【技术实现步骤摘要】
该专利技术属于医学影像处理和人工智能。具体来说，它涉及到利用人工智能、特别是深度学习和计算机视觉技术，对医学影像进行分割和分析的方法。
技术介绍
1、医学影像分析经常需要对医学影像中的特定结构或病变进行标注，其中一个常见的方法就是围绕这些结构定义边界框（bounding box）。在某些应用中，为了增加医学影像分析的准确性或为后续处理提供更多的有效信息，需要将这些边界框进行一定的扩展。在以像素为基础的医学影像处理中，常规做法就是将边界框四个顶点的坐标统一向外扩张固定的像素点。在医学影像的分辨率和像素尺寸均一恒定的情况下，向外扩张预先设定的固定像素点是一种简单有效的处理方式。然而，不同医院的使用规范、影像采集设备、影像分析师和拍摄范围都可能导致生成不同分辨率、不同像素尺寸的医学影像。即使是相同的物理距离，在两张分辨率不同、像素尺寸不同的医学影像中会呈现出不同的像素距离。将边界框向外扩张预先设定的固定像素点在两张不同分辨率和像素尺寸的医学影像中会产生截然不同的效果。因此，仅是简单的基于固定值的像素处理方法不足以进行准确的医学影像分析。
2、人工智能技术，特别是深度学习与计算机视觉技术，正在对医学影像分析产生深远的影响。语义分割是深度学习技术在医疗影像领域的典型应用，其主要任务是从医学影像中识别感兴趣的区域或结构。这类应用通常需要构建深度学习模型（如：u-net），并利用数据集对模型进行训练，才能实现其功能。为了实现这一目标，研究者需要从大量的医学影像中识别并提取这部分感兴趣的区域或结构以作为深度学习模型的训练数据集。同时
3、图1中，100为人工标记选框，框选出了l1椎体位置。由于椎体的方形四角位置为模糊像素，人工标记往往会遗漏掉少许椎体的几何信息在边界框外。为保证锥体结构的完整性，我们常常对人工标注的边界框扩展固定的像素（本附图例为20像素），以确保椎体几何特征被完全包围。在处理一组分辨率和像素尺寸几乎一致的脊柱影像时，此方法通常能够取得良好的效果。但是，正如前文所述，由于影像设备差异等因素，不同脊柱影像的分辨率和像素尺寸差异较大。例如，在高分辨率或大像素尺寸图像中，20像素的扩展恰好能完整覆盖l1腰椎椎体的骨骼轮廓。但在低分辨率或小像素尺寸的脊柱影像中，20像素的扩展可能会涵盖t12和l2椎体的大部分，导致结构的过度捕获。因此，将边界框扩展固定像素的方法可能导致模型训练数据集在图像上的一致性较低，给后续深度学习模型神经元权重的调试带来挑战，影响后续模型的训练效率和识别精度。
4、不同分辨率、像素尺寸的医学影像为人工智能医疗影像模型数据集的预处理、模型的训练及后续的分析和判断带来复杂性和不确定性。随着人工智能医学影像分析的普及，以及日益增长的医学影像数据处理的需求，如何统一处理和分析具有不同分辨率的医学影像成为新的挑战。因此，一种能够自适应各种影像分辨率，确保图像预处理过程中高准确性和一致性的技术方法亟待开发。只有保证医学影像的每一次处理和分析都是基于准确、可靠的数据，才能确保医疗诊断和治疗的高效和安全。
技术实现思路
1、为了解决
技术介绍
中存在的问题，本专利技术提供了一种结合解剖学与图像分析的医疗影像分割方法，其目标是确保分割后的影像在内容上具备较高的一致性和准确性。
2、在传统的医疗影像处理方法中，人工标记的关键点常常是为了指导或辅助图像分割的过程。本专利技术创新性地提出，通过选取一对解剖学上的关键点，定义它们之间的像素距离为该图像的“基准长度”。这个基准长度为后续的图像处理和分割提供了一个与实际解剖结构尺寸或物理距离相对应的当量参考，从而有效地解决了因不同像素尺寸带来的影像分割不一致问题。
3、对于给定的医疗影像数据集，首先进行人工关键点的标记。当所有的关键点都被标记完毕后，可以计算得到每一张图片的基准长度。之后，使用这个基准长度对图片进行进一步的处理和分割。这样，即使原始图像的分辨率和像素尺寸存在差异，由于都是根据相同的解剖学基准来处理，所以分割后的图像在内容上会有很高的一致性。
4、具体来说，假定对每一张医疗影像的两个相同的解剖学位置标记关键点。针对某一图像 i，其两个关键点位置坐标记作（ x i1 ,y i1）和（ x i2 ,y i2），则根据欧几里得公式可得其基准长度 l i为：
5、
6、在批量处理这一影像数据集时，整体的基准长度当量 `l 可以通过以下公式得到：
7、
8、其中， n 代表图像的总数。
9、假设我们需要在基准长度的基础上将图像选框扩大 p个像素点的长度，则对于图像 i，其应该扩大的像素点长度当量 p i可以表示为：
10、
11、在计算基准长度时，必须谨慎选择关键点。首先，这些关键点在数据集的每一张影像上都必须清晰可识别，并具有明确的解剖学定义。为了增加精准度，所选关键点应定义于较小且明确的解剖结构上，如某一特定的点状骨骼标志或关节结构。而且，选取的基准长度应当尽量长，这样可以有效稀释由于标注噪声（label noise）引入的测量误差。进一步地，我们不必仅局限于使用一对关键点来定义基准长度。实际上，考虑到患者之间的生理差异，尤其是骨骼及器官形态的异质性，结合多对关键点之间的长度，可以得到一个更加稳健的整体基准长度。通过累加多个关键点间的距离，我们不仅可以缓解单一测量可能带来的误差，还能够提高最终图像处理结果的可靠性和准确性。
12、本方法保证了医疗影像处理和分割的准确性。同时，由于经本方法处理后的医疗影像较传统数据集具备更高的准确性和一致性，为后续医疗影像方面的人工智能算法研究创造了更为理想的条件。
本文档来自技高网...【技术保护点】
1.一种医疗影像分割方法，该方法包括以下步骤：
2.根据权利要求1所述的方法，其中所述的关键点在每张医疗影像上均清晰可识别，并具有明确的解剖学定义。
3.根据权利要求2所述的方法，其中选择的关键点是位于较小且明确的解剖结构上。
4.根据任一前述权利要求所述的方法，其中数据集基准长度的选择标准化了数据集当中患者之间在解剖学上的生理差异，尤其是骨骼或器官形态的异质性。
5.根据任一前述权利要求所述的方法，进一步包括使用多对关键点之间的长度组合，以获得一个更加稳健的整体基准长度。
6.根据任一前述权利要求所述的方法，其中基准长度的计算基于欧几里得公式，以标准化解剖学关键点之间的实际物理距离。
7.根据任一前述权利要求所述的方法，其中所述的影像分割包括根据基准长度调整边界框的大小，以适应不同分辨率和像素尺寸的影像。
8.根据任一前述权利要求所述的方法，该方法进一步包括考虑调整后的边界框位置不能超出原本图像范围的因素。
9.根据任一前述权利要求所述的方法，进一步包括：应用该方法于医学影像数据集的
...【技术特征摘要】
1.一种医疗影像分割方法，该方法包括以下步骤：
2.根据权利要求1所述的方法，其中所述的关键点在每张医疗影像上均清晰可识别，并具有明确的解剖学定义。
3.根据权利要求2所述的方法，其中选择的关键点是位于较小且明确的解剖结构上。
4.根据任一前述权利要求所述的方法，其中数据集基准长度的选择标准化了数据集当中患者之间在解剖学上的生理差异，尤其是骨骼或器官形态的异质性。
5.根据任一前述权利要求所述的方法，进一步包括使用多对关键点之间的长度组合，以获得一个更加稳健的整体基准长度。<...
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。