一种医学图像的处理方法、装置、电子设备及存储介质与流程

本公开涉及图像处理领域，尤其涉及一种医学图像的处理方法、装置、电子设备及存储介质。

背景技术：

1、现阶段，深度学习和图像处理技术已经得到广泛应用，在进行图像处理时，用户通过点击图像不同区域，指导计算机进行目标提取，实现图像标注功能。但由于现有的图像处理技术常应用于对自然图像的标注，在对自然图像标注时标注效果较好，但医学图像存在图像分辨率低、成像协议不同、色彩缺失、边界模糊等特殊性，使得对自然图像处理的方法应用于医学图像时效果不佳，并且在进行处理时预设的修正影响范围固定，具有一定的局限性，使得对医学图像处理时精度和效率较低，难以应对复杂的分割场景。

技术实现思路

1、本公开提供了一种医学图像的处理方法、装置、电子设备及存储介质，以至少解决现有技术中存在的以上技术问题。

2、根据本公开的第一方面，提供了一种医学图像的处理方法，所述方法包括：获取初始医学图像；对所述初始医学图像进行预处理得到目标医学图像；基于用于对所述目标医学图像的框选操作确定感兴趣区域图像；将所述感兴趣区域图像输入u2net模型得到初始标注图像；获取对所述初始标注图像进行修正的修正信息，所述修正信息包括修正位置和修正类型；根据所述修正位置确定修正影响半径；根据所述修正位置、所述修正类型和所述修正影响半径对所述初始标注图像进行编码，得到修正特征图；根据所述修正特征图和图像分割模型对所述初始标注图像进行修正，得到目标标注图像。

3、在一可实施方式中，所述对所述初始医学图像进行预处理得到目标医学图像，包括：将所述初始医学图像的数据格式转化为预设数据格式；根据待分割目标对象调整所述初始医学图像的窗宽和窗位，得到目标医学图像。

4、在一可实施方式中，所述获取对所述初始标注图像进行修正的修正信息，包括：根据所述初始标注图像和标准标注图像确定第一掩码和第二掩码，其中，所述第一掩码表示初始标注图像中欠分割为目标对象的区域，所述第二掩码表示初始标注图像中被过分割为目标对象的区域；对所述第一掩码和所述第二掩码进行距离变换，得到每个像素点与第一掩码的第一距离和与第二掩码的第二距离，所述第一距离为所述像素点与所述第一掩码的最近距离，所述第二距离为所述像素点与所述第二掩码的最近距离；对多个像素点得到的多个第一距离和多个第二距离进行排序，确定最大距离；根据该最大距离确定修正位置和修正类型。

5、在一可实施方式中，所述根据所述修正位置确定修正影响半径，包括：对所述初始标注图像进行边缘检测，确定所述初始标注图像的边缘区域二值图像；标注对所述边缘区域二值图像进行距离变换得到距离变换图像；根据所述距离变换图像确定所述修正位置对应的边缘距离；根据边缘距离与修正影响半径的映射关系确定与所述修正位置对应的修正影响半径。

6、在一可实施方式中，所述根据所述修正位置、所述修正类型和所述修正影响半径对所述初始标注图像进行编码，得到修正特征图，包括：根据所述初始标注图像，确定与所述修正位置和所述修正类型对应的距离矩阵；根据所述修正影响半径对所述距离矩阵进行阈值化处理，得到初始特征图；通过卷积神经网络对所述初始特征图进行卷积处理；通过注意力模块对卷积处理后的初始特征图进行编码，得到第一权重矩阵；根据所述第一权重矩阵对卷积处理后的初始特征图进行特征增强处理，得到修正特征图。

7、在一可实施方式中，所述根据所述修正特征图和图像标注模型对所述初始标注图像进行修正，得到目标标注图像，包括：将所述初始标注图像输入所述图像分割模型，通过所述图像分割模型的第一特征提取单元对所述初始标注图像进行第一次特征提取，得到第一特征图；将所述第一特征图和所述修正特征图融合，得到融合特征图；通过注意力模块对所述融合特征图进行编码，得到第二权重矩阵；根据所述第二权重矩阵对所述第一特征图进行特征增强处理，得到第二特征图；通过所述图像处理模型的其余单元对所述第二特征图进行处理，得到目标标注图像。

8、在一可实施方式中，所述方法还包括：通过激活函数对所述目标标注图像进行激活处理，确定目标标注图像中每个像素点对应的概率值；将所述概率值与预设概率阈值进行比较，根据比较结果确定所述像素点为前景或背景。

9、根据本公开的第二方面，提供了一种医学图像的处理装置，所述装置包括：第一获取模块，用于获取初始医学图像；处理模块，用于对所述初始医学图像进行预处理得到目标医学图像；第一确定模块，用于基于用户对所述目标医学图像的框选操作确定感兴趣区域图像；第一分割模块，用于将所述感兴趣区域图像输入u2net模型得到初始标注图像；第二获取模块，用于获取对所述初始标注图像进行修正的修正信息，所述修正信息包括修正位置和修正类型；第二确定模块，用于根据所述修正位置确定修正影响半径；所述第二确定模块，还用于根据所述修正位置、所述修正类型和所述修正影响半径对所述初始标注图像进行编码，得到修正特征图；第二分割模块，用于根据所述修正特征图和图像分割模型对所述初始标注图像进行修正，得到目标标注图像。

10、在一可实施方式中，所述处理模块，包括：转化子模块，用于将所述初始医学图像的数据格式转化为预设数据格式；调整子模块，用于根据待分割目标对象调整所述初始医学图像的窗宽和窗位，得到目标医学图像。

11、在一可实施方式中，所述第二获取模块，包括：第一确定子模块，用于根据所述初始标注图像和标准标注图像确定第一掩码和第二掩码，其中，所述第一掩码表示初始标注图像中欠分割为目标对象的区域，所述第二掩码表示初始标注图像中被过分割为目标对象的区域；第一变换子模块，用于对所述第一掩码和所述第二掩码进行距离变换，得到每个像素点与第一掩码的第一距离和与第二掩码的第二距离，所述第一距离为所述像素点与所述第一掩码的最近距离，所述第二距离为所述像素点与所述第二掩码的最近距离；第二确定子模块，用于对多个像素点得到的多个第一距离和多个第二距离进行排序，确定最大距离；所述第二确定子模块，用于根据该最大距离确定修正位置和修正类型。

12、在一可实施方式中，所述第二确定模块，包括：检测子模块，用于对所述初始标注图像进行边缘检测，确定所述初始标注图像的边缘区域二值图像；第二变换子模块，用于对所述边缘区域二值图像进行距离变换得到距离变换图像；第三确定子模块，用于根据所述距离变换图像确定所述修正位置对应的边缘距离；所述第三确定子模块，用于根据边缘距离与修正影响半径的映射关系确定与所述修正位置对应的修正影响半径。

13、在一可实施方式中，所述第二确定模块，还包括：所述第三确定子模块，用于根据所述初始标注图像，确定与所述修正位置和所述修正类型对应的距离矩阵；第一处理子模块，用于根据所述修正影响半径对所述距离矩阵进行阈值化处理，得到初始特征图；第二处理子模块，用于通过卷积神经网络对所述初始特征图进行卷积处理；所述第二处理子模块，用于通过注意力模块对卷积处理后的初始特征图进行编码，得到第一权重矩阵；所述第二处理子模块，用于根据所述第一权重矩阵对卷积处理后的初始特征图进行特征增强处理，得到修正特征图。

14、在一可实施方式中，所述第二分割模块，包括：提取子模块，用于将所述初始标注图像输入所述图像分割模型，通过所述图像分割模型的第一特征提取单元对所述初始标注图像进行第一次特征提取，得到第一特征图；融合子模块，用于将所述第一特征图和所述修正特征图融合，得到融合特征图；第三处理子模块，用于通过注意力模块对所述融合特征图进行编码，得到第二权重矩阵；所述第三处理子模块，用于根据所述第二权重矩阵对所述第一特征图进行特征增强处理，得到第二特征图；第三处理子模块，用于通过所述图像处理模型的其余单元对所述第二特征图进行处理，得到目标标注图像。

15、在一可实施方式中，所述装置还包括：激活模块，用于通过激活函数对所述目标标注图像进行激活处理，确定目标标注图像中每个像素点对应的概率值；比较模块，用于将所述概率值与预设概率阈值进行比较，根据比较结果确定所述像素点为前景或背景。

16、根据本公开的第三方面，提供了一种电子设备，包括：

17、至少一个处理器；以及

18、与所述至少一个处理器通信连接的存储器；其中，

19、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开所述的方法。

20、根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开所述的方法。

21、本公开的一种医学图像的处理方法、装置、电子设备及存储介质，在获取初始医学图像后，对初始医学图像进行预处理得到目标医学图像，基于用户对目标医学图像的框选操作确定感兴趣区域图像，将感兴趣区域图像输入u2net模型得到初始标注图像，获取对初始标注图像进行修正的修正信息，修正信息包括修正位置和修正类型，根据修正位置确定修正影响半径，根据修正位置，修正类型和修正影响半径对初始标注图像进行编码，得到修正特征图，通过修正特征图和图像分割模型对初始标注图像进行修正，得到目标标注图像。

22、应用本方法，通过获取用户的框选操作确定感兴趣区域图像，可以得到更精确的感兴趣区域图像，之后首先通过u2net模型对感兴趣区域图像进行处理得到初始标注图像，再根据修正信息借助图像分割模型对初始标注图像进行修正，得到目标标注图像，本技术先通过u2net模型对目标医学图像进行第一阶段的标注，可以得到对应的初始标注图像，当第一阶段的标注精度不高时，可获取对初始标注图像进行修正的修正信息，依据修正信息对初始标注图像进行第二阶段的标注，得到精度更高的标注图像；提升了对医学图像进行标注的精度和效率，能快速对初始标注图像进行修正并可减少修正次数，使得对医学图像处理的效果更好。

23、应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。