[发明专利]医学图像分类和分割方法和装置

说明书

本发明提供一种医学图像分类和分割的方法和装置，能够解决由于训练数据数量有限和医学图像的临川特征表达不完全，导致图像的分类和分割效果差的问题。该方法包括：对医学图像进行数据增强和预处理，构建分类数据集和分割数据集；构建卷积神经网络模型，提取自然图像数据集的特征，以得到卷积神经网络激活特征；基于所述分类数据集，训练所述卷积神经网络提取所述分类数据集的特征，以区分所述医学图像是有癌图像或无癌图像；基于所述分割数据集，训练所述卷积神经网络提取所述分割数据集的特征，以分割所述医学图像的癌变区域。

技术领域

本发明涉及计算机技术领域，尤其涉及一种医学图像分类和分割的方法和装置。

背景技术

特征提取在医学图像分析领域具有重要的地位。医学图像有多种模态，例如核磁图像、CT图像和数字病理切片等，这导致来源于同一个人的同一病症下的多种模态的图像，有着不同的纹理、色彩和形态等特征。因此，特征设计在高阶医学图像分析任务，例如分类任务和分割任务中有重要地位。而基于人工方法提取图像的纹理、色彩和形态等特征通常受到专业知识、医学图像特征复杂、有标记的医学图像数量有限等条件的限制。因此，在医学图像分析中，自动特征提取算法对于高阶医学图像分析任务具有重要意义，基于卷积神经网络的特征提取方法。一种高效的、全面的特征提取算法，广泛应用于医学图像分割、分类等任务中。

基于卷积神经网络的激活特征的特征提取是医学图像分类和分割常用的特征提取算法。该算法利用网络上的大量图像数据集，卷积神经网络可以提取到充足的特征数据，研究表明，不同图像数据集的低阶的图像特征具有较高的一致性。因此，基于自然图像的特征数据同样适用于医学图像，将这些特征迁移到医学图像中，结合支持向量机等算法便可实现医学图像的分类和分割。

在实现本发明中，发明人发现现有技术至少存在以下问题：

1.训练数据不足的情况下，卷积神经网络对医学图像的特征表达不完全。

2.人工设计特征难以充分表达医学图像的临床特征，从而导致图像的分类和分割效果差。

发明内容

有鉴于此，本发明实施例提供一种医学图像的分类和分割的方法、装置和装置，能够解决医学图像训练数据不足，临床特征难以表征情况下的分类和分割问题。

为实现上述目的，根据本发明实施例的一个方面，提供了一种医学图像的分类和分割方法。

本发明实施例一种医学图像的分类和分割方法包括：对医学图像进行数据增强和预处理，构建分类数据集和分割数据集；构建卷积神经网络模型，提取自然图像数据集的特征，以得到卷积神经网络激活特征；基于所述分类数据集，训练所述卷积神经网络提取所述分类数据集的特征，以区分所述医学图像是有癌图像或无癌图像；基于所述分割数据集，训练所述卷积神经网络提取所述分割数据集的特征，以分割所述医学图像的癌变区域。

可选地，所述数据增强和预处理包括对所述医学图像进行旋转、镜像或平移；将所述医学图像截取为224×224像素的图像的子块，以得到所述分类数据集；将所述医学图像截取为112×112像素的图像的子块，以得到所述分割数据集。

可选地，所述训练所述卷积神经网络提取所述分类数据集的特征包括基于所述卷积神经网络激活特征提取所述分类数据集的特征，以得到分类特征向量；将所述分类特征向量通过3层池化层，以得到每幅医学图像的分类特征向量；对所述每幅医学图像的分类特征向量进行特征挑选，以得到挑选特征向量；基于一对一的支持向量机，对所述挑选特征向量进行分类，判断所述医学图像是有癌图像或无癌图像。