[发明专利]医学图像目标区域定位方法及系统

权利要求书

1.一种医学图像目标区域定位方法，其特征在于，包括如下步骤：

使用图像分割网络对预先收集的预设张数的医学图像进行模型训练，构建相应的训练模型；

将构建的所述训练模型用于需要进行目标区域定位的当前医学图像，对所述当前医学图像进行图像分割，获取分割概率图；

采用巴特沃斯滤波器对分割后的所述分割概率图进行巴特沃斯数字图像处理，得到滤波概率图；具体的：得到分割概率图后，采用巴特沃斯滤波器对分割后的分割概率图进行巴特沃斯数字图像处理；首先通过对当前输出的分割概率图进行数值调整，将当前输出的分割概率图的值统一减去分割概率图中的最小概率值，得到调整后概率图；进而再将调整后概率图进行快速傅里叶变换，即FTT变换，得到相应的频谱图Pftt；然后再通过谱图Pftt的中心点，得到相应的重排频谱图Pftt-z，对重排频谱图Pftt-z进行低通滤波操作，Pbutterworth＝Pfft-z.*H(u,v)，得到滤波后的频谱图Pbutterworth，其中H(u,v)是巴特沃斯低通滤波器的传递函数表达式为：

其中，D(u,v)为点(u,v)到滤波器中心的距离，D₀为预设的非负数，n为巴特沃斯滤波器的阶数；然后再将滤波后的频谱图Pbutterworth的频域零点还原至初始零点位置，得到还原后的频谱图Pbutter-ori；最后，再通过对还原后的频谱图Pbutter-ori做逆快速傅里叶变换，即IFFT变换，得到取值范围将不受到[0，1]限制的滤波概率图Pbutter-map；

采用区域生长法对滤波概率图进行定位，获取相应的定位区域。

2.根据权利要求1所述的医学图像目标区域定位方法，其特征在于，所述使用图像分割网络对预先收集的预设张数的医学图像进行模型训练，构建相应的训练模型时，所使用的所述图像分割网络为U-net网络；其中，所述U-net网络中的卷积层采用3*3大小的卷积核，并以“SAME”的方式进行卷积操作；且所述U-net网络中的激活函数均采用relu激活函数，损失函数采用最小均方误差函数，最优化方法采用Adam优化法。

3.根据权利要求2所述的医学图像目标区域定位方法，其特征在于，所述U-net网络中的超参数设置为：每一次训练样本大小参数设置为2，学习率参数设置为0.1，并以每一个epoch进行指数衰减，衰减因子为0.96。

4.根据权利要求1至3任一项所述的医学图像目标区域定位方法，其特征在于，所述采用区域生长法对所述滤波概率图进行定位，获取相应的定位区域，包括如下步骤：

读取所述滤波概率图，并寻找到所述滤波概率图中概率值最大的坐标点；以所述概率值最大的坐标点为种子点，并且以4邻域的方式进行区域生长；其中，区域生长的条件为生长到振铃的第一个波谷；

实时判断区域生长变化情况，并在判断出当前区域不再变化时，确定当前已生长的区域为目标区域。