[发明专利]医疗图像异常区域分割方法及设备

说明书

本发明提供一种医疗图像异常区域分割方法及设备，所述方法包括：获取医疗图像；将所述医疗图像划分为多个待分类图像块，并利用第一机器学习模型分别对各个所述待分类图像块进行分类，分类结果为正常图像块或异常图像块；分别基于所述异常图像块在所述医疗图像中取待分割图像块，并利用第二机器学习模型分别对各个所述待分割图像块进行语义分割，分割结果为异常像素点；在所述医疗图像中标注所述异常像素点。

技术领域

本发明涉及医学影像处理领域，具体涉及一种医疗图像异常区域分割方法及设备。

背景技术

在计算机视觉领域，目前热点的研究方向主要有图像识别，目标定位与检测，语义分割等。图像分割是计算机视觉至关重要的组成部分，是由图像处理到图像分析的关键步骤。

图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。语义分割是在图像分割的基础上，识别出每一块区域的语义。图像语义分割是AI领域中一个重要的分支，目前被广泛应用在地理信息系统、无人车驾驶、医疗影像分析、机器人等领域中。

在一些医学图像的分析任务中，需要检测出一些病灶的区域，对该病灶区域进行分割，统计出面积等信息，能够帮助医生对疾病做出更准确的诊断。端到端的卷积神经网络依靠强大的表达能力在图像分割领域能够得到比较准确的结果。但是对于卷积神经网络等机器学习模型而言，如果前景信息只占图像区域很小的比例，则比较难训练出性能优秀的表达模型，模型的识别准确性会比较低。

医疗图像的尺寸通常较大，而一些异常区域只占非常小的比率，有些甚至小于百万分之一。现有技术利用卷积神经网络等机器学习模型对医疗图像进行识别，找到较小异常区域的准确性比较差。

发明内容

有鉴于此，本发明提供一种医疗图像异常区域分割方法，包括如下步骤：

获取医疗图像；

将所述医疗图像划分为多个待分类图像块，并利用第一机器学习模型分别对各个所述待分类图像块进行分类，分类结果为正常图像块或异常图像块；

分别基于所述异常图像块在所述医疗图像中取待分割图像块，并利用第二机器学习模型分别对各个所述待分割图像块进行语义分割，分割结果为异常像素点；

在所述医疗图像中标注所述异常像素点。

可选地，相邻的所述待分类图像块有部分重叠。

可选地，将所述医疗图像划分为多个待分类图像块，包括：

利用第一设定尺寸的滑动窗口遍历所述医疗图像取得待分类图像块，遍历过程中的滑动方向包括水平方向和竖直方向，在两个所述方向中的滑动步长均小于所述滑动窗口的长度和宽度。

可选地，所述第一机器学习模型输出二值图像块，用于表示所述正常图像块和所述异常图像块。

可选地，分别基于所述异常图像块在所述医疗图像中取待分割图像块，包括：

识别由至少一个所述异常图像块组成的异常连通区域；

以所述异常连通区域为中心在所述医疗图像中取第二设定尺寸的待分割图像块。

可选地，所述第二机器学习模型输出的是至少一个通道的异常像素点掩图，其中包括至少一种异常像素点。

可选地，所述第二机器学习模型输出的是二通道的异常像素点掩图，其中包括至少两种异常像素点。

可选地，在所述医疗图像中标注所述异常像素点，包括：

分别在各个所述待分割图像块中标注相应的语义分割结果；

将全部标注结果映射回所述医疗图像中。