CN114663447A - 基于计算机视觉的ai医学图像处理方法及装置 - Google Patents

Abstract

本发明涉及图像处理技术领域，提出了基于计算机视觉的AI医学图像处理方法及装置，基于计算机视觉的AI医学图像处理方法包括：获得样本的医学图像；对所述医学图像进行近似处理，包括：切片分割、轮廓点寻找和轮廓点滤波；计算所述近似处理的误差；根据所述近似处理的误差，在Z方向上采用自适应插值算法对所述滤波后的轮廓点进行插值，得到插值后图像；所述插值后图像用于构建样本的三维模型。通过上述技术方案，解决了现有技术中基于计算机视觉的AI医学图像处理方法运算量大的问题。

Description

基于计算机视觉的AI医学图像处理方法及装置

技术领域

本发明涉及图像处理技术领域，具体的，涉及基于计算机视觉的AI医学图像处理方法及装置。

背景技术

医学图像处理的对象是各种不同成像机理的医学影像，临床广泛使用的医学成像种类主要有X-射线成像(X-CT)、核磁共振成像(MRI)、核医学成像(NMI)和超声波成像(UI)四类。在目前的影像医疗诊断中，主要是通过观察一组二维切片图象去发现病变体，这往往需要借助医生的经验来判定。利用计算机图像处理技术对二维切片图象进行分析和处理，实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示，可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分析，从而大大提高医疗诊断的准确性和可靠性；在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。目前的计算机图像处理方法大都需要大量的数据计算、运算时间长。

发明内容

本发明提出基于计算机视觉的AI医学图像处理方法及装置，解决了相关技术中基于计算机视觉的AI医学图像处理方法运算量大的问题。

本发明的技术方案如下：

第一方面，基于计算机视觉的AI医学图像处理方法，包括：

获得样本的医学图像；所述医学图像包括沿Z方向依次排列的M个切片图像；

对所述医学图像进行近似处理，包括：对每一切片图像进行切片分割，得到M个组织切片；采用轮廓寻找算法确定每一组织切片的轮廓线；在每一组织切片的轮廓线上选取N个点，作为N个轮廓点；对M个组织切片上的M×N个轮廓点进行滤波，得到滤波后的轮廓点；

计算所述近似处理的误差；

根据所述近似处理的误差，在Z方向上采用自适应插值算法对所述滤波后的轮廓点进行插值，得到插值后图像；所述插值后图像用于构建样本的三维模型。

第二方面，基于计算机视觉的AI医学图像处理方装置，包括：

第一获得单元，用于获得样本的医学图像；

第一处理单元，用于对所述医学图像进行近似处理，包括：沿Z方向进行切片分割，得到M个组织切片；采用轮廓寻找算法确定每一组织切片的轮廓线；在每一组织切片的轮廓线上选取N个点，作为N个轮廓点；对M个组织切片上的M×N个轮廓点进行滤波，得到滤波后的轮廓点；

第一计算单元，用于计算所述近似处理的误差；

第二计算单元，用于根据所述近似处理的误差，在Z方向上采用自适应插值算法对所述滤波后的轮廓点进行插值，得到插值后图像；所述插值后图像用于构建样本的三维模型。

第三方面，一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述的医学图像处理方法的步骤。

本发明的工作原理及有益效果为：

本发明首先将医学图像进行近似处理，得到M×N个轮廓点，M×N个轮廓点作为样本的三维数据集；然后根据M×N个轮廓点，在Z方向上进行自适应插值；进而进行三维模型的构建。其中，将近似处理的误差，作为自适应插值算法的输入变量，用于自适应插值的轮廓点的个数根据近似处理的误差进行调整，当近似处理的误差较大时，自适应插值允许的误差较大，可以采用较少的轮廓点进行插值，以减少运算量；当近似处理的误差较小时，自适应插值允许的误差小，需要采用多一些的轮廓点进行插值，以提高插值精度。本发明根据所述近似处理的误差，进行自适应插值，在满足精度要求的同时，能尽量减小运算量。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明图像处理方法流程图；

图2为本发明中轮廓点数据结构示意图；

图3为本发明中任一个组织切片的轮廓点分布图；

图4为本发明中各切片沿Z方向分布情况示意图；

图5为本发明中近似处理误差分析示意图；

图6为轮廓点不经滤波时得到的耳锤骨三维模型；

图7为滤波后轮廓点得到的耳锤骨三维模型；

图8为本发明中图像处理装置结构示意图；

图中：1极轴，2轮廓点，3组织切片。

具体实施方式

下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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他实施例，都涉及本发明保护的范围。

实施例一

如图1所示，为本实施例医学图像处理方法流程图，包括：

S100：获得样本的医学图像；所述医学图像包括沿Z方向依次排列的M个切片图像。

M个切片图像通过CT扫描获得，这里不作赘述。

S200：对所述医学图像进行近似处理，包括：对每一切片图像进行切片分割，得到M个组织切片；采用轮廓寻找算法确定每一组织切片的轮廓线；在每一组织切片的轮廓线上选取N个点，作为N个轮廓点；对M个组织切片上的M×N个轮廓点进行滤波，得到滤波后的轮廓点；

以耳锤骨为例，本实施例中，通过CT扫描采集耳锤骨的多个切片图像，输入到EAR-Lab图像分析软件中，得到M×N个轮廓点(contour point)的数据，M×N个轮廓点的数据以列表的形式展示，如图2所示。List0对应第一个组织切片上的N个轮廓点，List1对应第二个组织切片上的N个轮廓点，…以此类推，List(M-1)对应第M个组织切片上的N个轮廓点。

如图3所示，为其中一个组织切片上的N个轮廓点的分布情况，该组织切片上设置有极坐标系，极点坐标为(Xc，Yc)，极轴方向为X轴方向，从极轴开始，将该组织切片的圆周按照角度N等分，得到N个轮廓点，每个轮廓点的坐标均包括一一对应的X坐标、Y坐标、Z坐标、极径和极角。其中，同一个组织切片上的轮廓点具有相同的极点坐标和Z坐标，任一轮廓点的极径为该轮廓点到几点的距离，任一轮廓点的极角为：从极点到该轮廓点的直线与极轴的夹角。

如图4所示，M个组织切片在Z方向上的分布情况。

对M个组织切片上的M×N个轮廓点进行滤波的步骤中，本实施例设计了高斯低通滤波器对M×N个轮廓点进行滤波，滤除其中波动较大的点，采用滤波后的轮廓点进行三维模型重建，有利于得到表明平滑的三维模型、提高三维模型重建的精度。

S300：计算所述近似处理的误差；

近似处理的误差包括在切片分割步骤产生的切片分割误差E_segment、在选取轮廓点步骤产生的轮廓寻找误差E_contourfind、以及在滤波步骤产生的滤波误差，各误差的计算过程如下：

(1)切片分割误差E_segment

首先计算每一组织切片的分割误差，得到M个组织切片的分割误差，其中任一组织切片的分割误差E_m,segment计算过程包括：

再将每一组织切片的分割误差进行累加，得到切片分割误差E_segment：

其中，m代表任一组织切片，m＝1,2,…,M，ROI_m,1和ROI_m,2分别为组织切片m上的两个区域，S_m表征两个区域的相似度。

(2)轮廓寻找误差E_contourfind

首先计算每一组织切片的轮廓误差，得到M个组织切片的轮廓误差，其中任一组织切片的轮廓误差E_{m,contourfind}计算过程包括：

再将每一组织切片的轮廓误差进行累加，得到轮廓寻找误差E_contourfind：

其中，m代表任一组织切片，m＝1,2,…,M，ROI_m,segment为轮廓寻找前图像，ROI_{m,contourfind}为轮廓寻找后图像，S_{m,contourfind}表征两个图像的相似度。

(3)切片滤波误差E_filtering

切片滤波误差E_filtering的计算有两种方法。

第一种方法：

首先计算每一组织切片的滤波误差，得到M个组织切片的滤波误差，其中任一组织切片的滤波误差E_m,filtering1计算过程包括：

再将每一组织切片的滤波误差进行累加，得到切片滤波误差E_filtering1：

其中，m代表任一组织切片，m＝1,2,…,M，ROI_{m,contourfind}为滤波前图像，ROI_m,filtering为滤波后图像，S_m,filtering1表征两个图像的相似度。

第二种方法：

首先计算每一轮廓点的极径误差，得到M个轮廓点的极径误差，其中任一轮廓点的极径误差E_{m,n,filtering2}计算过程包括：

再将每一轮廓点的极径误差进行累加，得到切片滤波误差E_filtering2：

其中，m代表任一组织切片，m＝1,2,…,M，r_m”_,n为任一轮廓点滤波后的极径，r_m,n为任一轮廓点滤波前的极径。

以上介绍了近似处理产生的三种误差，得到切片分割误差E_segment、轮廓寻找误差E_contourfind、以及滤波误差后，对三种误差进行误差合并，得到近似处理的误差E_approx，如图5所示。

可以综合计算三种误差来确定近似处理的误差E_approx，如下式所示：

也可以选取最大的一种误差作为主导误差，来确定近似处理的误差E_approx，如下式所示：

E_approx＝max{E_segment,E_contourfind,E_filtering}。

如图5所示，在对切片图像进行切片分割时，需要人工干预，为减小人为造成的误差，本实施例对同一组切片图像进行了三次切片分割，前两次由同一人进行操作，第三次由另一人进行操作，分别计算三次切片分割的误差E_segment1,E_segment2,E_segment3，然后取三个误差的平均值，作为最终的切片分割误差E_segment。

S400：根据所述近似处理的误差，在Z方向上采用自适应插值算法对所述滤波后的轮廓点进行插值，得到插值后图像；所述插值后图像用于构建样本的三维模型。

任一所述轮廓点包括一一对应的X坐标、Y坐标、Z坐标、极径和极角，任意具有相同极角θ的M个轮廓点组成该极角θ对应的插值点集合，M×N个轮廓点形成N个插值点集合。分别对N个插值点集合进行自适应插值，得到插值后图像。其中，任一极角θ区域的插值过程如下：

(1)以初始的采样间隔，从该极角θ对应的插值点集合中选取多个点，作为一阶插值点，进行分段单调插值，得到一阶插值函数。

本实施例中，每一插值点集合中的M个轮廓点均按顺序编号，初始的采样间隔设置为每间隔16个轮廓点取一个点，即将顺序编号为0的轮廓点作为第一个一阶插值点，将顺序编号为16的轮廓点作为第二个一阶插值点，将顺序编号为32的轮廓点作为第三个一阶插值点，依次类推。

相邻的两个一阶插值点之间的区域称为一阶间隔，所有一阶间隔均按顺序编号。

(2)从该极角θ对应的插值点集合中选取两倍于一阶插值点个数的轮廓点，作为二阶插值点，再次进行分段单调插值，得到二阶插值函数。

可以通过将初始的采样间隔减半，来实现两倍个数的二阶插值点，即将顺序编号为0的轮廓点作为第一个二阶插值点，将顺序编号为8的轮廓点作为第二个二阶插值点，将顺序编号为16的轮廓点作为第三个二阶插值点，依次类推。

相邻的两个二阶插值点之间的区域称为二阶间隔，所有二阶间隔均按顺序编号。

(3)计算一阶插值函数和二阶插值函数的误差。

本实施例中，分别计算一阶插值函数和二阶插值函数在每个二阶间隔的误差，并判断每个二阶间隔的误差是否小于误差设定值。以其中任一二阶间隔为例，判断如下关系式是否成立：

其中，T_k代表该二阶间隔中轮廓点的个数，t代表该二阶间隔中轮廓点的序号，k代表该二阶间隔的顺序编号；β为系数，0＜β＜1，本实施例中，β＝0.5；Interpolant₂(z)代表二阶插值函数，Interpolant₁(z)代表一阶插值函数，Interpolant₂(z)和Interpolant₁(z)的值均代表在高度z时，极角θ对应的极径；E_approx(z)代表该二阶间隔中所有轮廓点的近似处理误差。

z＝z_k,0+tΔz

其中，z_k,0代表该二阶间隔中较小的一个端点(二阶插值点)，Δz代表该极角θ对应的插值点集合中，相邻的两个轮廓点之间的高度差。

(4)如果上述关系式①成立，则停止插值，输出二阶插值函数Interpolant₂(z)作为极角θ对应的插值函数(Z向插值函数)；否则，从该极角θ对应的插值点集合中选取两倍于二阶插值点个数的轮廓点，作为三阶插值点，再次进行分段单调插值，得到三阶插值函数；采用与步骤(3)相同的方法，判断三阶插值函数与二阶插值函数的误差是否小于误差设定值，如果是，则停止插值，输出三阶插值函数作为极角θ对应的插值函数(Z向插值函数)，否则，从该极角θ对应的插值点集合中选取两倍于三阶插值点个数的轮廓点，作为四阶插值点，再次进行分段单调插值，得到四阶插值函数...，依次类推，直到关系式①成立，输出此时的插值函数作为极角θ对应的插值函数。

为计算方便，初始的采样间隔设置为2的n次方，例如本实施例中初始的采样间隔设置为16＝2⁴，这样，后续的采样间隔可以依次设置为8，4，2，1。

本实施例首先将医学图像进行近似处理，得到M×N个轮廓点，M×N个轮廓点作为样本的三维数据集；然后根据M×N个轮廓点，在Z方向上进行自适应插值；进而进行三维模型的构建。其中，将近似处理的误差，作为自适应插值算法的输入变量，用于自适应插值的轮廓点的个数根据近似处理的误差进行调整，当近似处理的误差较大时，自适应插值允许的误差较大，可以采用较少的轮廓点进行插值，以减少运算量；当近似处理的误差较小时，自适应插值允许的误差小，需要采用多一些的轮廓点进行插值，以提高插值精度。本实施例根据所述近似处理的误差，进行自适应插值，在满足精度要求的同时，能尽量减小运算量。

实施例二

下面介绍实施例一中采用的高斯低通滤波器的设计过程，包括：

首先，在XY平面上对每一组织切片上的N个轮廓点进行高斯滤波，具体包括：

S210：对每一组织切片执行建立第一函数的操作，得到M个第一函数；

具体的，对任一组织切片，将该切片上的N个轮廓点按顺序编号；建立该组织切片上任一轮廓点的极径与轮廓点编号的函数关系r_n＝f_s(n)，该函数关系rn＝fs(n)即为第一函数f_s(n)；其中，n为该切片上任一轮廓点，n＝1，2，...N，r_n为第n个轮廓点的极径。

标记相邻轮廓点之间的角度间隔为Δθ，则任一轮廓点的极角θ为：

θ＝θ₀+nΔθ

其中，n＝1,2,…N，θ₀＝0。

N个轮廓点对应的极径r_n可以看成是一维的离散信号，用函数fs(n)表示为：

r_n＝f_s(n)＝r_n＝f_s(θ₀+nΔθ)。

fs(n)可以通过将多个轮廓点拟合得到其函数表达式，也可以以数据矩阵的形式保存。

S220：对每一第一函数，确定对应的第一高斯滤波器，得到M个第一高斯滤波器；任一第一函数对应的第一高斯滤波器计算过程包括：

S221：对该第一函数执行离散傅里叶变换，得到对应的第一频域函数；

S222：根据第一频域函数的频谱分布，确定第一频域滤波器的截止频率σ_f；

得到第一频域函数的频谱分布之后，按照正态分布3σ原则：99.7％的能量分布在(μ-3σ，μ+3σ)区间，得到第一频域滤波器的截止频率σ_f，这里不作赘述。

S223：根据第一频域滤波器的截止频率σ_f计算第一时域滤波器的截止频率σ_s，具体为：

本实施例中σ_f与σ_s的关系由发明人推导得出，具体过程如下：

给定一个连续函数f(x)，x初始值为x₀，将x的取值范围进行N等分，对f(x)进行离散处理，得到离散数值序列{f(x₀),f(x₀+Δx),f(x₀+2Δx),...,f(x₀+(N-1)Δx)}，该离散数值序列可以表示为：

f(x)＝f(x₀+nΔx)

其中，n＝0,1,2,…N-1，因此，该离散数值序列可表示为{f(0),f(1),f(2),...f(N-1)}，对函数f(x)进行离散傅里叶变换得到：

其中，u＝0,1,2,…,N-1。

其中，x＝0,1,2,…N-1.

在u＝0,1,2,…,N-1时，

的序列分别为：

从而得到：

本领域技术人员都知道，σ_f表示函数F(u)的截止频率，由此得到截止频率σ_f和采样频率σ_s的关系式：

σ_s＝σ_fΔu (2)

由上述公式(1)和(2)得到：

S224：根据第一时域滤波器的截止频率σ_s得到第一高斯滤波器的公式，具体为：

在得到第一频域滤波器的截止频率σ_f之后，常规的做法是根据σ_f得到第一频域高斯滤波器，然后对第一频域高斯滤波器进行傅里叶逆变换得到第一高斯滤波器，但是这样计算量会非常大。本实施例中，在得到第一频域滤波器的截止频率σ_f之后，首先根据σ_f和σ_s的运算关系得到σ_s，在根据σ_s构建第一高斯滤波器，大大减少了运算量。

其次，在Z方向上对轮廓点进行滤波，具体包括：

S230：将M个组织切片按顺序编号，对任一组织切片的N个轮廓点执行建立第二函数的操作，得到N个第二函数；

其中，对任一组织切片的任一轮廓点执行建立第二函数的操作，具体包括：

获得与该轮廓点具有相同极角的M个轮廓点，建立所述M个轮廓点中任一轮廓点的极径与与切片编号的函数关系r_m＝f_z(m)；其中，m为任一组织切片的切片编号，m＝1，2，...M，r_m为M个轮廓点中任一轮廓点的极径。

标记相邻两个组织切片之间的距离间隔为Δz，则在Z方向上，任一轮廓点的高度z为：

z＝z₀+mΔz

其中，m＝1,2,…N，z₀为第一个图片的初始高度。

相同极角的M个轮廓点对应的极径r_m可以看成是一维的离散信号，用函数fz(m)表示为：

r_m＝f_z(m)＝r_n＝f_z(z₀+mΔz)。

fs(n)可以通过将多个轮廓点拟合得到其函数表达式，也可以以数据矩阵的形式保存。

S240：采用与步骤S221～步骤S224相同的步骤，对每一第二函数，确定对应的第二高斯滤波器，得到N个第二高斯滤波器。

如图6所示，为采用滤波前的轮廓点得到的耳锤骨三维模型，如图7所示，为采用滤波后的轮廓点得到的耳锤骨三维模型，与图6相比，图7的模型更光滑。

实施例三

如图8所示，为本实施例图像处理装置的结构示意图，包括：

第一获得单元，用于获得样本的医学图像；

第一处理单元，用于对所述医学图像进行近似处理，包括：沿Z方向进行切片分割，得到M个组织切片；采用轮廓寻找算法确定每一组织切片的轮廓线；在每一组织切片的轮廓线上选取N个点，作为N个轮廓点；对M个组织切片上的M×N个轮廓点进行滤波，得到滤波后的轮廓点；

第一计算单元，用于计算所述近似处理的误差；

第二计算单元，用于根据所述近似处理的误差，在Z方向上采用自适应插值算法对所述滤波后的轮廓点进行插值，得到插值后图像；所述插值后图像用于构建样本的三维模型。

进一步，还包括：

第三计算单元，用于切片分割误差E_segment，切片分割误差E_segment的具体计算过程包括：

计算每一组织切片的分割误差，得到M个组织切片的分割误差，其中任一组织切片的分割误差E_m,segment计算过程包括：

将每一组织切片的分割误差进行累加，得到切片分割误差E_segment：

其中，m代表任一组织切片，m＝1,2,…,M，ROI_m,1和ROI_m,2分别为组织切片m上的两个区域，S_m表征两个区域的相似度。

进一步，还包括：

第四计算单元，用于计算廓寻找误差E_contourfind，所述轮廓寻找误差E_contourfind的具体计算过程包括：

计算每一组织切片的轮廓误差，得到M个组织切片的轮廓误差，其中任一组织切片的轮廓误差E_{m,contourfind}计算过程包括：

将每一组织切片的轮廓误差进行累加，得到轮廓寻找误差E_contourfind：

其中，m代表任一组织切片，m＝1,2,…,M，ROI_m,segment为轮廓寻找前图像，ROI_{m,contourfind}为轮廓寻找后图像，S_{m,contourfind}表征两个图像的相似度。

进一步，还包括：

第五计算单元，用于计算滤波误差E_filtering，所述滤波误差E_filtering的具体计算过程包括：

计算每一组织切片的滤波误差，得到M个组织切片的滤波误差，其中任一组织切片的滤波误差E_m,filtering1计算过程包括：

将每一组织切片的滤波误差进行累加，得到切片滤波误差E_filtering1：

其中，m代表任一组织切片，m＝1,2,…,M，ROI_{m,contourfind}为滤波前图像，ROI_m,filtering为滤波后图像，S_m,filtering1表征两个图像的相似度。

或者所述滤波误差E_filtering的具体计算过程包括：

计算每一轮廓点的极径误差，得到M个轮廓点的极径误差，其中任一轮廓点的极径误差E_{m,n,filtering2}计算过程包括：

将每一轮廓点的极径误差进行累加，得到切片滤波误差E_filtering2：

其中，m代表任一组织切片，m＝1,2,…,M，r_m”_,n为任一轮廓点滤波后的极径，r_m,n为任一轮廓点滤波前的极径。

进一步，还包括：

第六计算单元，用于对所述切片分割误差E_segment、所述轮廓寻找误差E_contourfind、所述切片滤波误差E_filtering进行误差合并，得到近似处理的误差E_approx。所述误差合并具体包括：

或者

E_approx＝max{E_segment,E_contourfind,E_filtering}。

进一步，还包括：

第七计算单元，用于对每一所述插值点集合执行自适应插值，得到N个Z向插值函数；

其中，对任一所述插值点集合执行自适应插值，具体包括：

步骤S410：以当前采样间隔，从该插值点集合中选取多个点，进行分段单调插值，得到当前插值函数；

步骤S420：计算当前插值函数和先前插值函数的插值误差；

步骤S430：如果插值误差小于误差设定值，则停止，输出当前插值函数作为该插值点集合对应的Z向插值函数；否则，减小当前采样间隔，并将当前插值函数作为先前插值函数，重复执行步骤S410；所述设定值根据所述近似处理的误差确定。

前述实施例一中的医学图像处理方法的各种变化方式和具体实例同样适用于本实施例的医学图像处理装置，通过前述医学图像处理方法的详细描述，本领域技术人员可以清楚的知道本实施例中建模系统的实施方法，所以为了说明书的简洁，在此不再详述。

实施例四

本实施例还提出了一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述的医学图像处理方法的步骤。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于计算机视觉的AI医学图像处理方法，其特征在于，包括：

获得样本的医学图像；所述医学图像包括沿Z方向依次排列的M个切片图像；

对所述医学图像进行近似处理，包括：对每一切片图像进行切片分割，得到M个组织切片；采用轮廓寻找算法确定每一组织切片的轮廓线；在每一组织切片的轮廓线上选取N个点，作为N个轮廓点；对M个组织切片上的M×N个轮廓点进行滤波，得到滤波后的轮廓点；

计算所述近似处理的误差；

根据所述近似处理的误差，在Z方向上采用自适应插值算法对所述滤波后的轮廓点进行插值，得到插值后图像；所述插值后图像用于构建样本的三维模型。

2.根据权利要求1所述的基于计算机视觉的AI医学图像处理方法，其特征在于，所述计算近似处理的误差包括计算切片分割误差E_segment，所述切片分割误差E_segment的具体计算过程包括：

计算每一组织切片的分割误差，得到M个组织切片的分割误差，其中任一组织切片的分割误差E_m,segment计算过程包括：

将每一组织切片的分割误差进行累加，得到切片分割误差E_segment：

其中，m代表任一组织切片，m＝1,2,…,M，ROI_m,1和ROI_m,2分别为组织切片m上的两个区域，S_m表征两个区域的相似度。

3.根据权利要求2所述的基于计算机视觉的AI医学图像处理方法，其特征在于，所述计算近似处理的误差还包括计算轮廓寻找误差E_contourfind，所述轮廓寻找误差E_contourfind的具体计算过程包括：

计算每一组织切片的轮廓误差，得到M个组织切片的轮廓误差，其中任一组织切片的轮廓误差E_{m,contourfind}计算过程包括：

将每一组织切片的轮廓误差进行累加，得到轮廓寻找误差E_contourfind：

其中，m代表任一组织切片，m＝1,2,…,M，ROI_m,segment为轮廓寻找前图像，ROI_{m,contourfind}为轮廓寻找后图像，S_{m,contourfind}表征两个图像的相似度。

4.根据权利要求3所述的基于计算机视觉的AI医学图像处理方法，其特征在于，所述计算近似处理的误差还包括计算切片滤波误差E_filtering，所述滤波误差E_filtering的具体计算过程包括：

计算每一组织切片的滤波误差，得到M个组织切片的滤波误差，其中任一组织切片的滤波误差E_m,filtering1计算过程包括：

将每一组织切片的滤波误差进行累加，得到切片滤波误差E_filtering1：

其中，m代表任一组织切片，m＝1,2,…,M，ROI_{m,contourfind}为滤波前图像，ROI_m,filtering为滤波后图像，S_m,filtering1表征两个图像的相似度。

5.根据权利要求3所述的基于计算机视觉的AI医学图像处理方法，其特征在于，所述计算近似处理的误差还包括计算切片滤波误差E_filtering，所述切片滤波误差E_filtering的具体计算过程包括：

计算每一轮廓点的极径误差，得到M个轮廓点的极径误差，其中任一轮廓点的极径误差E_{m,n,filtering2}计算过程包括：

将每一轮廓点的极径误差进行累加，得到切片滤波误差E_filtering2：

其中，m代表任一组织切片，m＝1,2,…,M，r″_m,n为任一轮廓点滤波后的极径，r_m,n为任一轮廓点滤波前的极径。

6.根据权利要求4或5所述的基于计算机视觉的AI医学图像处理方法，其特征在于，所述计算近似处理的误差还包括：对所述切片分割误差E_segment、所述轮廓寻找误差E_contourfind、所述切片滤波误差E_filtering进行误差合并，得到近似处理的误差E_approx。

7.根据权利要求6所述的基于计算机视觉的AI医学图像处理方法，其特征在于，所述误差合并具体包括：

或者

E_approx＝max{E_segment,E_contourfind,E_filtering}。

8.根据权利要求1所述的基于计算机视觉的AI医学图像处理方法，其特征在于，任一所述轮廓点包括一一对应的X坐标、Y坐标、Z坐标、极径和极角，任意具有相同极角的M个轮廓点组成一个插值点集合，M×N个轮廓点形成N个插值点集合，

所述根据所述近似处理的误差，在Z方向上采用自适应插值算法对所述滤波后的轮廓点进行插值，具体包括：对每一所述插值点集合执行自适应插值，得到N个Z向插值函数；

其中，对任一所述插值点集合执行自适应插值，具体包括：

步骤S410：以当前采样间隔，从该插值点集合中选取多个点，进行分段单调插值，得到当前插值函数；

步骤S420：计算当前插值函数和先前插值函数的插值误差；

步骤S430：如果插值误差小于误差设定值，则停止，输出当前插值函数作为该插值点集合对应的Z向插值函数；否则，减小当前采样间隔，并将当前插值函数作为先前插值函数，重复执行步骤S410；所述设定值根据所述近似处理的误差确定。

9.基于计算机视觉的AI医学图像处理方装置，其特征在于，包括：

第一获得单元，用于获得样本的医学图像；

第一处理单元，用于对所述医学图像进行近似处理，包括：沿Z方向进行切片分割，得到M个组织切片；采用轮廓寻找算法确定每一组织切片的轮廓线；在每一组织切片的轮廓线上选取N个点，作为N个轮廓点；对M个组织切片上的M×N个轮廓点进行滤波，得到滤波后的轮廓点；

第一计算单元，用于计算所述近似处理的误差；

第二计算单元，用于根据所述近似处理的误差，在Z方向上采用自适应插值算法对所述滤波后的轮廓点进行插值，得到插值后图像；所述插值后图像用于构建样本的三维模型。

10.一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-8任一项所述的医学图像处理方法的步骤。

Images