CN115965626B - 一种基于人工智能算法的医学图像处理方法及系统 - Google Patents
一种基于人工智能算法的医学图像处理方法及系统 Download PDFInfo
- Publication number
- CN115965626B CN115965626B CN202310252779.5A CN202310252779A CN115965626B CN 115965626 B CN115965626 B CN 115965626B CN 202310252779 A CN202310252779 A CN 202310252779A CN 115965626 B CN115965626 B CN 115965626B
- Authority
- CN
- China
- Prior art keywords
- region
- positive
- image
- film
- medical image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 67
- 238000010606 normalization Methods 0.000 claims abstract description 55
- 201000010099 disease Diseases 0.000 claims abstract description 40
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000003745 diagnosis Methods 0.000 claims description 57
- 238000006073 displacement reaction Methods 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 25
- 230000035772 mutation Effects 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 210000003484 anatomy Anatomy 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 7
- 238000003379 elimination reaction Methods 0.000 claims description 7
- 230000014759 maintenance of location Effects 0.000 claims description 7
- 230000003902 lesion Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 31
- 238000013528 artificial neural network Methods 0.000 description 21
- 238000013527 convolutional neural network Methods 0.000 description 5
- 206010010214 Compression fracture Diseases 0.000 description 4
- 206010050296 Intervertebral disc protrusion Diseases 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 208000031481 Pathologic Constriction Diseases 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000036262 stenosis Effects 0.000 description 3
- 208000037804 stenosis Diseases 0.000 description 3
- 208000003618 Intervertebral Disc Displacement Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012774 diagnostic algorithm Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出一种基于人工智能算法的医学图像处理方法及系统，涉及图像处理技术领域。本发明针对医学图像处理计算量大、速度慢，且难以使用较低算力与较少数据量实现同时对多种疾病进行诊断的问题，提出对待处理医学图像正片和基于无变异样本的负片进行区域划分后，进行形变处理、像素值相减，有效缩小框选区域，突出了变异特征，减少了图像处理过程中的计算量，提高了计算效率。通过划分多个区域，在每个区域采用不同的归一化参数，使得不同区域更加个性化，实现了提取变异特征的效果，通过直方图规整化，分离图像像素值的信息，使用形变算法，分离形状位置等信息，提高了人工智能算法训练与运行的效率与准确率。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于人工智能算法的医学图像处理方法及系统。
背景技术
医学图像含有极其丰富的病人信息，在医生的诊断和治疗中已占有愈来愈重要的地位，对医学图像处理的要求也越来越严格。医学图像处理的目的是对医学图像进行分析、识别、分割、解释、分类，压缩等，以把医生感兴趣的部分，即变异特征的部分提取出来。
现有技术中，多采用兴趣区域框选法，一种是基于关键点监测神经网络所建立的关键点来确定兴趣区域，或者使用区域提取神经网络，另一种是使用目标识别神经网络来识别区域。但是该方法所建立的选框相较于诊断需要的区域较大，额外消耗大量算力，对于每一种疾病都要单独设计关键点检测算法和深度学习算法，限制了算法的应用。
公开号为CN106874956B的专利公开了一种图像分类卷积神经网络结构的构建方法，采用将图像与均值相减来进行训练，该方法对于简单的门牌号码、手写数字、邮政编码等图像的识别有不错的效果，但对于复杂的医学图像的识别仍不适用。
因此，对识别速度快且可实现多种疾病同时诊断的医学图像处理方法的研究还比较迫切。
发明内容
针对以上技术问题，本发明提出一种基于人工智能算法的医学图像处理方法，包括如下步骤：
步骤S0：图像获取：获取患者的医学图像，将其作为正片，获取健康者的医学图像，将其作为负片；
步骤S1：图像灰度化处理：对步骤S0获取的正片和负片进行图像灰度化处理；
步骤S2：区域划分：对步骤S1中图像灰度化处理后的正片和负片均参照解剖结构进行区域划分，使图像灰度化处理后的正片和负片划分的区域一致；
步骤S3：空间位置归一化：对步骤S2中经过区域划分的正片和负片，按照划分的区域，分别进行形变处理，实现每个区域内正片和负片对应区域的匹配，其中，形变处理方法构建过程为：
步骤S30：获取不同患者的医学图像，将其作为正片，获取健康者的医学图像，将其作为负片；
步骤S31：将步骤S30获取的正片和负片进行区域划分，再将每个区域细分为多个子区域，并获取每个正片中的关键点位移至负片对应关键点位置的位移向量；
步骤S32：对步骤S31中获取的正片的子区域进行病变区域标注，获取正片与负片相减后的留存与消除结果；
步骤S33：根据步骤S31中获取的关键点的位移向量，构建每个子区域的形变函数；
步骤S34：根据步骤S32获取的标注结果，及步骤S33得到的每个子区域的形变函数，构建区域的损失函数；
步骤S35：通过随机梯度下降算法求得使步骤S34构建的损失函数最小的形变函数的参数；
步骤S4：直方图规整处理：对步骤S3中空间位置归一化处理后得到的正片和负片进行直方图规整化处理，使所述每个区域内正片和负片的亮度一致；
步骤S5：提取变异特征：将步骤S4中经过直方图规整后得到的正片和负片进行相减，消除正常的结构，提取出每个区域的变异特征；
步骤S6：疾病诊断：根据步骤S5中提取的变异特征，进行疾病诊断。
进一步的，所述步骤S32中正片与负片相减后的留存与消除结果为：
不在标注范围内、且在相减后留存的区域FP，
在标注范围内，且相减后不留存的区域FN，
在标注范围内，且在相减后留存的区域TP，
不在标注范围内，且相减后不留存的区域TN。
进一步的，所述步骤S33，子区域n的形变函数
为：
其中，
n为第n个子区域，
m为关键点的数量，
tkn为位移系数，
Ak为第k个关键点在负片中的位置坐标，
Ak′为第k个关键点在正片中的位置坐标，
进一步的，所述步骤S34，区域的损失函数构建方法为：
步骤S340：获取N张不同正片，作为训练图像；
步骤S341：设使得FN区域和FP区域回归至TP区域和TN区域最小的位移向量为
；
步骤S342：设FP区域共有p个像素点，分别为H1-HP，其最小位移向量为
到/>
，FN区域共有q个像素点，分别为G1-Gq，其最小位移向量为/>
到/>
，则单张图像的损失函数为：/>
其中，
μ为比例因子，根据诊断准确率调整；
Cn为子区域n的中心点位置坐标，
λ为正则化系数，
k为第k个关键点，
n为第n个子区域，
m为关键点的数量，
tk为第k个关键点的位移系数，
Ak为第k个关键点在负片中的位置坐标，
Ak′为第k个关键点在正片中的位置坐标；
步骤S343：形变处理方法的损失函数为：
其中，
N为训练图像的数量，
lr为第r张图像的损失函数，
pr为第r张训练图像中FP区域像素点个数，
μ为比例因子，根据诊断准确率调整，
λ为正则化系数，
qr为第r张训练图像中FN区域像素点个数，
k为第k个关键点，
mr为第r张训练图像中关键点的数量，
tkr为第r张训练图像中第k个关键点的位移系数，
Cnr为第r张训练图像中子区域n的中心点位置坐标，
nr为第r张训练图像中第n个子区域，
Akr为第r张训练图像中第k个关键点在负片中的位置坐标，
Akr′为第r张训练图像中第k个关键点在正片中的位置坐标。
进一步的，所述步骤S5，将直方图规整后得到的正片和负片关键点进行匹配，再根据关键点对相应的区域分别进行灰度值相减，消除正常的结构。
进一步的，所述步骤S6还包括，根据疾病诊断的需求选定目标区域，再对具体的目标区域进行疾病诊断。
本发明还提出一种基于人工智能算法的医学图像处理系统，使用如上任一项所述的一种基于人工智能算法的医学图像处理方法，包括以下模块：
图像获取模块：用于获取患者的医学图像，将其为正片，获取健康者的医学图像，将其作为负片；
图像灰度化处理模块：与图像获取模块连接，用于对图像获取模块获取的正片和负片进行图像灰度化处理；
区域划分模块：与图像灰度化处理模块连接，用于将图像灰度化处理后的正片和负片均参照解剖结构进行区域划分，使图像灰度化处理后的正片和负片划分的区域一致；
空间位置归一化模块：与区域划分模块连接，对区域划分处理后得到的正片和负片，按照划分的区域，分别进行形变处理，实现每个区域内正片和负片对应区域的匹配；
直方图规整处理模块：与空间位置归一化模块连接，对空间位置归一化处理后得到的正片和负片进行直方图规整处理，使所述每个区域内正片和负片的亮度一致；
变异特征提取模块：与直方图规整处理模块连接，用于将经过直方图规整后的正片和负片，进行相减，消除正常的结构，提取出每个区域的变异特征；
疾病诊断模块：与变异特征提取模块连接，用于根据变异特征提取模块提取的变异特征，进行疾病诊断。
进一步的，所述变异特征提取模块，将直方图规整后得到的正片和负片关键点进行匹配，再根据关键点对相应的区域分别进行灰度值相减，消除正常的结构。
进一步的，所述疾病诊断模块中，可根据疾病诊断的需求选定目标区域，再对具体的目标区域进行疾病诊断。
与现有技术相比较，本申请的有益效果在于：
其一，通过对待处理医学图像正片和无变异样本的负片进行区域划分、匹配后，进行形变处理后再相减，可有效缩小框选区域，更加突出了变异特征点，减少了图像处理过程中的计算量，提高了计算效率；
其二，通过划分多个区域，对不同区域进行框选、处理，在每个区域采用不同的归一化参数，可使得不同区域更加个性化，实现了一种算法对多种疾病同时诊断的效果；
其三，通过直方图规整化，分离了像素值的变化，通过形变算法，分离了形状位置的影响，提高了诊断结果的效率与准确性；
其四，本发明同样适用于其他需要对图像、信息进行处理的领域，尤其是对相似度高的图像及信息的识别处理效果更加明显，具有普遍适用性。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于人工智能算法的医学图像处理方法的流程图；
图2为获取的负片图像；
图3为获取的正片图像；
图4为确定的关键点图像；
图5为区域划分后的图像；
图6为空间位置归一化与直方图规整化处理后的图像；
图7为正片与负片相减后提取出的变异特征图像；
图8为去噪处理后的医学图像；
图9为本发明基于人工智能算法的医学图像处理系统的流程图。
具体实施方式
下面将结合附图对本申请的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本领域技术人员应当知晓，下述具体实施例或具体实施方式，是本申请为进一步解释具体的发明内容而列举的一系列优化的设置方式，而该些设置方式之间均是可以相互结合或者相互关联使用的，除非在本申请明确提出了其中某些或某一具体实施例或实施方式无法与其他的实施例或实施方式进行关联设置或共同使用。同时，下述的具体实施例或实施方式仅作为最优化的设置方式，而不作为限定本申请的保护范围的理解。
下面结合附图（表）对本发明的具体实施方式做出说明。
具体实施方式一
图1为本发明基于人工智能算法的医学图像处理方法的流程图。
本发明针对医学图像处理计算量大、速度慢，且难以使用较低算力与较少数据量实现同时对多种疾病进行诊断的问题，提出对待处理医学图像正片和基于无变异样本的负片进行区域划分后，进行形变处理后像素值相减，可有效缩小框选区域，突出了变异特征，减少了图像处理过程中的计算量，提高了计算效率。通过划分多个区域在每个区域采用不同的归一化参数，可使得不同区域更加个性化，实现了提取变异特征的效果，通过直方图规整化，分离图像像素值的信息，使用形变算法，分离形状位置等信息，提高了人工智能算法训练与运行的效率与准确率。具体包括如下步骤：
步骤S0：图像获取：获取患者的医学图像，将其作为正片，获取健康者的医学图像，将其作为负片。如图2-图3所示。
准备健康者的医学图像（负片）与待诊断的患者的医学图像（正片）。负片可能是数个健康者的平均，或者基于健康者做适当利于消除的改变的图像。正片与负片均可为三维或高维数据，负片可选择多例，在相减后选择较好的保留。
后期可不用获得健康者，负片可系统内置，使用健康者图像制得。
步骤S1：图像灰度化处理：对步骤S0获取的正片和负片进行图像灰度化处理。
对RGB格式的图像，可通过如下公式对步骤S0获取的正片和负片的每个像素点进行图像灰度化处理：
其中，
Grey为像素点经过图像灰度化处理后得到的灰度值，
R为像素点的红色亮度值，
G为像素点的绿色亮度值，
B为像素点的蓝色亮度值。
对其他格式的图像可选取相应的灰度化处理方法。
步骤S2：区域划分：对步骤S1中图像灰度化处理后的正片和负片均参照解剖结构进行区域划分，使图像灰度化处理后的正片和负片划分的区域一致。
将步骤S1中图像灰度化处理后的正片和负片划分为多个区域，在医学领域可按解剖结构划分，具体算法可以包括但不限于关键点定位神经网络，语义分割神经网络，Explicit Shape Regression（ESR方法），若是基于语义分割，则可基于分割结果，按照一定算法建立对应关键点。图4为确定的关键点图像。
图5为经过区域划分后的医学图像，可根据需要划分为不同的区域，为基于每个区域变异特征的疾病诊断提供良好的基础。
步骤S3：空间位置归一化：对步骤S2中经过区域划分的正片和负片，按照划分的区域，分别进行形变处理，实现每个区域内正片和负片对应区域的匹配。
按照解剖结构确定各个区域内的关键点。比如可以把脊柱椎体四个角设置成关键点。
具体的关键点通过手动设置，也可通过深度学习方法使其自动化，即：
1.人工设定划分区域，制定特定关键点；
2.通过深度学习实现自动化关键点定位；
3.根据定位关键点建立分区。
另外一种处理方法为：在不同解剖区域，可将正片亮度平均值与方差设置为与负片相同，也可通过一个灰度映像函数，将正片灰度直方图改造成负片的灰度直方图。通过关键点匹配，可进一步达到结构对齐，相减后消除的目的。
形变处理方法构建过程为：
步骤S30：获取不同患者的医学图像，将其作为正片，获取健康者的医学图像，将其作为负片。
步骤S31：将步骤S30获取的正片和负片进行区域划分，再将每个区域细分为多个子区域，并获取每个正片中的关键点位移至负片对应关键点位置的位移向量。
区域划分后，获取正片和负片中所有的关键点位置及相应的位移向量。
步骤S32：对步骤S31中获取的正片的子区域进行病变区域标注，获取正片与负片相减后的留存与消除结果。
步骤S32中正片与负片相减后的留存与消除结果记为：
不在标注范围内、且在相减后留存的区域为FP，
在标注范围内，且相减后不留存的区域为FN，
在标注范围内，且在相减后留存的区域为TP，
不在标注范围内，且相减后不留存的区域为TN。
步骤S33：根据步骤S31中获取的关键点的位移向量，构建每个子区域的形变函数。
步骤S33，子区域n的形变函数
为：
其中，
n为第n个子区域，
m为关键点的数量，
tkn为位移系数，
Ak为第k个关键点在负片中的位置坐标，
Ak′为第k个关键点在正片中的位置坐标，
步骤S34：根据步骤S32获取的标注结果，及步骤S33得到的每个子区域的形变函数，构建区域的损失函数。
区域的损失函数构建方法为：
步骤S340：获取N张不同正片，作为训练图像；
步骤S341：设使得FN区域和FP区域回归至TP区域和TN区域最小的位移向量为
；/>
步骤S342：设FP区域共有p个像素点，分别为H1-HP，其最小位移向量为
到/>
，FN区域共有q个像素点，分别为G1-Gq，其最小位移向量为/>
到/>
，则单张图像的损失函数为：/>
其中，
μ为比例因子，根据诊断准确率调整；
Cn为子区域n的中心点位置坐标，
λ为正则化系数，
k为第k个关键点，
n为第n个子区域，
m为关键点的数量，
tk为第k个关键点的位移系数，
Ak为第k个关键点在负片中的位置坐标，
Ak′为第k个关键点在正片中的位置坐标；
步骤S343：形变处理方法的损失函数为：
其中，
N为训练图像的数量，
lr为第r张图像的损失函数，
pr为第r张训练图像中FP区域像素点个数，
μ为比例因子，根据诊断准确率调整，
λ为正则化系数，
qr为第r张训练图像中FN区域像素点个数，
k为第k个关键点，
mr为第r张训练图像中关键点的数量，
tkr为第r张训练图像中第k个关键点的位移系数，
Cnr为第r张训练图像中子区域n的中心点位置坐标，
nr为第r张训练图像中第n个子区域，
Akr为第r张训练图像中第k个关键点在负片中的位置坐标，
Akr′为第r张训练图像中第k个关键点在正片中的位置坐标。
步骤S35：通过随机梯度下降算法求得使步骤S34构建的损失函数最小的形变函数的参数。
对于损失函数可使用机器学习领域非凸优化，拟合，回归方法，求得使得损失函数最小的形变函数的参数值。
对于形变后重合区域，对重合像素值取得算数均值，作为新的像素值；形变后空白区域，采用插值算法予以补足。
因为关键点位移向量已知，子区域的形变函数的参数可通过机器学习方法求得。本发明采用基于随机梯度下降算法对子区域的形变函数进行训练，求得使得公式（3）取得最小值的形变函数的参数值。
为了防止形变过大，可基于周围关键点移动的最大值来对像素点做一定限制。
本发明在构建损失函数时加入了正则化。正则化将系数估计朝零的方向进行调整，可以在学习过程中降低模型复杂度和不稳定程度，从而避免过拟合的危险。
步骤S4：直方图规整处理：对步骤S3中空间位置归一化处理后得到的正片和负片进行直方图规整化处理，使所述每个区域内正片和负片的亮度一致。
设定将像素值亮度作为横轴，该亮度的像素数量为纵轴，构建图像直方图，再对图像直方图进行直方图规整化，即通过一个灰度映像函数，将原灰度直方图改造成所希望的直方图。直方图规整化是用于产生处理后有特殊直方图图像的方法，其修正的关键是灰度映像函数。对原始图像和期望图像均做直方图规整化处理，处理后的原图像的灰度概率密度函数及理想图像的灰度概率密度函数相等。
本发明的一个显著优点是可以针对性的移动像素，对于每一个像素值都可以算出独特的移动算法，这对于结构比较复杂的物体会比较有优势。比如，腰椎间盘椎管侧不能移动太多，要不然可能会删掉椎间盘突出的特征。
图6为空间位置归一化与直方图规整化处理后的图像。
步骤S5：提取变异特征：将步骤S4中经过直方图规整后得到的正片和负片进行相减，消除正常的结构，提取出每个区域的变异特征。
将直方图规整后得到的正片和负片关键点进行匹配，再根据关键点对相应的区域分别进行灰度值相减，消除正常的结构。相减保留正负号，采用不同范围灰度值表示。通过去除绝对值小于一定值的像素，去除一定无诊断价值区域的像素，等比例放大剩余像素的像素值，得到减图。每个子区域可设置不同的像素阈值，可根据需要对每个子区域进行个性化设置。
图7为正片与负片相减后提取出的变异特征图像。
去除噪声并选择兴趣区域，兴趣区域可根据关键点生成，也可以根据剩余点选择最小外接矩形。去除噪声方法，包括但不限于删除低于一定值的像素，算术均值滤波，高斯滤波。
图8为经过去噪处理后的医学图像，可看出经过本发明的基于人工智能算法的医学图像处理方法后，变异特征被有效且清晰的提取出来，为后续疾病的诊断提供了有力的支撑。
步骤S6：疾病诊断：根据步骤S5中提取的变异特征，进行疾病诊断。
通过步骤1~5得到了含有多个特征点的多个区域，可根据实际的检测需要，有针对性的选择某些区域进行疾病的诊断。
在一个具体实施例中，可采用如下的诊断算法：
初步筛选神经网络：使用基于YOLO v3的目标识别神经网络进行变异识别，在保证敏感性为99-100%的范围内，训练获得使得真阳性率较高的参数；
诊断神经网络：构建诊断神经网络，识别初步筛查神经网络的检测出来的变异特征所在的区域，以及对应的可能疾病。
诊断神经网络构建如下：
将灰度直方图和关键点位移信息融合为一个向量，将该向量输入神经网络，计算对应诊断的阳性概率；
将相减后区域运用卷积神经网络进行处理，得出诊断阳性概率；
对于以上两个阳性概率进行加权平均，得出最终阳性概率。
本发明对待处理医学图像正片和无变异样本的负片进行区域划分、匹配后，进行形变处理后再相减，可有效缩小框选区域，更加突出了变异特征点，减少了图像处理过程中的计算量，提高了计算效率；通过划分多个区域，对不同区域进行框选、处理，在每个区域采用不同的归一化参数，使得不同区域更加个性化，实现了提取变异特征的效果，通过直方图规整化，分离了像素值的变化，通过形变算法，分离了形状位置的信息，提高了诊断结果的效率和准确性。
具体实施方式二
本发明还提出一种基于人工智能算法的医学图像处理系统，使用如具体实施方式一中任一项所述的一种基于人工智能算法的医学图像处理方法，如图9所示，具体包括以下模块：
图像获取模块：用于获取患者的医学图像，将其为正片，获取健康者的医学图像，将其作为负片。
图像灰度化处理模块：与图像获取模块连接，用于对图像获取模块获取的正片和负片进行图像灰度化处理。
区域划分模块：与图像灰度化处理模块连接，用于将图像灰度化处理后的正片和负片均参照解剖结构进行区域划分，使图像灰度化处理后的正片和负片划分的区域一致。
空间位置归一化模块：与区域划分模块连接，对区域划分处理后得到的正片和负片，按照划分的区域，分别进行形变处理，实现每个区域内正片和负片对应区域的匹配。
直方图规整处理模块：与空间位置归一化模块连接，对空间位置归一化处理后得到的正片和负片进行直方图规整处理，使所述每个区域内正片和负片的亮度一致。
变异特征提取模块：与直方图规整处理模块连接，用于将经过直方图规整后的正片和负片，进行相减，消除正常的结构，提取出每个区域的变异特征；
具体的，将直方图规整后得到的正片和负片关键点进行匹配，再根据关键点对相应的区域分别进行灰度值相减，消除正常的结构。
疾病诊断模块：与变异特征提取模块连接，用于根据变异特征提取模块提取的变异特征，进行疾病诊断；
具体的，可根据疾病诊断的需求选定目标区域，再对具体的目标区域进行疾病诊断。
疾病诊断模块包括：
初步筛选神经网络：使用基于YOLO v3的目标识别神经网络进行变异识别，在保证敏感性为99-100%的范围内，训练获得使得真阳性率较高的参数；
诊断神经网络：构建诊断神经网络，识别初步筛查神经网络的检测出来的变异特征所在的区域，以及对应的可能疾病。
诊断神经网络构建如下：
将灰度直方图和关键点位移信息融合为一个向量，将该向量输入神经网络，计算对应诊断的阳性概率；
将相减后区域运用卷积神经网络进行处理，得出诊断阳性概率；
对于以上两个阳性概率进行加权平均，得出最终阳性概率。
对于常见疾病，如腰椎压缩骨折，诊断模块构建方法如下：
（1）通过图像获取模块获取患者的腰椎医学图像，并进行图像灰度化处理、区域划分、空间位置归一化、直方图规整及图像相减等处理；
（2）构建兴趣区域，腰椎压缩骨折兴趣区域为椎体四角围成的矩形；
（3）按照诊断所需信息，获取兴趣区域直方图规整化前的灰度直方图、相减后图像及此诊断所需关键点位移，此诊断所需关键点为目标椎体的四角和上位椎体的四角，共计8个关键点；
（4）将所述8个关键点的位移和灰度直方图整合为一个向量，输入一个训练好的基于MLP（多层感知机）的神经网络进行诊断，得到第一阳性概率；
（5）获取兴趣区域对应的相减后的图像，输入一个训练好的卷积神经网络，得到第二阳性概率；
（6）对第一阳性概率和第二阳性概率进行加权平均，得出最终腰椎压缩骨折的计算机预测概率，设定适当阈值，输出诊断。
此方法仅为腰椎压缩骨折诊断模块的构建方法，通过适应性调整，同样适用于其他疾病的诊断。
如腰椎间盘突出诊断，通过兴趣区域的选取，同样可采用本发明的方法及系统进行诊断。
（1）通过图像获取模块获取患者的腰椎医学图像，并进行图像灰度化处理、区域划分、空间位置归一化、直方图规整及图像相减等处理；
（2）构建兴趣区域，建立腰椎间盘突出兴趣区域（如对于L4-5椎间盘兴趣区域构建方法为：选择L4椎体下椎管侧点，和L5椎体上椎管侧点，L4椎体下椎管侧点向上延伸18像素点，L5椎体上椎管侧点向下延伸18像素点，水平延伸22像素值，构建兴趣区域）；
（3）按照诊断所需信息，获取兴趣区域直方图规整化前的灰度直方图和相减后图像；
（4）将灰度直方图输入一个训练好的基于MLP（多层感知机）的神经网络进行诊断，得到第一阳性概率；
（5）获取兴趣区域对应的相减后的图像，输入一个训练好的卷积神经网络，得到第二阳性概率；
（6）对第一阳性概率和第二阳性概率进行加权平均，得出最终腰椎间盘突出的计算机预测概率，设定适当阈值，输出诊断。
腰椎椎管狭窄诊断步骤与上述疾病诊断相似，输入椎管兴趣区域，获取相减后图像，进行腰椎椎管狭窄诊断。
从以上实施例可看出，本发明对待处理医学图像正片和基于无变异样本的负片进行区域划分后，进行形变处理、像素值相减，有效缩小框选区域，突出了变异特征，减少了图像处理过程中的计算量，提高了计算效率。通过划分多个区域，在每个区域采用不同的归一化参数，使得不同区域更加个性化，实现了提取变异特征的效果，通过直方图规整化，分离图像像素值的信息，使用形变算法，分离形状位置等信息，提高了人工智能算法训练与运行的效率与准确率，具有明显的实际应用价值。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种基于人工智能算法的医学图像处理方法，其特征在于，包括如下步骤：
步骤S0：图像获取：获取患者的医学图像，将其作为正片，获取健康者的医学图像，将其作为负片；
步骤S1：图像灰度化处理：对步骤S0获取的正片和负片进行图像灰度化处理；
步骤S2：区域划分：对步骤S1中图像灰度化处理后的正片和负片均参照解剖结构进行区域划分，使图像灰度化处理后的正片和负片划分的区域一致；
步骤S3：空间位置归一化：对步骤S2中经过区域划分的正片和负片，按照划分的区域，分别进行形变处理，实现每个区域内正片和负片对应区域的匹配，其中，形变处理方法构建过程为：
步骤S30：获取不同患者的医学图像，将其作为正片，获取健康者的医学图像，将其作为负片；
步骤S31：将步骤S30获取的正片和负片进行区域划分，再将每个区域细分为多个子区域，并获取每个正片中的关键点位移至负片对应关键点位置的位移向量；
步骤S32：对步骤S31中获取的正片的子区域进行病变区域标注，获取正片与负片相减后的留存与消除结果；
步骤S33：根据步骤S31中获取的关键点的位移向量，构建每个子区域的形变函数；
步骤S34：根据步骤S32获取的标注结果，及步骤S33得到的每个子区域的形变函数，构建区域的损失函数；
步骤S35：通过随机梯度下降算法求得使步骤S34构建的损失函数最小的形变函数的参数；
步骤S4：直方图规整处理：对步骤S3中空间位置归一化处理后得到的正片和负片进行直方图规整化处理，使所述每个区域内正片和负片的亮度一致；
步骤S5：提取变异特征：将步骤S4中经过直方图规整后得到的正片和负片进行相减，消除正常的结构，提取出每个区域的变异特征；
步骤S6：疾病诊断：根据步骤S5中提取的变异特征，进行疾病诊断。
2.根据权利要求1所述的一种基于人工智能算法的医学图像处理方法，其特征在于，所述步骤S32中正片与负片相减后的留存与消除结果为：
不在标注范围内、且在相减后留存的区域FP，
在标注范围内，且相减后不留存的区域FN，
在标注范围内，且在相减后留存的区域TP，
不在标注范围内，且相减后不留存的区域TN。
3.根据权利要求1所述的一种基于人工智能算法的医学图像处理方法，其特征在于，所述步骤S33，子区域n的形变函数
为：
其中，
n为第n个子区域，
m为关键点的数量，
tkn为位移系数，
Ak为第k个关键点在负片中的位置坐标，
Ak′为第k个关键点在正片中的位置坐标，
4.根据权利要求1所述的一种基于人工智能算法的医学图像处理方法，其特征在于，所述步骤S34，区域的损失函数构建方法为：
步骤S340：获取N张不同正片，作为训练图像；
步骤S341：设使得FN区域和FP区域回归至TP区域和TN区域最小的位移向量为
；
步骤S342：设FP区域共有p个像素点，分别为H1-HP，其最小位移向量为
到/>
，FN区域共有q个像素点，分别为G1-Gq，其最小位移向量为/>
到/>
，则单张图像的损失函数为：
其中，
μ为比例因子，根据诊断准确率调整；
Cn为子区域n的中心点位置坐标，
λ为正则化系数，
k为第k个关键点，
n为第n个子区域，
m为关键点的数量，
tk为第k个关键点的位移系数，
Ak为第k个关键点在负片中的位置坐标，
Ak′为第k个关键点在正片中的位置坐标；
步骤S343：形变处理方法的损失函数为：
（3）其中，
N为训练图像的数量，
lr为第r张图像的损失函数，
pr为第r张训练图像中FP区域像素点个数，
μ为比例因子，根据诊断准确率调整，
λ为正则化系数，
qr为第r张训练图像中FN区域像素点个数，
k为第k个关键点，
mr为第r张训练图像中关键点的数量，
tkr为第r张训练图像中第k个关键点的位移系数，
Cnr为第r张训练图像中子区域n的中心点位置坐标，
nr为第r张训练图像中第n个子区域，
Akr为第r张训练图像中第k个关键点在负片中的位置坐标，
Akr′为第r张训练图像中第k个关键点在正片中的位置坐标。
5.根据权利要求1所述的一种基于人工智能算法的医学图像处理方法，其特征在于，所述步骤S5，将直方图规整后得到的正片和负片关键点进行匹配，再根据关键点对相应的区域分别进行灰度值相减，消除正常的结构。
6.根据权利要求1所述的一种基于人工智能算法的医学图像处理方法，其特征在于，所述步骤S6还包括，根据疾病诊断的需求选定目标区域，再对具体的目标区域进行疾病诊断。
7.一种基于人工智能算法的医学图像处理系统，使用如权利要求1-6中任一项所述的一种基于人工智能算法的医学图像处理方法，其特征在于，包括以下模块：
图像获取模块：用于获取患者的医学图像，将其为正片，获取健康者的医学图像，将其作为负片；
图像灰度化处理模块：与图像获取模块连接，用于对图像获取模块获取的正片和负片进行图像灰度化处理；
区域划分模块：与图像灰度化处理模块连接，用于将图像灰度化处理后的正片和负片均参照解剖结构进行区域划分，使图像灰度化处理后的正片和负片划分的区域一致；
空间位置归一化模块：与区域划分模块连接，对区域划分处理后得到的正片和负片，按照划分的区域，分别进行形变处理，实现每个区域内正片和负片对应区域的匹配；
直方图规整处理模块：与空间位置归一化模块连接，对空间位置归一化处理后得到的正片和负片进行直方图规整处理，使所述每个区域内正片和负片的亮度一致；
变异特征提取模块：与直方图规整处理模块连接，用于将经过直方图规整后的正片和负片，进行相减，消除正常的结构，提取出每个区域的变异特征；
疾病诊断模块：与变异特征提取模块连接，用于根据变异特征提取模块提取的变异特征，进行疾病诊断。
8.根据权利要求7所述的一种基于人工智能算法的医学图像处理系统，其特征在于，所述变异特征提取模块，将直方图规整后得到的正片和负片关键点进行匹配，再根据关键点对相应的区域分别进行灰度值相减，消除正常的结构。
9.根据权利要求7所述的一种基于人工智能算法的医学图像处理系统，其特征在于，所述疾病诊断模块中，可根据疾病诊断的需求选定目标区域，再对具体的目标区域进行疾病诊断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310252779.5A CN115965626B (zh) | 2023-03-16 | 2023-03-16 | 一种基于人工智能算法的医学图像处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310252779.5A CN115965626B (zh) | 2023-03-16 | 2023-03-16 | 一种基于人工智能算法的医学图像处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115965626A CN115965626A (zh) | 2023-04-14 |
| CN115965626B true CN115965626B (zh) | 2023-05-23 |
Family
ID=85889851
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310252779.5A Active CN115965626B (zh) | 2023-03-16 | 2023-03-16 | 一种基于人工智能算法的医学图像处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115965626B (zh) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107274404A (zh) * | 2017-07-25 | 2017-10-20 | 青岛大学附属医院 | 一种基于影像的病理分析系统及方法 |
| JP7143794B2 (ja) * | 2019-03-15 | 2022-09-29 | コニカミノルタ株式会社 | 画像処理装置、画像処理システム及びプログラム |
| CN110895968B (zh) * | 2019-04-24 | 2023-12-15 | 苏州图灵微生物科技有限公司 | 人工智能医学图像自动诊断系统和方法 |
| CN111863232B (zh) * | 2020-08-06 | 2021-02-19 | 深圳市柯尼达巨茂医疗设备有限公司 | 基于区块链和医学影像的远程疾病智能诊断系统 |
| CN112365464B (zh) * | 2020-11-09 | 2021-08-10 | 成都信息工程大学 | 一种基于gan的医学图像病变区域弱监督定位方法 |
| CN114549670B (zh) * | 2022-02-23 | 2023-04-07 | 京东方数字科技有限公司 | 图像处理方法及图像处理系统 |
-
2023
- 2023-03-16 CN CN202310252779.5A patent/CN115965626B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115965626A (zh) | 2023-04-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jin et al. | DUNet: A deformable network for retinal vessel segmentation | |
| CN109598709B (zh) | 基于融合深度特征的乳腺辅助诊断系统及方法 | |
| Lakshminarayanan et al. | Deep Learning-Based Hookworm Detection in Wireless Capsule Endoscopic Image Using AdaBoost Classifier. | |
| CN111524137B (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
| US7474775B2 (en) | Automatic detection of red lesions in digital color fundus photographs | |
| CN110751636B (zh) | 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 | |
| CN113889267A (zh) | 基于眼象识别的糖尿病诊断模型的构建方法和电子设备 | |
| CN113012093B (zh) | 青光眼图像特征提取的训练方法及训练系统 | |
| CN112396565A (zh) | 静脉穿刺机器人的图像及视频血管增强与分割方法和系统 | |
| CN111340773A (zh) | 一种视网膜图像血管分割方法 | |
| CN114066846A (zh) | 一种基于深度学习的ctp非急性闭塞缺血评估方法和系统 | |
| CN115965626B (zh) | 一种基于人工智能算法的医学图像处理方法及系统 | |
| CN112700409A (zh) | 视网膜微动脉瘤自动检测方法及成像方法 | |
| CN111640127A (zh) | 一种用于骨科的精准临床诊断导航方法 | |
| Sachdeva et al. | Automatic segmentation and area calculation of optic disc in ophthalmic images | |
| KR20210050790A (ko) | 딥러닝 기반의 아밀로이드 양성 반응을 나타내는 퇴행성 뇌질환 이미지 분류 장치 및 방법 | |
| Rungruangbaiyok et al. | Chromosome image classification using a two-step probabilistic neural network. | |
| CN111667469B (zh) | 肺部疾病分类方法、装置及设备 | |
| CN115581435A (zh) | 一种基于多传感器的睡眠监测方法和设备 | |
| CN114066850A (zh) | 一种基于分类框架的图像二值化方法 | |
| CN111640126B (zh) | 基于医学影像的人工智能诊断辅助方法 | |
| Juang et al. | Vision-based human body posture recognition using support vector machines | |
| CN113920071A (zh) | 一种基于卷积神经网络算法的新冠病毒图像识别方法 | |
| CN113420636A (zh) | 一种基于深度学习与阈值分割的线虫识别方法 | |
| Abdel-Latif et al. | Achieving information security by multi-modal iris-retina biometric approach using improved mask R-CNN |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230605 Address after: Floor 3A, Building A1, Jiulonghu International Enterprise Headquarters Park, No. 19 Suyuan Avenue, Jiangning District, Nanjing City, Jiangsu Province, 211102 (Jiangning Development Zone) Patentee after: Bangshi Technology (Nanjing) Co.,Ltd. Patentee after: Jiangsu Shiyu Intelligent Medical Technology Co.,Ltd. Patentee after: Shandong Shiyu Intelligent Medical Technology Co.,Ltd. Address before: Floor 3A, Building A1, Jiulonghu International Enterprise Headquarters Park, No. 19 Suyuan Avenue, Jiangning District, Nanjing City, Jiangsu Province, 211102 (Jiangning Development Zone) Patentee before: Bangshi Technology (Nanjing) Co.,Ltd. |