技术领域
本发明实施例涉及图像处理技术，尤其涉及一种医学图像的处理方法及医学图像 处理系统。
背景技术
在进行医学图像检测时，检测结果通常存在两种情况，一种是真实的目标区域，即 实际病变的机体位置；一种是假阳性，即实际未出现病变但是检测结果为病变的机体位置。 因而，在进行医学图像检测时，筛选出假阳性对于正确检测到病灶的位置至关重要。 现有的对病灶检测的方法，首先采用滑动窗口进行初检，然后采用卷积神经网络 进行去假阳性操作。由于病灶和假阳性在图像中所占的像素比例很小，采用滑动窗口进行 初检的方式在窗口的尺寸太大时，存在漏检或误检的问题，在窗口的尺寸太小时，存在检测 速率太慢的问题。最终导致病灶检测的准确率低以及速率慢。
发明内容
本发明实施例提供一种医学图像的处理方法及医学图像处理系统，解决现有的病 灶检测方法的准确率低以及速率慢的问题。
第一方面，本发明实施例提供了一种医学图像的处理方法，该方法包括：
获取同一检测区域的多幅医学图像；
将多幅医学图像分别输入到人工智能网络产生多个概率分布图，其中，所述概率 分布图用于判定所述医学图像的像素点属于目标像素点的概率； 将所述多个概率分布图进行融合形成组合概率图；
根据所述组合概率图在至少一幅所述医学图像中确定目标像素点的集合。
进一步地，所述将所述多个概率分布图进行融合形成组合概率图，包括：
将所述多个概率分布图进行对齐操作，得到组合概率图，所述组合概率图中每一 点表示像素点为目标像素点的概率。
进一步地，根据所述组合概率图在至少一幅所述医学图像中确定目标像素点的集 合包括：
根据预设阈值对所述组合概率图进行二值化处理，获取二值图；
确定所述二值图中的独立连通域，所述医学图像中与所述独立连通域对应的像素 点的集合为目标像素点的集合。
进一步地，所述多幅医学图像包括原始医学图像和所述原始医学图像的增强图 像，且所述原始医学图像和所述增强图像包含灰度值不同的像素点；或者，所述多幅医学图 像包括数个片层图像，且各个片层图像包含灰度值不同的像素点。
进一步地，所述目标像素点的集合为目标对象，所述目标对象对应肺部点状区域 或肋骨断裂区域。
第二方面，本发明实施例还提供了一种医学图像的处理方法，该方法包括：获取同 一检测区域的第一医学图像和第二医学图像，所述第一医学图像和所述第二医学图像分别 包含多个像素点，且第一医学图像与第二医学图像包含灰度值不同的像素点；
利用人工智能网络对所述第一医学图像进行处理，获取第一分类结果；
利用人工智能网络对所述第二医学图像进行处理，获取第二分类结果；
联合所述第一分类结果和第二分类结果在所述第一医学图像或第二医学图像中 确定目标像素点的集合。
进一步地，所述第一分类结果为所述第一医学图像的每个像素点属于目标像素点 的概率值，所述第二分类结果为所述第二医学图像的每个像素点属于目标像素点的概率 值。
或者，所述第一分类结果为所述第一医学图像中属于目标像素点的像素点集合的 外接轮廓，所述第二分类结果为所述第二医学图像中属于目标像素点的像素点集合的外接 轮廓。
第三方面，本发明实施例还提供了一种医学图像处理系统，该系统包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理 器实现如下步骤：
获取相同检测区域的第一医学图像和第二医学图像，第一医学图像和第二医学图 像分别包
含多个像素点，且第一医学图像与第二医学图像含灰度值不同的像素点；
利用人工智能网络对所述第一医学图像、第二医学图像进行处理，获取第一分类 结果和第二分类结果；
联合所述第一分类结果和第二分类结果在所述第一医学图像或第二医学图像中 确定目标对象。
进一步地，该系统还包括：显示器，所述显示器用于将所述目标对象在所述第一医 学图像或第二医学图像上标识显示。
其中，所述第一医学图像和第二医学图像为CT图像或DR图像，所述目标对象为所 述肺部的点状区域或肋骨的非连续区域。
本发明实施例通过多幅医学图像分别输入到人工智能网络，由于人工智能网络处 理数据的速度快的特性，提高了目标像素点的集合的检测速率，并且根据概率分布图确定 目标像素点可以保证目标像素点的检测准确率，将概率分布图进行融合，根据融合形成的 组合概率图确定目标像素点的集合进一步提高了目标像素点的集合的检测准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使 用的附图做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明实施例一提供的一种医学图像的处理方法的流程图；
图2是本发明实施例一提供的V-net的网络结构示意图；
图3是本发明实施例二提供的一种医学图像的处理方法的流程图；
图4a是本发明实施例三提供的一种医学图像的处理方法的流程图；
图4b是本发明实施例三采用如图4a所示的方法获取的图像检测结果；
图5为本发明实施例四提供的一种医学图像处理方法流程图示意图；
图6是本发明实施例四提供的RPN中使用的VGG网络结构示意图；
图7为本发明实施例五提供的一种医学图像处理系统的结构框图；
图8为本发明实施例五提供的显示器界面示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下将参照本发明实施例中的附 图，通过实施方式清楚、完整地描述本发明的技术方案，显然，所描述的实施例是本发明一 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做 出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
图1是本发明实施例一提供的一种医学图像的处理方法的流程图。本实施例的技 术方案可以适用于对目标像素点进行检测的情况，目标像素点例如可以是病灶区域中的像 素，也可以是任何感兴趣区域的像素点。该方法具体包括如下操作：
S110、获取同一检测区域的多幅医学图像。可选地，各幅医学图像可包含灰度值不 同的像素点。
医学图像可以是肺部图像，通过医学图像的检测方法，可从医学图像中检测得到 肺部结节区域、肺气肿发生的区域或者肋骨骨折区域。医学图像可以是一维(1D)数据，二维 (2D)图像或三维(3D)图像，例如，1D数据可以是心电图仪(electrocardiography)采集获取 的心电图；2D图像可以是数字化X射线摄影(digital radiography，DR)设备采集的X射线图 像；3D图像可以是磁共振成像(magnetic resonance imaging，MRI)设备采集的MR图像、计 算机断层扫描(computed tomography，CT)设备采集的CT图像、正电子发射型计算机断层成 像(positron emission computed tomography，PET)设备采集的PET图像、超声 (ultrasonic，US)设备采集的超声图像、荧光光谱(fluorescence)设备采集的荧光图像中 的一种或多种的组合。医学图像可以对应受检者的肺部区域、乳腺区域、结肠区域、头部区 域等。可选地，医学图像还可进行图像强度、图像对比度、图像格式、图像切片间距等归一化 处理操作。可选地，医学图像的格式可以是DICOM格式、二进制格式或者NIFTI格式。
在一个实施例中，多幅医学图像可以是原始图像和原始图像的增强图像，也可以 是多片层图像(2D图像)，还可以是同一目标区域的不同对比度的图像，例如对应目标区域 为肺部的对比度分别为高、中和低的三幅肺部图像。在此实施例中，其中一幅图像为原始图 像(对应人工智能网络的一个输入通道)，另一幅图像为原始图像的增强图像(对应人工智 能网络的
另一个输入通道)，增强图像的部分区域进行增强处理，与原始图像的对应体素具 有不同的灰度值，从而原始图像和增强图像获得不同的对比度。原始图像的增强方法可参 考：Li Q,Sone S.Selective enhancement filters for nodules,vessels,and airway walls in two‐and three‐dimensional CT scans[J].Medical physics,2003,30(8): 2040-2051。
S120、将多幅医学图像分别输入到人工智能网络产生多个概率分布图，其中，所述 人工智能网络是预先依据医学图像样本和对应的目标像素点训练得到的，所述概率分布图 为所述医学图像中的像素点属于目标像素点或目标像素点的集合的概率，且每幅医学图像 对应一个概率分布图。
其中，所述人工智能网络可设置为端到端网络，该端到端网络包括：区域建议网 络、全卷积神经网络、U-net或V-net等。
图2为本发明实施例中V-net的网络结构示意图，上述网络的左边部分用于提取图 像特征，右边部分将提取得到的特征组合并扩展成原始图像尺寸的概率图，具体可参考 Milletari F,Navab N,Ahmadi S A.V-net:Fully convolutional neural networks for volumetric medical image segmentation[C]//3D Vision(3DV),2016 Fourth International Conference on.IEEE,2
016:565-571。该V-net保留了U-net的卷积过程中 的中间结果加到转置卷积运算中这一特点，并使用了Dice函数作为目标函数，并且使用了 残差网络(residual net)的跳层。Dice函数可以计算两个物体的相似度：
其中，p i属于预测物体的体素；g i为实际物体的体素；1≤i≤N，N为体素个数，且N为 大于1的整数。
在此实施例中，端到端网络是预先依据大量医学图像样本和对应的目标像素点或 目标对象训练得到的，端到端网络指的是输入为原始数据，输出可以是一通道或者多通道， 输出是最后的结果，无需提取特征，自主学习特征，方便快捷。端到端网络产生的概率分布 图可以反映每一个像素是目标像素点的概率或者每一个像素属于非目标像素点的概率。例 如，对于CT肺部图像，通过对整幅图像的所有像素的概率分析，可以确定肺部图像中的节 点，该节点可以是肺部结节区域。又例如，可以根据所有的概率值设定阈值进行分割，对阈 值分割之后的结果提取/确定孤立区域，每个孤立区域即为目标像素点组成的集合。进一步 地，根据孤立区域的形态可确定肺气肿区域、肋骨中的非连续点(断点)或者发生气胸的区
域，从而确定目标对象。
S130、将所述人工智能网络产生的多个概率分布图进行融合形成组合概率图。
所述将多个概率分布图进行融合形成组合概率图，包括：
将两个或多个概率图进行堆叠或者对齐操作，得到组合概率图，所述组合概率图 中每一点表示像素点为目标像素点的概率。
其中，堆叠或者对齐操作可以是在相同位置的概率分布图中选取概率满足预设规 则的概率，例如选取概率值最小的概率值，其中概率值表征像素属于目标像素点的概率，由 此可以提高目标像素点的确定精度。
S140、根据所述组合概率图在所述至少一幅所述医学图像中确定目标像素点的集 合。可选地，目标像素点的集合为目标对象，该目标对象对应肺部点状区域或肋骨断裂区 域。
进一步地，还可对目标对象进行渲染或量化等后处理操作。在此实施例中，可对医 学图像或者目标对象进行3D VR渲染操作，并对该操作之后的目标区域进行量化处理，该量 化处理可包括监测目标对象的长轴长度和短轴长度等。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议