本申请涉及图像处理,具体涉及一种医学图像处理方法、装置、计算机设备及存储介质。
背景技术:
1、早期食管癌在nbi光源内窥镜检查下通常表现为的棕色区域。nbi非放大光源下棕色区域主要由不规则扩张的上皮内乳头状毛细血管袢(ipcls)组成。而在nbi放大光源下可以清晰可见ipcl的区域之间尚存在背景着色区域,又被称为背景粘膜色(backgroundcoloration,bgc)。此前,ishihara等的研究发现背景粘膜色阳性和ipcl扩张是食管高级别上皮内瘤变的重要特征。并且peter bossuyt等人使用通过分析白光光源内窥镜图像中红、青、蓝像素值的红色通道和模式识别,验证了溃疡性结肠炎患者内窥镜图片rd评分与临床、内镜和组织学特征之间的相关性,构建了一种基于红色像素颜色数据与血管模式检测相结合的算法,实现以rd评分对内窥镜和组织学疾病活动度的判断。不同于白光光源下内镜成像,nbi窄带成像技术通过滤掉红蓝绿光波中的宽带光谱,增强消化道黏膜血管的图像,突出粘膜表面微血管改变,粘膜血管也因此被提出可以预判食管病变性质,即判断食道癌的浸润类型(如浸润型和非浸润型)。
2、然而,受限于人眼评估的异质性及主观性,目前内镜医师对背景粘膜色的评估仍停留于定性判断,难以实现对内镜图像的客观精准评估,因此,亟需提供一种客观且准确的医学图像处理方法。
技术实现思路
1、本申请实施例提供一种医学图像处理方法、装置、计算机设备及存储介质,以解决人工检测存在主观性强且准确性难以保证的技术问题。
2、一方面,本申请提供一种医学图像处理方法,包括:
3、获取待处理的食管癌染色图像,采用预设的图像分割模型对所述食管癌染色图像进行分割,提取多个血管区域图像及乏血管区域图像;
4、基于所述食管癌染色图像和所述多个血管区域图像,进行b3型血管检测,得到检测结果;
5、在所述检测结果表征所述食管癌染色图像不含有b3型血管的情况下,对所述血管区域图像进行第一预设属性的特征提取,得到第一特征值集合,所述第一特征值集合包括多个第一特征值,每个所述第一预设属性对应一个所述第一特征值;
6、对所述乏血管区域图像进行第二预设属性的特征提取,得到第二特征值集合,所述第二特征值集合包括多个第二特征值,每个所述第二预设属性对应一个所述第二特征值;
7、对所述食管癌染色图像进行第三预设属性的特征提取,得到第三特征值集合,所述第三特征值集合包括多个第三特征值,每个所述第三预设属性对应一个所述第三特征值,所述第一特征值集合、第二特征值集合及第三特征值集合用于输入已训练的第一机器学习分类器进行分类,得到所述食管癌染色图像的分类结果,所述分类结果包括浸润型和非浸润型。
8、一方面,本申请提供一种医学图像处理装置,包括:
9、分割模块,用于获取待处理的食管癌染色图像,采用预设的图像分割模型对所述食管癌染色图像进行分割,提取多个血管区域图像及乏血管区域图像;
10、检测模块,用于基于所述食管癌染色图像和所述多个血管区域图像,进行b3型血管检测,得到检测结果;
11、第一提取模块,用于在所述检测结果表征所述食管癌染色图像不含有b3型血管的情况下,对所述血管区域图像进行第一预设属性的特征提取,得到第一特征值集合,所述第一特征值集合包括多个第一特征值,每个所述第一预设属性对应一个所述第一特征值;
12、第二提取模块,用于对所述乏血管区域图像进行第二预设属性的特征提取,得到第二特征值集合,所述第二特征值集合包括多个第二特征值,每个所述第二预设属性对应一个所述第二特征值;
13、第三提取模块,用于对所述食管癌染色图像进行第三预设属性的特征提取,得到第三特征值集合,所述第三特征值集合包括多个第三特征值,每个所述第三预设属性对应一个所述第三特征值,所述第一特征值集合、第二特征值集合及第三特征值集合用于输入已训练的第一机器学习分类器进行分类,得到所述食管癌染色图像的分类结果,所述分类结果包括浸润型和非浸润型。
14、一方面,本申请提供一种计算机设备,计算机设备包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述医学图像处理方法中的步骤。
15、一方面,本申请提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述医学图像处理方法中的步骤。
16、本申请实施例提供了一种医学图像处理方法、装置、计算机设备及存储介质,该方法获取待处理的食管癌染色图像,采用预设的图像分割模型对食管癌染色图像进行分割,提取多个血管区域图像及乏血管区域图像,基于食管癌染色图像和多个血管区域图像,进行b3型血管检测,得到检测结果,在检测结果表征食管癌染色图像不含有b3型血管的情况下,对血管区域图像进行第一预设属性的特征提取,得到第一特征值集合,对乏血管区域图像进行第二预设属性的特征提取,得到第二特征值集合,对食管癌染色图像进行第三预设属性的特征提取,得到第三特征值集合,第一特征值集合、第二特征值集合及第三特征值集合用于输入已训练的第一机器学习分类器进行分类,得到食管癌染色图像的分类结果,分类结果包括浸润型和非浸润型,采用本实施例,提取了食管癌染色图像、血管区域图像、乏血管区域图像各自不同的预设属性对应的特征量化值,使得特征量化值更加全面丰富,实现了对第一特征值集合、第二特征值集合、第三特征值集合准确直观的图像分析和识别,大大提高了对食管癌染色图像处理效率。
1.一种医学图像处理方法,其特征在于,包括:
2.如权利要求1所述的医学图像处理方法,其特征在于,采用预设的图像分割模型包括第一分割子模型和第二分割子模型;
3.如权利要求1所述的医学图像处理方法,其特征在于,所述第一预设属性包括血管ab分型属性和血管紊乱度属性;
4.如权利要求1所述的医学图像处理方法,其特征在于,所述第二预设属性包括最大轴长属性及最大面积属性;
5.如权利要求1所述的医学图像处理方法,其特征在于,所述第三预设属性包括颜色深浅度属性和平坦度属性;
6.如权利要求1所述的医学图像处理方法,其特征在于,所述基于所述食管癌染色图像和所述多个血管区域图像,进行b3型血管检测,得到检测结果的步骤,包括:
7.如权利要求6所述的医学图像处理方法,其特征在于,所述已训练的第二机器学习分类器包括特征拟合子网络和分类子网络;
8.一种医学图像处理装置,其特征在于,包括:
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述医学图像处理方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述医学图像处理方法的步骤。