[發明專利]醫療圖像切割方法及裝置

在審

• 申請號: 202011003928.7
• 申請日: 2020-09-22
• 公開（公告）號: CN112132841A
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 沈逸卿;柯晶
• 申請（專利權）人: 上海交通大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/187;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 聶俊偉

本發明實施例提供一種醫療圖像切割方法及裝置，所述方法包括：將待進行切割的醫療圖像輸入圖像切割模型中，輸出切割為小塊的子醫療圖像；圖像切割模型包括圖像偏移模塊、特征提取模塊、條件隨機場模塊和切割模塊，圖像偏移模塊用于根據預設偏移量集合和第一區域的第一小塊子圖像，獲取多個不同區域的第二小塊子圖像集合，特征提取模塊用于提取各第二小塊子圖像的特征，條件隨機場模塊用于獲取各第二小塊子圖像與第一小塊子圖像標注相同的概率，并通過損失函數計算各概率對應的損失值，切割模塊用于對醫療樣本圖像進行切割。本發明實施例能夠實現自適應切割醫療圖像，并提高了神經網絡訓練效率，降低了神經網絡訓練成本。

技術領域

本發明涉及計算機視覺技術領域，尤其涉及一種醫療圖像切割方法及裝置。

背景技術

計算機視覺在深度學習興起之后獲得了快速的發展，包括圖像分類，目標檢測與定位，圖像分割。其中，基于深度學習的圖像分割也廣泛應用于醫療圖像切割。

然而，諸如組織學圖像在內的醫療圖像尺寸通常很大，如80000×80000及以上的像素，而深度神經網絡的輸入尺寸在500×500像素內。訓練神經網絡用于醫療圖像進行分類處理首先需要將醫療圖像切割成為小塊子圖像，再將小塊圖像標注后用于訓練神經網絡。傳統的切割醫療圖像為小塊子圖的方法包括：①平移滑動并且沒有相交區域的切割；②平移滑動并且有相交區域的切割。但是上述兩種方法切割的圖像往往質量不佳，并且切割的圖像中有兩種或兩種以上特征，也有部分圖像包含大塊的背景。而為了消除上述切割圖像帶來的影響，在訓練神經網絡的時候需要切割大量的醫療圖像提升數據集的大小，大量的數據集量提升了標注人員的工作量，也提升了深度神經網絡訓練的時間和計算成本。

發明內容

針對現有技術存在的問題，本發明實施例提供一種醫療圖像切割方法及裝置。

具體地，本發明實施例提供了如下技術方案：

第一方面，本發明實施例提供一種醫療圖像切割方法，包括：

獲取待進行切割的醫療圖像；

將所述醫療圖像輸入圖像切割模型中，輸出切割為小塊的子醫療圖像；

其中，所述圖像切割模型是基于帶有分類標注的醫療樣本圖像訓練得到的，所述圖像切割模型包括圖像偏移模塊、特征提取模塊、條件隨機場模塊和切割模塊；所述圖像偏移模塊用于根據預設偏移量集合，將醫療樣本圖像中第一區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，獲取多個不同區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，所述條件隨機場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注相同的概率，并通過損失函數計算各概率對應的損失值，所述切割模塊用于根據計算得到的最大損失值對應的偏移量，對所述醫療樣本圖像進行切割；

其中，在對所述圖像切割模型進行訓練時，通過所述損失值來優化所述特征提取模塊和所述條件隨機場模塊，直至滿足預設收斂條件。

進一步地，所述圖像偏移模塊中存儲有第一小塊子圖像與第一小塊子圖像中心像素坐標的映射關系，以及各第二小塊子圖像與第二小塊子圖像中心像素坐標的映射關系；

相應地，根據預設偏移量集合，將醫療樣本圖像中第一區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，獲取多個不同區域的第二小塊子圖像集合，包括：

根據預設偏移量集合，將醫療樣本圖像中第一區域的第一小塊子圖像中心像素坐標分別增加偏移量集合中的每一偏移量，獲取多個第二小塊子圖像中心像素坐標。

進一步地，在圖像切割模型輸出切割為小塊的子醫療圖像之后，還包括：根據切割為小塊的子醫療圖像中的組織進行分類。

進一步地，所述條件隨機場模塊根據條件隨機場函數獲取各第二小塊子圖像與第一小塊子圖像標注相同的概率；其中，所述條件隨機場函數為：