CN111862003A - 医疗影像目标信息获取方法、装置、设备和存储介质 - Google Patents

Abstract

本申请涉及一种人工智能技术领域，特别涉及一种医疗影像目标信息获取方法、装置、设备和存储介质。所述方法包括：获取待处理医疗影像；按照预设尺寸对所述待处理医疗影像进行分割得到多个区域医疗影像；将所述区域医疗影像输入预先训练的目标信息预测模型中，根据所述目标信息预测模型得到各所述区域医疗影像对应的区域目标值；获取各所述区域医疗影像对应的区域有效信息比，其中所述区域有效信息比是所述区域医疗影像中有效像素占总像素的比例；根据各所述区域目标值以及所述区域有效信息比得到所述医疗影像对应的影像目标信息。采用本方法能够提高对医疗影像中目标信息预测的准确度。

Description

医疗影像目标信息获取方法、装置、设备和存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种医疗影像目标信息获取方法、装置、设备和存储介质。

背景技术

随着计算机技术的发展，计算机技术在医疗领域的应用越来越广泛，如可以利用计算机技术中的图像处理算法对医疗影像进行自动化处理。

传统技术中，利用计算机算法识别医疗影像大多需要预先对医疗影像进行人工标注，然后利用人工标注的医疗影像对机器学习模型进行训练得到预测模型，以根据预测模型进行待检测医疗影像的目标信息的预测。

然而，目前都是将获取到整个医疗影像输入至预先训练的预测模型中，利用预测模型对医疗影像中的目标信息进行识别，但是医疗影像的尺寸较大导致在数据处理的过程中占用较多的计算机资源，降低了计算机对医疗影像中目标信息的识别效率，并且医疗影像中还包含很多非相关的信息，不仅给目标信息的预测造成干扰还降低了目标信息预测的准确度。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高医疗影像目标信息获取效率的医疗影像目标信息获取方法、装置、设备和存储介质。

一种医疗影像目标信息获取方法，方法包括：

获取待处理医疗影像；

按照预设尺寸对待处理医疗影像进行分割得到多个区域医疗影像；

将区域医疗影像输入预先训练的目标信息预测模型中，根据目标信息预测模型得到各区域医疗影像对应的区域目标值；

获取各区域医疗影像对应的区域有效信息比，其中所述区域有效信息比是所述区域医疗影像中有效像素占总像素的比例；

根据各区域目标值以及区域有效信息比得到医疗影像对应的影像目标信息。

在其中一个实施例中，根据各区域目标值以及区域有效信息比得到医疗影像对应的影像目标信息，包括：

按照预设规则将各区域目标值以及各区域有效信息比进行组合，得到医疗影像对应的信息矩阵；

将信息矩阵输入预先训练的决策树模型中，并根据决策树模型得到医疗影像对应的影像目标信息。

在其中一个实施例中，将信息矩阵输入预先训练的决策树模型中，根据决策树模型得到医疗影像对应的影像目标信息，包括：

将信息矩阵输入至预先训练的决策树模型中，并根据决策树模型得到医疗影像在多个影像目标值区间对应的预测概率；

将预测概率最大的影像目标值区间提取为医疗影像对应的影像目标信息。

在其中一个实施例中，按照预设规则对医疗影像进行分割得到多个区域医疗影像，包括：

按照预设规则对医疗影像进行分割得到多个影像区域；

将区域有效信息比大于预设阈值的影像区域提取为区域医疗影像。

在其中一个实施例中，按照预设规则对医疗影像进行分割得到多个影像区域，包括：

将医疗影像进行灰度化处理得到灰度医疗影像；

按照预设的尺寸对医疗影像进行分割得到多个影像区域。

在其中一个实施例中，获取各影像区域对应的区域有效信息比，包括：

获取影像区域对应的总面积以及影像区域中灰度信息对应的灰度面积；

根据灰度面积与总面积的比值得到影像区域对应的区域有效信息比。

在其中一个实施例中，其特征在于，目标信息预测模型的训练方法，包括：

获取多个医疗影像以及各医疗影像对应的影像目标信息；

按照预设规则将各医疗影像分割为预设尺寸的多个区域医疗影像；

根据各区域医疗影像以及各影像目标值对机器学习模型进行训练得到目标信息预测模型。

一种医疗影像目标信息获取装置，装置包括：

影像获取模块，用于获取待处理医疗影像；

分割模块，用于按照预设尺寸对待处理医疗影像进行分割得到多个区域医疗影像；

区域目标值获取模块，用于将区域医疗影像输入预先训练的目标信息预测模型中，根据目标信息预测模型得到各区域医疗影像对应的区域目标值；

信息比获取模块，用于获取各区域医疗影像对应的区域有效信息比，其中所述区域有效信息比是所述区域医疗影像中有效像素占总像素的比例；

目标信息获取模块，用于根据各区域目标值以及区域有效信息比得到医疗影像对应的影像目标信息。

一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述方法的步骤。

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上述方法的步骤。

上述医疗影像目标信息获取方法、装置、计算机设备和存储介质，包括：获取待处理医疗影像；按照预设尺寸对待处理医疗影像进行分割得到多个区域医疗影像，然后将区域医疗影像输入至预先训练的目标信息预测模型中得到各区域医疗影像对应的区域目标值，通过对医疗影像进行分割得到多个区域医疗影像，然后利用计算机对数据量较小的区域医疗影像进行数据处理，分散了计算机资源的占用率提高了计算机对医疗影像的处理效率；然后再根据各区域目标值以及区域有效信息比得到医疗影像对应的影像目标信息，使得获取影像目标信息的过程中引入了用于表征区域影像的有效信息，进一步提高了影像目标信息获取的准确度。

附图说明

图1为一个实施例中提供的医疗影像目标信息获取方法的应用环境图；

图2为一个实施例中提供的医疗影像目标信息获取方法的流程示意图；

图3为一个实施例中提供的一种从灰度医疗影像中提取区域医疗影像的示意图；

图4为一个实施例中提供的其中一个医疗影像对应的区域医疗影像的示意图；

图5为提供了另一个实施例中的另一个医疗影像对应的区域医疗影像的示意图；

图6为一个实施例中提供的一种目标信息预测模型的训练过程示意图；

图7为一个实施例中提供的一种决策树模型的训练过程示意图；

图8为一个实施例中提供的一种利用决策树模型预测肿瘤含量的示意图；

图9为一个实施例中医疗影像目标信息获取装置的结构框图；

图10为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的医疗影像目标信息获取方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。服务器104获取待处理医疗影像；按照预设规则对待处理医疗影像进行分割得到多个区域医疗影像；将区域医疗影像输入预先训练的目标信息预测模型中，根据目标信息预测模型得到各区域医疗影像对应的区域目标值；获取各区域医疗影像对应的区域有效信息比；根据各区域目标值以及区域有效信息比得到医疗影像对应的影像目标信息，进一步地，服务器104将获取到的影像目标信息推送至终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种医疗影像目标信息获取方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤210，获取待处理医疗影像。

医疗影像可以是利用医疗设备采集得到得图像。具体地，将利用医疗设备采集得到的医疗影像发送至服务器以使得服务器获取待处理的医疗影像，并利用服务器中的算法对待处理医疗影像进行图像分析得到目标信息。

步骤220，按照预设尺寸对待处理医疗影像进行分割得到多个区域医疗影像。

服务器将获取到的医疗影像进行图像分割得到多个区域医疗影像，其中图像分割的算法可以是预设的算法，如预设算法可以是按照预设尺寸将医疗影像分割为多个区域医疗影像，其中各区域医疗影像的尺寸可以相同也可以不同；如预设算法也可以是按照图像内容信息对医疗影像进行分割，如将相似度较大的区域内容划分为同一个区域形成区域医疗影像，以使得同一个区域医疗影像中的图像内容的相似度最高。在其他实施例中也可以按照其他预设算法对医疗影像进行图像分割以形成区域医疗影像。

步骤230，将区域医疗影像输入预先训练的目标信息预测模型中，根据目标信息预测模型得到各区域医疗影像对应的区域目标值。

区域目标值是区域医疗影像中目标信息对应的数值，如目标信息可以是区域医疗影像中的病理信息，进一步地病理信息可以是肿瘤信息等，目标信息对应的数值可以是病理信息对应的比值，如在区域医疗影像中肿瘤所占比例，进一步地，区域目标值可以是一个区间数值，如具体地可以划分为10个数值区间对应的区域目标值，具体地可以按照0-10％、10％-20％、20％-30％、30％-40％、40％-50％、50％-60％、60％-70％、70％-80％、80％-90％、90％-100％这样的等级进行分类。需要说明的是，目标信息预测模型是预先训练的，可对医疗影像中的信息像素内容进行识别以及预测，如可用于预测区域医疗影像中的病理性像素并预测病理性像素在区域医疗影像中所占的比例。需要说明的是，在其他实施例中，目标信息还可以是区域医疗影像中的非病理信息，如目标信息可以是医疗影像中的某一个感兴趣区域，区域目标值可以是感兴趣区域在区域医疗影像中所占的比值。

步骤240，获取各所述区域医疗影像对应的区域有效信息比，其中所述区域有效信息比是所述区域医疗影像中有效像素占总像素的比例。

区域有效信息比可以是区域医疗影像中有效像素占总像素的比例，如可以计算区域医疗影像的总面积，以及区域医疗影像中非空白区域对应的有效面积，计算有效面积占总面积的比例得到区域医疗影像对应的区域有效信息比。在一个实施例中区域有效信息比可以是灰度图占比。

步骤250，根据各区域目标值以及区域有效信息比得到医疗影像对应的影像目标信息。

具体地，可以按照预设规则对区域目标值以及区域有效信息比进行组合得到组合信息，将组合信息输入到预设算法进而得到医疗影像对应的影像目标信息。在具体实施中可以将各区域图像对应的肿瘤含量与灰度图占比进行组合得到区域信息，然后将各区域医疗影像对应的各区域信息进行组合得到医疗影像对应的矩阵信息，将矩阵信息输入到预设模型中，根据预设模型中的预设参数对医疗影像的影像目标信息进行预测，实现了通过小图信息如区域医疗影像预测大图信息如医疗影像的目的。

在本实施例中，通过对医疗影像进行分割得到多个区域医疗影像，然后利用计算机对数据量较小的区域医疗影像进行数据处理，分散了计算机资源的占用率提高了计算机对医疗影像的处理效率；然后再根据各区域目标值以及区域有效信息比得到医疗影像对应的影像目标信息，使得获取影像目标信息的过程中引入了用于表征区域影像的有效信息，进一步提高了影像目标信息获取的准确度。

在其中一个实施例中，根据各区域目标值以及区域有效信息比得到医疗影像对应的影像目标信息，包括：按照预设规则将各区域目标值以及各区域有效信息比进行组合，得到医疗影像对应的信息矩阵；将信息矩阵输入预先训练的决策树模型中，并根据决策树模型得到医疗影像对应的影像目标信息。

通过训练好的目标信息预测模型得到每一个区域医疗影像对应的区域目标值，然后结合区域医疗影像对应的区域有效信息构建特征组成一个矩阵，将矩阵作为决策树模型的输入数据，以根据决策树模型对矩阵信息进行预测得到医疗影像对应的影像目标信息。具体地，在一个实施例中通过计算每一个区域医疗影像的细胞灰度图所占比例数值，以及利用训练好的目标信息预测模型得到每一个区域医疗影像对应的肿瘤含量，然后根据肿瘤含量以及细胞灰度图所占比例数值构建每个区域医疗影像对应的特征矩阵，将特征矩阵作为决策树模型的输入数据得到该医疗影像对应的肿瘤含量。

需要说明的是决策树模型是预先训练得到的，具体地决策树模型的训练方法包括：预先获取每一个区域医疗影像样本的肿瘤含量以及每一个区域医疗影像对应的细胞灰度图所占比例数值，将肿瘤含量以及细胞灰度图所占比例数值作为真实的训练目标数值对决策树模型进行训练，得到一个训练好的决策树模型文件。如图7所示，提供了一种决策树模型的训练过程示意图，具体地，包括：服务器获取医疗影像，对医疗影像进行图像分割得到多个区域医疗影像，如将医疗影像按照预设规则切割为第一区域医疗影像610、第二区域医疗影像620、第三区域医疗影像630以及第四区域医疗影像640等。并且利用预先训练的目标信息预测模型对各区域医疗影像中的区域目标值进行预测得到第一区域医疗影像610对应的模型预测含量即肿瘤含量区间为60％-70％，第二区域医疗影像620对应的模型预测含量即肿瘤含量区间为70％-80％，第三区域医疗影像630对应的模型预测含量即肿瘤含量区间为80％-90％，以及第四区域医疗影像640对应的模型预测含量即肿瘤含量区间为60％-70％，然后计算第一区域医疗影像对应的区域有效信息比即细胞灰度图所占比例为80％，计算第二区域医疗影像对应的区域有效信息比即细胞灰度图所占比例为80％，计算第三区域医疗影像对应的区域有效信息比即细胞灰度图所占比例为40％，计算第四区域医疗影像对应的区域有效信息比即细胞灰度图所占比例为100％，然后根据各区域医疗影像对应的模型预测含量以及区域所占比例作为子图预测含量以及子图灰度占比构建该医疗影像对应的样本A，同样的方式获取另一个医疗影像对应的样本B等，然后将样本A以及样本B以及样本n等数据构建数据表，将数据表载入机器学习模型如决策树模型进行训练，进而得到训练好的决策树模型，进一步地可以对训练好的决策树模型进行计算得到预测精度，当预测精度满足预设阈值时停止对决策树模型的继续训练得到符合精度需求的决策树模型。

如图8所示，图8提供了一种利用决策树模型预测肿瘤含量的示意图，具体地，将待处理医疗影像进行图像切割得到多个待处理区域医疗影像如第一待处理区域医疗影像810、第二待处理区域医疗影像820、第三待处理区域医疗影像840以及第n待处理区域医疗影像840，并且利用预设算法获取各区域医疗影像对应的模型预测含量以及区域所占比例，将获取的数值作为x输入至训练好的决策树模型中进而得到待处理医疗影像对应的模型预测含量y，如在图8中得到的模型预测含量对应的区间为70％-80％。

在具体的一个实施例中，服务器获取一张待检测的病理图，按照预设分割算法对病理图进行拆分得到若干子图，利用预设的灰度占比计算算法分别计算这些子图对应的灰度占比，并将符合预设灰度占比的若干子图输入弱监督深度网络模型进行预测得到每一张子图的肿瘤含量预测结果，然后将所有结果汇总成为一个数据表格，将数据表格导入决策树模型进行预测，最终通过决策树模型得到的结果为该病理图的肿瘤含量。

在其中一个实施例中，将信息矩阵输入预先训练的决策树模型中，根据决策树模型得到医疗影像对应的影像目标信息，包括：将信息矩阵输入至预先训练的决策树模型中，并根据决策树模型得到医疗影像在多个影像目标值区间对应的预测概率；将预测概率最大的影像目标值区间提取为医疗影像对应的影像目标信息。

进一步地，决策树模型还可以给出待处理医疗影像在各影像目标值区间对应的预测概率，如在0-10％的概率为0.1，在10％-20％的概率为0.9，在其他区间如20％-30％、30％-40％、40％-50％、50％-60％、60％-70％、70％-80％、80％-90％、90％-100％的概率为0，那么根据各区间对应的概率数值大小可以判断该医疗影像对应的肿瘤含量为10％-20％。

在其中一个实施例中，按照预设尺寸对医疗影像进行分割得到多个区域医疗影像，包括：按照预设规则对医疗影像进行分割得到多个影像区域；将区域有效信息比大于预设阈值的影像区域提取为区域医疗影像。

利用预设分割算法对医疗影像进行图像分割，如将医疗影像均匀分割为大小为256*256的区域医疗影像对应的子图，具体地，对待处理医疗影像通过左上角开始连续的分割，比如一张2560*2561的医疗影像，横轴分割10个256，纵轴分割10个256，最后剩下的2560*1的区域抛弃，因为病理图边缘普遍为白色，另外由于弱监督深度网络模型的性质即使缺少部分数据也不会对模型的精度产生大的影响。然后计算每一张子图中的灰色区域和白色区域占比，根据占比对应的数值从子图中提取区域医疗影像，如根据占比对应的数值将所有子图进行排序，选取前n张如可以是前100张的子图作为区域医疗影像。需要说明的是，一般白色区域在像素上大于250(颜色分布为0-255)，低于250的一般认为是有灰度的区域。

在其中一个实施例中，按照预设尺寸对医疗影像进行分割得到多个影像区域，包括：将医疗影像进行灰度化处理得到灰度医疗影像；按照预设的尺寸对医疗影像进行分割得到多个影像区域。

参考图3，提供了一种从灰度医疗影像中提取区域医疗影像的示意图。具体地，首先将彩色的医疗影像如彩色病理图转换为灰度图，具体地可以通过图像的色彩转变方法进行处理，将白色变为透明，将其他颜色根据深度变成灰色，以通过调整阈值将细胞核、细胞质等信息从背景中分离出来。具体地，图像灰度化处理的方法包括但不限于：分量法，将彩色图像中的三分量的亮度作为三个灰度图像的灰度值，可根据应用需要选取一种灰度图像。最大值法：将彩色图像中的三分量亮度的最大值作为灰度图的灰度值。平均值法：将彩色图像中的三分量亮度求平均得到一个灰度值。加权平均法：根据重要性及其它指标，将三个分量以不同的权值进行加权平均。R、G、B色彩系数即所加权值，可任意改变。

继续参考图3，具体地，获取到的医疗影像可以是一个彩色医疗影像310，利用预设灰度化算法对彩色医疗影像310进行灰度化处理得到灰度医疗影像311，然后利用预设分割算法对灰度医疗影像311进行图像切割得到多个灰度区域医疗影像如第一灰度区域医疗影像312以及第二灰度区域医疗影像313，并且根据各灰度区域医疗影像的灰度所占比例将灰度区域医疗影像划分为符合预设标准的区域医疗以及不符合预设标准的区域医疗影像，如第一灰度区域医疗影像312中的图像灰度所占比例大于预设阈值判定是符合标准的图像，第二灰度区域医疗影像313中的图像灰度所占比例不大于预设阈值判定是不符合标准的图像。

在其中一个实施例中，获取各影像区域对应的区域有效信息比，包括：获取影像区域对应的总面积以及影像区域中灰度信息对应的灰度面积；根据灰度面积与总面积的比值得到影像区域对应的区域有效信息比。

由于苏木精和伊红染色(H&E,Hematoxylin-Eosin)病理图是异构的即结构不统一，并且包含了大量的空白区域，因此本申请采用选择每张病理图中细胞密度最大的部分进行分析。对于每幅病理图像，选择最密集的占比覆盖度符合25％以上的2000x2000块图像，其中图像密度计算为非白色即所有RGB值低于200像素在图像块中的百分比。

具体地，这些图像是使用最小空白区域进行选择的，通过灰度处理每一张子图都可以计算出一个灰色图上灰色区域和白色区域占比，当颜色分布为0-255范围时，将像素值大于250的区域提取为白色区域，像素值低于250的提取为灰度区域。需要说明的是，当获取足够量的医疗影像数据以及肿瘤等级足够均匀的医疗影像数据时，就可以保证获取到的区域医疗影像标注信息的准确度，也就是说可以抵消选择密集区域的区域小图做训练带来的误差，具体地，假设认为每一张区域小图上存在的肿瘤含量信息的概率为p，那么没有信息的概率为1-p，当选取两张图都没有信息的概率为(1-p)^2，通过类推可以知道如果选n张图，那么没有覆盖信息的概率为(1-p)^n，并且当n足够大，那么可以证明选择的病理图没有覆盖信息的值越来越逼近0，虽然选择最密集的图像可能会错过做出诊断所需的重要数据，但是在保证数据覆盖的均匀度，并且数据量足够大，可以将系统的误差进行抵消。

在本实施例中，传统的网络训练过程所需的标注图像是由专业人员人工标注的，并且人工只能对医疗影像中的感兴趣区域进行标注，使得人工标注不仅造成标注影像的数据量较少，还会使得标注后的医疗影像中的有效信息较少，故而利用较少的标注医疗影像以及较少信息量的医疗影像进行模型训练得到的预测模型的精度较低，不能对待检测的医疗影像中的信息进行精准的预测，并且较多的干扰信息也进一步增加了计算机资源的消耗，降低了医疗影像中目标信息的识别效率。本申请通过对医疗影像进行分割进而可以获取较多的训练样本，并且从分割后的区域医疗影像中选取符合预设条件的区域影像，减少了不必要的干扰信息，提高了计算机资源的利用率。

在其中一个实施例中，目标信息预测模型的训练方法，包括：获取多个医疗影像以及各医疗影像对应的影像目标信息；按照预设规则将各医疗影像分割为预设尺寸的多个区域医疗影像；根据各区域医疗影像以及各影像目标值对机器学习模型进行训练得到目标信息预测模型。

参考图4至图5，图4提供了其中一个医疗影像对应的区域医疗影像的示意图；图5提供了另一个实施例中的另一个医疗影像对应的区域医疗影像的示意图，具体地，可以对人工标注的肿瘤含量进行分类；具体分为10组，分别为0-10％、10％-20％、20％-30％、30％-40％、40％-50％、50％-60％、60％-70％、70％-80％、80％-90％、90％-100％这样的等级进行分类，然后按照每个医疗影像对应的标注肿瘤含量对每一张小图标注一个肿瘤含量的标签即小图用大图的标注数值，然后使用深度网络模型进行预测。如图4中的医疗影像的肿瘤含量为70％-80％时对应的多个区域医疗影像，具体地，第一肿瘤含量医疗影像400的肿瘤含量为70％-80％，从第一肿瘤含量医疗影像400中提取多个区域医疗影像如第一肿瘤含量第一区域医疗影像401、第一肿瘤含量第二区域医疗影像402、第一肿瘤含量第三区域医疗影像403以及第一肿瘤含量第四区域医疗影像404，并且在训练信息预测模型的过程中第一至第四区域医疗影像的肿瘤含量标注都是70％-80％。相同地，在图5中的医疗影像的肿瘤含量为30％-40％时对应的多个区域医疗影像，具体地，第二肿瘤含量医疗影像500的肿瘤含量为30％-40％，从第二肿瘤含量医疗影像500中提取多个区域医疗影像如第二肿瘤含量第一区域医疗影像501、第二肿瘤含量第二区域医疗影像502、第二肿瘤含量第三区域医疗影像503以及第二肿瘤含量第四区域医疗影像504，并且在训练信息预测模型的过程中第一至第四区域医疗影像的肿瘤含量标注都是30％-40％。

参考图6，提供了一种目标信息预测模型的训练过程示意图，具体地，包括利用区域医疗影像数据构建弱监督深度网络模型，如可以使用深度网络进行训练，进一步地网络可以是基于VGG19网络。如图6所示包括彩色医疗影像310，以及对彩色医疗影像进行灰度化处理后得到的灰度医疗影像311，以及对灰度医疗影像进行分割筛选后得到的第一区域医疗影像610、第二区域医疗影像620、第三区域医疗影像630以及第四区域医疗影像640等，然后将各区域医疗影像输入至网络模型中，经过卷积层601、第一block层602、第二block层603、第三block层604、第四block层605并且利用激励函数以及池化操作以及全连接层到达输出结果606模块得到肿瘤含量。进一步地，还可以输出医疗影像在各个数值区间中的概率，进而可以根据概率值大小得到医疗影像的肿瘤含量。

需要说明的是，本申请在VGG19网络的基础上进行了修改，具体地，通过短路机制加入了残差单元，使用stride＝2的卷积做下采样，称为Block层相，比普通网络每两层间增加了短路机制，进而形成了残差学习，即图中4个block层，将第一个block层的输出参数跳跃传输给第4个block层这样设计保证与Vgg19一样的复杂度，但可以减少一半的参数，并且用全局平均赤化(Global Average Pool)层替换了全连接层。Block层中包含一个卷积层、一个均一化层，一个过滤层再加一个卷积层，这样可以保证模型深度并且具有参数量减少。

在本实施例中，在传统的Vgg19网络结构中增加了一个参数跨越传递的过程，因为深度网络由于模型过深在训练参数过程使用反向传递方法训练参数，这个过程很容易出现剃度消失的过程。为了防止出现剃度消失的情况，增加了一个跳跃传递参数过程，将原来参数会跳跃传到输出层，这样有效避免参数消失的问题。

成像技术的进步已经导致了数字病理学数据的可用性的增加，图像扫描显微镜能够将整个组织切片数字化40倍，客观的放大，生成详细的图像，高分辨率捕获组织微环境和细胞学细节。这些图像可以揭示癌症现象的重要信息，如免疫反应和血管生成，可用于测量蛋白质的表达和定位，并对疾病进展的程度进行分级。目前，大多数病理学家在没有太多计算机辅助的情况下解释图像，甚至有的图片分析的机器学习方法需要大量的标注数据，因为需要专业的病理医生才可能标注，人工成本很大，并且只能标注部分感兴趣的区域。并且使用传统的卷积神经网络处理病理图需要处理达到100000*100000像素的图像数据，对于这种大数据计算时间和计算机资源消耗很大，所以我们提出了一种非标注、轻度解决预测肿瘤含量的方法，特别对于精准医疗里需要使用二代测序分析CNV(拷贝数变异，CopyNumber Variations)，这种变异需要对于测序样本的肿瘤含量要求很高。因为二代测序是对染色体序列片段化，再抽样组装，当肿瘤含量准确的时候，可以比较准备的预测测序样本中，癌症组织发生拷贝数的比例、及具体倍型；但当肿瘤含量预测不准确的时候，不仅会漏掉重要的CNV拷贝数变异并且无法准确预测出具体发生拷贝数变异的倍型。现在的技术主要是通过人工查看，主要问题包括：人工标注存在不同人之间的差异化；人工标注工作成本巨大；与CT或MRI等其他扫描方式相比，组织学染色带来了独特的挑战。图像本身是巨大的，大小不一，包含大量的细节。

本申请提出的算法涉及到两个预测模型，一个是区域医疗影像中肿瘤含量的预测模型，另一个是根据区域医疗影像中的肿瘤含量得到医疗影像中肿瘤含量的预测模型。具体地，首先获取专业人员标注的多个医疗影像的肿瘤含量，然后将医疗影像进行切分得到多个区域医疗影像，从区域医疗影像中选取信息量(灰度占比)占比大于预设值的区域医疗影像，并为每个区域医疗影像标注与医疗影像相同数值的肿瘤含量。虽然根据医疗影像含量直接为区域医疗影像标注肿瘤含量会有误差，但是随着数据量的增加获取的区域医疗影像数量多了，这种误差就会被降低。然后将各区域医疗影像以及对应的肿瘤含量作为训练样本进行模型训练，得到肿瘤含量预测模型；将每个区域医疗影像的肿瘤含量、每个区域医疗影像的灰度占比组成矩阵，以及医疗影像对应的整体肿瘤含量，作为训练决策树的训练集进行训练，决策树通过节点参数的不断优化调整得到决策树参数，进而根据决策树参数得到决策树预测模型。具体应用时，拿到医疗影像之后，对医疗影像进行灰度化处理得到灰度医疗影像，然后对灰度医疗影像进行分割，然后从分割后的区域医疗影像中选取前n张小图(灰度占比大于预设阈值的区域医疗影像)作为输入，输入到肿瘤含量预测模型中，得到每个区域医疗影像对应的肿瘤含量，然后根据每个区域医疗影像的肿瘤含量以及每个区域医疗影像的灰度占比组合成矩阵，然后将矩阵输入到决策树模型中，得到医疗影像的整体肿瘤含量。

本申请试图根据病理切片图像的形态和颜色特征，进行弱监督分类，就是从病理图上先进行选取，选择一定量的病理图，认为这些病理图和人工预测的肿瘤含量一致，可能每一张图有差距，但其中大部分的区域一致，然后进行深度网络学习构建模型。当模型训练好之后，新的图像输入模型，最终获得最佳的肿瘤含量。对于病理图H&E染色图进行肿瘤含量预测，该方法不通过人工标注数据实现，使用弱监督深度网络模型进行预测，效率更高，结合图像上信息多少，再通过机器学习模型进行校准。可以更快速预测病理图上的肿瘤含量；无需标注数据；使用机器学习和弱监督深度网络模型进行预测结合图像上信息多少，再通过机器学习模型进行校准。

应该理解的是，虽然图2-8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2-8中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图9所示，提供了一种医疗影像目标信息获取装置，包括：影像获取模块910、分割模块920、区域目标值获取模块930、信息比获取模块940以及目标信息获取模块950，其中：

影像获取模块910，用于获取待处理医疗影像。

分割模块920，用于按照预设尺寸对待处理医疗影像进行分割得到多个区域医疗影像。

区域目标值获取模块930，用于将区域医疗影像输入预先训练的目标信息预测模型中，根据目标信息预测模型得到各区域医疗影像对应的区域目标值。

信息比获取模块940，用于获取各区域医疗影像对应的区域有效信息比，其中所述区域有效信息比是所述区域医疗影像中有效像素占总像素的比例。

目标信息获取模块950，用于根据各区域目标值以及区域有效信息比得到医疗影像对应的影像目标信息。

在其中一个实施例中，目标信息获取模块950，包括：

矩阵获取单元，用于按照预设规则将各区域目标值以及各区域有效信息比进行组合，得到医疗影像对应的信息矩阵。

目标信息计算单元，用于将信息矩阵输入预先训练的决策树模型中，并根据决策树模型得到医疗影像对应的影像目标信息。

在其中一个实施例中，目标信息计算单元，包括：

预测概率计算子单元，用于将信息矩阵输入至预先训练的决策树模型中，并根据决策树模型得到医疗影像在多个影像目标值区间对应的预测概率。

目标信息提取子单元，用于将预测概率最大的影像目标值区间提取为医疗影像对应的影像目标信息。

在其中一个实施例中，分割模块920，包括：

影像区域获取单元，用于按照预设规则对医疗影像进行分割得到多个影像区域。

区域医疗影像提取单元，用于将区域有效信息比大于预设阈值的影像区域提取为区域医疗影像。

在其中一个实施例中，影像区域获取单元，包括：

灰度医疗影像获取子单元，用于将医疗影像进行灰度化处理得到灰度医疗影像。

影像区域分割子单元，用于按照预设的尺寸对医疗影像进行分割得到多个影像区域。

在其中一个实施例中，信息比获取模块940，包括：

面积计算单元，用于获取影像区域对应的总面积以及影像区域中灰度信息对应的灰度面积。

有效信息比计算单元，用于根据灰度面积与总面积的比值得到影像区域对应的区域有效信息比。

在其中一个实施例中，其特征在于，医疗影像目标信息获取装置还包括：

影像目标信息获取模块，用于获取多个医疗影像以及各医疗影像对应的影像目标信息。

区域医疗影像分割模块，用于按照预设规则将各医疗影像分割为预设尺寸的多个区域医疗影像。

预测模型获取模块，用于根据各区域医疗影像以及各影像目标值对机器学习模型进行训练得到目标信息预测模型。

关于医疗影像目标信息获取装置的具体限定可以参见上文中对于医疗影像目标信息获取方法的限定，在此不再赘述。上述医疗影像目标信息获取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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、计算机程序和数据库。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。该计算机设备的数据库用于存储医疗影像相关数据。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以实现一种医疗影像目标信息获取方法。

本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取待处理医疗影像；按照预设尺寸对待处理医疗影像进行分割得到多个区域医疗影像；将区域医疗影像输入预先训练的目标信息预测模型中，根据目标信息预测模型得到各区域医疗影像对应的区域目标值；获取各区域医疗影像对应的区域有效信息比，其中所述区域有效信息比是所述区域医疗影像中有效像素占总像素的比例；根据各区域目标值以及区域有效信息比得到医疗影像对应的影像目标信息。

在其中一个实施例中，处理器执行计算机程序时实现根据各区域目标值以及区域有效信息比得到医疗影像对应的影像目标信息的步骤时还用于：按照预设规则将各区域目标值以及各区域有效信息比进行组合，得到医疗影像对应的信息矩阵；将信息矩阵输入预先训练的决策树模型中，并根据决策树模型得到医疗影像对应的影像目标信息。

在其中一个实施例中，处理器执行计算机程序时实现将信息矩阵输入预先训练的决策树模型中，根据决策树模型得到医疗影像对应的影像目标信息的步骤时还用于：将信息矩阵输入至预先训练的决策树模型中，并根据决策树模型得到医疗影像在多个影像目标值区间对应的预测概率；将预测概率最大的影像目标值区间提取为医疗影像对应的影像目标信息。

在其中一个实施例中，处理器执行计算机程序时实现按照预设规则对医疗影像进行分割得到多个区域医疗影像的步骤时还用于：按照预设尺寸对医疗影像进行分割得到多个影像区域；将区域有效信息比大于预设阈值的影像区域提取为区域医疗影像。

在其中一个实施例中，处理器执行计算机程序时实现按照预设尺寸对医疗影像进行分割得到多个影像区域的步骤时时还用于：将医疗影像进行灰度化处理得到灰度医疗影像；按照预设的尺寸对医疗影像进行分割得到多个影像区域。

在其中一个实施例中，处理器执行计算机程序时实现获取各影像区域对应的区域有效信息比的步骤时还用于：获取影像区域对应的总面积以及影像区域中灰度信息对应的灰度面积；根据灰度面积与总面积的比值得到影像区域对应的区域有效信息比。

在其中一个实施例中，处理器执行计算机程序时实现目标信息预测模型的训练方法的步骤时还用于：获取多个医疗影像以及各医疗影像对应的影像目标信息；按照预设规则将各医疗影像分割为预设尺寸的多个区域医疗影像；根据各区域医疗影像以及各影像目标值对机器学习模型进行训练得到目标信息预测模型。

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：获取待处理医疗影像；按照预设尺寸对待处理医疗影像进行分割得到多个区域医疗影像；将区域医疗影像输入预先训练的目标信息预测模型中，根据目标信息预测模型得到各区域医疗影像对应的区域目标值；获取各区域医疗影像对应的区域有效信息比，其中所述区域有效信息比是所述区域医疗影像中有效像素占总像素的比例；根据各区域目标值以及区域有效信息比得到医疗影像对应的影像目标信息。

在其中一个实施例中，计算机程序被处理器执行时实现根据各区域目标值以及区域有效信息比得到医疗影像对应的影像目标信息的步骤时还用于：按照预设规则将各区域目标值以及各区域有效信息比进行组合，得到医疗影像对应的信息矩阵；将信息矩阵输入预先训练的决策树模型中，并根据决策树模型得到医疗影像对应的影像目标信息。

在其中一个实施例中，计算机程序被处理器执行时实现将信息矩阵输入预先训练的决策树模型中，根据决策树模型得到医疗影像对应的影像目标信息的步骤时还用于：将信息矩阵输入至预先训练的决策树模型中，并根据决策树模型得到医疗影像在多个影像目标值区间对应的预测概率；将预测概率最大的影像目标值区间提取为医疗影像对应的影像目标信息。

在其中一个实施例中，计算机程序被处理器执行时实现按照预设尺寸对医疗影像进行分割得到多个区域医疗影像的步骤时还用于：按照预设规则对医疗影像进行分割得到多个影像区域；将区域有效信息比大于预设阈值的影像区域提取为区域医疗影像。

在其中一个实施例中，计算机程序被处理器执行时实现按照预设尺寸对医疗影像进行分割得到多个影像区域的步骤时时还用于：将医疗影像进行灰度化处理得到灰度医疗影像；按照预设的尺寸对医疗影像进行分割得到多个影像区域。

在其中一个实施例中，计算机程序被处理器执行时实现获取各影像区域对应的区域有效信息比的步骤时还用于：获取影像区域对应的总面积以及影像区域中灰度信息对应的灰度面积；根据灰度面积与总面积的比值得到影像区域对应的区域有效信息比。

在其中一个实施例中，计算机程序被处理器执行时实现目标信息预测模型的训练方法的步骤时还用于：获取多个医疗影像以及各医疗影像对应的影像目标信息；按照预设规则将各医疗影像分割为预设尺寸的多个区域医疗影像；根据各区域医疗影像以及各影像目标值对机器学习模型进行训练得到目标信息预测模型。

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，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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上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。

以上实施例仅表达了本申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种医疗影像目标信息获取方法，其特征在于，所述方法包括：

获取待处理医疗影像；

按照预设尺寸对所述待处理医疗影像进行分割得到多个区域医疗影像；

将所述区域医疗影像输入预先训练的目标信息预测模型中，根据所述目标信息预测模型得到各所述区域医疗影像对应的区域目标值；

获取各所述区域医疗影像对应的区域有效信息比，其中所述区域有效信息比是所述区域医疗影像中有效像素占总像素的比例；

根据各所述区域目标值以及所述区域有效信息比得到所述医疗影像对应的影像目标信息。

2.根据权利要求1所述的方法，其特征在于，所述根据各所述区域目标值以及所述区域有效信息比得到所述医疗影像对应的影像目标信息，包括：

按照预设规则将各所述区域目标值以及各所述区域有效信息比进行组合，得到所述医疗影像对应的信息矩阵；

将所述信息矩阵输入预先训练的决策树模型中，并根据所述决策树模型得到所述医疗影像对应的影像目标信息。

3.根据权利要求2所述的方法，其特征在于，所述将所述信息矩阵输入预先训练的决策树模型中，根据所述决策树模型得到所述医疗影像对应的影像目标信息，包括：

将所述信息矩阵输入至预先训练的决策树模型中，并根据所述决策树模型得到所述医疗影像在多个影像目标值区间对应的预测概率；

将所述预测概率最大的影像目标值区间提取为所述医疗影像对应的影像目标信息。

4.根据权利要求1所述的方法，其特征在于，所述按照预设尺寸对所述医疗影像进行分割得到多个区域医疗影像，包括：

按照预设规则对所述医疗影像进行分割得到多个影像区域；

将所述区域有效信息比大于预设阈值的影像区域提取为区域医疗影像。

5.根据权利要求4所述的方法，其特征在于，所述按照预设尺寸对所述医疗影像进行分割得到多个影像区域，包括：

将所述医疗影像进行灰度化处理得到灰度医疗影像；

按照预设的尺寸对所述医疗影像进行分割得到多个影像区域。

6.根据权利要求1所述的方法，其特征在于，所述获取各所述影像区域对应的区域有效信息比，包括：

获取所述影像区域对应的总面积以及所述影像区域中灰度信息对应的灰度面积；

根据所述灰度面积与所述总面积的比值得到所述影像区域对应的区域有效信息比。

7.根据权利要求1至6任意一项所述的方法，其特征在于，所述目标信息预测模型的训练方法，包括：

获取多个医疗影像以及各所述医疗影像对应的影像目标信息；

按照预设规则将各所述医疗影像分割为预设尺寸的多个区域医疗影像；

根据各所述区域医疗影像以及各所述影像目标值对机器学习模型进行训练得到目标信息预测模型。

8.一种医疗影像目标信息获取装置，其特征在于，所述装置包括：

影像获取模块，用于获取待处理医疗影像；

分割模块，用于按照预设尺寸对所述待处理医疗影像进行分割得到多个区域医疗影像；

区域目标值获取模块，用于将所述区域医疗影像输入预先训练的目标信息预测模型中，根据所述目标信息预测模型得到各所述区域医疗影像对应的区域目标值；

信息比获取模块，用于获取各所述区域医疗影像对应的区域有效信息比，其中所述区域有效信息比是所述区域医疗影像中有效像素占总像素的比例；

目标信息获取模块，用于根据各所述区域目标值以及所述区域有效信息比得到所述医疗影像对应的影像目标信息。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。

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权利要求1至7中任一项所述的方法的步骤。

Images