[发明专利]图像检测分割方法、系统、存储介质、计算机程序、终端

说明书

本发明属于图像信息检测技术领域，公开了一种图像检测分割方法、系统、存储介质、计算机程序、终端，对初始Dicom医学图像数据进行预处理；把去噪加强预处理后的图像构建成数据集，使用构建好的数据集训练改良后的U‑Net神经网络。本发明的分割方法的准确率为98.6％，与传统的分割方法、普通U‑Net以及FCN相比，本发明的方法具有更好的分割效果。本发明的分割算法可以精确的检测分割肿瘤，为临床诊断带来实际可靠的诊断依据。相比现有的传统机器学习的相关方法，本发明所采用的U‑Net卷积神经网络具有高效的特征提取能力、容错率、自主学习能力、自适应性等优势，基于卷积网络的图像分割的方法也是目前研究的一个热点。

技术领域

本发明属于图像信息检测技术领域，尤其涉及一种图像检测分割方法、系统、存储介质、计算机程序、终端。

背景技术

目前，膀胱癌恶性肿瘤发病率第四、死亡率第八,易发生在40岁以上男性，高发阶段在50～60岁男女比例4:1，膀胱癌复发几率高，病人大多在确诊、医治、复发、再医治中往复循环，同时该疾病是目前花销最高的疾病之一，对膀胱肿瘤的早期检测有利于预防膀胱癌、降低死亡率，在现代医学诊断中具有重要意义。传统肿瘤诊断中，医生会根据电子计算机断层扫描(Computed TomographyCT)、核磁共振成像(Magnetic Resonance ImagingMRI)图像等来对肿瘤区域进行诊断，通常情况下通过医生的手工大致勾画和丰富的临床经验来对肿瘤区域的提取，而医生的手工提取的弊端是耗时长，不能在短时间内确认勾勒出肿瘤的区域；而且医生的传统勾画都是基于医生的临床经验，不同的医生对待同一张患者的医学图像可能会得到不同的肿瘤区域勾画结果。针对上述问题，一些技术研究人员开始研究一种自动提取肿瘤区域的算法。

医学图像分割对于临床方向具备极高的应用价值，能帮助医生制定严密的治疗方案。医学图像分割的主要目标是根据实际病理情况设计出自动或者是半自动的算法，把医学图像中能帮助医生辅助诊断的区域提取出来，并且在提取的过程中需要最大限度的保证提取区域原始结构的完整性。目前，实现医学肿瘤分割的主要方法有阈值法、分类法、聚类法和基于形态学的分割等。

(1)阈值法：通过设定一个临界值，从而判断事物处于什么状态。通俗来说，临界值的两边是不同的判断结果。

(2)分类法：对具有一定特征的物体进行类别分类。

(3)聚类法：以相似性为基础，在一个聚类中的模式之间比不在同一聚类中的模式之间具有更多的相似性。

(4)基于形态学的分割：数学形态学是一种非线性滤波方法，可以用于抑制噪声、特性提取、边缘检测、图像分割等图像处理问题。数学形态学首先被用来处理二值图像，后来也被用来处理灰度图像，数学形态学的特点是能将复杂的形状进行分解，并将有意义的形状分量从无用的信息中提取出来。

综上所述，现有技术存在的问题是：

(1)阈值法、分类法是基于一个确定的值或者特征来判定状态，对细致分割能力有限，肿瘤无论是的状态不能以一个确定的值或者特征直接判断。

(2)聚类也是处于一种模糊的相似性判断，对肿瘤的确定分类能力有限。

(3)基于形态学的分割由于在图像处理的前期工作中，采用数学形态学的开(闭)运算，进行图像处理后，依然存在大量与目标不符的短线和孤立点；由于预处理工作的不彻底，还需要进行一系列的基于点的开(闭)运算，因此运算速度不高。

解决上述技术问题的难度：阈值法和分类法难度在于给定的确切的阈值和特征来来进行确认；聚类算法是根据相似性来判定状态的，难度在于对异常样例的抵抗性较低。基于形态学分割难度在于处理过程复杂，中间处理过程容易把一些特征模糊化，甚至丢失对最终结果有影响。

解决上述技术问题的意义：对特征模糊的物体能够处理结果较为准确；对易出现异常样例的事例能够有较高的抗抵抗性；提高运算速度，保留中间处理之后的特征。