CN109242849A - 医学图像处理方法、装置、系统和存储介质 - Google Patents

Abstract

本发明涉及一种医学图像的处理方法、装置、系统和存储介质。该方法包括：获取检测图像，所述检测图像包括黑质区域和/或红核区域的图像；获取分割神经网络模型，采用所述分割神经网络模型对所述检测图像进行分割操作，得到目标掩模图像；获取检测神经网络模型，采用所述检测神经网络模型对所述目标掩模图像进行检测，得到检测结果。该方法能够根据训练好的检测神经网络模型对检测图像做出更加准确的检测结果，进一步提高检测结果的准确率。

Description

医学图像处理方法、装置、系统和存储介质

技术领域

本发明涉及神经网络技术领域，特别是涉及一种医学图像处理方法、装置、系统和存储介质。

背景技术

帕金森病(Parkinson’s disease，PD)是一种常见的神经系统变性疾病，对于确诊为帕金森病的患者，预期寿命约为7至14年，因此帕金森病的诊断对于后期的治疗非常关键。临床上对帕金森疾病的诊断主要依靠病人病史、临床症状以及药物反应，并借助脑影像对帕金森病进行辅助诊断。

传统技术中，主要采用磁共振(Magnetic Resonance Imaging，MRI)T1加权成像技术得到诊断对象脑部的MRI T1影像，MRI T1影像主要反映脑结构，通过比较该脑结构和健康人的脑结构之间的差异，来诊断患者是否是PD。

但是，帕金森病人的大脑整体结构和健康人并没有肉眼可观的差异，因此采用传统的图像处理方法无法对帕金森病的诊断提供很好的诊断依据，其辅助效果差。

发明内容

基于此，有必要针对传统的图像处理方法无法对帕金森病的诊断提供很好的诊断依据，其辅助效果差的问题，提供一种医学图像的处理方法、装置、系统和存储介质。

第一方面，本发明提供一种医学图像处理方法，该方法包括：

获取检测图像，所述检测图像包括黑质区域和/或红核区域的图像；

获取分割神经网络模型，采用所述分割神经网络模型对所述检测图像进行分割操作，得到目标掩模图像；

获取检测神经网络模型，采用所述检测神经网络模型对所述目标掩模图像进行检测，得到检测结果。

本实施例提供的医学图像处理方法，计算机设备可以获取包括黑质区域和/ 或红核区域的检测图像，并采用分割神经网络模型对检测图像进行分割操作以得到目标掩模图像，然后采用检测神经网络模型对目标掩模图像进行检测，从而得到检测结果，通过该检测结果可以辅助医生判断检测对象是否患有帕金森病症。一方面，本实施例利用的是与帕金森病症最相关的包含黑质和/或红核的检测图像，因此可以提高检测结果的准确率；另一方面，计算机设备采用已经训练好的检测神经网络模型对检测对象的检测图像进行检测，也就是说，计算机设备采用的是已经能够正确输出检测结果的神经网络模型对检测对象的检测图像进行检测的，因而，计算机设备能够根据训练好的检测神经网络模型对检测对象的检测图像做出更加准确的检测结果，进一步提高了检测结果的准确率。

在其中一个实施例中，在所述获取检测神经网络模型之前，所述方法还包括：

获取训练数据集，所述训练数据集包括多对训练数据，每一对训练数据包括一个训练掩模图像和所述训练掩模图像对应的真实标签；

根据所述训练数据集对预设的初始检测神经网络模型进行训练，得到所述检测神经网络模型。

本实施例提供的医学图像处理方法，计算机设备可以获取训练数据集，并根据训练数据集对预设的初始检测神经网络模型进行训练，进而得到检测神经网络模型。这样得到的检测神经网络模型是训练好的可以输出正确结果的神经网络模型，因此可以保证利用上述训练好的检测神经网络模型是对检测图像进行检测时可以输出较准确的检测结果，提高检测结果的准确率。

在其中一个实施例中，所述根据所述训练数据集对预设的初始检测神经网络模型进行训练，得到所述检测神经网络模型，包括：

将所述训练掩模图像输入至所述初始检测神经网络模型，得到初始标签；

判定所述初始标签与所述真实标签的误差是否小于预设阈值；以及响应于所述误差小于预设阈值的判定，将所述初始检测神经网络模型指定为所述检测神经网络模型。

本实施例提供的医学图像处理方法，计算机设备可以将训练掩模图像输入至初始检测神经网络模型，得到初始标签；判定初始标签与真实标签的误差是否小于预设阈值；以及响应于误差小于预设阈值的判定，将初始检测神经网络模型指定为检测神经网络模型。本实施例中，计算机设备可以根据初始标签与训练掩模图像对应的真实标签的误差与预设条件进行比较的结果，调整初始检测神经网络模型的网络参数，直至初始检测神经网络模型输出的初始标签与训练掩模图像对应的真实标签的误差满足预设条件为止，即初始经检测神经网络模型可以输出正确的检测结果为止，这样可以保证利用上述训练好的检测神经网络模型对检测图像进行检测时可以输出较准确的检测结果，提高检测结果的准确率。

在其中一个实施例中，所述初始检测神经网络模型包括特征提取组和分类组；所述特征提取组包括第一卷积层，所述分类组包括第二卷积层、池化层和全连接层；所述将所述训练掩模图像输入至所述初始检测神经网络模型，得到初始标签，包括：

基于所述特征提取组，得到所述训练掩模图像对应的检测特征图；

基于所述分类组和所述检测特征图，得到所述训练掩模图像对应的所述初始标签。

本实施例提供的医学图像处理方法，计算机设备可以根据初始检测神经网络模型的特征提取组和分类组对训练掩模图像卷积、池化以及全连接等处理，从而得到初始标签。一方面，在上述多个第一卷积层中第2个第一卷积层至最后一个第一卷积层中的每个第一卷积层前可以包括一个批标准化层，该批标准化层可以加快初始检测神经网络模型的学习效率，以提高将初始检测神经网络模型训练成为检测神经网络模型的速度。另一方面，方便计算机设备利用该初始标签计算其与训练掩模图像对应的真实标签之间的误差，从而对初始检测神经网络模型进行较好的训练。

在其中一个实施例中，所述采用预设的分割神经网络模型对所述检测图像进行分割操作，得到目标掩模图像，包括：

将所述检测图像输入至所述分割神经网络模型，得到目标分割图像；

根据所述目标分割图像和所述检测图像的乘积，得到所述目标掩模图像。

本实施例提供的医学图像处理方法，计算机设备可以将检测图像输入至分割神经网络模型，得到目标分割图像，并根据目标分割图像和检测图像的乘积，得到目标掩模图像，由于计算机设备会利用分割神经网络模型对检测图像进行特征提取，以得到目标掩模图像，这样可以得到具有较高分割精度的目标掩模图像，从而可以使得利用该分割神经网络模型得到的目标掩模图像进行图像检测时，提高检测的准确率。

在其中一个实施例中，所述分割神经网络模型为V-Net模型、U-Net模型、 FCN模型、GAN模型中的任意一种和稠密块相结合的神经网络模型，所述稠密块对应多个操作组，每个操作组包括按照先后顺序进行的卷积处理、激活处理以及再一次的卷积处理。

在其中一个实施例中，所述分割神经网络模型包括下采样单元和上采样单元，所述下采样单元包括多个用于特征提取的稠密块，所述上采样单元包括多个用于特征重建的稠密块，所述用于特征提取的稠密块和所述用于特征重建的稠密块之间进行跳层连接。

第二方面，本发明提供一种医学图像处理装置，所述装置包括：

第一获取模块，用于获取检测图像，所述检测图像包括黑质区域和/或红核区域的图像；

第一确定模块，用于获取分割神经网络模型，采用所述分割神经网络模型对所述检测图像进行分割操作，得到目标掩模图像；

第二确定模块，用于获取检测神经网络模型，采用所述检测神经网络模型对所述目标掩模图像进行检测，得到检测结果。

第三方面，本发明提供一种医学图像处理系统，包括图像扫描仪和计算机设备，其中，所述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，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：

获取检测图像，所述检测图像包括黑质区域和/或红核区域的图像；

获取分割神经网络模型，采用所述分割神经网络模型对所述检测图像进行分割操作，得到目标掩模图像；

获取检测神经网络模型，采用所述检测神经网络模型对所述目标掩模图像进行检测，得到检测结果。

第四方面，本发明提供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以下步骤：

获取检测图像，所述检测图像包括黑质区域和/或红核区域的图像；

获取分割神经网络模型，采用所述分割神经网络模型对所述检测图像进行分割操作，得到目标掩模图像；

获取检测神经网络模型，采用所述检测神经网络模型对所述目标掩模图像进行检测，得到检测结果。

本实施例提供的图像处理装置、系统和存储介质，能够使得计算机设备可以获取包括黑质区域和/或红核区域的检测图像，并采用分割神经网络模型对检测图像进行分割操作以得到目标掩模图像，然后采用检测神经网络模型对目标掩模图像进行检测，从而得到检测结果，通过该检测结果可以辅助医生判断检测对象是否患有帕金森病症。一方面，本实施例利用的是与帕金森病症最相关的包含黑质和/或红核的检测图像，因此可以提高检测结果的准确率；另一方面，计算机设备采用已经训练好的检测神经网络模型对检测对象的检测图像进行检测，也就是说，计算机设备采用的是已经能够正确输出检测结果的神经网络模型对检测对象的检测图像进行检测的，因而，计算机设备能够根据训练好的检测神经网络模型对检测对象的检测图像做出更加准确的检测结果，进一步提高了检测结果的准确率。

附图说明

图1为一个实施例提供的医学图像处理系统结构示意图；

图2为一个实施例提供的医学图像处理方法流程示意图；

图3为另一个实施例提供的医学图像处理方法流程示意图；

图4为另一个实施例提供的医学图像处理方法流程示意图；

图5为另一个实施例提供的医学图像处理方法流程示意图；

图6为另一个实施例提供的医学图像处理方法流程示意图；

图6a为一个实施例提供的U-Net模型与稠密块相结合的分割神经网络模型结构示意图；

图6b为一个实施例提供的稠密块的结构示意图；

图7为另一个实施例提供的医学图像处理方法流程示意图；

图8为一个实施例提供的医学图像处理装置结构示意图；

图9为另一个实施例提供的医学图像处理装置结构示意图；

图10为另一个实施例提供的医学图像处理装置结构示意图；

图11为另一个实施例提供的医学图像处理装置结构示意图；

图12为另一个实施例提供的医学图像处理装置结构示意图；

图13为一个实施例提供的计算机设备的内部结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本发明实施例中的技术方案的进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明提供的医学图像处理方法，可以应用于如图1所示的医学图像处理系统。该系统包括图像扫描仪102和计算机设备104。该图像扫描仪102可以是磁共振扫描仪，也可以是CT扫描仪等，图像扫描仪102用于获取检测图像，该计算机设备104可以是终端，如个人计算机、笔记本以及平板电脑等。该计算机设备104包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备104的处理器用于提供计算和控制能力。该计算机设备104的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备104的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时可以实现本发明如下实施例提供的医学图像处理方法。

可以理解的是，上述医学图像处理系统可以用于对待测者的器官或组织的医学图像进行分割，从而辅助医生进行诊断，但该系统本身并不能直接输出诊断结果。

目前，帕金森病的病因至今难以确定，但借助病人的脑影像，可以帮助医生结合病人病史、临床症状以及药物反应等进行辅助诊断。传统技术中，一般采用MRI T1成像技术获取病人的脑结构图像，并根据该脑结构图像与和健康人的脑结构图像之间的差异对帕金森病人进行辅助诊断，但是，帕金森病人的大脑整体结构和健康人并没有肉眼可观的差异，导致借助MRI T1影像进行辅助诊断的效果比较差。本发明提供的医学图像处理方法、装置、系统及可读存储介质旨在解决传统技术的如上技术问题。

图2为一个实施例提供的医学图像处理方法流程示意图。本实施例涉及的是计算机设备采用分割神经网络模型和检测神经网络模型对获取的检测图像进行图像分割和检测的具体实现过程。如图2所示，该方法包括：

S201，获取检测图像，所述检测图像包括黑质区域和/或红核区域的图像。

本实施例中，当上述检测图像的获取检测对象为需要诊断是否患有帕金森病症的病人时，上述检测图像可以是定量磁敏感图(Quantitative susceptibility mapping，QSM)，也可以是MRI T2图像，还可以为其它包括黑质区域和/或红核区域的图像，本实施例对检测图像的类别不做限定。可选的，上述检测图像可以是灰度图像，也可以是彩色图像，还可以是二值图像。可选的，上述检测图像可以是二维图像，也可以是三维图像。需要说明的是，当检测图像的获取对象不做限定时，上述检测图像可以为动物、植物或其它需要检测的图像。

S202，获取分割神经网络模型，采用所述分割神经网络模型对所述检测图像进行分割操作，得到目标掩模图像。

具体的，上述分割神经网络模型包括多个分割任务处理层，该分割任务处理层可以是卷积层、激活层、池化层、下采样层或上采样层等，分割任务处理层的类型不同，计算机设备对获取的检测图像的处理操作也不同，例如，检测图像进入卷积层对应的分割任务处理层时，计算机设备会对该检测图像进行卷积处理操作。计算机设备根据分割神经网络模型对上述检测图像经过多个分割任务处理层的处理后，可以输出该检测图像对应的目标掩模图像，该目标掩模图像包含黑质区域和/或红核区域的图像。

S203，获取检测神经网络模型，采用所述检测神经网络模型对所述目标掩模图像进行检测，得到检测结果。

具体的，上述检测神经网络模型为根据训练数据集和初始检测神经网络模型进行训练后的神经网络模型，该检测神经网络模型包括多个检测任务处理层，计算机设备获取上述目标掩模图像后，利用训练好的检测神经网络模型包括的检测任务处理层对该目标掩模图像进行检测处理，可以自动输出对应的检测结果。可选的，上述检测结果可以为上述检测图像为帕金森病人的图像或上述检测图像为未患有帕金森病症的健康人的图像，上述检测结果还可以为上述检测图像对应的检测对象为患有帕金森病症的概率或上述检测图像对应的检测对象为健康人的概率，上述检测结果还可以为上述检测图像与预设的患有帕金森病症的病人的图像的相似率。

本实施例提供的医学图像处理方法，计算机设备可以获取包括黑质区域和/ 或红核区域的检测图像，并采用分割神经网络模型对检测图像进行分割操作以得到目标掩模图像，然后采用检测神经网络模型对目标掩模图像进行检测，从而得到检测结果，通过该检测结果可以辅助判断检测对象是否患有帕金森病症。一方面，本实施例利用的是与帕金森病症最相关的包含黑质和/或红核的检测图像，因此可以提高检测结果的准确率；另一方面，计算机设备采用已经训练好的检测神经网络模型对检测对象的检测图像进行检测，也就是说，计算机设备采用的是已经能够正确输出检测结果的神经网络模型对检测对象的检测图像进行检测的，因而，计算机设备能够根据训练好的检测神经网络模型对检测对象的检测图像做出更加准确的检测结果，进一步提高了检测结果的准确率。

图3为另一个实施例提供的医学图像处理方法流程示意图。本实施例涉及的是计算机设备利用训练数据集得到检测神经网络模型的具体过程。在上述实施例的基础上，可选的，在上述S203中的“获取检测神经网络模型”之前，上述方法还包括：

S301，获取训练数据集，所述训练数据集包括多对训练数据，每一对训练数据包括一个训练掩模图像和所述训练掩模图像对应的真实标签。

具体的，上述训练数据集可以包括多对训练数据，其中，每一对训练数据可以包括一个含有黑质区域和/或红核区域的训练掩模图像，和该训练掩模图像对应的真实标签。可选的，上述训练掩模图像的获取方式可以按照上述目标掩模图像的获取方式获得，也可以根据其它图像分割方法如阈值分割或半自动分割方法获得，还可以通过人工标记的方式勾画出上述训练黑质区域和/或训练红核区域的方式获得，本实施例对上述训练掩模图像的获取方式不做限定。

可选的，上述训练掩模图像对应的真实标签用于表征该训练掩模图像是否为帕金森病人的图像，例如，可以用真实标签1表示该为患有帕金森症的病人的图像，用真实标签0表示该训练掩模图像为健康人的图像。

S302，根据所述训练数据集对预设的初始检测神经网络模型进行训练，得到所述检测神经网络模型。

具体的，计算机设备可以将训练数据集中的训练掩模图像输入至预设的初始检测神经网络模型。可选的，计算机设备可以通过随机初始化的方式的获得初始网络参数，也可以接受指定的初始网络参数。计算机设备通过不断调整网络参数如权重，对预设的初始检测神经网络模型进行训练，得到的训练正确的初始检测神经网络模型即为上述检测神经网络模型。

本实施例提供的医学图像处理方法，计算机设备可以获取训练数据集，并根据训练数据集对预设的初始检测神经网络模型进行训练，进而得到检测神经网络模型。这样得到的检测神经网络模型是训练好的可以输出正确结果的神经网络模型，因此可以保证利用上述训练好的检测神经网络模型对检测图像进行检测时可以输出较准确的检测结果，提高检测结果的准确率。

图4为另一个实施例提供的医学图像处理方法流程示意图。本实施例涉及的是计算机设备利用训练掩模图像和初始检测神经网络模型构建检测神经网络模型的具体过程。在上述实施例的基础上，可选的，上述S302可以包括：

S401，将所述训练掩模图像输入至所述初始检测神经网络模型，得到初始标签。

具体的，计算机设备可以将上述训练掩模图像输入至初始检测神经网络模型，利用初始检测神经网络模型中的各个检测任务处理层对该训练掩模图像进行相应的处理，例如卷积处理、激活处理或下采样处理等。采用初始检测神经网络模型的各个任务处理层对获取的训练掩模图像进行处理后，计算机设备可以得到上述训练掩模图像对应的初始标签。

S402，判定所述初始标签与所述真实标签的误差是否小于预设阈值；以及响应于所述误差小于预设阈值的判定，将所述初始检测神经网络模型指定为所述检测神经网络模型。

具体的，上述初始标签与训练掩模图像对应的真实标签的误差可以通过交叉熵损失函数获得，还可以通过最大距离损失函数获得，本实施例对初始标签与训练掩模图像对应的真实标签的误差的获得方式不做限定。计算机设备可以判断上述初始标签与训练掩模图像对应的真实标签的误差是否小于预设阈值，并将该初始标签和上述训练掩模图像对应的真实标签输入预设的损失函数，得到初始标签与训练掩模图像对应的真实标签的误差，并判断该误差是否小于预设阈值。

若否，调整初始检测神经网络模型的网络参数，得到调整后的检测神经网络模型，并将调整后的检测神经网络模型作为新的初始检测神经网络模型，返回执行检测操作，直至得到的新的初始标签与真实标签的误差满足预设条件为止，并将新的初始检测神经网络模型作为检测神经网络模型。上述网络参数可以为预设的卷积核的权重。

当上述误差不小于预设阈值时，说明计算机设备不能利用上述初始检测神经网络模型输出正确的检测结果，需要对该初始检测神经网络模型进行调整，调整过程包括：计算机设备利用随机梯度下降法调整网络参数，得到新的网络参数，将新的网络参数反向传输给初始检测神经网络模型的第一个任务处理层，得到调整后的检测神经网络模型，并将调整后的检测神经网络模型作为新的初始检测神经网络模型，继续执行上述检测操作，直至得到的新的初始标签与训练掩模图像对应的真实标签的误差小于预设阈值为止，并将该新的初始检测神经网络模型作为所述检测神经网络模型。可选的，计算机设备也可以利用批量梯度下降法或小批量梯度下降法等调整初始检测神经网络模型的网络参数，本实施例对调整初始检测神经网络模型的方式不做限定。可选的，计算机设备还可以利用包括测试黑质区域和/或测试红核区域的已知测试结果的测试图像，对训练后的检测神经网络模型进行测试，以验证训练好的检测神经网络模型的正确率，进一步保证上述训练后的检测神经网络模型的检测准确率。

本实施例提供的医学图像处理方法，计算机设备可以将训练掩模图像输入至初始检测神经网络模型，得到初始标签；判定初始标签与真实标签的误差是否小于预设阈值；以及响应于误差小于预设阈值的判定，将初始检测神经网络模型指定为检测神经网络模型。本实施例中，计算机设备可以根据初始标签与训练掩模图像对应的真实标签的误差与预设条件进行比较的结果，调整初始检测神经网络模型的网络参数，直至初始检测神经网络模型输出的初始标签与训练掩模图像对应的真实标签的误差满足预设条件为止，即初始经检测神经网络模型可以输出正确的检测结果为止，这样可以保证利用上述训练好的检测神经网络模型对检测图像进行检测时可以输出较准确的检测结果，提高检测结果的准确率。

图5为另一个实施例提供的医学图像处理方法流程示意图。本实施例中，上述初始检测神经网络模型包括特征提取组和分类组；所述特征提取组包括第一卷积层，所述分类组包括第二卷积层、池化层和全连接层；在上述实施例的基础上，可选的，上述S301的“将所述训练掩模图像输入至所述初始检测神经网络模型，得到初始标签”可以包括：

S501，基于所述特征提取组，得到所述训练掩模图像对应的检测特征图。

具体的，上述多个第一卷积层中第2个第一卷积层至最后一个第一卷积层中的每个第一卷积层前可以包括一个批标准化层(Batch Normalization，BN)，该批标准化层可以加快初始检测神经网络模型的学习效率，以提高将初始检测神经网络模型训练成为检测神经网络模型的速度；上述多个第一卷积层中第2 个第一卷积层至最后一个第一卷积层中的每个第一卷积层后可以包括一个激活层，该激活层对应的激活函数可以为修正线性单元(Rectified linear unit， ReLU)，也可以是Sigmoid函数，还可以是tahh激活函数，本实施例对激活层对应的激活函数不做限定。以第一卷积层的个数为5为例，第2个至第5个第一卷积层的每一个第一卷积层前可以包括BN层，该第2个至第5个第一卷积层的每一个第一卷积层后可以包括激活层，可选的，第4个第一卷积层可以接收第2个第一卷积层和第3个第一卷积层进行卷积处理后的特征图作为输入。计算机设备按照上述多个第一卷积层的处理顺序对训练掩模图像进行卷积处理，可以得到训练掩模图像对应的检测特征图。

S502，基于所述分类组和所述检测特征图，得到所述训练掩模图像对应的所述初始标签。

具体的，计算机设备将获取的检测特征图输入分类组中，对该检测特征图进行第二卷积层的卷积处理，得到处理后的检测特征图，并对处理后的检测特征图进行池化处理，得到多个特征因子。可选的，上述特征因子可以是一个表达提取的上述检测特征图的一个特征的数值。计算机设备将多个特征因子作为输入数据，利用全连接层的处理后得到的矩阵与初始网络参数中的权重相乘，得到初始标签。

本实施例提供的医学图像处理方法，计算机设备可以根据初始检测神经网络模型的特征提取组和分类组对训练掩模图像卷积、池化以及全连接等处理，从而得到初始标签。一方面，在上述多个第一卷积层中第2个第一卷积层至最后一个第一卷积层中的每个第一卷积层前可以包括一个批标准化层，该批标准化层可以加快初始检测神经网络模型的学习效率，以提高将初始检测神经网络模型训练成为检测神经网络模型的速度。另一方面，方便计算机设备利用该初始标签计算其与训练掩模图像对应的真实标签之间的误差，从而对初始检测神经网络模型进行较好的训练。

图6为另一个实施例提供的医学图像处理方法流程示意图。本实施例涉及的是计算机设备采用分割神经网络模型对检测图像进行分割操作以得到目标掩模图像的实现过程。在上述实施例的基础上，可选的，上述S202可以包括：

S601，将所述检测图像输入至所述分割神经网络模型，得到目标分割图像。

具体的，计算机设备可以将检测图像输入至分割神经网络模型，利用该分割神经网络模型中各个任务处理层对该检测图像进行分割操作，可以得到目标分割图像。可选的，上述目标分割图像中，黑质区域和/或红核区域的像素值可以1，目标分割图像的除黑质区域和/或红核区域以外的区域的像素值可以为0。

可选的，上述分割神经网络模型为V-Net模型、U-Net模型、FCN(FullyConvolutional Network，FCN)模型、GAN(Generative Adversarial Networks， GAN)模型中的任意一种和稠密块相结合的神经网络模型，该稠密块对应多个操作组，每个操作组包括按照先后顺序进行的卷积处理、激活处理以及再一次的卷积处理。上述任意一种网络模型与稠密块的结合方式是一样的，以U-Net模型与稠密块相结合为例，如图6a所示，为本实施例提供的U-Net模型与稠密块“□”相结合的一种分割神经网络模型，包括输入模组601、第一稠密块602、第二稠密块603、第三稠密块604、第四稠密块605、第五稠密块606、第六稠密块607和输出模组608。图6b中的每个稠密块可以对应多个操作组，并且，下一个操作组在进行卷积处理时，可以接收前面任一个操作组输出的特征图，假设一个稠密块对应5个操作组，操作组5可以接收操作组1、操作组2、操作组3和操作组4等每一个操作组输出的特征图作为操作组5的输入特征图。可以这么理解，对每一操作组来说，所有在它前面的操作组的特征图都会作为该操作组的输入，而它自己的特征图则作为后序所有操作组的输入。利用稠密块能够有效的缓解梯度消失问题，加强特征传播，鼓励特征复用以及极大地减少参与卷积、激活、下采样和上采样等运算的参数数量，这样才能更好的对输入图像进行处理，提取更多的有用特征，进而得到分割精度更的目标分割图像，使得计算机设备将分割神经网络模型得到的目标掩模图像输入检测神经网络模型时，能够得到更准确的检测结果，提高检测的准确率。

可选的，分割神经网络模型包括下采样单元和上采样单元，下采样单元包括多个用于特征提取的稠密块，所述上采样单元包括多个用于特征重建的稠密块，用于特征提取的稠密块和用于特征重建的稠密块之间进行跳层连接。可选的，下采样单元中下采样的次数和上采样单元中上采样的次数可以均为2次。如图6b所示，在分割神经网络模型的下采样单元部分，输入模组601用于检测图像的输入，第一稠密块602、第二稠密块603和第三稠密块604用于对输入模组601输出的特征图进行特征提取，并且计算机设备可以对经过第一稠密块602 得到的特征图和第二稠密块603得到的特征图分别进行一次下采样处理；在分割神经网络模型的上采样单元部分，第四稠密块605、第五稠密块606和第六稠密块607用于对下采样单元得到的特征图进行特征重建，并且对经过稠密块第四605得到的特征图和第五稠密块606得到的特征图分别进行了一次上采样处理，输出模组608用于输出目标分割图像。上述分割神经网络模型采用的是编码器和解码器的组织方式，上述输入模组601、第一稠密块602、第二稠密块603 和第三稠密块604对应于分割神经网络模型的编码器运算阶段，经过输入模组601、第一稠密块602、第二稠密块603和第三稠密块604对应的卷积、激活、下采样等的迭代操作后，编码器运算阶段结束，此时，计算机设备可以得到下采样后的特征图；上述第四稠密块605、第五稠密块606、第六稠密块607和输出模组608对应于分割神经网络模型的解码器运算阶段，经过第四稠密块605、第五稠密块606、第六稠密块607和输出模组608对应的卷积、激活和上采样等迭代操作后，解码器运算阶段结束，此时，计算机设备可以得到目标分割图像。

可选的，下采样单元中用于特征提取的稠密块和上采样单元中用于特征重建的稠密块之间可以进行跳层连接，具体实现方式可以如下：当计算机设备利用第五稠密块606对第四稠密块605输出的特征图进行卷积操作时，可以直接对第四稠密块605输出的特征图进行卷积操作，还可以将第二稠密块603输出的特征图与第五稠密块605输出的特征图进行拼接，得到拼接后的拼接特征图，并对该拼接特征图进行卷积处理，这样可以对检测图像提取更多的特征，以得到具有较好分割精度的目标分割图像。同样的，第六稠密块607在对第五稠密块606输出的特征图进行处理时，可以采取与第四稠密块605同样的操作。

S602，根据所述目标分割图像和所述检测图像的乘积，得到所述目标掩模图像。

具体的，计算机设备可以根据目标分割图像和检测图像的乘积对应的公式得到目标掩模图像，也可以根据包含目标分割图像和检测图像的乘积的其它公式得到目标掩模图像。由于上述目标分割图像中的黑质区域和/或红核区域的像素值可以1，目标分割图像的除黑质区域和/或红核区域以外的区域的像素值可以为0，因此，计算机设备可以根据目标分割图像和检测图像的乘积得到的掩模图像中，除黑质区域和/或红核区域以外的区域的像素值也为0，而黑质区域和/ 或红核区域的像素值不为0，这样，计算机设备可以只对包括黑质区域和/或红核区域的感兴趣区域进行特征提取，从而更好地进行特征提取，进而提高检测的准确率，这也是本申请实施例利用目标掩模图像而非目标分割图像作为检测神经网络模型的检测对象的主要原因。

本实施例提供的医学图像处理方法，计算机设备可以将检测图像输入至分割神经网络模型，得到目标分割图像，并根据目标分割图像和检测图像的乘积，得到目标掩模图像，由于计算机设备会利用分割神经网络模型对检测图像进行特征提取，以得到目标掩模图像，这样可以得到具有较高分割精度的目标掩模图像，从而可以使得利用该分割神经网络模型得到的目标掩模图像进行图像检测时，提高检测的准确率。

下述通过一个简单的例子，来介绍本发明实施例提供的医学图像理方法的过程。具体可以参见图7所示：

S701，计算机设备获取检测图像，所述检测图像包括黑质区域和/或红核区域的图像。

S702，计算机设备将所述检测图像输入至所述分割神经网络模型，得到目标分割图像。

S703，计算机设备根据所述目标分割图像和所述检测图像的乘积，得到所述目标掩模图像。

S704，计算机设备基于初始检测神经网络模型的特征提取组，得到所述训练掩模图像对应的检测特征图。

S705，计算机设备基于初始检测神经网络模型的分类组和所述检测特征图，得到所述训练掩模图像对应的所述初始标签。

S706，计算机设备判定所述初始标签与所述真实标签的误差是否小于预设阈值；以及响应于所述误差小于预设阈值的判定，将所述初始检测神经网络模型指定为所述检测神经网络模型。

S707，计算机设备采用所述检测神经网络模型对所述目标掩模图像进行检测，得到检测结果。

本实施例提供的医学图像处理方法的工作原理和技术效果如上述实施例所述，在此不再赘述。

应该理解的是，虽然图2-7所示的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-7中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

图8为一个实施例提供的医学图像处理装置的结构示意图。如图8所示，所述装置包括：第一获取模块10、第一确定模块11和第二确定模块12。

具体的，第一获取模块10，用于获取检测图像，所述检测图像包括黑质区域和/或红核区域的图像。

第一确定模块11，用于获取分割神经网络模型，采用所述分割神经网络模型对所述检测图像进行分割操作，得到目标掩模图像。

第二确定模块12，用于获取检测神经网络模型，采用所述检测神经网络模型对所述目标掩模图像进行检测，得到检测结果。

本实施例提供的医学图像处理装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

图9为另一个实施例提供的图像处理装置。在上述图8所示实施例的基础上，可选的，上述装置还包括第二获取模块13和第三确定模块14，

具体的，第二获取模块13，用于获取训练数据集，所述训练数据集包括多对训练数据，每一对训练数据包括一个训练掩模图像和所述训练掩模图像对应的真实标签。

第三确定模块14，用于根据所述训练数据集对预设的初始检测神经网络模型进行训练，得到所述检测神经网络模型。

本实施例提供的医学图像处理装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

图10为另一个实施例提供的医学图像处理装置。在上述实施例的基础上，可选的，上述第三确定模块14包括检测单元141和调整单元142。

具体的，检测单元141，用于将所述训练掩模图像输入至所述初始检测神经网络模型，得到初始标签。

调整单元142，用于判定所述初始标签与所述真实标签的误差是否小于预设阈值；以及响应于所述误差小于预设阈值的判定，将所述初始检测神经网络模型指定为所述检测神经网络模型。

本实施例提供的医学图像处理装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

图11为另一个实施例提供的医学图像处理装置。在上述实施例的基础上，所述初始检测神经网络模型包括特征提取组和分类组；所述特征提取组包括第一卷积层，所述分类组包括第二卷积层、池化层和全连接层；可选的，上述检测单元141包括第一确定子单元1411和第二确定子单元1412。

具体的，第一确定子单元1411，用于基于所述特征提取组，得到所述训练掩模图像对应的检测特征图。

第二确定单元1412，用于基于所述分类组和所述检测特征图，得到所述训练掩模图像对应的所述初始标签。

本实施例提供的医学图像处理装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

图12为另一个实施例提供的医学图像处理装置。在上述实施例的基础上，上述第一确定模块11包括第一确定单元111和第二确定单元112。

第一确定单元111，用于将所述检测图像输入至所述分割神经网络模型，得到目标分割图像；

第二确定单元112，用于根据所述目标分割图像和所述检测图像的乘积，得到所述目标掩模图像。

本实施例提供的医学图像处理装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

可选的，所述分割神经网络模型为V-Net模型、U-Net模型、FCN模型、GAN 模型中的任意一种和稠密块相结合的神经网络模型，所述稠密块对应多个操作组，每个操作组包括按照先后顺序进行的卷积处理、激活处理以及再一次的卷积处理。

可选的，所述分割神经网络模型包括下采样单元和上采样单元，所述下采样单元包括多个用于特征提取的稠密块，所述上采样单元包括多个用于特征重建的稠密块，所述用于特征提取的稠密块和所述用于特征重建的稠密块之间进行跳层连接。

在一个实施例中提供了一种医学图像处理系统，如图1所示，该系统包括图像扫描仪102和计算机设备104，计算机设备104的内部结构示意图可以如图 13所示。如图13所示，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时可以实现一种医学图像处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。上述计算机程序被处理器执行时实现如下步骤：

获取检测图像，所述检测图像包括黑质区域和/或红核区域的图像；

获取分割神经网络模型，采用所述分割神经网络模型对所述检测图像进行分割操作，得到目标掩模图像；

获取检测神经网络模型，采用所述检测神经网络模型对所述目标掩模图像进行检测，得到检测结果。

在一个实施例中，提供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以下步骤：

获取检测图像，所述检测图像包括黑质区域和/或红核区域的图像；

获取分割神经网络模型，采用所述分割神经网络模型对所述检测图像进行分割操作，得到目标掩模图像；

获取检测神经网络模型，采用所述检测神经网络模型对所述目标掩模图像进行检测，得到检测结果。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM (EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种医学图像处理方法，其特征在于，所述方法包括：

获取检测图像，所述检测图像包括黑质区域和/或红核区域的图像；

获取分割神经网络模型，采用所述分割神经网络模型对所述检测图像进行分割操作，得到目标掩模图像；

获取检测神经网络模型，采用所述检测神经网络模型对所述目标掩模图像进行检测，得到检测结果。

2.根据权利要求1所述的方法，其特征在于，在所述获取检测神经网络模型之前，所述方法还包括：

获取训练数据集，所述训练数据集包括多对训练数据，每一对训练数据包括一个训练掩模图像和所述训练掩模图像对应的真实标签；

根据所述训练数据集对预设的初始检测神经网络模型进行训练，得到所述检测神经网络模型。

3.根据权利要求2所述的方法，其特征在于，所述根据所述训练数据集对预设的初始检测神经网络模型进行训练，得到所述检测神经网络模型，包括：

将所述训练掩模图像输入至所述初始检测神经网络模型，得到初始标签；

判定所述初始标签与所述真实标签的误差是否小于预设阈值；以及响应于所述误差小于预设阈值的判定，将所述初始检测神经网络模型指定为所述检测神经网络模型。

4.根据权利要求3所述的方法，其特征在于，所述初始检测神经网络模型包括特征提取组和分类组；

所述特征提取组包括第一卷积层，所述分类组包括第二卷积层、池化层和全连接层；

所述将所述训练掩模图像输入至所述初始检测神经网络模型，得到初始标签，包括：

基于所述特征提取组，得到所述训练掩模图像对应的检测特征图；

基于所述分类组和所述检测特征图，得到所述训练掩模图像对应的所述初始标签。

5.根据权利要求1所述的方法，其特征在于，所述采用预设的分割神经网络模型对所述检测图像进行分割操作，得到目标掩模图像，包括：

将所述检测图像输入至所述分割神经网络模型，得到目标分割图像；

根据所述目标分割图像和所述检测图像的乘积，得到所述目标掩模图像。

6.根据权利要求5所述的方法，其特征在于，所述分割神经网络模型为V-Net模型、U-Net模型、FCN模型、GAN模型中的任意一种和稠密块相结合的神经网络模型，所述稠密块对应多个操作组，每个操作组包括按照先后顺序进行的卷积处理、激活处理以及再一次的卷积处理。

7.根据权利要求6所述的方法，其特征在于，所述分割神经网络模型包括下采样单元和上采样单元，所述下采样单元包括多个用于特征提取的稠密块，所述上采样单元包括多个用于特征重建的稠密块，所述用于特征提取的稠密块和所述用于特征重建的稠密块之间进行跳层连接。

8.一种医学图像处理装置，其特征在于，所述装置包括：

第一获取模块，用于获取检测图像，所述检测图像包括黑质区域和/或红核区域的图像；

第一确定模块，用于获取分割神经网络模型，采用所述分割神经网络模型对所述检测图像进行分割操作，得到目标掩模图像；

第二确定模块，用于获取检测神经网络模型，采用所述检测神经网络模型对所述目标掩模图像进行检测，得到检测结果。

9.一种医学图像处理系统，包括图像扫描仪和计算机设备，其中，所述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，其特征在于，所述处理器执行所述计算机程序时实现如下步骤：

获取检测图像，所述检测图像包括黑质区域和/或红核区域的图像；

获取分割神经网络模型，采用所述分割神经网络模型对所述检测图像进行分割操作，得到目标掩模图像；

获取检测神经网络模型，采用所述检测神经网络模型对所述目标掩模图像进行检测，得到检测结果。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如下步骤：

获取检测图像，所述检测图像包括黑质区域和/或红核区域的图像；

获取分割神经网络模型，采用所述分割神经网络模型对所述检测图像进行分割操作，得到目标掩模图像；

获取检测神经网络模型，采用所述检测神经网络模型对所述目标掩模图像进行检测，得到检测结果。