[发明专利]医学图像识别方法、医学图像识别装置、终端设备及介质

说明书

本申请适用于图像识别技术领域，提供了一种医学图像识别方法、医学图像识别装置、终端设备及介质，其中，一种医学图像识别方法，通过将获取到的包含腺体形态的切片图像输入训练好的多尺度全卷积网络模型中，再通过该训练好的多尺度全卷积网络模型从切片图像中提取不同感受野下的特征集合，经过对特征集合进行特征融合和归一化处理，能够确定出切片图像中每个像素点的特征值集合，由于不同感受野下采集到的特征所考虑的像素点影响因素更多，令特征集合所描述的切片图像整体的信息更明显，特征值集合表征像素点的归属更丰富，故能够根据每个像素点的特征值集合，在切片图像中标记出腺腔体位置和腺体边缘位置，提高了对医学图像的识别效率。

技术领域

本申请属于图像识别技术领域，尤其涉及一种医学图像识别方法、医学图像识别装置、终端设备及计算机可读存储介质。

背景技术

作为大多数器官系统中重要的组织结构，腺体主要负责分泌蛋白质和碳水化合物。同时，腺癌是最常见的癌症形式之一，如前列腺癌、乳腺癌等。正确的癌症分级可以指导专业医生提出适当的治疗方案。而是否能够准确地识别腺体的形态，对于癌症的分级而言至关重要。

然而，在现有的腺体图像识别方案中，仅适用于对单个且没有发生病变的腺体图像进行识别，如果两个或多个腺体靠的很近，或者腺体因为病变而导致形态发生变化时，容易将两个或多个靠的很近的腺体识别为同一个腺体，或者无法识别形态发生变化的腺体。可见，现有的腺体图像识别方案中存在识别效率较低的问题。

发明内容

有鉴于此，本申请实施例提供了一种医学图像识别方法、医学图像识别装置、终端设备及计算机可读存储介质，以解决现有的腺体图像识别方案中存在识别效率较低的问题。

本申请实施例的第一方面提供了一种医学图像识别方法，包括：

获取包含腺体形状的切片图像；

将所述切片图像输入训练好的多尺度全卷积网络模型；

通过所述训练好的多尺度全卷积网络模型从所述切片图像中提取不同感受野下的特征集合，并对所述特征集合进行特征融合和归一化处理，得到所述切片图像中每个像素点的特征值集合；

基于每个所述像素点的特征值集合，在所述切片图像中标记出腺腔体位置和腺体边缘位置。

进一步的，所述将所述切片图像输入训练好的多尺度全卷积网络模型的步骤之前，还包括：

获取原始切片图像；

对所述原始切片图像进行特征区域识别，以对所述原始切片图像中的每个像素点配置特征标签，得到训练样本图像；其中，所述特征标签用于区分像素点为背景、腺腔体或者腺体边缘；

利用所述训练样本图像对多尺度全卷积网络模型进行训练，得到训练好的多尺度全卷积网络模型。

进一步的，所述对所述原始切片图像进行特征区域识别，以对所述原始切片图像中的每个像素点配置特征标签，得到训练样本图像，包括：

从所述原始切片图像中识别出背景区域和腺腔体区域，得到待标记图像；

对所述待标记图像进行二进制化处理，得到二进制图像；

对所述二进制图像分别进行图像膨胀处理和图像腐蚀处理，得到膨胀图像和腐蚀图像；

基于所述膨胀图像和所述腐蚀图像，从所述待标记图像中确定出腺体边缘区域；

根据所述待标记图像中的所述背景区域、所述腺腔体区域以及所述腺体边缘区域，对所述待标记图像中的每个像素点配置相应的特征标签，得到训练样本图像。

进一步的，所述练好的多尺度全卷积网络模型包括：骨干网络、多尺度框架、特征采集层以及输出层；