医学图像分类方法、系统、电子设备和存储介质与流程

本发明涉及图像处理，特别涉及一种医学图像分类方法、系统、电子设备和存储介质。

背景技术：

1、全球妇科肿瘤的发病率逐年上升，严重危害女性的健康，卵巢癌的发病率在妇科恶性肿瘤中位列第三，其死亡率更是居于首位，超过50％的卵巢肿瘤发生在育龄妇女中，不必要或过度的手术可能导致生育力下降。随着医学成像理论和技术的发展，大多数肿瘤可在早期检测到。然而，卵巢肿瘤的性质仍缺乏准确的判断，导致许多良性患者仍需要细针抽吸(fna)活检或手术，增加了患者的身体疼痛和精神压力，以及不必要的医疗保健费用。因此，对卵巢包块良恶性质的判断尤为重要。

2、需要说明的是，公开于该发明背景技术部分的信息仅仅旨在加深对本发明一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

技术实现思路

1、本发明的目的在于提供一种医学图像分类方法、系统、电子设备和存储介质，可以快速且准确地判断出医学图像中的病灶(例如卵巢包块)性质，以更好地辅助医生提高诊断的准确性。

2、为达到上述目的，本发明提供一种医学图像分类方法，包括：

3、对所获取的医学图像进行病灶感兴趣区域的提取，以获取病灶感兴趣区域图像；

4、采用第一分类模型中的特征提取网络对所述病灶感兴趣区域图像进行特征提取，以获取所述病灶感兴趣区域图像的特征提取结果；

5、对所述病灶感兴趣区域图像的特征提取结果进行平均池化操作，以获取所述病灶感兴趣区域图像的特征向量；

6、对所述感兴趣区域图像进行病灶边缘的提取，以获取病灶边缘图像；

7、采用第二分类模型中的特征提取网络对所述病灶边缘图像进行特征提取，以获取所述病灶边缘图像的特征提取结果；

8、对所述病灶边缘图像的特征提取结果进行平均池化操作，以获取所述病灶边缘图像的特征向量；

9、对所述病灶感兴趣区域图像的特征向量和所述病灶边缘图像的特征向量进行融合，以获取融合特征向量；

10、将所述融合特征向量输入分类器中，以获取所述医学图像的分类结果。

11、可选的，所述对所述病灶感兴趣区域图像的特征提取结果进行平均池化操作，以获取所述病灶感兴趣区域图像的特征向量，包括：

12、对所述病灶感兴趣区域图像的特征提取结果进行全局平均池化操作，以获取所述病灶感兴趣区域图像的特征向量；

13、所述对所述病灶边缘图像的特征提取结果进行平均池化操作，以获取所述病灶边缘图像的特征向量，包括：

14、对所述病灶边缘图像的特征提取结果进行全局平均池化操作，以获取所述病灶边缘图像的特征向量。

15、可选的，所述对所述感兴趣区域图像进行病灶边缘的提取，以获取边缘图像，包括：

16、对所述第一分类模型的特征提取网络的特征提取结果进行降维处理，以获取目标特征图；

17、将所述目标特征图的尺寸调整至所述病灶感兴趣区域图像的尺寸，以获取病灶热图；

18、对所述病灶热图进行二值化处理，以获取二值图像；

19、根据所述二值图像，获取用作水平集演化的初始轮廓线的位置信息；

20、根据所述初始轮廓线的位置信息，在所述感兴趣区域图像上进行水平集演化，以在所述感兴趣区域图像提取出病灶边缘，获取病灶边缘图像。

21、可选的，所述根据所述二值图像，获取用作水平集演化的初始轮廓线的位置信息，包括：

22、对所述二值图像进行连通域分析，以提取出最大连通域；

23、根据所述最大连通域的外接矩形的位置信息，获取用作水平集演化的初始轮廓线的位置信息。

24、可选的，所述对所述第一分类模型的特征提取网络的特征提取结果进行降维处理，以获取目标特征图，包括：

25、对所述第一分类模型的特征提取网络的特征提取结果中的所有特征在特征通道维度上进行求和，以获取目标特征图。

26、可选的，所述对所述病灶感兴趣区域图像的特征向量和所述病灶边缘图像的特征向量进行融合，以获取融合特征向量，包括：

27、分别对所述病灶感兴趣区域图像的特征向量和所述病灶边缘图像的特征向量进行归一化处理，以获取所述病灶感兴趣区域图像的归一化特征向量和所述病灶边缘图像的归一化特征向量；

28、对所述病灶感兴趣区域图像的归一化特征向量和所述病灶边缘图像的归一化特征向量进行拼接，以获取融合特征向量。

29、可选的，通过以下公式对所述病灶感兴趣区域图像的特征向量进行归一化处理，以获取所述病灶感兴趣区域图像的归一化特征向量：

30、

31、式中，fai'表示所述病灶感兴趣区域图像的归一化特征向量中的第i个特征值，fai表示所述病灶感兴趣区域图像的特征向量中的第i个特征值，famax表示所述病灶感兴趣区域图像的特征向量中的最大特征值，famin表示所述病灶感兴趣区域图像的特征向量中的最小特征值。

32、可选的，通过以下公式对所述病灶边缘图像的特征向量进行归一化处理，以获取所述病灶边缘图像的归一化特征向量：

33、

34、式中，fbi'表示所述病灶边缘图像的归一化特征向量中的第i个特征值，fbi表示所述病灶边缘图像的特征向量中的第i个特征值，fbmax表示所述病灶边缘图像的特征向量中的最大特征值，fbmin表示所述病灶边缘图像的特征向量中的最小特征值。

35、可选的，所述分类器包括全连接层，所述全连接层用于对所述融合特征向量进行非线性映射回归，以获取所述医学图像归属于恶性类别和良性类型的概率值，从而获取所述医学图像的分类结果。

36、为达到上述目的，本发明还提供一种医学图像分类系统，包括目标检测模块、第一特征提取模块、边缘提取模块、第二特征提取模块、融合模块和分类器；

37、所述目标检测模块配置为对所接收的医学图像进行病灶感兴趣区域的提取，以输出病灶感兴趣区域图像；

38、所述第一特征提取模块配置为采用第一分类模型中的特征提取网络对所接收的所述病灶感兴趣区域图像进行特征提取，以获取所述病灶感兴趣区域图像的特征提取结果，并对所述病灶感兴趣区域图像的特征提取结果进行平均池化操作，以输出所述病灶感兴趣区域图像的特征向量；

39、所述边缘提取模块配置为对所接收的所述感兴趣区域图像进行病灶边缘的提取，以获取病灶边缘图像；

40、所述第二特征提取模块配置为采用第二分类模型中的特征提取网络对所接收的所述病灶边缘图像进行特征提取，以获取所述病灶边缘图像的特征提取结果，并对所述病灶边缘图像的特征提取结果进行平均池化操作，以输出所述病灶边缘图像的特征向量；

41、所述融合模块配置为对所接收的所述病灶感兴趣区域图像的特征向量和所述病灶边缘图像的特征向量进行融合，以输出融合特征向量；

42、所述分类器配置为根据所接收的所述融合特征向量，输出所述医学图像的分类结果。

43、为达到上述目的，本发明还提供一种电子设备，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现上文所述的医学图像分类方法。

44、为达到上述目的，本发明还提供一种可读存储介质，所述可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现上文所述的医学图像分类方法。

45、与现有技术相比，本发明提供的医学图像分类方法、系统、电子设备和存储介质具有以下优点：本发明通过先对所获取的医学图像进行病灶感兴趣区域的提取，以获取病灶感兴趣区域图像；再采用第一分类模型中的特征提取网络对所述病灶感兴趣区域图像进行特征提取，以获取所述病灶感兴趣区域图像的特征提取结果，再对所述病灶感兴趣区域图像的特征提取结果进行平均池化操作，以获取所述病灶感兴趣区域图像的特征向量；同时对所述感兴趣区域图像进行病灶边缘的提取，以获取病灶边缘图像；再采用第二分类模型中的特征提取网络对所述病灶边缘图像进行特征提取，以获取所述病灶边缘图像的特征提取结果；再对所述病灶边缘图像的特征提取结果进行平均池化操作，以获取所述病灶边缘图像的特征向量；然后对所述病灶感兴趣区域图像的特征向量和所述病灶边缘图像的特征向量进行融合，以获取融合特征向量；最后将所述融合特征向量输入分类器中，即可获取所述医学图像的分类结果。由于本发明中的融合特征向量融合了病灶(例如卵巢包块)的边缘信息，由此，根据所述融合特征向量，所得到的医学图像的分类结果更加准确，也即本发明可以更加准确的判断出所获取的医学图像中的病灶(例如卵巢包块)是良性的还是恶性的，从而可以更好地辅助医生提高诊断的准确性。