CN110189324A - 一种医学图像处理方法及处理装置 - Google Patents

Abstract

本发明公开了一种医学图像处理的方法及装置，通过图像摄取装置得到原始医学图像；识别的医学缓存的图像，经过预处理形成含敏感区域的一级图像；从一级图像中确定第一医学特征单元至第N医学特征单元；通过机器分析，识别第N医学特征单元中包含的若干个目标，输出含敏感区域的第一医学特征单元至第N医学特征单元的图像。与现有设备存储的图像自动比对，对于迟钝图像进行舍弃，节省不必要的医学分析，提高了工作效率，可以进行人工删除或者保留，降低出错率，按层级输出含敏感区域的图像，方便医生的诊断。

Description

一种医学图像处理方法及处理装置

技术领域

本发明涉及医学图像处理技术领域，具体是一种医学图像处理方法及处理装置。

背景技术

医学处理装置主要用于获得对象的内部结构的图像并对其处理，作为呈现而非插入性检测装置的医学成像装置捕获并处理人体内的结构细节、内部组织和流体的图像，并向医生提供图像，可以通过使用从医学成像装置输出的医学图像来诊断患者的健康状况和疾病。

在医学处理装置中的图像的分割算法一般而言是由“传统特征提取”+“分类器”模型逐渐向“深度学习”模型转变，因此基于深度学习的多目标分割算法也正被广泛应用于各个领域。在医学技术领域中，基于深度学习的多目标分割算法主要用于对医学图像进行器官分割。

由于图像中多目标之间没有关联和部位从属信息，传统的多目标分割方法中并没有考虑到层级的概念，因此，典型的多目标图像分割的深度学习算法，均是在预训练网络模型的基础上直接进行多类目标分割的训练。

如此存在如下问题：

目前的多类目标分割的方法，用于解决医学技术领域的器官分割问题，由于分割的器官较多，分析系统复杂，可能会遗漏部分重要信息，进而影响准确度。

发明内容

本发明的目的在于克服现有技术的不足，而提供一种医学图像处理方法及处理装置，该处理方法对医学图像进行多目标分割时，同时进行预处理，简化操作系统，对高敏感的医学特征单元进行重点目标处理，对于迟钝部位的图像进行舍弃，提高了器官识别的精确度，减少了机器处理器的负担，并按照层级依次输出包含敏感区域的图像。

实现本发明目的的技术方案是：

一种医学图像处理的方法，包括如下步骤：

1）图像获取：获取原始医学图像并缓存；

2）图像预处理：识别缓存的医学图像，经过顺序读取以及对含敏感区域的图像提取、迟钝区域的图像删除，形成一级图像；

3）目标定位：根据敏感区域，从一级图像中逐级确定第一医学特征单元至第N医学特征单元；

4）机器分析：分析识别第N医学特征单元中包含的若干个目标是否包含敏感区域；

5）图像输出：输出包含敏感区域第一医学特征单元至第N医学特征单元中的图像。

所述的原始医学图像，为至少两个图像数据，原始图像的数量依据使用者对人体扫描的有效次数和目标部位的大小而定。

所述的敏感区域，为该区域的组织、器官与正常人相比，获取图像内部的组织、器官不同或发生病变等现象；

所述的迟钝区域，为与正常人相比，该区域的组织、器官相同或没有发生病变等现象。

所述的图像预处理，是使用基于卷积神经网络的人工神经网络模型，与正常人医学图像进行对比，得到含敏感区域的一级图像。

所述的一级图像，是至敏感区域内的图像模块的组合或者医学特征相似图像的组合。

所述的目标定位，是对一级图像分割，从一级图像中确定含敏感区域的第一医学特征单元，再从第一医学特征单元中确定第二医学特征单元，再从含敏感区域的第二医学特征单元中确定第三医学特征单元，……，再从含敏感区域的第N-1医学特征单元中确定第N医学特征单元，直至不能分割。

所述的图像预处理、目标定位可以为并联的多组。

所述的机器分析，是使用基于卷积神经网络的人工神经网络模型，将第N医学特征单元中包含的若干个目标与正常人医学图像进行对比，得到含敏感区域的目标。

本发明的方法可以应用于多种的医学图像，如磁共振成像图像、超声波成像图像、X射线成像图像、计算机断层成像图像、正电子断层成像图像等。

一种医学图像处理装置，包括摄取模块、预处理模块、目标定位模块、分析模块、输出模块，

所述的摄取模块用于获取原始医学图像；

所述的预处理模块用于提取包含敏感区域的图像；

所述的目标定位模块用于确定医学特征单元；

所述的分析模块用于分析目标是否包含敏感区域；

所述的输出模块用于图像的输出与呈现。

本发明提供的一种医学图像处理方法及处理装置，该处理方法对于不含敏感区域的图像进行舍弃，节省不必要的医学分析，提高了工作效率；将包含敏感区域的图像依层级输出，方便医生的诊断。

附图说明

图1为实施例1中一种医学图像处理方法的流程图；

图2为实施例1中一种医学图像处理装置的示意图；

图3为本发明实施例1中的图像预处理的流程图；

图4为本发明实施例2中的一种医学图像处理方法的流程图；

图5为本发明实施例3中的一种医学图像处理方法的流程图。

具体实施方式

下面结合附图和实施例对本发明做进一步阐述，但不是对本发明的限定。

本发明的实施例仅是本发明部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例1

如图1所示，一种医学图像处理的方法，包括如下步骤：

1）获取原始医学图像并缓存，原始医学图像为至少两个图像数据，原始图像的数量依据使用者对人体扫描的有效次数和目标部位的大小而定；

所述的原始医学图像，可以是二维或三维的所有类型医学图像，磁共振成像图像、超声波成像图像、X射线成像图像、计算机断层成像图像、正电子断层成像图像等。

2）进行图像预处理，识别缓存的医学图像，使用基于卷积神经网络的人工神经网络模型，与正常人医学图像进行对比，经过顺序读取以及对含敏感区域的图像提取、迟钝的图像删除，得到含敏感区域的一级图像；

所述的预处理为提取敏感区内的图像数据块对应的图像，敏感区域的为患者或者个人的器官或者组织出现病变或与正常组织、器官不相同的部分，该部分为预处理中最先捕捉到的部位，预处理将此种类型的图像块传递到下一单元，最终显示给医生，为医生的判断提供判断的依据。

识别原始医学缓存图像，可以是人体的任何部位的图像或者图像的集合，基于医学图像进一步说明，比如，医学图像是对整个人体进行扫描后得到的图像，人体图像包括若干个图像，比如头部、四肢、胸部、腹部等；或者，医学图像是对人的上半身进行扫描后得到的图像，上半身图像包含若干个图像，比如左上肢、右上肢、头部、胸部、腹部等。或者，医学图像是对人的头部进行扫描后得到的图像，头部图像包含若干个图像，比如眼睛区、鼻子区、嘴巴区、脸颊区、额头区、下巴区等。经过顺序读取上述的图像，以及对敏感区域图像提取、迟钝区域的图像删除之后，此过程也可以进行人工操作，人工操作的目的性强，需要基于一定的检测或者熟知患者的病变部位，最终所获得图像集合形成一级图像。

3）对一级图像分割，从一级图像中确定含敏感区域的第一医学特征单元，再从第一医学特征单元中确定第二医学特征单元，再从含敏感区域的第二医学特征单元中确定第三医学特征单元，……，再从含敏感区域的第N-1医学特征单元中确定第N医学特征单元，直至不能分割。分割依据为医学的层级关系，如：组织、器官、大器官等。

所述的第一医学特征单元指的是图像预处理中的一级图像划分的若干个医学部位或者集合，比如上肢、肺支气管等组织的图像。所述指定一级图像指的是包含待分割目标的医学部位，比如头部、四肢、胸部、腹部，再比如眼睛区、鼻子区、嘴巴区、脸颊区、额头区、下巴区等。

4）使用基于卷积神经网络的人工神经网络模型，将第N医学特征单元中包含的若干个目标与正常人医学图像进行对比，得到含敏感区域的目标。

5）输出包含敏感区域的第一医学特征单元至第N医学特征单元中的图像，形成可视化的图像呈现给使用者。

如图2所示，一种医学图像处理装置，包括摄取模块、预处理模块、目标定位模块、分析模块、输出模块，

摄取模块：获取原始医学图像；

预处理模块：提取包含敏感区域的图像；

目标定位模块：确定医学特征单元；

分析模块：分析目标是否包含敏感区域；

输出模块：图像的输出与呈现。

如图3所示，所述的预处理，是对迟钝区域内的图像模块进行删除处理，针对预处理中的医学图像，对含敏感区域的图像提取保留，对所获的图像进行对比分析，对不含敏感区域的图像可自动删除，当需要时，可以进行人工删除或者保留，降低出错率。

实施例2

如图4所示，将获取的三张原始医学图像进行预处理，依次读取各个图像数据，医学图像2不包含敏感区域的医学图像，作删除处理。

实施例3

如图5所示，对X射线成像图像进行预处理，由敏感区域确定第一医学特征单元为上肢，由确定第一医学特征单元确定第二医学特征为肩、臂、肘、前臂、腕、手，敏感区域位于第二医学特征中的手，因此确定第三医学特征单元为掌骨、指骨，无法继续分割，将第三医学特征单元中包含的目标与正常人医学图像进行对比，敏感区域位于掌骨。

应当理解，尽管在本发明实施例中可能采用术语第一、第二来描述识别医学特征单元、确定医学特征单元，但这些特征单元不应限于这些术语。这些术语仅用来将单元彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一识别医学特征单元也可以被称为第二识别医学特征单元，类似地，第二识别医学特征单元也可以被称为第一识别医学特征单元。

需要说明的是，本发明实施例提供的方法适用于全卷积神经网络、UNet或VNet等各类基于卷积神经网络的人工神经网络模型，所述基于卷积神经网络的人工神经网络模型可以包括粗训练网络和精分割网络。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

本发明实施例中可能采用术语第一、第二来描述识别医学特征单元、确定医学特征单元，但这些特征单元不应限于这些术语。这些术语仅用来将单元彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一识别医学特征单元也可以被称为第二识别医学特征单元，类似地，第二识别医学特征单元也可以被称为第一识别医学特征单元。

本发明还提供了一种机器可读的存储介质，存储用于使一机器执行如本文所述的医学图像处理方法的指令。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU或MCU)读出并执行存储在存储介质中的程序代码。

在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。

存储介质包括是U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质中的任意一种。

以上所述仅为本发明示意性的具体实施方式，并非用以限定本发明的范围。任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所作出的等同变化与修改，均应属于本发明保护的范围。

Claims (8)

1.一种医学图像处理的方法，其特征在于，包括如下步骤：

1）图像获取：获取原始医学图像并缓存；

2）图像预处理：识别缓存的医学图像，经过顺序读取以及对含敏感区域的图像提取、迟钝区域的图像删除，形成一级图像；

3）目标定位：根据敏感区域，从一级图像中逐级确定第一医学特征单元至第N医学特征单元；

4）机器分析：分析识别第N医学特征单元中包含的若干个目标是否包含敏感区域；

5）图像输出：输出包含敏感区域第一医学特征单元至第N医学特征单元中的图像。

2.根据权利要求1所述的一种医学图像处理的方法，其特征在于，所述的原始医学图像，为至少两个图像数据，原始图像的数量依据使用者对人体扫描的有效次数和目标部位的大小而定。

3.根据权利要求1所述的一种医学图像处理的方法，其特征在于，所述的敏感区域，为该区域的组织、器官与正常人相比，获取图像内部的组织、器官不同或发生病变现象；所述的迟钝区域，为与正常人相比，该区域的组织、器官相同或没有发生病变现象。

4.根据权利要求1所述的一种医学图像处理的方法，其特征在于，所述的图像预处理，是使用基于卷积神经网络的人工神经网络模型，与正常人医学图像进行对比，得到含敏感区域的一级图像。

5.根据权利要求1所述的一种医学图像处理的方法，其特征在于，所述的一级图像，是指敏感区域内的图像模块的组合或者医学特征相似图像的组合。

6.根据权利要求1所述的一种医学图像处理的方法，其特征在于，所述的目标定位，是对一级图像分割，从一级图像中确定含敏感区域的第一医学特征单元，再从第一医学特征单元中确定第二医学特征单元，再从含敏感区域的第二医学特征单元中确定第三医学特征单元，……，再从含敏感区域的第N-1医学特征单元中确定第N医学特征单元，直至不能分割。

7.根据权利要求1所述的一种医学图像处理的方法，其特征在于，所述的机器分析，是使用基于卷积神经网络的人工神经网络模型，将第N医学特征单元中包含的若干个目标与正常人医学图像进行对比，得到含敏感区域的目标。

8.一种医学图像处理装置，其特征在于，包括摄取模块、预处理模块、目标定位模块、分析模块、输出模块，

所述的摄取模块用于获取原始医学图像；

所述的预处理模块用于提取包含敏感区域的图像；

所述的目标定位模块用于确定医学特征单元；

所述的分析模块用于分析目标是否包含敏感区域；

所述的输出模块用于图像的输出与呈现。