[发明专利]医学图像目标区域定位方法及系统

说明书

本发明公开了一种医学图像目标区域定位方法及系统，其方法包括：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；将构建的训练模型用于需要进行目标区域定位的当前医学图像，对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分割概率图进行巴特沃斯数字图像处理，得到滤波概率图；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。其通过将巴特沃斯滤波器与深度学习网络模型结合在一起，加强了对网络模型输出端的处理，使得网络模型在对未见过的样本上具有较强的适用性，一定程度上弥补了医学图像训练数据少、影像形态丰富等因素而导致的模型缺陷。

技术领域

本发明涉及医学图像技术领域，特别是涉及一种医学图像目标区域定位方法及系统。

背景技术

随着大数据和深度学习两大技术领域的迅猛发展，以深度神经网络为基石的人工智能技术已渗入到各行各业，特别是在医学影像领域已获得了前所未有的突破。近年来，基于反卷积深度神经网络U-net及其派生网络已成熟的应用于多种医学图像，如：PET，CT和眼底图等。其中，精准的器官分割和病灶提取能够有效帮助医生提高阅片速率，避免误诊和漏诊的情况。

与传统的有监督学习模型一样，以U-net为代表的图像分割网络依赖于高质量的标注数据，尤其是医学图像，需要专业团队的精确标注。U-net及其派生网络是一种全卷积网络，该网络能够在较少的训练图像情况下达到较为精准的分割效果。具体的，当医学图像进入U-net网络时，首先经过收缩网络，图像通过卷积操作进行缩小。其次，再经过定位网络，图像通过反卷积操作进行放大，得出一张用于目标区域定位或分割的概率图像。同时，所得到的概率图像用于计算U-net网络的损失函数，便于优化网络参数。最后，再采用阈值法将概率图像二值化，进而得到定位区域。

其中，在对输出的概率图像进行二值化处理时，通常所采用的阈值法中阈值的选择决定着最终的模型效果。现有的方法主要是采用默认阈值(通常采用0.5最为默认阈值)对概率图像进行二值化处理，或者是基于测试集图像的定位效果人工选择效果最佳的阈值作为模型最终输出定位图像的阈值。但是，传统的依赖于固定阈值对图像分割网络的输出结果(即概率图像)进行二值化处理，在一定程度上降低了模型的泛化性和鲁棒性，同时还增加了模型频繁调整所带来的时间成本，降低了图像处理的效率。

发明内容

基于此，有必要针对传统的医学图像定位方法中对图像分割后的概率图像的处理方式容易导致模型的泛化性和鲁棒性较低，并且还增加模型频繁调整所带来的时间成本，降低图像处理效率的问题，提供一种医学图像目标区域定位方法和系统。

基于上述目的，本发明提供的一种医学图像目标区域定位方法，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；

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。

在其中一个实施例中，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。

在其中一个实施例中，所述U-net网络中的超参数设置为：