医学图像分析方法和装置与流程

本发明涉及图像处理技术领域，特别地涉及一种医学图像分析方法和装置。

背景技术：

利用算法从医学图像中让计算机自动化地识别出病变或潜在病变例如脂肪肝、肠息肉是一个多年以来人们都在尝试解决的问题。传统的计算机自动识别算法为将原始图片输入，即像素值转化为人们手动定义的特征，比如SIFT,HOG特征等；然后将这些变换后的特征放入一个预先训练好的浅层检测器中进行检测，检测的过程大体为，在原始图片滑动一个预先设定好大小的检测窗口，如果在某一个位置计算出来的检测分数高于某一个预先设定好的阈值，则认为这一个位置存在我们感兴趣的病变或潜在病变。

但是，现有技术应用在胃肠内窥镜检查的时候会产生大量误报，主要因为这类方法使用的模型通常只包含一个提取特征的隐含层，提取的特征往往不足以刻画和区分病变点和正常区域。

技术实现要素：

鉴于此，有必要针对传统技术存在的问题，提供了一种医学图像分析方法和装置，能够大幅提升了算法的准确性，降低了漏报，且准确快速获取病变点，以及对病变点进行进一步分析的操作。

为达到发明目的，提供一种医学图像分析方法，所述方法包括：获取医学图像和所述医学图像的内容的元数据，并将获取的所述医学图像与从云端医学数据库上抓取的解剖信息图像相匹配，其中，所述医学图像为多个经过标定病变标志的样本医学图像，所述解剖信息图像为与所述医学图像的所述内容相关联的标定所述病变标志的解剖标志；对匹配成功的所述医学图像进行保边扩散图像滤波处理，获取待训练的训练样本医学图像；依次采用卷积层、反卷积层、池化层以及全连接层的网络结构对所述训练样本医学图像执行深度训练，生成病变点特征模型；将待测试的所述医学图像输入所述病变点特征模型，自动获取病变点识别结果。

在其中一个实施例中，还包括：提取获取的所述病变点识别结果的多个描述特性；对所述多个描述特性进行分析以便获取医疗解决方案。

在其中一个实施例中，还包括：获取多个经过标定所述病变标志的所述样本医学图像；建立根据所述样本医学图像的集合所校准的逻辑模型；将所述逻辑模型应用于所述病变点识别结果以估算出与所述病变点识别结果对应的概率值。

在其中一个实施例中，所述对匹配成功的所述医学图像进行保边扩散图像滤波处理的步骤之后还包括：对匹配成功的所述医学图像进行选择滤波处理、去黑边处理、去缩略图处理、图像尺寸统一化处理、RGB数值中心化处理、均值化处理、数据增强处理中的至少一种处理。

在其中一个实施例中，所述数据增强处理为：基于任意角度旋转的数据增强、基于直方图均衡的数据增强、基于白平衡的数据增强、基于镜像操作的数据增强、基于随机剪切的数据增强、基于模拟不同光照变化的数据增强的一种或多种。

基于同一发明构思的一种医学图像分析装置，所述装置包括：获取与抓取模块，用于获取医学图像和所述医学图像的内容的元数据，并将获取的所述医学图像与从云端医学数据库上抓取的解剖信息图像相匹配，其中，所述医学图像为多个经过标定病变标志的样本医学图像，所述解剖信息图像为与所述医学图像的所述内容相关联的标定所述病变标志的解剖标志；匹配与训练模块，用于对匹配成功的所述医学图像进行保边扩散图像滤波处理，获取待训练的训练样本医学图像；模型生成模块，用于依次采用卷积层、反卷积层、池化层以及全连接层的网络结构对所述训练样本医学图像执行深度训练，生成病变点特征模型；结果获取模块，用于将待测试的所述医学图像输入所述病变点特征模型，自动获取病变点识别结果。

在其中一个实施例中，还包括：提取模块，用于提取获取的所述病变点识别结果的多个描述特性；分析模块，用于对所述多个描述特性进行分析以便获取医疗解决方案。

在其中一个实施例中，还包括：样本医学图像获取模块，用于获取多个经过标定所述病变标志的所述样本医学图像；逻辑模型建立模块，用于建立根据所述样本医学图像的集合所校准的逻辑模型；概率值估算模块，用于将所述逻辑模型应用于所述病变点识别结果以估算出与所述病变点识别结果对应的概率值。

在其中一个实施例中，所述匹配与训练模块还用于对匹配成功的所述医学图像进行选择滤波处理、去黑边处理、去缩略图处理、图像尺寸统一化处理、RGB数值中心化处理、均值化处理、数据增强处理中的至少一种处理。

在其中一个实施例中，所述数据增强处理为：基于任意角度旋转的数据增强、基于直方图均衡的数据增强、基于白平衡的数据增强、基于镜像操作的数据增强、基于随机剪切的数据增强、基于模拟不同光照变化的数据增强的一种或多种。

本发明的有益效果包括：上述医学图像分析方法和装置，获取医学图像和医学图像的内容的元数据，并将获取的医学图像与从云端医学数据库上抓取的解剖信息图像相匹配，其中，医学图像为多个经过标定病变标志的样本医学图像，解剖信息图像为与医学图像的内容相关联的标定病变标志的解剖标志；对匹配成功的医学图像进行保边扩散图像滤波处理，获取待训练的训练样本医学图像；依次采用卷积层、反卷积层、池化层以及全连接层的网络结构对训练样本医学图像执行深度训练，生成病变点特征模型；将待测试的医学图像输入病变点特征模型，自动获取病变点识别结果。上述方法能够大幅提升了算法的准确性，降低了漏报，且准确快速获取病变点，以及对病变点进行进一步分析的操作。此外，使用了深度网络，克服了浅层网络特征提取不充分的问题。

附图说明

图1为本发明一个实施例中的医学图像分析方法的步骤流程图；

图2为本发明一个实施例中的医学图像分析装置的结构示意图。

具体实施方式

为了使本发明的目的、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发明医学图像分析方法和装置进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，病不用于限定本发明。

需要说明的是，背景技术中已经阐述了现有技术中的缺点。本技术方案中采用的深度学习方案中使用的神经网络有着提取物体高层特征的特点。由于高层特征信息是底层特征信息的线性和非线性变换，因此深层神经网络相比于浅层网络更能提取出能够刻画欲描述物体的本质特征，从而可以提升模型效果。

如图1所示，为一个实施例中的一种医学图像分析方法的步骤流程图。具体包括以下步骤：

步骤102，获取医学图像和医学图像的内容的元数据，并将获取的医学图像与从云端医学数据库上抓取的解剖信息图像相匹配。其中，医学图像为多个经过标定病变标志的样本医学图像，例如，由专业人员对上万名病人的近十万张病例图片进行标注，标注工具使用PS等类似应用软件。标注过程即将病变位置作为图层涂上不同颜色。标注内容除了病变和疑似病变位置之外，还可以有选择性的包括与病变相关的内容。通常发现病变的大小差别很大，如果将大小不等的病变图像混合在一起训练模型不可能达到比较好的效果，故根据病变大小将其分为不同类别等级；且解剖信息图像为与医学图像的内容相关联的标定病变标志的解剖标志。

步骤104，对匹配成功的医学图像进行保边扩散图像滤波处理，获取待训练的训练样本医学图像。

本实施例中，对匹配成功的医学图像进行保边扩散图像滤波处理的步骤之后还包括：对匹配成功的医学图像进行选择滤波处理、去黑边处理、去缩略图处理、图像尺寸统一化处理、RGB数值中心化处理、均值化处理、数据增强处理中的至少一种处理。具体的，首先去掉图像黑边和去掉左上角的缩略图；然后将图像RGB数据进行中心化，均值化以及图像尺寸的统一化等预处理后，存储成便于神经网络读取的数据格式，例如h5或LMDB等。其中，中心化使用参数的范围在100-140之间；均值化使用参数在100-140之间；经过尺寸统一化之后的训练样本医学图像大小范围是256×256像素至1024×1024像素之间。

进一步地，数据增强处理为：基于任意角度旋转的数据增强、基于直方图均衡的数据增强、基于白平衡的数据增强、基于镜像操作的数据增强、基于随机剪切的数据增强、基于模拟不同光照变化的数据增强的一种或多种。其中，基于任意角度的旋转的数据增强和基于模拟不同光照变化的数据增强的操作对提升模型效果有着更大的意义。

步骤106，依次采用卷积层、反卷积层、池化层以及全连接层的网络结构对训练样本医学图像执行深度训练，生成病变点特征模型。

本实施例中，使用深度网络训练工具Caffe进行模型训练。使用此工具的时候除了使用网络结构文件之外，还需定义solver文件。其中，solver文件给出了最优化模型训练的方法即参数的反向传播算法，且关键参数包括但不限于：基础学习率范围0.0001至0.01；学习动量范围0.9至0.99；权重惩罚系数范围0.0001至0.001；epoch的范围设置为100至400。需要说明的是，epoch是指跑遍一次训练集合中的所有图片，本实施例即为跑遍100至400次训练集合中的所有图片。

步骤108，将待测试的医学图像输入病变点特征模型，自动获取病变点识别结果。

在一个实施例中，医学图像分析方法还包括：提取获取的病变点识别结果的多个描述特性；对多个描述特性进行分析以便获取医疗解决方案。具体的，在本实施例中，测试集共有近十万张测试医学图像，其中包含三分之一的正样本图片。这些测试医学图像的尺寸与前面的训练样本医学图像的尺寸一致。经过模型识别，发现漏报率非常低。因此该医学图像分析方法可以帮助医生做医学图像的预筛工作，这样可以帮助医生节省大量人工时间，提高劳动生产率，有效分配紧缺的医疗资源。

此外，在一个实施例中，医学图像分析方法还包括：获取多个经过标定病变标志的样本医学图像；建立根据样本医学图像的集合所校准的逻辑模型；将逻辑模型应用于病变点识别结果以估算出与病变点识别结果对应的概率值。

本发明提供的一种医学图像分析方法，获取医学图像和医学图像的内容的元数据，并将获取的医学图像与从云端医学数据库上抓取的解剖信息图像相匹配，其中，医学图像为多个经过标定病变标志的样本医学图像，解剖信息图像为与医学图像的内容相关联的标定病变标志的解剖标志；对匹配成功的医学图像进行保边扩散图像滤波处理，获取待训练的训练样本医学图像；依次采用卷积层、反卷积层、池化层以及全连接层的网络结构对训练样本医学图像执行深度训练，生成病变点特征模型；将待测试的医学图像输入病变点特征模型，自动获取病变点识别结果。上述方法能够大幅提升了算法的准确性，降低了漏报，且准确快速获取病变点，以及对病变点进行进一步分析的操作。此外，使用了深度网络，克服了浅层网络特征提取不充分的问题。

基于同一发明构思，还提供了一种医学图像分析装置，由于此装置解决问题的原理与前述一种医学图像分析方法相似，因此，该装置的实施可以按照前述方法的具体步骤实现，重复之处不再赘述。

如图2所示，为一个实施例中的一种医学图像分析装置的结构示意图。该医学图像分析装置10包括：获取与抓取模块100、匹配与训练模块200、模型生成模块300和结果获取模块400。

其中，获取与抓取模块100用于获取医学图像和医学图像的内容的元数据，并将获取的医学图像与从云端医学数据库上抓取的解剖信息图像相匹配，其中，医学图像为多个经过标定病变标志的样本医学图像，解剖信息图像为与医学图像的内容相关联的标定病变标志的解剖标志；匹配与训练模块200用于对匹配成功的医学图像进行保边扩散图像滤波处理，获取待训练的训练样本医学图像；模型生成模块300用于依次采用卷积层、反卷积层、池化层以及全连接层的网络结构对训练样本医学图像执行深度训练，生成病变点特征模型；结果获取模块400用于将待测试的医学图像输入病变点特征模型，自动获取病变点识别结果。

本实施例中，匹配与训练模块200还用于对匹配成功的所述医学图像进行选择滤波处理、去黑边处理、去缩略图处理、图像尺寸统一化处理、RGB数值中心化处理、均值化处理、数据增强处理中的至少一种处理。

进一步地，数据增强处理为：基于任意角度旋转的数据增强、基于直方图均衡的数据增强、基于白平衡的数据增强、基于镜像操作的数据增强、基于随机剪切的数据增强、基于模拟不同光照变化的数据增强的一种或多种。

在一个实施例中，该医学图像分析装置10还包括：提取模块500(图中未示出)用于提取获取的病变点识别结果的多个描述特性；分析模块600(图中未示出)用于对多个描述特性进行分析以便获取医疗解决方案。

此外，在一个实施例中，该医学图像分析装置10还包括：样本医学图像获取模块700(图中未示出)用于获取多个经过标定病变标志的样本医学图像；逻辑模型建立模块800(图中未示出)用于建立根据样本医学图像的集合所校准的逻辑模型；概率值估算模块900(图中未示出)用于将逻辑模型应用于病变点识别结果以估算出与病变点识别结果对应的概率值。

本发明提供的一种医学图像分析装置，通过获取与抓取模块100获取医学图像和医学图像的内容的元数据，并将获取的医学图像与从云端医学数据库上抓取的解剖信息图像相匹配，其中，医学图像为多个经过标定病变标志的样本医学图像，解剖信息图像为与医学图像的内容相关联的标定病变标志的解剖标志；再通过匹配与训练模块200对匹配成功的医学图像进行保边扩散图像滤波处理，获取待训练的训练样本医学图像；继而通过模型生成模块依次采用卷积层、反卷积层、池化层以及全连接层的网络结构对训练样本医学图像执行深度训练，生成病变点特征模型；最终通过结果获取模块400将待测试的医学图像输入病变点特征模型，自动获取病变点识别结果。上述装置能够大幅提升了算法的准确性，降低了漏报，且准确快速获取病变点，以及对病变点进行进一步分析的操作。此外，使用了深度网络，克服了浅层网络特征提取不充分的问题。

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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

以上所述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。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。