CN116258725B - 基于特征影像的医学图像处理方法、装置以及存储介质 - Google Patents

基于特征影像的医学图像处理方法、装置以及存储介质 Download PDF

Info

Publication number
CN116258725B
CN116258725B CN202310550632.4A CN202310550632A CN116258725B CN 116258725 B CN116258725 B CN 116258725B CN 202310550632 A CN202310550632 A CN 202310550632A CN 116258725 B CN116258725 B CN 116258725B
Authority
CN
China
Prior art keywords
target
medical image
region
pixels
determined
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
Application number
CN202310550632.4A
Other languages
English (en)
Other versions
CN116258725A (zh
Inventor
周琦超
刘骁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Manteia Data Technology Co ltd In Xiamen Area Of Fujian Pilot Free Trade Zone
Original Assignee
Manteia Data Technology Co ltd In Xiamen Area Of Fujian Pilot Free Trade Zone
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Manteia Data Technology Co ltd In Xiamen Area Of Fujian Pilot Free Trade Zone filed Critical Manteia Data Technology Co ltd In Xiamen Area Of Fujian Pilot Free Trade Zone
Priority to CN202310550632.4A priority Critical patent/CN116258725B/zh
Publication of CN116258725A publication Critical patent/CN116258725A/zh
Application granted granted Critical
Publication of CN116258725B publication Critical patent/CN116258725B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请公开了一种基于特征影像的医学图像处理方法、装置以及存储介质。该方法包括：获取待处理的医学图像，并从待处理的医学图像中提取目标医学图像，其中，目标医学图像中至少包含感兴趣目标；基于目标医学图像生成三元图，其中，三元图中包含前景区域、背景区域和待确定区域，待确定区域是前景区域和背景区域以外的区域；计算待确定区域中的像素的目标特征值，并根据待确定区域中的像素的目标特征值和前景区域中的像素的原始特征值、背景区域中的像素的原始特征值生成特征影像；基于特征影像从目标医学图像中识别出感兴趣目标。通过本申请，解决了相关技术中由于医学图像中需要识别的目标的边界不清晰，导致难以准确区分目标与非目标的问题。

Description

基于特征影像的医学图像处理方法、装置以及存储介质
技术领域
本申请涉及图像处理领域，具体而言，涉及一种基于特征影像的医学图像处理方法、装置以及存储介质。
背景技术
医学图像识别是计算机辅助医疗诊断的重要步骤，是定量分析医学图像的感兴趣目标的前提，其主要内容是从医学图像中识别出一些关键对象，例如器官或病变区域，医学图像识别的质量直接影响后续任务的有效性。
具体地，图像识别的过程主要是根据图像的固有特征，如灰度、纹理、对比度、亮度、颜色特征等，将图像划分为具有自身特征的同质区域。传统的医学图像识别方法依赖于阈值法、边缘检测、区域法、活动轮廓、图论和传统机器学习等技术。随着计算机技术的发展，基于深度学习算法的医学图像识别技术得到了长足发展，例如，可以通过卷积神经网络进行图像识别，识别的准确性和效率上大大超过传统方法，已成为医学图像识别的主流技术。
但是，基于深度学习的图像识别方法依赖于人工标注数据，而深度学习模型的准确性依赖于人工标注数据的质量。受限于医学图像成像技术，需要识别的部分目标区域在图像上具有边界不清晰的特性，对于具有模糊边界的目标区域，例如鼻咽癌靶区，人工标注数据通常一致性较差，具体地，人工勾画结果依赖于医生的经验与主观判断，对于同一例数据不同医生人工勾画的结果可能存在较大的区别，同一位医生多次人工勾画的结果也可能存在较大的区别，也即，人工标注数据对于具有模糊边界的目标区域具有较大的不确定性，导致用于训练深度学习识别模型的标注数据存在较差的一致性与准确性，训练得到的深度学习模型在具有模糊边界的目标区域的识别效果较差。此外，对于边界不清晰的目标区域，即使获得了高质量的标注数据，深度学习模型也很难在输入图像上准确确定边界。
针对相关技术中由于医学图像中感兴趣目标的边界不清晰，导致难以准确识别出感兴趣目标的问题，目前尚未提出有效的解决方案。
发明内容
本申请提供一种基于特征影像的医学图像处理方法、装置以及存储介质，以解决相关技术中由于医学图像中感兴趣目标的边界不清晰，导致难以准确识别出感兴趣目标的问题。
根据本申请的一个方面，提供了一种基于特征影像的医学图像处理方法。该方法包括：获取待处理的医学图像，并从待处理的医学图像中提取目标医学图像，其中，目标医学图像中至少包含感兴趣目标；基于目标医学图像生成三元图，其中，三元图中包含前景区域、背景区域和待确定区域，待确定区域是前景区域和背景区域以外的区域；计算待确定区域中的像素的目标特征值，并根据待确定区域中的像素的目标特征值和前景区域中的像素的原始特征值、背景区域中的像素的原始特征值生成特征影像；基于特征影像从目标医学图像中识别出感兴趣目标。
可选地，确定待确定区域中的像素的目标特征值包括：基于目标医学图像计算亲和度矩阵，并确定亲和度矩阵的第一损失函数，其中，亲和度矩阵用于描述目标医学图像中的不同像素之间的相关性；确定待确定区域和目标医学图像的目标区域之间的关系矩阵，并确定关系矩阵的第二损失函数，其中，目标区域至少包含以下之一：待确定区域、前景区域、背景区域和目标医学图像的整体区域；在第一损失函数的值和第二损失函数的值之和最小的情况下，将待确定区域中的像素的特征值作为目标特征值。
可选地，基于目标医学图像计算亲和度矩阵包括：基于目标医学图像生成多个影像组学特征，并对每个影像组学特征生成一个特征图，得到多个特征图；计算每个特征图与感兴趣目标的相似度，并从多个特征图中获取预设数量的相似度最大的特征图，得到目标特征图；将目标特征图与目标医学图像进行融合，得到融合后的医学图像；基于融合后的医学图像计算亲和度矩阵。
可选地，基于融合后的医学图像计算亲和度矩阵包括：在融合后的医学图像中设置多个窗体；对于每个窗体，根据窗体中像素的特征值之间的关系、窗体中像素的特征值与像素特征值均值之间的关系、窗体中像素的特征值之间的协方差、每个模态在计算协方差时被赋予的权重值，计算子亲和度矩阵；将所有窗体的子亲和度矩阵进行融合，得到亲和度矩阵。
可选地，在目标医学图像为单模态图像的情况下，基于目标医学图像计算亲和度矩阵包括：在目标医学图像中设置多个窗体；对于每个窗体，根据窗体中像素的特征值之间的关系、窗体中像素的特征值与像素特征值均值之间的关系、窗体中像素的特征值之间的方差，计算子亲和度矩阵；将所有窗体的子亲和度矩阵进行融合，得到亲和度矩阵。
可选地，在目标医学图像为多模态图像的融合图像的情况下，基于目标医学图像计算亲和度矩阵包括：在目标医学图像中设置多个窗体；对于每个窗体，根据窗体中像素的特征值之间的关系、窗体中像素的特征值与像素特征值均值之间的关系、窗体中像素的特征值之间的协方差、每个模态在计算协方差时被赋予的权重值，计算子亲和度矩阵；将所有窗体的子亲和度矩阵进行融合，得到亲和度矩阵。
可选地，目标区域包括待确定区域、前景区域、背景区域、目标医学图像的整体区域，确定待确定区域和目标医学图像的目标区域之间的关系矩阵包括：对于待确定区域中的每一个目标像素，在待确定区域中搜索与目标像素的特征值相似最高的多个像素，并根据多个像素与目标像素之间的相似度系数确定关系矩阵；对于待确定区域中的每一个目标像素，在前景区域中搜索与目标像素的特征值相似最高的多个像素，并根据多个像素与目标像素之间的相似度系数确定关系矩阵；对于待确定区域中的每一个目标像素，在背景区域中搜索与目标像素的特征值相似最高的多个像素，并根据多个像素与目标像素之间的相似度系数确定关系矩阵；对于待确定区域中的每一个目标像素，在整体区域中搜索与目标像素的特征值相似最高的多个像素，并根据多个像素与目标像素之间的相似度系数确定关系矩阵。
根据本申请的另一方面，提供了一种基于特征影像的医学图像处理装置。该装置包括：提取单元，用于获取待处理的医学图像，并从待处理的医学图像中提取目标医学图像，其中，目标医学图像中至少包含感兴趣目标；生成单元，用于基于目标医学图像生成三元图，其中，三元图中包含前景区域、背景区域和待确定区域，待确定区域是前景区域和背景区域以外的区域；计算单元，用于计算待确定区域中的像素的目标特征值，由待确定区域中的像素的目标特征值和前景区域中的像素的原始特征值、背景区域中的像素的原始特征值生成特征影像；识别单元，用于基于特征影像识别出感兴趣目标。
根据本发明实施例的另一方面，还提供了一种计算机存储介质，计算机存储介质用于存储程序，其中，程序运行时控制非易失性存储介质所在的设备执行一种基于特征影像的医学图像处理方法。
根据本发明实施例的另一方面，还提供了一种电子装置，包含处理器和存储器；存储器中存储有计算机可读指令，处理器用于运行计算机可读指令，其中，计算机可读指令运行时执行一种基于特征影像的医学图像处理方法。
通过本申请，采用以下步骤：获取待处理的医学图像，并从待处理的医学图像中提取目标医学图像，其中，目标医学图像中至少包含感兴趣目标；基于目标医学图像生成三元图，其中，三元图中包含前景区域、背景区域和待确定区域，待确定区域是前景区域和背景区域以外的区域；计算待确定区域中的像素的目标特征值，并根据待确定区域中的像素的目标特征值和前景区域中的像素的原始特征值、背景区域中的像素的原始特征值生成特征影像；基于特征影像从目标医学图像中识别出感兴趣目标，解决了相关技术中由于医学图像中需要识别的目标的边界不清晰，导致难以准确区分目标与非目标的问题。通过生成目标医学图像的三元图，确定三元图中的待确定区域中的像素的目标特征值，并基于三元图中各个区域的像素的特征值生成特征影像，特征影像中的感兴趣目标具有清晰的边界，进而达到了基于特征影像从目标医学图像中准确识别出感兴趣目标的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的基于特征影像的医学图像处理方法的流程图；
图2是根据本申请实施例提供的目标医学图像的三元图的示意图；
图3是根据本申请实施例提供的目标医学图像的特征影像的示意图；
图4是根据本申请实施例提供的基于特征影像的医学图像处理装置的示意图；
图5是根据本申请实施例提供的电子装置的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，本公开所涉及的相关信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于展示的数据、分析的数据等），均为经用户授权或者经过各方充分授权的信息和数据。
根据本申请的实施例，提供了一种基于特征影像的医学图像处理方法。
图1是根据本申请实施例提供的基于特征影像的医学图像处理方法的流程图。如图1所示，该方法包括以下步骤：
步骤S102，获取待处理的医学图像，并从待处理的医学图像中提取目标医学图像，其中，目标医学图像中至少包含感兴趣目标。
需要说明的是，待处理的医学图像可以是对器官或病变区域进行拍摄得到的图像，待处理的医学图像中包含感兴趣区域（ROI，region of interest），例如，感兴趣区域可以为截取的肿瘤区域以及肿瘤区域的外扩区域，感兴趣区域中包括感兴趣目标，感兴趣目标可以为肿瘤。需要从待处理的医学图像中识别出感兴趣目标，从而辅助医疗诊断。
具体地，可以先从待处理的医学图像中提取目标医学图像，目标医学图像中至少包含感兴趣目标，再从目标医学图像中进一步识别出感兴趣目标，从而减少识别感兴趣目标的计算量。从待处理的医学图像中提取目标医学图像时，由于感兴趣目标一般是不规则的多边形，可以取完全包裹感兴趣目标的矩形，把矩形长、宽、高按照相同或不同的比例进行外扩，例如，可以将长、宽、高各外扩原图像的30%，得到外扩后的矩形，再采用外扩后的矩形从待处理的医学图像中截取得到目标医学图像，目标医学图像的图像尺寸小于待处理的医学图像的原图，并包含完整的前景区域、完整的未知区域及部分背景区域，其中，前景区域中包含感兴趣目标，背景区域中不包含感兴趣目标，未知区域即为待确定区域，该区域中的像素难以区分出是否属于感兴趣目标，需要计算该区域中每个像素属于感兴趣目标的概率。
需要说明的是，待处理的医学图像可以是三维医学图像，具体可以为单模态医学图像，也可以为多模态医学图像，例如，可以为CT图像（Computed Tomography，电子计算机断层扫描）、MR图像（Magnetic Resonance，磁共振）、PET（Positron Emission Tomography，正电子发射断层扫描）等。在待处理的医学图像为单模态医学图像的情况下，从单模态医学图像中提取目标医学图像，在待处理的医学图像为多模态医学图像的情况下，对多模态图像进行配准，并对配准后的图像在通道维度融合，得到融合后的医学图像，再从融合后的医学图像中提取目标医学图像。
步骤S104，基于目标医学图像生成三元图，其中，三元图中包含前景区域、背景区域和待确定区域，待确定区域是前景区域和背景区域以外的区域。
具体地，可以通过人工的方式生成目标医学图像的三元图，也可以通过神经网络自动生成目标医学图像的三元图。
图2是根据本申请实施例提供的目标医学图像的三元图的示意图，如图2所示，在感兴趣目标为肿瘤的情况下，三元图包含三个区域，其中，完全属于肿瘤区域的区域为前景区域，完全不属于肿瘤区域的区域为背景区域，难以确定是否属于肿瘤区域为未知区域，未知区域也即待确定区域，需要通过算法计算出待确定区域中每个像素属于感兴趣目标的概率。
步骤S106，计算待确定区域中的像素的目标特征值，并根据待确定区域中的像素的目标特征值和前景区域中的像素的原始特征值、背景区域中的像素的原始特征值生成特征影像。
具体地，前景区域中的像素的原始特征值为1，背景区域中的像素的原始特征值为0，待确定区域中的像素的目标特征值可以为0到1之间的值，表示的是每个像素属于感兴趣目标的概率。相应的，生成的特征影像与三元图具有对应关系，特征影像中对应三元图的前景区域的特征值为1，对应三元图背景区域的特征值为0，对应三元图中的待确定区域的特征值为0-1之间的值。
图3是根据本申请实施例提供的目标医学图像的特征影像的示意图，如图3所示，特征影像使得原本在目标医学图像上模糊的感兴趣目标边界变得清晰。
步骤S108，基于特征影像从目标医学图像中识别出感兴趣目标。
需要说明的是，特征影像中的感兴趣目标具有边界清晰的特点，在目标医学图像中的感兴趣目标边界不清晰的情况下，可以作为辅助影像从目标医学图像中识别出感兴趣目标，以提高识别感兴趣目标的准确性，弥补当前医学图像成像技术的局限。
在一种可选的实施方式中，可以借助特征影像在目标医学图像中标注感兴趣目标，由于特征影像存在客观边界，可以提升人工标注的过程中勾画的一致性与准确性，进一步的，将勾画数据作为标签训练深度学习医学图像分割模型，可以提升深度学习医学图像分割模型的准确性与一致性。
在另一种可选的实施方式中，可以将特征影像作为输入构建医学图像分割模型，或者将特征影像与原始的多模态图像共同作为输入构建医学图像分割模型，还可以将特征影像与医学图像在通道维度进行融合，将融合后的图像作为输入构建医学图像分割模型，在通过训练后的模型对医学图像的分割时，可以取得更为精准的分割结果，从而准确识别出感兴趣区域。
此外，还可以借助存在客观边界的特征影像完成其他依赖医学图像的任务，例如，医学图像分析、医学图像诊断、医学图像勾画标准的制订、剂量计算等，本实施例不限定特征影像的应用场景。
本申请实施例提供的基于特征影像的医学图像处理方法，通过获取待处理的医学图像，并从待处理的医学图像中提取目标医学图像，其中，目标医学图像中至少包含感兴趣目标；基于目标医学图像生成三元图，其中，三元图中包含前景区域、背景区域和待确定区域，待确定区域是前景区域和背景区域以外的区域；计算待确定区域中的像素的目标特征值，并根据待确定区域中的像素的目标特征值和前景区域中的像素的原始特征值、背景区域中的像素的原始特征值生成特征影像；基于特征影像从目标医学图像中识别出感兴趣目标，解决了相关技术中由于医学图像中需要识别的目标的边界不清晰，导致难以准确区分目标与非目标的问题。通过生成目标医学图像的三元图，确定三元图中的待确定区域中的像素的目标特征值，并基于三元图中各个区域的像素的特征值生成特征影像，特征影像中的感兴趣目标具有清晰的边界，进而达到了基于特征影像从目标医学图像中准确识别出感兴趣目标的效果。
由于医学图像的亲和度矩阵和图像之间的关系矩阵均能表征像素之间的相关性，可选地，在本申请实施例提供的基于特征影像的医学图像处理方法中，确定待确定区域中的像素的目标特征值包括：基于目标医学图像计算亲和度矩阵，并确定亲和度矩阵的第一损失函数，其中，亲和度矩阵用于描述目标医学图像中的不同像素之间的相关性；确定待确定区域和目标医学图像的目标区域之间的关系矩阵，并确定关系矩阵的第二损失函数，其中，目标区域至少包含以下之一：待确定区域、前景区域、背景区域和目标医学图像的整体区域；在第一损失函数的值和第二损失函数的值之和最小的情况下，将待确定区域中的像素的特征值作为目标特征值。
具体地，在目标医学图像为三维图像的情况下，亲和度矩阵中的元素代表了两两体素之间的相关性，亲和度矩阵表征的是基于局部窗体的体素与体素间的相关性，缺乏全局信息，为了以整张目标医学图片为视野计算全局体素间的相关性，本实施例计算待确定区域和目标医学图像的目标区域之间的关系矩阵，计算亲和度矩阵和关系矩阵，通过亲和度矩阵和关系矩阵结合来表征目标医学图像的体素之间的相关性。
具体地，可以通过下式确定三元图中待确定区域的输出特征，也即待确定区域中的体素的目标特征值：
；
其中，ECM为待确定区域和目标医学图像的整体区域之间的关系矩阵对应的损失函数，σCM为ECM的值在总体损失中占的权重，EKU为待确定区域和已知区域的之间的关系矩阵对应的损失函数，σKU为EKU的值在总体损失中占的权重，EUU为待确定区域和待确定区域的之间的关系矩阵对应的损失函数，σUU为EUU的值在总体损失中占的权重，EL为亲和度矩阵对应的损失函数，σL为EL的值在总体损失中占的权重，Eτ为三元图的已知区域的输出特征的损失，已知区域包括前景区域F和背景区域ß，λ为已知区域的输出特征的损失在总体损失中占的权重。
其中，，αp是待确定区域中体素p输出特征值。
需要说明的是，中各个损失函数均可以用相应的系数矩阵与要求解的输出特征值表示，带入公式中即可求得待确定区域的每个体素的输出特征值，对于大小为HWD（其中，HWD分别指高度、宽度、深度）的目标医学图像，即可得到大小为HWD的特征影像。
可选地，在本申请实施例提供的基于特征影像的医学图像处理方法中，目标区域包括待确定区域、前景区域、背景区域、目标医学图像的整体区域，确定待确定区域和目标医学图像的目标区域之间的关系矩阵包括：对于待确定区域中的每一个目标像素，在待确定区域中搜索与目标像素的特征值相似最高的多个像素，并根据多个像素与目标像素之间的相似度系数确定关系矩阵；对于待确定区域中的每一个目标像素，在前景区域中搜索与目标像素的特征值相似最高的多个像素，并根据多个像素与目标像素之间的相似度系数确定关系矩阵；对于待确定区域中的每一个目标像素，在背景区域中搜索与目标像素的特征值相似最高的多个像素，并根据多个像素与目标像素之间的相似度系数确定关系矩阵；对于待确定区域中的每一个目标像素，在整体区域中搜索与目标像素的特征值相似最高的多个像素，并根据多个像素与目标像素之间的相似度系数确定关系矩阵。
具体地，在目标医学图像为三维图像的情况下，可以用特征向量表示每个体素：[φ1m1，φ2m2，... ，φxx，φyy，φzz]，其中 m1，m2，... 为每个体素对应的不同输入模态的特征值；x，y，z 分别为每个体素对应的三维图像的归一化的坐标值；φ1，φ2 ... 为每个模态对应的相对权重；φx，φy，φz 分别为三个坐标的相对权重。
其中，对于三元图的待确定区域中每一个体素 p，对整个三元图做搜索（具体可以通过局部线性嵌入算法实现搜索），找到整个图片中与其特征向量最接近的KCM个体素（KCM是自定义的参数）以及系数矩阵Wp,q CM，并定义损失函数 ECM：
；
其中，αp是需要求解的待确定区域中体素p 的输出特征值，αq是某个与p接近的体素q的输出特征值，Np CM是与体素p最接近的KCM个体素的集合。
其中，对于三元图未知区域中每一个体素 p，对三元图已知区域（包括前景区域或背景区域）做搜索，找到三元图已知区域中与其特征向量最接近的 KKU个体素（KKU是自定义的参数）以及系数矩阵Wp KU，并定义损失函数 EKU：
；
其中，ηp是置性度系数，在0-1之间，αq是某个与 p接近的体素q 的输出特征值。
其中，对于三元图的待确定区域中每一个体素p，对三元图的待确定区域做搜索，找到三元图未知区域中与其特征向量最接近的KUU个体素（KUU是人工设置的参数）以及系数矩阵Wp,q UU，并定义损失函数 EUU：
；
其中，αp是需要求解的待确定区域中体素 p 输出特征值，αq是某个与 p接近的体素q的输出特征值，Np UU是与体素 p 最接近的KUU个体素的集合。
在目标医学图像为三维医学图像的情况下，基于三维医学图像计算亲和度矩阵，相对于二维图像包含了更多维度的信息。相应地，计算过程中窗体的大小由二维拓展到三维，将三维图像中的每一个体素作为中心体素，基于围绕其周围的窗体算子亲和度矩阵，将所有窗体的子亲和度矩阵进行融合，也即，将整幅图像中所有的窗体的子亲和度矩阵相加，得到整个目标医学图像的亲和度矩阵，其大小为（N，N），其中 N 是图片中体素的个数。
目标医学图像为单模态图像或多模态图像的情况下，计算亲和度矩阵的方式不同，可选地，在本申请实施例提供的基于特征影像的医学图像处理方法中，在目标医学图像为单模态图像的情况下，基于目标医学图像计算亲和度矩阵包括：在目标医学图像中设置多个窗体；对于每个窗体，根据窗体中像素的特征值之间的关系、窗体中像素的特征值与像素特征值均值之间的关系、窗体中像素的特征值之间的方差，计算子亲和度矩阵；将所有窗体的子亲和度矩阵进行融合，得到亲和度矩阵。
具体地，在目标医学图像为单模态图像的情况下，通过下式计算每个窗体的子亲和度矩阵：
；
其中，δij是克罗内克函数，用于对比窗体内体素值是否相等，q表示局部窗体的中心体素，ωq表示围绕中心体素 q的窗体，|ωq| 表示窗体中体素的个数，Ii或Ij 表示窗体中某个体素i 或体素j 的特征值，μq表示窗体所有体素特征值的平均值，是用于稳定计算的数，σ2 q 是窗体 q 中所有体素间的方差。
可选地，在本申请实施例提供的基于特征影像的医学图像处理方法中，在目标医学图像为多模态图像的融合图像的情况下，基于目标医学图像计算亲和度矩阵包括：在目标医学图像中设置多个窗体；对于每个窗体，根据窗体中像素的特征值之间的关系、窗体中像素的特征值与像素特征值均值之间的关系、窗体中像素的特征值之间的协方差、每个模态在计算协方差时被赋予的权重值，计算子亲和度矩阵；将所有窗体的子亲和度矩阵进行融合，得到亲和度矩阵。
具体地，在目标医学图像为多模态图像的情况下，通过下式计算每个窗体的子亲和度矩阵：
；
其中：δij是克罗内克函数，对比窗体内体素值是否相等，q表示局部窗体中心体素，ωq表示围绕中心体素 q 的窗体，|ωq|表示窗体中体素的个数，Ii或Ij表示窗体中某个体素i 或体素j 的特征值，μq表示窗体所有体素特征值的平均值，是用于稳定计算的数，Σq是窗体q中所有体素间的协方差，/>表示各个模态在协方差中的相对权重值。
需要说明的是，在目标医学图像为多模态图像的情况下，本实施例以模态作为通道计算不同模态之间的协方差，并对多模态图像的各个模态加入了权重，权重可以根据实际应用场景在计算协方差时给予不同模态不同的相对权重值，例如，对于某些肿瘤，某个模态包含较多的该肿瘤的特征，则可以给予该模态较高的权重，给予其他的模态较低的权重。进一步的，再结合协方差及其权重计算亲和度矩阵，由于模态之间的协方差包含了更多的信息，得到亲和度矩阵可以更好地表征体素之间的相关性。
本实施例还可以基于影像组学特征生成不同的特征图，将特征图作为新的模态与其他模态的图像进行融合，并基于融合后的图像计算亲和度矩阵，可选地，在本申请实施例提供的基于特征影像的医学图像处理方法中，基于目标医学图像计算亲和度矩阵包括：基于目标医学图像生成多个影像组学特征，并对每个影像组学特征生成一个特征图，得到多个特征图；计算每个特征图与感兴趣目标的相似度，并从多个特征图中获取预设数量的相似度最大的特征图，得到目标特征图；将目标特征图与目标医学图像进行融合，得到融合后的医学图像；基于融合后的医学图像计算亲和度矩阵。
具体地，若目标医学图像是大小为HWD的三维图像（其中，HWD分别指高度、宽度、深度），以三维图像的每一个体素作为中心体素，基于中心体素周围的窗体计算影像组学特征，例如，中心体素周围的窗体可以为3*3*3大小的窗体、5*5*5大小的窗体，进一步，每一个影像组学特征对应生成一个大小为HWD的特征图像，得到多个特征图像。
需要说明的是，由于目标医学图像的影像组学特征较多，生成的特征图像也较多，可以达到1000-2000个，需要先从特征图像中筛选几个特征图，再将特征图与其他模态的图像进行融合。具体地，可以计算特征图与勾画的感兴趣目标的Dice系数，筛选出Dice系数最高的几个特征图，其中，Dice 系数的计算公式为：
，其中，X代表特征图，Y代表勾画的感兴趣目标。
可选地，在本申请实施例提供的基于特征影像的医学图像处理方法中，基于融合后的医学图像计算亲和度矩阵包括：在融合后的医学图像中设置多个窗体；对于每个窗体，根据窗体中像素的特征值之间的关系、窗体中像素的特征值与像素特征值均值之间的关系、窗体中像素的特征值之间的协方差、每个模态在计算协方差时被赋予的权重值，计算子亲和度矩阵；将所有窗体的子亲和度矩阵进行融合，得到亲和度矩阵。
具体地，由于融合后的医学图像为多模态图像，可以通过下式计算每个窗体的子亲和度矩阵：
；
其中：δij是克罗内克函数，对比窗体内体素值是否相等，q表示局部窗体中心体素，ωq表示围绕中心体素 q 的窗体，|ωq| 表示窗体中体素的个数，Ii或Ij表示窗体中某个体素i或体素j的特征值，μq表示窗体所有体素特征值的平均值，是用于稳定计算的数，Σq 是窗体q中所有体素间的协方差，/>表示各个模态在协方差中的相对权重值。
需要说明的是，本实施例还可以通过其他方式基于影像组学构建亲和度矩阵，具体地，上述实施例的亲和度矩阵公式中包括克罗内克函数、窗体内体素的均值、窗体内体素的协方差等，主要目的是计算窗体内体素之间的相关性，但是不同种类的影像组学特征是统计体素之间的不同指标，本实施例在计算亲和度矩阵时可以采用不同的影像组学特征计算不同的特征。
例如，灰度共生矩阵通过体素灰度的空间相关特性来描述图像的纹理特征或形状，可以基于局部窗体计算灰度共生矩阵，灰度共生矩阵中元素 Pij表示像素值 i 与像素值 j 的共生概率，在计算亲和度矩阵时可以将概率 Pij 与克罗内克函数δij 相乘代入。具体地，在目标医学图像为多模态图像的情况下，得到如下亲和度矩阵：
；
其中，Pij为灰度共生矩阵中的元素，δij是克罗内克函数，用于对比窗体内体素值是否相等，q表示局部窗体中心体素，ωq表示围绕中心体素 q 的窗体，|ωq| 表示窗体中体素的个数，Ii或Ij表示窗体中某个体素i或体素j的特征值，μq表示窗体所有体素特征值的平均值，是用于稳定计算的数，Σq 是窗体q中所有体素间的协方差，/>表示各个模态在协方差中的相对权重值。
此外，需要说明的是，本实施例不限定采用不同的影像组学特征来计算亲和度矩阵的方式，除了结合灰度共生矩阵来计算亲和度矩阵，还可以采用其他的方式。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种基于特征影像的医学图像处理装置，需要说明的是，本申请实施例的基于特征影像的医学图像处理装置可以用于执行本申请实施例所提供的用于基于特征影像的医学图像处理方法。以下对本申请实施例提供的基于特征影像的医学图像处理装置进行介绍。
图4是根据本申请实施例提供的基于特征影像的医学图像处理装置的示意图。如图4所示，该装置包括：提取单元401、生成单元402、计算单元403以及识别单元404。
其中，提取单元401，用于获取待处理的医学图像，并从待处理的医学图像中提取目标医学图像，其中，目标医学图像中至少包含感兴趣目标。
生成单元402，用于基于目标医学图像生成三元图，其中，三元图中包含前景区域、背景区域和待确定区域，待确定区域是前景区域和背景区域以外的区域。
计算单元403，用于计算待确定区域中的像素的目标特征值，由待确定区域中的像素的目标特征值和前景区域中的像素的原始特征值、背景区域中的像素的原始特征值生成特征影像。
识别单元404，用于基于特征影像识别出感兴趣目标。
本申请实施例提供的基于特征影像的医学图像处理装置，通过提取单元401，获取待处理的医学图像，并从待处理的医学图像中提取目标医学图像，其中，目标医学图像中至少包含感兴趣目标；生成单元402，基于目标医学图像生成三元图，其中，三元图中包含前景区域、背景区域和待确定区域，待确定区域是前景区域和背景区域以外的区域；计算单元403，计算待确定区域中的像素的目标特征值，由待确定区域中的像素的目标特征值和前景区域中的像素的原始特征值、背景区域中的像素的原始特征值生成特征影像；识别单元404，基于特征影像识别出感兴趣目标，解决了相关技术中由于医学图像中需要识别的目标的边界不清晰，导致难以准确识别出目标和非目标的问题，通过生成目标医学图像的三元图，确定三元图中的待确定区域中的像素的目标特征值，并基于三元图中各个区域的像素的特征值生成特征影像，特征影像中的需要识别的目标具有清晰的边界，进而达到了基于特征影像从目标医学图像中准确区分目标和非目标的效果。
可选地，在本申请实施例提供的基于特征影像的医学图像处理装置中，计算单元403包括：第一确定模块，用于基于目标医学图像计算亲和度矩阵，并确定亲和度矩阵的第一损失函数，其中，亲和度矩阵用于描述目标医学图像中的不同像素之间的相关性；第二确定模块，用于确定待确定区域和目标医学图像的目标区域之间的关系矩阵，并确定关系矩阵的第二损失函数，其中，目标区域至少包含以下之一：待确定区域、前景区域、背景区域和目标医学图像的整体区域；第三确定模块，用于在第一损失函数的值和第二损失函数的值之和最小的情况下，将待确定区域中的像素的特征值作为目标特征值。
可选地，在本申请实施例提供的基于特征影像的医学图像处理装置中，第一确定模块包括：生成子模块，用于基于目标医学图像生成多个影像组学特征，并对每个影像组学特征生成一个特征图，得到多个特征图；第一计算子模块，用于计算每个特征图与感兴趣目标的相似度，并从多个特征图中获取预设数量的相似度最大的特征图，得到目标特征图；融合子模块，用于将目标特征图与目标医学图像进行融合，得到融合后的医学图像；第二计算子模块，用于基于融合后的医学图像计算亲和度矩阵。
可选地，在本申请实施例提供的基于特征影像的医学图像处理装置中，第二计算子模块用于在融合后的医学图像中设置多个窗体；对于每个窗体，根据窗体中像素的特征值之间的关系、窗体中像素的特征值与像素特征值均值之间的关系、窗体中像素的特征值之间的协方差、每个模态在计算协方差时被赋予的权重值，计算子亲和度矩阵；将所有窗体的子亲和度矩阵进行融合，得到亲和度矩阵。
可选地，在本申请实施例提供的基于特征影像的医学图像处理装置中，在目标医学图像为单模态图像的情况下，第一确定模块用于在目标医学图像中设置多个窗体；对于每个窗体，根据窗体中像素的特征值之间的关系、窗体中像素的特征值与像素特征值均值之间的关系、窗体中像素的特征值之间的方差，计算子亲和度矩阵；将所有窗体的子亲和度矩阵进行融合，得到亲和度矩阵。
可选地，在本申请实施例提供的基于特征影像的医学图像处理装置中，在目标医学图像为多模态图像的融合图像的情况下，第一确定模块用于在目标医学图像中设置多个窗体；对于每个窗体，根据窗体中像素的特征值之间的关系、窗体中像素的特征值与像素特征值均值之间的关系、窗体中像素的特征值之间的协方差、每个模态在计算协方差时被赋予的权重值，计算子亲和度矩阵；将所有窗体的子亲和度矩阵进行融合，得到亲和度矩阵。
可选地，在本申请实施例提供的基于特征影像的医学图像处理装置中，目标区域包括待确定区域、前景区域、背景区域、目标医学图像的整体区域，第二确定模块包括：搜索子模块，用于对于待确定区域中的每一个目标像素，在待确定区域中搜索与目标像素的特征值相似最高的多个像素，并根据多个像素与目标像素之间的相似度系数确定关系矩阵；第一确定子模块，用于对于待确定区域中的每一个目标像素，在前景区域中搜索与目标像素的特征值相似最高的多个像素，并根据多个像素与目标像素之间的相似度系数确定关系矩阵；第二确定子模块，用于对于待确定区域中的每一个目标像素，在背景区域中搜索与目标像素的特征值相似最高的多个像素，并根据多个像素与目标像素之间的相似度系数确定关系矩阵；第三确定子模块，用于对于待确定区域中的每一个目标像素，在整体区域中搜索与目标像素的特征值相似最高的多个像素，并根据多个像素与目标像素之间的相似度系数确定关系矩阵。
上述基于特征影像的医学图像处理装置包括处理器和存储器，上述提取单元401、生成单元402、计算单元403以及识别单元404等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决相关技术中由于医学图像中需要识别的目标的边界不清晰，导致难以准确区分出目标和非目标的问题。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本申请实施例还提供了一种计算机存储介质，计算机存储介质用于存储程序，其中，程序运行时控制非易失性存储介质所在的设备执行一种基于特征影像的医学图像处理方法。
本申请实施例还提供了一种电子装置，图5是根据本申请实施例提供的电子装置的示意图，如图5所示，电子装置501包含处理器和存储器；存储器中存储有计算机可读指令，处理器用于运行计算机可读指令，其中，计算机可读指令运行时执行一种基于特征影像的医学图像处理方法。本文中的电子装置可以是服务器、PC、PAD、手机等。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (8)

1.一种基于特征影像的医学图像处理方法，其特征在于，包括：
获取待处理的医学图像，并从所述待处理的医学图像中提取目标医学图像，其中，所述目标医学图像中至少包含感兴趣目标；
基于所述目标医学图像生成三元图，其中，所述三元图中包含前景区域、背景区域和待确定区域，所述待确定区域是所述前景区域和所述背景区域以外的区域；
计算所述待确定区域中的像素的目标特征值，并根据所述待确定区域中的像素的目标特征值和所述前景区域中的像素的原始特征值、所述背景区域中的像素的原始特征值生成特征影像；
基于所述特征影像从所述目标医学图像中识别出所述感兴趣目标；
其中，确定所述待确定区域中的像素的目标特征值包括：
基于所述目标医学图像计算亲和度矩阵，并确定所述亲和度矩阵的第一损失函数，其中，所述亲和度矩阵用于描述所述目标医学图像中的不同像素之间的相关性；
确定所述待确定区域和所述目标医学图像的目标区域之间的关系矩阵，并确定所述关系矩阵的第二损失函数，其中，所述目标区域至少包含以下之一：所述待确定区域、所述前景区域、所述背景区域和所述目标医学图像的整体区域；
在所述第一损失函数的值和所述第二损失函数的值之和最小的情况下，将所述待确定区域中的像素的特征值作为所述目标特征值；
其中，所述目标区域包括所述待确定区域、所述前景区域、所述背景区域、所述目标医学图像的整体区域，确定所述待确定区域和所述目标医学图像的目标区域之间的关系矩阵包括：
对于所述待确定区域中的每一个目标像素，在所述待确定区域中搜索与所述目标像素的特征值相似最高的多个像素，并根据所述多个像素与所述目标像素之间的相似度系数确定关系矩阵；
对于所述待确定区域中的每一个目标像素，在所述前景区域中搜索与所述目标像素的特征值相似最高的多个像素，并根据所述多个像素与所述目标像素之间的相似度系数确定关系矩阵；
对于所述待确定区域中的每一个目标像素，在所述背景区域中搜索与所述目标像素的特征值相似最高的多个像素，并根据所述多个像素与所述目标像素之间的相似度系数确定关系矩阵；
对于所述待确定区域中的每一个目标像素，在所述整体区域中搜索与所述目标像素的特征值相似最高的多个像素，并根据所述多个像素与所述目标像素之间的相似度系数确定关系矩阵。
2.根据权利要求1所述的方法，其特征在于，基于所述目标医学图像计算亲和度矩阵包括：
基于所述目标医学图像生成多个影像组学特征，并对每个影像组学特征生成一个特征图，得到多个特征图；
计算每个特征图与所述感兴趣目标的相似度，并从所述多个特征图中获取预设数量的相似度最大的特征图，得到目标特征图；
将所述目标特征图与所述目标医学图像进行融合，得到融合后的医学图像；
基于所述融合后的医学图像计算所述亲和度矩阵。
3.根据权利要求2所述的方法，其特征在于，基于所述融合后的医学图像计算所述亲和度矩阵包括：
在所述融合后的医学图像中设置多个窗体；
对于每个窗体，根据所述窗体中像素的特征值之间的关系、所述窗体中像素的特征值与像素特征值均值之间的关系、所述窗体中像素的特征值之间的协方差、每个模态在计算协方差时被赋予的权重值，计算子亲和度矩阵；
将所有窗体的子亲和度矩阵进行融合，得到所述亲和度矩阵。
4.根据权利要求1所述的方法，其特征在于，在所述目标医学图像为单模态图像的情况下，基于所述目标医学图像计算亲和度矩阵包括：
在所述目标医学图像中设置多个窗体；
对于每个窗体，根据所述窗体中像素的特征值之间的关系、所述窗体中像素的特征值与像素特征值均值之间的关系、所述窗体中像素的特征值之间的方差，计算子亲和度矩阵；
将所有窗体的子亲和度矩阵进行融合，得到所述亲和度矩阵。
5.根据权利要求1所述的方法，其特征在于，在所述目标医学图像为多模态图像的融合图像的情况下，基于所述目标医学图像计算亲和度矩阵包括：
在所述目标医学图像中设置多个窗体；
对于每个窗体，根据所述窗体中像素的特征值之间的关系、所述窗体中像素的特征值与像素特征值均值之间的关系、所述窗体中像素的特征值之间的协方差、每个模态在计算协方差时被赋予的权重值，计算子亲和度矩阵；
将所有窗体的子亲和度矩阵进行融合，得到所述亲和度矩阵。
6.一种基于特征影像的图像处理装置，其特征在于，包括：
提取单元，用于获取待处理的医学图像，并从所述待处理的医学图像中提取目标医学图像，其中，所述目标医学图像中至少包含感兴趣目标；
生成单元，用于基于所述目标医学图像生成三元图，其中，所述三元图中包含前景区域、背景区域和待确定区域，所述待确定区域是所述前景区域和所述背景区域以外的区域；
计算单元，用于计算所述待确定区域中的像素的目标特征值，由所述待确定区域中的像素的目标特征值和所述前景区域中的像素的原始特征值、所述背景区域中的像素的原始特征值生成特征影像；
识别单元，用于基于所述特征影像识别所述感兴趣目标；
其中，所述计算单元包括：
第一确定模块，用于基于所述目标医学图像计算亲和度矩阵，并确定所述亲和度矩阵的第一损失函数，其中，所述亲和度矩阵用于描述所述目标医学图像中的不同像素之间的相关性；
第二确定模块，用于确定所述待确定区域和所述目标医学图像的目标区域之间的关系矩阵，并确定所述关系矩阵的第二损失函数，其中，所述目标区域至少包含以下之一：所述待确定区域、所述前景区域、所述背景区域和所述目标医学图像的整体区域；
第三确定模块，用于在所述第一损失函数的值和所述第二损失函数的值之和最小的情况下，将所述待确定区域中的像素的特征值作为所述目标特征值；
其中，所述目标区域包括所述待确定区域、所述前景区域、所述背景区域、所述目标医学图像的整体区域，所述第二确定模块包括：
搜索子模块，用于对于所述待确定区域中的每一个目标像素，在所述待确定区域中搜索与所述目标像素的特征值相似最高的多个像素，并根据所述多个像素与所述目标像素之间的相似度系数确定关系矩阵；
第一确定子模块，用于对于所述待确定区域中的每一个目标像素，在所述前景区域中搜索与所述目标像素的特征值相似最高的多个像素，并根据所述多个像素与所述目标像素之间的相似度系数确定关系矩阵；
第二确定子模块，用于对于所述待确定区域中的每一个目标像素，在所述背景区域中搜索与所述目标像素的特征值相似最高的多个像素，并根据所述多个像素与所述目标像素之间的相似度系数确定关系矩阵；
第三确定子模块，用于对于所述待确定区域中的每一个目标像素，在所述整体区域中搜索与所述目标像素的特征值相似最高的多个像素，并根据所述多个像素与所述目标像素之间的相似度系数确定关系矩阵。
7.一种计算机存储介质，其特征在于，所述计算机存储介质用于存储程序，其中，所述程序运行时控制所述计算机存储介质所在的设备执行权利要求1至5中任意一项所述的基于特征影像的医学图像处理方法。
8.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行权利要求1至5中任意一项所述的基于特征影像的医学图像处理方法。
CN202310550632.4A 2023-05-16 2023-05-16 基于特征影像的医学图像处理方法、装置以及存储介质 Active CN116258725B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310550632.4A CN116258725B (zh) 2023-05-16 2023-05-16 基于特征影像的医学图像处理方法、装置以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310550632.4A CN116258725B (zh) 2023-05-16 2023-05-16 基于特征影像的医学图像处理方法、装置以及存储介质

Publications (2)

Publication Number Publication Date
CN116258725A CN116258725A (zh) 2023-06-13
CN116258725B true CN116258725B (zh) 2023-08-22

Family

ID=86682953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310550632.4A Active CN116258725B (zh) 2023-05-16 2023-05-16 基于特征影像的医学图像处理方法、装置以及存储介质

Country Status (1)

Country Link
CN (1) CN116258725B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101351824A (zh) * 2004-09-09 2009-01-21 美国西门子医疗解决公司 利用联合空间强度似然比检验进行体积肿瘤分割
CN103198470A (zh) * 2013-02-26 2013-07-10 清华大学 图像的分割方法及系统
CN103390279A (zh) * 2013-07-25 2013-11-13 中国科学院自动化研究所 联合显著性检测与判别式学习的目标前景协同分割方法
CN104156949A (zh) * 2014-07-28 2014-11-19 西安交通大学医学院第一附属医院 一种基于特征扩散的ct图像肿瘤组织提取方法
CN107292890A (zh) * 2017-06-19 2017-10-24 北京理工大学 一种医学图像分割方法和装置
CN108961300A (zh) * 2018-06-20 2018-12-07 浙江德尔达医疗科技有限公司 一种图像分割方法及设备
CN113127661A (zh) * 2021-04-06 2021-07-16 中国科学院计算技术研究所 基于循环查询扩展的多监督医学图像检索方法和系统
CN113538530A (zh) * 2021-07-09 2021-10-22 深圳市深光粟科技有限公司 一种耳部医学图像分割方法、装置、电子设备及存储介质
CN114943690A (zh) * 2022-04-29 2022-08-26 上海联影医疗科技股份有限公司 医学图像处理方法、装置、计算机设备及可读存储介质
CN115601551A (zh) * 2021-07-09 2023-01-13 Tcl科技集团股份有限公司（Cn） 对象识别方法、装置、存储介质及电子设备
CN115690615A (zh) * 2022-10-11 2023-02-03 杭州视图智航科技有限公司 一种面向视频流的深度学习目标识别方法及系统
CN116109853A (zh) * 2021-11-09 2023-05-12 广州视源电子科技股份有限公司 任务处理模型训练、任务处理方法、装置及设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10221389A1 (de) * 2002-05-14 2003-12-04 Siemens Ag Verfahren zur Ermittlung eines Pixelwertes eines Pixel aufweisenden Bildes, Gewichtungsmatrix und Recheneinrichtung
US10297024B2 (en) * 2015-09-30 2019-05-21 Shanghai United Imaging Healthcare Co., Ltd. System and method for determining a breast region in a medical image
JP6715289B2 (ja) * 2018-05-24 2020-07-01 日本電信電話株式会社 映像処理装置、映像処理方法、および映像処理プログラム
US11651496B2 (en) * 2021-03-11 2023-05-16 Ping An Technology (Shenzhen) Co., Ltd. Liver fibrosis recognition method based on medical images and computing device using thereof

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101351824A (zh) * 2004-09-09 2009-01-21 美国西门子医疗解决公司 利用联合空间强度似然比检验进行体积肿瘤分割
CN103198470A (zh) * 2013-02-26 2013-07-10 清华大学 图像的分割方法及系统
CN103390279A (zh) * 2013-07-25 2013-11-13 中国科学院自动化研究所 联合显著性检测与判别式学习的目标前景协同分割方法
CN104156949A (zh) * 2014-07-28 2014-11-19 西安交通大学医学院第一附属医院 一种基于特征扩散的ct图像肿瘤组织提取方法
CN107292890A (zh) * 2017-06-19 2017-10-24 北京理工大学 一种医学图像分割方法和装置
CN108961300A (zh) * 2018-06-20 2018-12-07 浙江德尔达医疗科技有限公司 一种图像分割方法及设备
CN113127661A (zh) * 2021-04-06 2021-07-16 中国科学院计算技术研究所 基于循环查询扩展的多监督医学图像检索方法和系统
CN113538530A (zh) * 2021-07-09 2021-10-22 深圳市深光粟科技有限公司 一种耳部医学图像分割方法、装置、电子设备及存储介质
CN115601551A (zh) * 2021-07-09 2023-01-13 Tcl科技集团股份有限公司（Cn） 对象识别方法、装置、存储介质及电子设备
CN116109853A (zh) * 2021-11-09 2023-05-12 广州视源电子科技股份有限公司 任务处理模型训练、任务处理方法、装置及设备
CN114943690A (zh) * 2022-04-29 2022-08-26 上海联影医疗科技股份有限公司 医学图像处理方法、装置、计算机设备及可读存储介质
CN115690615A (zh) * 2022-10-11 2023-02-03 杭州视图智航科技有限公司 一种面向视频流的深度学习目标识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于磁共振影像脑疾病分类的模式识别方法研究;毕文伟;中国优秀硕士学位论文全文数据库 (医药卫生科技辑)(第2期);E060-83 *

Also Published As

Publication number Publication date
CN116258725A (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
Öztürk et al. Skin lesion segmentation with improved convolutional neural network
US11593943B2 (en) RECIST assessment of tumour progression
Krishnakumar et al. RETRACTED ARTICLE: Effective segmentation and classification of brain tumor using rough K means algorithm and multi kernel SVM in MR images
CN109522908B (zh) 基于区域标签融合的图像显著性检测方法
US10853409B2 (en) Systems and methods for image search
Ge et al. New benchmark for image segmentation evaluation
US8218905B2 (en) Method, system and software product for providing efficient registration of 3D image data
Roy et al. MR to CT registration of brains using image synthesis
US20110116698A1 (en) Method and System for Segmentation of the Prostate in 3D Magnetic Resonance Images
An et al. Medical image segmentation algorithm based on multilayer boundary perception-self attention deep learning model
Wu et al. Semi-automatic segmentation of brain tumors using population and individual information
US8306354B2 (en) Image processing apparatus, method, and program
Jaffar et al. An ensemble shape gradient features descriptor based nodule detection paradigm: a novel model to augment complex diagnostic decisions assistance
Pujadas et al. Shape-based normalized cuts using spectral relaxation for biomedical segmentation
CN112529900A (zh) 匹配乳腺图像中roi的方法、装置、终端与存储介质
CN110232684B (zh) 一种基于谱分析的三维医学图像自动分割方法
CN116258725B (zh) 基于特征影像的医学图像处理方法、装置以及存储介质
Lin et al. Image segmentation by improved minimum spanning tree with fractional differential and Canny detector
Heravi et al. Low price foot pressure distribution screening technique: Optical podoscope with accurate foot print segmentation using hidden Markov random field model
Shivhare et al. Brain tumor detection using manifold ranking in flair mri
KR102332472B1 (ko) 의료 영상에서 듀얼 윈도우 설정에 기반한 딥러닝을 이용한 종양 자동 분할 방법
Celestine et al. Investigations on adaptive connectivity and shape prior based fuzzy graph‐cut colour image segmentation
Wu et al. Adaptive active contour model driven by image data field for image segmentation with flexible initialization
Xiong et al. Multiple sclerosis lesion filling using a non-lesion attention based convolutional network
CN112990367A (zh) 一种图像处理方法、装置、设备以及存储介质

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