[发明专利]模型生成方法、目标检测方法及医学成像系统

说明书

本发明实施例提供了一种模型生成方法、目标检测方法及医学成像系统，涉及医学图像处理技术领域，通过距离场确定目标边框，降低了目标检测的复杂度，提高了求解的稳定性。该方法包括模型生成过程和目标检测过程：模型生成过程包括：获取样本医学图像以及样本医学图像对应的样本目标边框；根据样本目标边框，生成距离场；通过人工智能网络对样本医学图像与距离场进行学习，得到它们的映射关系；根据映射关系生成人工智能网络模型。目标检测过程包括：获取受检者目标区域的医学图像；通过人工智能网络模型对医学图像进行处理，得到距离场；根据距离场，在医学图像中确定目标边框。本发明实施例提供的技术方案适用于确定医学图像中目标区域的过程中。

【技术领域】

本发明涉及医学图像处理技术领域，尤其涉及一种模型生成方法、目标检测方法及医学成像系统。

【背景技术】

目标检测是计算机视觉和图像处理的一种特定任务，其目的是在医学图像中确定目标，并在目标上标记一个边框(Bounding Box，又称目标边框)。在医学图像处理技术领域中，目标检测有许多重要应用，比如自动定位器官或者检测特定病灶。

目前，有很多基于卷积神经网络的目标检测方法，目前的方法(比如RCNN(Regionswith CNN features，卷积神经网络特征区域)、Yolo(You Only Look Once，框选识别统一)等都是基于一种叫做边框回归的技术(bounding-box regression)，即将目标边框定义为四个参数(x，y，w，h)，其中(x,y)是目标边框的中心点坐标，w和h是目标边框的宽和高，并以中心点平移和宽高缩放作为数学建模的方法。可以预见的是，若将此模型扩展至三维空间，则会有六个参数，每个参数都需要单独的回归方程。边框回归的技术的另一个缺陷在于，只有获选框接近目标框时，宽高缩放变换才能被认为是线性变换。由于目标区域的大小和长宽比都有可能不同，每次进行边框回归时，都需要充分采样，大多数方法建议从九个大小不同长宽比各异的边框模型开始对目标边框进行回归；并且边框模型的每个参数是独立的一维，在卷积神经网络中，需要一个单独通道去回归每个参数所在维度的值；更复杂的是，在建立模型时，要在多个参数之间建立平衡，否则训练时各参数学习会不平衡，容易生成错误的模型。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

现有技术中的目标检测方法，确定目标边框时需要多个参数(九个边框模型，以及每个目标边框四或六个参数)，增加了问题的复杂度，降低了求解的稳定性。

【发明内容】

有鉴于此，本发明实施例提供了一种模型生成方法、目标检测方法及医学成像系统，在目标检测过程中，通过距离场确定目标边框，降低了目标检测的复杂度，提高了求解的稳定性。

第一方面，本发明实施例提供一种模型生成方法，所述方法包括：

获取样本医学图像以及所述样本医学图像对应的样本目标边框；

根据所述样本目标边框，生成距离场；

通过人工智能网络对所述样本医学图像与所述距离场进行学习，得到所述样本医学图像与所述距离场的映射关系；

根据所述映射关系生成人工智能网络模型。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，

所述距离场包括边框内距离场；或者，

所述距离场包括边框内距离场和边框外距离场；或者，

所述距离场包括边框内距离场和边框外距离场的加权组合。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述根据所述样本目标边框，生成距离场，包括：

分别对所述样本目标边框内外进行二值化处理，并获取二值化结果；