[發(fā)明專利]醫(yī)療圖像切割方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202011003928.7
• 申請(qǐng)日: 2020-09-22
• 公開(kāi)（公告）號(hào): CN112132841A
• 公開(kāi)（公告）日: 2020-12-25
• 發(fā)明（設(shè)計(jì)）人: 沈逸卿;柯晶
• 申請(qǐng)（專利權(quán)）人: 上海交通大學(xué)
• 主分類號(hào): G06T7/11
• 分類號(hào): G06T7/11;G06T7/187;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京路浩知識(shí)產(chǎn)權(quán)代理有限公司 11002
• 代理人: 聶俊偉

1.一種醫(yī)療圖像切割方法，其特征在于，包括：

獲取待進(jìn)行切割的醫(yī)療圖像；

將所述醫(yī)療圖像輸入圖像切割模型中，輸出切割為小塊的子醫(yī)療圖像；

其中，所述圖像切割模型是基于帶有分類標(biāo)注的醫(yī)療樣本圖像訓(xùn)練得到的，所述圖像切割模型包括圖像偏移模塊、特征提取模塊、條件隨機(jī)場(chǎng)模塊和切割模塊；所述圖像偏移模塊用于根據(jù)預(yù)設(shè)偏移量集合，將醫(yī)療樣本圖像中第一區(qū)域的第一小塊子圖像分別增加偏移量集合中的每一偏移量，獲取多個(gè)不同區(qū)域的第二小塊子圖像集合，所述特征提取模塊用于提取所述各第二小塊子圖像的特征，所述條件隨機(jī)場(chǎng)模塊用于以所述各第二小塊子圖像的特征為輸入，獲取各第二小塊子圖像與第一小塊子圖像標(biāo)注相同的概率，并通過(guò)損失函數(shù)計(jì)算各概率對(duì)應(yīng)的損失值，所述切割模塊用于根據(jù)計(jì)算得到的最大損失值對(duì)應(yīng)的偏移量，對(duì)所述醫(yī)療樣本圖像進(jìn)行切割；

其中，在對(duì)所述圖像切割模型進(jìn)行訓(xùn)練時(shí)，通過(guò)所述損失值來(lái)優(yōu)化所述特征提取模塊和所述條件隨機(jī)場(chǎng)模塊，直至滿足預(yù)設(shè)收斂條件。

2.根據(jù)權(quán)利要求1所述的醫(yī)療圖像切割方法，其特征在于，所述圖像偏移模塊中存儲(chǔ)有第一小塊子圖像與第一小塊子圖像中心像素坐標(biāo)的映射關(guān)系，以及各第二小塊子圖像與第二小塊子圖像中心像素坐標(biāo)的映射關(guān)系；

相應(yīng)地，根據(jù)預(yù)設(shè)偏移量集合，將醫(yī)療樣本圖像中第一區(qū)域的第一小塊子圖像分別增加偏移量集合中的每一偏移量，獲取多個(gè)不同區(qū)域的第二小塊子圖像集合，包括：

根據(jù)預(yù)設(shè)偏移量集合，將醫(yī)療樣本圖像中第一區(qū)域的第一小塊子圖像中心像素坐標(biāo)分別增加偏移量集合中的每一偏移量，獲取多個(gè)第二小塊子圖像中心像素坐標(biāo)。

3.根據(jù)權(quán)利要求1所述的醫(yī)療圖像切割方法，其特征在于，在圖像切割模型輸出切割為小塊的子醫(yī)療圖像之后，還包括：根據(jù)切割為小塊的子醫(yī)療圖像中的組織進(jìn)行分類。

4.根據(jù)權(quán)利要求1所述的醫(yī)療圖像切割方法，其特征在于，所述條件隨機(jī)場(chǎng)模塊根據(jù)條件隨機(jī)場(chǎng)函數(shù)獲取各第二小塊子圖像與第一小塊子圖像標(biāo)注相同的概率；其中，所述條件隨機(jī)場(chǎng)函數(shù)為：

其中，P(l＝l|x)表示以小塊子圖像x作為條件標(biāo)注為l的概率，P(l＝l|p)表示小塊子圖像x的中心像素坐標(biāo)p作為條件標(biāo)注為l的概率，p表示小塊子圖像x的中心像素在原始圖像中的坐標(biāo)，l表示以圖像標(biāo)注生成的隨機(jī)變量，l表示圖像標(biāo)注，Z(p)表示歸一化常數(shù)，表示能量函數(shù)，表示所有小塊子圖像x的全體集合，ψ_u表示一元?jiǎng)菽芎瘮?shù)，l(Δp+p)表示中心坐標(biāo)為Δp+p的小塊子圖像的標(biāo)注，Δp表示中心坐標(biāo)為p的小塊子圖像對(duì)應(yīng)的帶訓(xùn)練的偏移量，Δp′表示中心坐標(biāo)為Δp′的小塊子圖像對(duì)應(yīng)的帶訓(xùn)練的偏移量，ψ_p表示對(duì)偶勢(shì)能函數(shù)，l(Δp′+p′)表示中心坐標(biāo)為Δp′+p′的小塊子圖像的標(biāo)注，ω_{p+Δp,p′+Δp′}表示相鄰與中心坐標(biāo)為Δp+p和Δp′+p′的小塊子圖像的待訓(xùn)練權(quán)重，σ表示控制偏移量范圍的超參數(shù)，Y(p+Δp)表示中心坐標(biāo)為Δp+p的小塊子經(jīng)過(guò)卷積神經(jīng)網(wǎng)絡(luò)提取后的特征向量，Y(Δp′+p′)表示中心坐標(biāo)為Δp′+p′的小塊子經(jīng)過(guò)卷積神經(jīng)網(wǎng)絡(luò)提取后的特征向量，表示指標(biāo)函數(shù)，exp表示指數(shù)函數(shù)。

5.根據(jù)權(quán)利要求1所述的醫(yī)療圖像切割方法，其特征在于，所述損失函數(shù)為交叉熵?fù)p失函數(shù)，所述交叉熵?fù)p失函數(shù)為：

Loss＝∑_ly_l·log(P(l＝l|x))；

其中，Loss表示損失值，log表示對(duì)數(shù)函數(shù)，y_l表示小塊子圖像x實(shí)際標(biāo)注為l的概率，∑_l表示對(duì)于所有標(biāo)注l進(jìn)行求和。