医学图像处理方法、装置、电子设备和存储介质与流程

1.本技术实施例涉及图像处理技术领域，尤其涉及一种医学图像处理方法、装置、电子设备和存储介质。


背景技术：

2.随着科技的进步，获得牙科医学图像的方法逐渐由传统的计算机断层扫描(computed tomography，简称ct)技术发展到锥形束计算机断层扫描(cone beam computed tomography，简称cbct)技术，并且可将基于图像分割模型对cbct医学图像进行分割，从而帮助医生基于分割后的医学图像对病患的情况作出更准确的判断。
3.目前，为了训练图像分割模型，通常是通过人为收集多样的牙科图像，例如来自几十家医院的十几个品牌的ct设备，涵盖各种年龄、性别、口腔骨质情况的牙科图像，并通过收集到的牙科图像和对应于牙科图像的标签图像训练图像分割模型。
4.然而，由于收集了多样的牙科图像，构成的用于训练的图像集中容易产生标签图像与牙科图像无对应或对应错误的问题，容易造成训练模型收敛困难的问题。


技术实现要素：

5.本发明实施例提供一种医学图像处理方法、装置、电子设备和存储介质，以解决或者缓解现有技术中的技术问题。
6.本发明采用的技术方案为：
7.第一方面，本技术实施例提供了一种医学图像处理方法，其包括：
8.获取第一图像集，其中，所述第一图像集包括至少一张待处理医学图像和每张所述待处理医学图像对应的标签图像；根据所述待处理医学图像，对相对应的所述标签图像中的异常标签进行更新，获得第二图像集；将所述第二图像集中的各图像中的非关注区域去除，获得第三图像集；对所述第三图像集中的各图像进行重采样，使各图像具有相同的尺寸，获得第四图像集；对所述第四图像集中的各图像的灰度值分布进行标准化处理，获得第五图像集，其中，所述第五图像集用于对骨干网络进行训练，获得医学图像分割模型。
9.可选地，在一种实施例中，所述根据所述待处理医学图像，对相对应的所述标签图像中的异常标签进行更新，获得第二图像集，包括：判断所述待处理医学图像与所述标签图像的标签是否一致，当所述标签图像中存在与所述待处理医学图像不对应的标签时，将该标签确定为所述异常标签；根据所述待处理医学图像的标签对所述异常标签进行更新；当所述待处理医学图像不存在与其对应的标签图像时，重新获取对应于该待处理医学图像的标签图像；根据标签更新后的标签图像和重新获取到的标签图像对所述第一待处理图像集进行更新，获得第二待处理数据集。
10.可选地，在一种实施例中，所述将所述第二图像集中的各图像中的非关注区域去除，获得第三图像集，包括：根据所述第二待处理图像集中的待处理医学图像，生成非零掩膜，其中，所述非零掩膜用于标识所述待处理医学图像中的关注区域；根据所述非零掩膜确
定所述裁剪框的边界和位置信息；根据所述裁剪框对所述第二待处理图像集进行剪裁，去除所述第二图像集中的各图像中的非关注区域之外的图像，获得第三待处理图像集。
11.可选地，在一种实施例中，所述对所述第三图像集中的各图像进行重采样，使各图像具有相同的尺寸，获得第四图像集，包括：根据所述第三待处理图像集中各待处理医学图像和各标签图像的尺寸信息，确定目标重采样图像的尺寸；根据所述目标重采样图像的尺寸，对所述第三待处理图像集中的待处理医学图像和标签图像进行处理，获得各图像尺寸相同的第四待处理图像集。
12.可选地，在一种实施例中，所述对所述第四图像集中的各图像的灰度值分布进行标准化处理，获得第五图像集，包括：计算所述第四待处理图像集中的图像的灰度值的平均值与标准差；根据所述平均值与所述标准差，构建标准分数函数；根据所述标准分数函数，对所述第四待处理图像集中各图像的灰度值进行调整，获得第五待处理图像集。
13.可选地，在一种实施例中，所述医学图像处理方法还包括：对所述第五待处理图像集中的图像进行数据增强，并将数据增强后获得的图片加入所述第五待处理图像集。
14.第二方面，本技术实施例提供了一种医学图像处理装置，其包括：获取模块，用于获取第一图像集，其中，所述第一图像集包括至少一张待处理医学图像和每张所述待处理医学图像对应的标签图像；更新模块，用于根据所述待处理医学图像，对相对应的所述标签图像中的异常标签进行更新，获得第二图像集；剪裁模块，用于将所述第二图像集中的各图像中的非关注区域去除，获得第三图像集；重采样模块，用于对所述第三图像集中的各图像进行重采样，使各图像具有相同的尺寸，获得第四图像集；处理模块，用于对所述第四图像集中的各图像的灰度值分布进行标准化处理，获得第五图像集，其中，所述第五图像集用于对骨干网络进行训练，获得医学图像分割模型。
15.第三方面，本技术实施例提供了一种电子设备，其上存储有计算机程序，该程序被处理器执行时实现如实施例第一方面中任一项所述的医学图像处理方法。
16.处理器、通信接口、存储器和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；存储器用于存放至少一可执行指令，可执行指令使处理器执行如实施例第一方面中任一项所述的医学图像处理方法对应的操作。
17.第四方面，本技术实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如实施例第一方面中任一项所述的医学图像处理方法。
18.第五方面，本技术实施例提供了一种计算机程序产品，其包括计算机指令，所述计算机指令指示计算设备执行如实施例第一方面中任一项所述的医学图像处理方法对应的操作。
19.由上述方案可知，通过待处理医学图像对与其相对应的标签图像中的异常标签进行更新的方式，能够避免在标签图像与牙科图像无对应或对应错误的情况下进行训练的情况，提高了模型的训练效率，模型容易收敛。通过去除各图像内的非关注区域，能够提高模型的训练效率。通过对图像进行重采样，能够使每张图片的尺寸相同，降低了模型训练困难。通过对图像的灰度值分布进行标准化处理，能够提升模型训练的收敛速度和模型精度。
附图说明
20.图1为本技术一个实施例的医学图像处理方法的流程图；
21.图2为本技术一个实施例的异常标签更新方法的流程图；
22.图3为本技术一个实施例的非关注区域去除方法的流程图；
23.图4为本技术一个实施例的医学图像处理装置的示意图；
24.图5为本技术一个实施例的电子设备的示意图。
具体实施方式
25.为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
26.医学图像处理方法
27.图1为本技术一个实施例的医学图像处理方法的流程图，如图1所示，该医学图像处理方法包括如下步骤：
28.步骤101、获取第一图像集。
29.首先获取需要进行处理的第一图像集，第一图像集包括至少一张待处理医学图像和每张待处理医学图像对应的标签图像。
30.步骤102、根据待处理医学图像，对相对应的标签图像中的异常标签进行更新，获得第二图像集。
31.在获取到第一图像集后，对第一图像集中每张待处理医学图像对应的标签图像进行校验，进而根据待处理医学图像对相对应的标签图像中的异常标签进行更新，获得无异常标签的第二图像集。
32.步骤103、将第二图像集中的各图像中的非关注区域去除，获得第三图像集。
33.在获得第二图像集后，将第二图像集中每张图像的非关注区域去除，获得无非关注区域的第三图像集。
34.步骤104、对第三图像集中的各图像进行重采样，使各图像具有相同的尺寸，获得第四图像集。
35.在获得第三图像集后，对第三图像集中的每张图像进行重采样，使得每张图像都具有相同的尺寸，并获得第四图像集。
36.步骤105、对第四图像集中的各图像的灰度值分布进行标准化处理，获得第五图像集。
37.在获得第四图像集后，对第四图像集中的每张图像的灰度值分布进行标准化处理，获得灰度值分布处于同一标准的第五图像集。
38.在本技术实施例中，通过待处理医学图像对与其相对应的标签图像中的异常标签进行更新的方式，能够避免在标签图像与牙科图像无对应或对应错误的情况下进行训练的情况，提高了模型的训练效率，模型容易收敛。通过去除各图像内的非关注区域，能够提高模型的训练效率。通过对图像进行重采样，能够使每张图片的尺寸相同，降低了模型训练困难。通过对图像的灰度值分布进行标准化处理，能够提升模型训练的收敛速度和模型精度。
39.在一种可能实现的方式中，对第三图像集中的各图像进行重采样，使各图像具有相同的尺寸，获得第四图像集的过程还可以包括：根据第三待处理图像集中各待处理医学图像和各标签图像的尺寸信息，确定目标重采样图像的尺寸，之后根据目标重采样图像的尺寸，对第三待处理图像集中的待处理医学图像和标签图像进行处理，获得各图像尺寸相
同的第四待处理图像集。
40.例如，可以根据第三待处理图像集中各待处理医学图像和各标签图像的尺寸信息，并按照尺寸大小进行排序，假设第三待处理数据图像集中有100张待处理医学图像和100张标签图像，去除排序前5张和最后5张图像，并取剩余90张图片尺寸的中位数(l,m,n)，以此作为目标重采样图像的尺寸。在确定出目标重采样图像的尺寸后，对第三待处理数据图像集中的100张待处理医学图像和100张标签图像进行缩放或放大，获得图像尺寸均为(l,m,n)的第四待处理图像集。对待处理医学图像的处理可以通过3阶spline插值法，对标签图像的处理可以通过最近邻插值法。
41.在本技术实施例中，通过图像集中各图像的尺寸信息，确定出目标重采样图像的尺寸，能够使处理后的图像尺寸更加合理。通过统一图像集中的图像尺寸，能够提升模型计算速度的同时还不影响模型精度。
42.在一种可能实现的方式中，对第四图像集中的各图像的灰度值分布进行标准化处理，获得第五图像集的过程还可以包括：
43.计算第四待处理图像集中的图像的灰度值的平均值与标准差，之后根据平均值与标准差，构建标准分数函数，最后根据标准分数函数，对第四待处理图像集中各图像的灰度值进行调整，获得第五待处理图像集。
44.例如，第四待处理图像集中的图像的灰度值的平均值为第四待处理图像集中的图像的灰度值的标准差为σ。构建出的标准分数函数为：
[0045][0046]
根据标准分数函数，将第四待处理图像集中各图像的灰度值调整为具有相同的分布。
[0047]
在本技术实施例中，通过标准分数函数对第四待处理图像集中各图像的灰度值进行调整，能够使各图像的灰度值具有相同的分布，进而提升模型训练的收敛速度、模型精度，以及能够防止训练时出现梯度爆炸情况。
[0048]
在一种可能实现的方式中，对医学图像进行处理的过程中还可以对第五待处理图像集中的图像进行数据增强，并将数据增强后获得的图片加入第五待处理图像集。
[0049]
例如，数据增强的方式可以是对图像进行旋转和缩放，可以设置缩放和旋转的发生概率各为0.2(只缩放的概率为0.16，只旋转的概率为0.16，两个都触发的概率为0.08)。在发生旋转事件时，让图像在x、y、z三个轴旋转角度分别在(-30
°
，30
°
)之间均匀随机取值。在发生缩放事件时，通过将图像的坐标与体素网格中的缩放因子相乘实现。尺度因子小于1产生“缩小”效果，尺度因子大于1产生“放大”效果。尺度因子从(0.7,1.4)中均匀随机取值采样。
[0050]
在本技术实施例中，通过对图像进行数据增强，能够增加进行模型训练的样本，提高模型训练进度和训练效率。
[0051]
图2为本技术一个实施例的异常标签更新方法的流程图。如图2所示，该异常标签更新方法包括如下步骤：
[0052]
步骤201、判断待处理医学图像与标签图像的标签是否一致，当标签图像中存在与待处理医学图像不对应的标签时，将该标签确定为异常标签。
[0053]
对第一图像集中的待处理医学图像与标签图像进行检测，由于待处理医学图像和标签图像是一一对应的，因此，判断待处理医学图像与标签图像的标签是否一致，不一致的情况包括标签图像中存在错误标签，将这些标签确定为异常标签。
[0054]
步骤202、根据待处理医学图像的标签对异常标签进行更新。
[0055]
在确定出异常标签后，根据待处理医学图像对异常标签进行更新，将异常标签的标签值删除，并将待处理医学图像的标签值写入异常标签，完成异常标签的更新。
[0056]
步骤203、当待处理医学图像不存在与其对应的标签图像时，重新获取对应于该待处理医学图像的标签图像。
[0057]
当待处理医学图像不存在与其对应的标签图像时，可以根据待处理医学图像的信息，例如编号等信息，重新获取对应于该待处理医学图像的标签图像。
[0058]
步骤204、根据标签更新后的标签图像和重新获取到的标签图像对第一待处理图像集进行更新，获得第二待处理数据集。
[0059]
在完成异常标签更新和获取到所有与待处理医学图像对应的标签图像后，根据获得的图像和更新后的异常标签对第一待处理图像集进行更新，获得第二待处理数据集。
[0060]
在本技术实施例中，通过对第一数据集中的标签图像的标签进行核查，能够避免错误的标签值被用于训练模型，避免了模型无法收敛的问题。
[0061]
图3为本技术一个实施例的非关注区域去除方法的流程图。如图3所示，该非关注区域去除方法包括如下步骤：
[0062]
步骤301、根据第二待处理图像集中的待处理医学图像，生成非零掩膜。
[0063]
为了去除图像中的非关注区域，首先根据第二待处理图像集中的待处理医学图像，生成非零掩膜。非零掩膜用于标识待处理医学图像中的关注区域。
[0064]
步骤302、根据非零掩膜确定裁剪框的边界和位置信息。
[0065]
在生成非零掩膜后，可以通过二进制孔洞填充方法对非零掩膜填充，之后根据生成的非零掩膜在x，y，z坐标轴上的最小坐标值以及最大坐标值，确定用于裁剪的边界框大小和位置。
[0066]
步骤303、根据裁剪框对第二待处理图像集进行剪裁，去除第二图像集中的各图像中的关注区域之外的图像，获得第三待处理图像集。
[0067]
在确定裁剪框的边界和位置信息后，根据裁剪框对第二待处理图像集进行剪裁，将非关注区域去除，之后获得第三待处理图像集。
[0068]
在本技术实施例中，通过去除图像中的非关注区域，相比去除非关注区域前，裁剪后的图像对分割结果没有影响，但减小了图像的尺寸，避免进行无用计算，提高了计算效率和速度。
[0069]
医学图像处理装置
[0070]
图4为本技术一个实施例的医学图像处理装置的示意图，如图4所示，该医学图像处理装置400包括：获取模块401、更新模块402、剪裁模块403、重采样模块404和处理模块405。
[0071]
获取模块401，用于第一图像集，其中，第一图像集包括至少一张待处理医学图像和每张待处理医学图像对应的标签图像。
[0072]
获取模块401首先获取需要进行处理的第一图像集，第一图像集包括至少一张待
处理医学图像和每张待处理医学图像对应的标签图像。
[0073]
更新模块402，用于根据待处理医学图像，对相对应的标签图像中的异常标签进行更新，获得第二图像集。
[0074]
在获取模块401获取到第一图像集后，更新模块402对第一图像集中每张待处理医学图像对应的标签图像进行校验，进而根据待处理医学图像对相对应的标签图像中的异常标签进行更新，获得无异常标签的第二图像集。
[0075]
剪裁模块403，用于将第二图像集中的各图像中的非关注区域去除，获得第三图像集。
[0076]
在更新模块402获得第二图像集后，剪裁模块403将第二图像集中每张图像的非关注区域去除，获得无非关注区域的第三图像集。
[0077]
重采样模块404，用于对第三图像集中的各图像进行重采样，使各图像具有相同的尺寸，获得第四图像集。
[0078]
在剪裁模块403获得第三图像集后，重采样模块404对第三图像集中的每张图像进行重采样，使得每张图像都具有相同的尺寸，并获得第四图像集。
[0079]
处理模块405，用于对第四图像集中的各图像的灰度值分布进行标准化处理，获得第五图像集，其中，第五图像集用于对骨干网络进行训练，获得医学图像分割模型。
[0080]
在重采样模块404获得第四图像集后，处理模块405对第四图像集中的每张图像的灰度值分布进行标准化处理，获得灰度值分布处于同一标准的第五图像集。
[0081]
在本技术实施例中，更新模块402通过待处理医学图像对与其相对应的标签图像中的异常标签进行更新的方式，能够避免在标签图像与牙科图像无对应或对应错误的情况下进行训练的情况，提高了模型的训练效率，模型容易收敛。剪裁模块403通过去除各图像内的非关注区域，能够提高模型的训练效率。重采样模块404通过对图像进行重采样，能够使每张图片的尺寸相同，降低了模型训练困难。处理模块405通过对图像的灰度值分布进行标准化处理，能够提升模型训练的收敛速度和模型精度。
[0082]
电子设备
[0083]
图5为本技术一个实施例的电子设备的示意图，本技术具体实施例并不对电子设备的具体实现做限定。如图5所示，该电子设备500可以包括：处理器(processor)501、通信接口(communications interface)502、存储器(memory)503、以及通信总线504。其中：
[0084]
处理器501、通信接口502、以及存储器503通过通信总线504完成相互间的通信。
[0085]
通信接口502，用于与其他电子设备或服务器进行通信。
[0086]
处理器501，用于执行程序505，具体可以执行前述多个方法实施例中的任一方法实施例中的相关步骤。
[0087]
具体地，程序505可以包括程序代码，该程序代码包括计算机操作指令。
[0088]
处理器501可能是cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本技术实施例的一个或多个集成电路。智能设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
[0089]
存储器503，用于存放程序505。存储器503可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0090]
程序505具体可以用于使得处理器501执行前述实施例中多个方法实施例中的任一方法。
[0091]
程序505中各步骤的具体实现可以参见前述医学图像处理方法实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
[0092]
通过本技术实施例的电子设备，通过待处理医学图像对与其相对应的标签图像中的异常标签进行更新的方式，能够避免在标签图像与牙科图像无对应或对应错误的情况下进行训练的情况，提高了模型的训练效率，模型容易收敛。通过去除各图像内的非关注区域，能够提高模型的训练效率。通过对图像进行重采样，能够使每张图片的尺寸相同，降低了模型训练困难。通过对图像的灰度值分布进行标准化处理，能够提升模型训练的收敛速度和模型精度。
[0093]
计算机存储介质
[0094]
本技术还提供了一种计算机可读存储介质，存储用于使一机器执行如本文所述的多个方法实施例中的任一方法的指令。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或cpu或mpu)读出并执行存储在存储介质中的程序代码。
[0095]
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本技术的一部分。
[0096]
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如cd-rom、cd-r、cd-rw、dvd-rom、dvd-ram、dvd-rw、dvd+rw)、磁带、非易失性存储卡和rom。可选择地，可以由通信网络从服务器计算机上下载程序代码。
[0097]
计算机程序产品
[0098]
本技术实施例还提供了一种计算机程序产品，包括计算机指令，该计算机指令指示计算设备执行上述多个方法实施例中的任一对应的操作。
[0099]
需要指出，根据实施的需要，可将本技术实施例中描述的各个部件/步骤拆分为更多部件/步骤，也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤，以实现本技术实施例的目的。
[0100]
上述根据本技术实施例的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如cd rom、ram、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如asic或fpga)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，ram、rom、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的方法。此外，当通用计算机访问用于实现在此示出的方法的代码时，代码的执行将通用计算机转换为用于执行在此示出的方法的专用计算机。
[0101]
需要说明的是，上述各流程和各系统结构图中不是所有的步骤和模块都是必需的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需
要进行调整。上述各实施例中描述的系统结构可以是物理结构，也可以是逻辑结构，即，有些模块可能由同一物理实体实现，或者，有些模块可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。
[0102]
以上各实施例中，硬件模块可以通过机械方式或电气方式实现。例如，一个硬件模块可以包括永久性专用的电路或逻辑(如专门的处理器，fpga或asic)来完成相应操作。硬件模块还可以包括可编程逻辑或电路(如通用处理器或其他可编程处理器)，可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。
[0103]
上文通过附图和优选实施例对本技术进行了详细展示和说明，然而本技术不限于这些已揭示的实施例，基于上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本技术更多的实施例，这些实施例也在本技术的保护范围之内。