标对象样本数据通过随机梯度下降法对基础网络进行训练，以调整基础网络的特征参数，使得损失函数的值满足要求，得到训练完成的网络。
[0037]一种医学图像处理装置，所述装置包括：
[0038]待处理医学图像获取模块，用于获取待处理医学图像；
[0039]初始区域获取模块，用于对所述待处理医学图像进行概率回归或概率阈值二值化
处理，得到至少一个初始区域；
[0040]分类模块，用于将所得到的初始区域进行分类，得到包括目标对象的目标区域；
[0041]分割模块，用于对所述目标区域进行分割以得到目标对象。
[0042]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的方法的步骤。
[0043]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的方法的步骤。
[0044]上述医学图像处理方法、装置、计算机设备和存储介质，先对待处理医学图像进行概率回归处理或概率阈值二值化处理得到初始区域，然后对初始区域进行分类以得到包括目标对象的目标区域，最后仅对目标区域进行目标对象分割，这样通过多步处理一方面提高了准确性，其外由于每步处理都减少了一部分数据，从而也提高了效率。
附图说明
[0045]图1为一个实施例中医学图像处理方法的应用环境图；
[0046]图2为一个实施例中医学图像处理方法的流程示意图；
[0047]图3为一个实施例中初始区域的结构示意图；
[0048]图4为一个实施例中的热力图回归网络的结构示意图；
[0049]图5为一个实施例中的二分类网络的结构示意图
[0050]图6为一个实施例中的分割网络的结构示意图；
[0051]图7为另一个实施例中网络训练方法的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学图像处理方法，其特征在于，所述方法包括：获取待处理医学图像；对所述待处理医学图像进行概率回归处理或概率阈值二值化处理，得到至少一个初始区域；将所得到的全部初始区域进行分类，得到包括目标对象的目标区域；对所述目标区域进行分割以得到目标对象。2.根据权利要求1所述的方法，其特征在于，所述对所述待处理医学图像进行概率回归处理或概率阈值二值化处理，得到至少一个初始区域，包括：对所述待处理医学图像进行概率回归处理，得到所述待处理医学图像对应的概率分布；根据所述概率分布对所述待处理医学图像进行二值化处理，得到至少一个待处理区域；根据所述待处理区域进行连通域计算，得到至少一个初始区域；或者对所述待处理医学图像进行处理得到所述待处理医学图像中每一点对应的概率；获取概率阈值，并根据所述概率阈值对所述概率进行处理以得到所述待处理医学图像中的至少一个初始区域。3.根据权利要求1所述的方法，其特征在于，所述对所述待处理医学图像进行概率回归处理或概率阈值二值化处理，得到至少一个初始区域，包括：通过热力图回归网络的编码网络对所述待处理医学图像进行特征抽取，得到与目标对象对应的第一形态信息，所述第一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；通过热力图回归网络的解码网络根据所述目标对象对应的第一形态信息进行概率回归处理或概率阈值二值化处理，得到至少一个初始区域。4.根据权利要求1所述的方法，其特征在于，所述将所得到的初始区域进行分类，得到包括目标对象的目标区域，包括：将所述初始区域依次输入至二分类网络中，以判断所述初始区域中是否存在目标对象；当所述初始区域中存在目标对象时，将所述初始区域作为目标区域。5.根据权利要求4所述的方法，其特征在于，所述将所述初始区域依次输入至二分类网络中，以判断所初始区域中是否存在目标对象，包括：通过二分类网络的编码网络对所述初始区域进行特征抽取，得到与目标对象对应的第二形态信息，所述第二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；将所抽取的第二形态信...

【专利技术属性】
技术研发人员：陈俊强，
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：