[发明专利]一种图像的分割方法及其在医学领域的应用

说明书

本发明涉及一种图像的分割方法及其在医学领域的应用，属于图像处理领域。该方法使用ROI unifying方法消除多尺度的影响以大幅增强分割效果，使用后验推理调整局部一致性以优化改善分割效果；包括训练和分割两个阶段。第一阶段完成模型准备，使用对训练数据集进行ROI unifying以生成训练数据集D，然后使用训练数据集D训练相应的机器学习模型M以供第二阶段分割时使用。第二阶段实现对未知医学图像的语义分割。本发明基于ROI unifying方法提出医学图像的分割方法。本发明允许自动或人工或人工自动相结合的方式对ROI区域的确定，在实际应用中可由医师灵活选择，增强了实用性和可解释性，可应用在医学等多个领域。

技术领域

本发明属于图像处理领域，涉及一种图像的分割方法及其在医学领域的应用。

背景技术

图像分割就是把图像分成若干个特定的、具有独特性质或意义的像素集合并提出感兴趣目标的处理技术和过程。它是图像识别和计算机视觉至关重要的预处理，是由图像处理到图像分析的关键步骤，也是一个历经几十年仍没有很好解决的富有挑战的问题。目前，没有一个公认统一的方法对众多的方法进行分类，常用的分类主要分为基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法、基于机器学习以及基于特定理论的分割方法等。从是否需要人工标注数据可将分割算法分为监督方法和非监督的方法。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也可看作是一个标记过程，即把属于同一区域的像索赋予相同的编号。医学图像分割是针对医学影像/图像进行分割的处理技术和过程。医学图像分割对于临床诊断和治疗具有重要的指导作用和重大的应用价值，例如针对皮肤镜图像的色素皮损分割对黑素癌的鉴别诊断具有重要作用，视网膜病变分割是眼部疾病诊断的重要步骤，细胞分割是细胞计数的基础，肿瘤病灶分割、危及器官的分割是放疗治疗的一个关键步骤。近年来，随着深度神经网络方法的兴起及快速发展，基于深度神经网络的医学图像分割在某些领域(如皮肤癌探测、病理图像分析等)取得了较大的进展。但是，现有的基于深度神经网络的医学图像分割方法在应对多尺寸病灶(multi-size lesions)图像时效果较差，而且分割结果往往存在噪点(noisy)且一致性较差(inconsistent)，导致很难在临床上实际应用。

发明内容

有鉴于此，本发明的目的在于提供一种图像的分割方法及其在医学领域的应用，

为达到上述目的，本发明提供如下技术方案：

一种图像的分割方法，包括训练和分割两个阶段：

第一阶段完成模型准备，使用对训练数据集进行ROI unifying以生成训练数据集D，然后使用训练数据集训练相应的机器学习模型M以供第二阶段分割时使用；

第二阶段实现对未知医学图像的语义分割，共分为三个步骤：

Step1：针对输入的未知的待分割的医学图像I，首先通过自动或手动或两者结合的方式确定感兴趣区域(ROI)，然后使用ROI unifying对图像I进行处理得到统一化后(unified)的新图像I’；

Step2：使用新图像I’作为模型输入，使用第一阶段训练好的模型M进行预测，得到粗分割结果S1，粗分割结果是在全体训练集中学习到的模型参数在新图像上应用的结果；

Step3：使用后处理对粗分结果S1进行进一步精化和修正得到最终的分割结果S2。

进一步，在所述使用对训练数据集进行ROI unifying以生成训练数据集D时，使用数据增强策略，由不同参数进行ROI unifying生成的数据集可以合并为更大的数据集。

进一步，所述分割结果S1为标记图或模型输出的特征张量。