[发明专利]一种癌症医学图像数据处理方法、系统、装置和存储介质

说明书

本发明公开了一种癌症医学图像数据处理方法、系统、装置和存储介质，所述方法包括将待处理的癌症医学图像输入到预先建立的病灶区域分割模型，获得所述病灶区域分割模型输出的病灶区域图像标识结果，对从癌症医学图像裁剪出的病灶区域图像进行多次不同标准的滤波处理，进行通道堆叠，将通道堆叠的结果输入到预先建立的特征提取模型，使用特征筛选算法从所获得的病理特征向量中筛选出目标特征；将目标特征输入到多层感知机中，获得所述多层感知机输出的癌症生物标记状态指标值等步骤。本发明可以自动识别癌症医学图像上的病灶区域，并将病灶区域图像裁剪出来，大幅提高了识别和裁剪效率以及准确性。本发明广泛应用于图像处理技术领域。

技术领域

本发明涉及图像处理技术领域，尤其是一种癌症医学图像数据处理方法、系统、装置和存储介质。

背景技术

在癌症诊断和治疗领域，经常要对病人的CT和MRI等医学图像进行分析，对病灶进行定位以及提取病灶的特征。但现有医学图像分析技术普遍存在以下问题：

在对病灶区域提取特征前，需要从医学图像中识别并裁剪出小目标的病灶区域，以排除无关信息的干扰，目前这一过程是需要人工操作完成，效率极低，难以实现对大批量医学图像的处理，同时裁剪病灶区域的精度较低；

在特征提取过程中，使用灰度共生矩阵等现有技术提取到的是手工特征，这类特征提取算法依赖数据集的质量，对噪声很敏感，泛化能力差，而且需要占用大量的计算资源；

在使用神经网络进行图像处理时，将单通道的医学图像输入到神经网络中，神经网络能获取到的细节信息较少；

在使用未经改进的UNet等传统网络进行图像处理时，在连续采样过程中容易丢失信息。

上述问题造成了现有技术分析精度和效率处于较低的水平。

术语解释：

多层感知机：一种常用的神经网络模型，包含输入层、隐藏层以及输出层，并可使用激活函数进行非线性变化；

卷积神经网络：一种包含若干卷积核的具有深度结构的前馈神经网络，通常用于处理具有结构信息的数据，可用于对图片进行特征提取、目标识别、分类等任务；

特征图：经过卷积核进行特征提取后得到的特征信息，通常由多个二维矩阵堆叠而成；

Keras:一个基于python的深度学习框架，对Tensorflow和Theano等框架进行高度封装，为用户提供更方便简洁的接口；

生物标记：一类与细胞生长增殖有关的标志物，可以标记人体组织结构或功能的改变的生化指标，能为临床医生提供了辅助诊断的依据；

KI-67：人体癌细胞增殖活跃程度衡量的标准，共分为0-100个等级，高级别的Ki67值表示癌细胞增值快、恶性度高；

病灶：机体上发生病变的部位，即一个局限的、具有病原微生物的病变组织；

Attention机制：即注意力机制，可对源数据序列进行数据加权变换来让模型更加关注某一部分数据，提高模型的预测能力。

全卷积神经网络：不含全连接层的卷积神经网络，主要用于对图像进行像素级别的分类；UNet：一种常用的医学图像病灶的分割模型，分为编码和解码两个阶段，并通过横向连接实现不同尺度特征图的结合，从而实现逐像素分割；

图像滤波：在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，可用于突出图像某一类型的特征信息；

CLAHE：对比度有限的自适应直方图均衡算法，通过对图像的对比度进行变换并且限制局部对比度，从而实现增强图像对比度；

SOBEL_BLUR：通过求数字图像的一阶导数来增强图像的边缘信息，主要用于边缘检测；