图像检测分割方法、系统、存储介质、计算机程序、终端与流程

本发明属于图像信息检测
技术领域：
，尤其涉及一种图像检测分割方法、系统、存储介质、计算机程序、终端。
背景技术：
：目前，膀胱癌恶性肿瘤发病率第四、死亡率第八,易发生在40岁以上男性，高发阶段在50～60岁男女比例4:1，膀胱癌复发几率高，病人大多在确诊、医治、复发、再医治中往复循环，同时该疾病是目前花销最高的疾病之一，对膀胱肿瘤的早期检测有利于预防膀胱癌、降低死亡率，在现代医学诊断中具有重要意义。传统肿瘤诊断中，医生会根据电子计算机断层扫描(computedtomographyct)、核磁共振成像(magneticresonanceimagingmri)图像等来对肿瘤区域进行诊断，通常情况下通过医生的手工大致勾画和丰富的临床经验来对肿瘤区域的提取，而医生的手工提取的弊端是耗时长，不能在短时间内确认勾勒出肿瘤的区域；而且医生的传统勾画都是基于医生的临床经验，不同的医生对待同一张患者的医学图像可能会得到不同的肿瘤区域勾画结果。针对上述问题，一些技术研究人员开始研究一种自动提取肿瘤区域的算法。医学图像分割对于临床方向具备极高的应用价值，能帮助医生制定严密的治疗方案。医学图像分割的主要目标是根据实际病理情况设计出自动或者是半自动的算法，把医学图像中能帮助医生辅助诊断的区域提取出来，并且在提取的过程中需要最大限度的保证提取区域原始结构的完整性。目前，实现医学肿瘤分割的主要方法有阈值法、分类法、聚类法和基于形态学的分割等。(1)阈值法：通过设定一个临界值，从而判断事物处于什么状态。通俗来说，临界值的两边是不同的判断结果。(2)分类法：对具有一定特征的物体进行类别分类。(3)聚类法：以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。(4)基于形态学的分割：数学形态学是一种非线性滤波方法，可以用于抑制噪声、特性提取、边缘检测、图像分割等图像处理问题。数学形态学首先被用来处理二值图像，后来也被用来处理灰度图像，数学形态学的特点是能将复杂的形状进行分解，并将有意义的形状分量从无用的信息中提取出来。综上所述，现有技术存在的问题是：(1)阈值法、分类法是基于一个确定的值或者特征来判定状态，对细致分割能力有限，肿瘤无论是的状态不能以一个确定的值或者特征直接判断。(2)聚类也是处于一种模糊的相似性判断，对肿瘤的确定分类能力有限。(3)基于形态学的分割由于在图像处理的前期工作中，采用数学形态学的开(闭)运算，进行图像处理后，依然存在大量与目标不符的短线和孤立点；由于预处理工作的不彻底，还需要进行一系列的基于点的开(闭)运算，因此运算速度不高。解决上述技术问题的难度：阈值法和分类法难度在于给定的确切的阈值和特征来来进行确认；聚类算法是根据相似性来判定状态的，难度在于对异常样例的抵抗性较低。基于形态学分割难度在于处理过程复杂，中间处理过程容易把一些特征模糊化，甚至丢失对最终结果有影响。解决上述技术问题的意义：对特征模糊的物体能够处理结果较为准确；对易出现异常样例的事例能够有较高的抗抵抗性；提高运算速度，保留中间处理之后的特征。技术实现要素：针对现有技术存在的问题，本发明提供了一种图像检测分割方法、系统、存储介质、计算机程序、终端。本发明是这样实现的，一种肿瘤图像检测分割方法，所述肿瘤图像检测分割方法包括：第一步，对初始dicom医学图像数据进行预处理；第二步，把去噪加强预处理后的图像构建成数据集，使用构建好的数据集训练改良后的u-net神经网络。进一步，所述肿瘤图像检测分割方法对肿瘤分割以前，对图像进行预处理；选用基于深层卷积图像去噪模型对图像数据进行预处理，然后根据图像的像素值的分布把图形像素值的分布进一步的处理，使得图像像素值在直方图上的分布呈均衡分布状态，均衡分布可以避免因为像素过于集中而对肿瘤特征的错误提取。进一步，所述肿瘤图像检测分割方法对图像的多分类语义分割模型，一个是分割膀胱壁边缘，另一个是分割膀胱肿瘤区域。进一步，多分类语义分割模型采用优化器是随机优化法优化器，对梯度的一阶矩估量和二阶矩估量进行综合思量，计算更新步长，计算t时间步的梯度：归一化指数函数作为网络的最后一层输出单元，softmax函数将上一层神经元的输出作为输入，把上一层的输出集中压缩到(0，1)区间内，依照概率的方法来将是否有肿瘤进行分类，softmax函数定义公式如下：进一步，所述肿瘤图像检测分割方法学习率的初始值设置为0.00001，通过训练迭代，学习到适用网络模型的学习率参数值；多分类语义分割模型迭代训练10次。本发明的另一目的在于提供一种应用所述肿瘤图像检测分割方法的图像信息检测终端。本发明的另一目的在于提供一种应用所述肿瘤图像检测分割方法的医学肿瘤分割信息处理控制系统。综上所述，本发明的优点及积极效果为：首先对初始dicom医学图像数据进行预处理，然后把去噪加强预处理后的图像构建成数据集；然后使用构建好的数据集训练改良后的u-net神经网络；最后使用测试集对训练好的u-net模型进行效果测试。通过实验获得的数据，本发明的分割方法的准确率为98.6％，与传统的分割方法、普通u-net以及fcn相比，本发明的方法具有更好的分割效果。本发明的分割算法可以精确的检测分割肿瘤，为临床诊断带来实际可靠的诊断依据。相比现有的传统机器学习的相关方法，本发明所采用的u-net卷积神经网络具有高效的特征提取能力、容错率、自主学习能力、自适应性等优势，基于卷积网络的图像分割的方法也是目前研究的一个热点。本发明对原图像首先进行去噪增强预处理，而后将处理后的图像作为训练数据集输入u-net网络中进行训练。本发明的算法相比传统算法，具有分割精确的优势，相比全卷积神经网络算法所需要的样本少和训练速度快的优势，并且本发明算法比传统方法更具有拓展性。而且本发明提出的方法主要特点是不需要人工提取膀胱肿瘤的特征，利用深度神经网络学习特性，自动识别检测分割膀胱肿瘤。由于检测结果仍然含较多假阳性，而且无法直观的感受到对肿瘤的侦测与检测。未来工作的重点是降低假阳性，同时增加三维重建功能，是医生和患者都能更直观的感受病情特征。附图说明图1是本发明实施例提供的肿瘤图像检测分割方法流程图。图2是本发明实施例提供的u-net网络结构示意图。图3是本发明实施例提供的图像噪声及降噪后图像示意图；图中：(a)图像中存在的噪声；(b)降噪后的图像。图4是本发明实施例提供的图像均衡化前后对比示意图；图中：(a)均衡化之前；(b)均衡化之后。图5是本发明实施例提供的迭代训练次数对实验的影响示意图。图6是本发明实施例提供的本发明模型分割和人工分割对比示意图；图中：(a)本发明分割结果；(b)人工分割结果。图7是本发明实施例提供的对比分割示意图。图中：(a)本发明分割结果；(b)人工分割结果。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，以下结合实施例，对本发明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仅用以解释本发明，并不用于限定本发明。针对现有技术存在的问题，本发明提供了一种图像检测分割方法、系统、存储介质、计算机程序、终端，下面结合附图对本发明作详细的描述。如图1所示，本发明实施例提供的肿瘤图像检测分割方法包括以下步骤：s101：对初始dicom医学图像数据进行预处理；s102：把去噪加强预处理后的图像构建成数据集，使用构建好的数据集训练改良后的u-net神经网络；s103：使用测试集对训练好的u-net模型进行效果测试。下面结合附图对本发明的技术方案作进一步的描述。1相关理论1.1卷积神经网络卷积神经网络(convolutionalneuralnetworkcnn)是最近几年发展起来，并引发研究人员普遍重视和喜爱的一种高效识别方法。与传统分割算法相比，卷积神经网络可以直接把原始数据作为输入，避免了对原始数据的特征提取和数据重建。卷积神经网络由输入层、卷积层、激活层、池化层和全连接层组成，前面网络层的工作是逐层提取数据的特征，最后通过若干个全连接层完成数据的分类。输入层(inputlayers)一般是根据具体的项目需求需要的数据来规定的数据类型的输入卷积层(convolutionlayers)在神经网络的作用是特征提取，把输入数据和卷积核进行卷积操作提取出数据的特征，然后把提取到的特征通过激活函数的变换，增加神经网络模型的非线性。经常使用的激活函数有sigmoid函数、tanh函数、relu函数，公式(1)为sigmoid函数，公式(2)为tanh函数，公式(3)为relu函数。卷积层的优点在于共享权值，不用设置过多的网络参数，削减了网络参数个数，在网络模型训练过程中能减轻网络的运算量。f(x)＝max(0，x)(3)池化层(poolinglayers)一方面是将输入的图像数据进行压缩，把主要特征集中在一起；另一方面是减小经过卷积运算后的数据的维度，简化网络模型的运算复杂度。池化层主要分为最大池化层(maxpooling)和均值池化层(averagepooling)，最大池化层是将感受野中的所有值取最大的那一个值并输出，均值池化层是将感受野中所有的值取平均值输出。全连接层(fullyconnectedlayer)在卷积神经网络中的作用是将数据进行分类，把学到的特征表示对应到样本标记的数据空间。全连接层的每一个神经元都与上一层的神经元相连，把前边提取的特征衔接起来。因为把特征数据都连接在了一起，因而全连接层的参数是最多的。1.2u-net卷积神经网络u-net网络模型主要创新源于全卷积网络(fullyconvolutionalnetworks，fcn)，采用全卷积网络，对图像进行像素级别的分类，但与全卷积网络比较，u-net网络结构是对称的，构造类似于u型，所以也以此命名。u-net网络结构如图2所示。网络前半部分为下采样，通过有差异程度的卷积，图像数据的维度变大，网络神经模型学习到了深层次的特征，后半部分为上采样，利用反卷积实现，把前半部分得到的图像数据的慢慢的变小，最后输出类别图像的特征图2本发明方法2.1图像预处理对肿瘤分割以前，先对图像进行一遍预处理。按照mri图像的构图原理，图像可能会因为磁场的不均匀分不性以及病人在造影成像的过程中的一些挪动等原因在最终成像的图像数据上存在伪影和噪音，图3中(a)图为图像中存在的噪声(b)为降噪后的图像。本发明选用基于深层卷积图像去噪模型(deepcnnforimagedenoisingdncnn)对图像数据进行预处理，然后根据图像的像素值的分布把图形像素值的分布进一步的处理，使得图像像素值在直方图上的分布呈均衡分布状态，均衡分布可以避免因为像素过于集中而对肿瘤特征的错误提取，图4中(a)为均衡化以前的图像灰度直方图，(b)为均衡化以后的灰度直方图。2.2网络模型本发明的模型是基于u-net网络模型的建立的，u-net在二分类的效果上很好，但是在多分类(二元分类以上)的应用结果达不到理想结果，本发明的需求是对图像的多分类语义分割模型。因此常规的u-net是不适合，通过分而治之的思想将多分类拆解为多个二分类问题。本发明的方法是把问题拆分成两个，一个是分割膀胱壁边缘，另一个是分割膀胱肿瘤区域，所以针对两个问题分别设计二元分类器，一个用来背景和肿瘤区域分类，另一个用来分割膀胱壁区域。本发明的网络模型采用的是优化器是随机优化法(amethodforstochasticoptimizationadam)优化器，adam结合自适应梯度(adaptivegradienadagrad)和均方根支柱(rootmeansquareproprmsprop)两种优化算法的优点。对梯度的一阶矩估量(firstmomentestimation)和二阶矩估量(secondmomentestimation)进行综合思量，计算更新步长，公式(4)是计算t时间步的梯度：与其他的优化器相比，adam具有高效性，在相同的时间类，adam收敛的要更快，图5是不同优化器的收敛速度的比较。归一化指数函数(即softmax函数)作为网络的最后一层输出单元，softmax函数将上一层神经元的输出作为输入，把上一层的输出集中压缩到(0，1)区间内，依照概率的方法来将是否有肿瘤进行分类，softmax函数定义公式如下：2.3优化参数2.3.1学习率不仅优化器能影响模型的收敛速度，学习率(α)也一个能影响模型性能与训练时的收敛速率的参数。学习率太小，会使收敛速率慢而且容易陷入局部最优，不能得到全局最优；学习率太大，可能致使模型结构震动发散，影响模型收敛的稳定性。因而本发明把学习率的初始值设置为0.00001，通过训练迭代，学习到适用网络模型的学习率参数值。2.3.2迭代训练次数在模型训练进程中，数据都是有限的，通过对数据的多次重复使用训练网络模型，也能提升网络模型的性能，可是过多的反复训练致使模型的过拟合，如果模型过拟合，模型的延展性就会降低；模型的训练次数过少，可能也会致使模型欠拟合，模型无法完成识别任务。通过实验对比得知，当epoch＝5或10时，网络都能较快的收敛，本发明选择迭代训练10次。如图6所示。下面结合实验对本发明的技术效果作详细的描述。1、实验结果通过在实验设备英伟达(nvidia)1080ti显卡上的模型训练，模型的训练结果的准确率为98.6％，远高于目前传统的识别分割方法，同时也高于目前同等技术使用深度学习进行识别分割检测的方法。模型用于对临床上的肿瘤图像识别的实验结果如图7(a)所示，以及人工标注分割的图像如图7(b)所示。2、实验结果分析本发明选取两种其他的分割算法与本发明的分割方法比较，两种算法分别为：基于图像块的卷积神经网络模型，全卷积神经网络模型。如表1所示。表1比较结果算法准确率假阳性收敛速度cnn76.9％3.6％慢fcn83.91％2.1％慢u-net98.6％1.2％快根据上表的数据可以看出，基于改进的u-net检测识别模型，能有效的检测识别出肿瘤，高准确率和较低的假阳性证明本发明所提出的方法，能够大大提高肿瘤识别与分割的有效性。应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。以上所述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、等同替换和改进等，均应包含在本发明的保护范围之内。当前第1页12