医学图像处理方法、装置、电子设备和存储介质与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及图像处理技术领域，具体而言，涉及一种医学图像处理方法、装置、电子设备和存储介质。背景技术：2.随着深度学习技术的快速发展，深度学习已经被广泛应用于医学图像分割领域，它的应用有效地提高了工作效率。3.目前，传统的基于深度学习的医学图像分割方法更侧重于数据的前处理操作，缺乏对模型输出结果的后处理操作，从而导致分割结果中存在部分错分区域。技术实现要素：4.基于上述研究，本发明提供了一种医学图像处理方法、装置、电子设备和存储介质，以改善上述问题。5.本发明的实施例可以通过以下实现：6.第一方面，本发明实施例提供一种医学图像方法，所述方法包括：7.获取医学图像输入到预先训练得到的分割模型后输出的图像分割结果；其中，所述图像分割结果包括至少一个图像分割区域以及各所述图像分割区域的类别标签；8.查找每个所述类别标签对应的连通区域；9.针对每个所述类别标签，将该类别标签对应的最大连通区域作为该类别标签的目标分割区域。10.在可选的实施方式中，所述方法还包括：11.获取样本图像数据以及与所述样本图像数据对应的标签图像数据；12.根据所述标签图像数据，判断所述样本图像数据是否为具有相互对称的区域的器官图像；13.若否，对所述样本图像数据以及所述标签图像数据进行第一增强操作；14.若是，对所述样本图像数据以及所述标签图像数据进行第二增强操作；其中，所述第一增强操作包括镜像操作，所述第二增强操作包括除所述镜像操作以外的操作；15.将进行增强操作后的样本图像数据以及标签图像数据输入到神经网络中进行训练，得到分割模型。16.在可选的实施方式中，所述根据所述标签图像数据，判断所述样本图像数据是否为具有相互对称的区域的器官图像的步骤包括：17.读取所述标签图像数据的标签信息；18.判断所述标签信息是否为预设标签信息；19.若是，则判定所述标签图像数据对应的样本图像数据为具有相互对称的区域的器官图像。20.在可选的实施方式中，在获取医学图像输入到预先训练得到的分割模型后输出的图像分割结果之前，所述方法还包括：21.获取所述医学图像的像素数据；22.对所述医学图像的每个像素进行插值处理，得到插值后的医学图像；23.所述获取医学图像输入到预先训练得到的分割模型后输出的图像分割结果的步骤包括：24.将插值后的医学图像输入到预先训练得到的分割模型；25.获取所述分割模型对所述插值后的医学图像进行处理后输出的图像分割结果。26.在可选的实施方式中，所述对所述医学图像的每个像素进行插值处理的步骤包括：27.分别以每个所述像素为目标像素，获取所述目标像素预设范围内的像素；28.对所述预设范围内的像素的像素值进行统计，得到每个所述像素值的数量；29.将数量最多的像素值作为所述目标像素的值，以对所述医学图像进行插值处理。30.在可选的实施方式中，在获取医学图像输入到预先训练得到的分割模型后输出的图像分割结果之前，所述方法还包括：31.获取处理所述医学图像的设备的可使用内存；32.根据所述设备的可使用内存对所述医学图像进行分块，得到分块后的医学图像；33.所述获取医学图像输入到预先训练得到的分割模型后输出的图像分割结果的步骤包括：34.将分块后的医学图像输入到预先训练得到的分割模型中；35.获取所述分割模型对所述分块后的医学图像进行处理后输出的图像分割结果。36.在可选的实施方式中，所述查找每个类别标签对应的连通区域的步骤包括：37.针对每个所述类别标签，以设定的邻域，在该类别标签标记的图像分割区域中查找连通区域。38.第二方面，本发明实施例提供一种医学图像处理装置，包括图像获取模块以及图像处理模块；39.所述图像获取模块用于获取医学图像输入到预先训练得到的分割模型后输出的图像分割结果；其中，所述图像分割结果包括至少一个图像分割区域以及各所述图像分割区域的类别标签；40.所述图像处理模块用于查找每个所述类别标签对应的连通区域，针对每个所述类别标签，将该类别标签对应的最大连通区域作为该类别标签的目标分割区域。41.第三方面，本发明实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现前述任一实施方式所述的医学图像处理方法。42.第四方面，本发明实施例提供一种存储介质，所述存储介质包括计算机程序，所述计算机程序运行时控制所述存储介质所在电子设备执行前述任一实施方式所述的医学图像处理方法。43.本发明实施例提供的医学图像处理方法、装置、电子设备和存储介质，在获取医学图像输入到预先训练得到的分割模型后输出的图像分割结果后，通过查找图像分割结果中每个类别标签对应的连通区域，针对每个类别标签，将该类别标签对应的最大连通区域作为该类别标签的目标分割区域，如此，可有效地对图像分割区域进行过滤，避免了图像分割区域的错分，提高了分割结果的准确性。附图说明44.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。45.图1为本发明实施例所提供的电子设备的一种结构方框。46.图2为本发明实施例所提供的医学图像处理方法的一种流程示意图。47.图3为本发明实施例所提供的医学图像处理方法的另一种流程示意图。48.图4为本发明实施例所提供的医学图像处理方法的又一种流程示意图。49.图5为本发明实施例所提供的医学图像处理装置的一种方框示意图。50.图标：100-电子设备；10-医学图像处理装置；11-图像获取模块；12-图像处理模块；20-存储器；30-处理器；40-通信单元。具体实施方式51.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。52.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。53.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。54.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。55.医学图像往往能够反映病人当前的身体状况，例如，计算机断层扫描(computed tomography，ct)医学图像已经被广泛应用于疾病诊断、精准治疗、术前分析以及术中引导等场合。医学图像分割的准确率在治疗过程中至关重要，早期的医学图像分割完全依靠医生完成。而随着深度学习技术的快速发展，深度学习已经被广泛应用于医学图像分割领域。56.但是，目前传统的基于深度学习的医学图像分割方法更侧重于数据的前处理操作，缺乏对模型输出结果的后处理操作，从而导致分割结果中存在部分的错分区域，准确率不高，影响使用效果。57.基于此，本实施例提供一种医学图像处理方法、装置、电子设备和存储介质，通过对分割模型输出的图像分割结果，采用最大连通区域的方式进行过滤，滤除错分区域，避免了图像分割区域的错分，提高了分割结果的可用性。58.图1为本实施例提供的一种电子设备100的结构框图。如图1所示，电子设备可以包括医学图像处理装置10、存储器20、处理器30及通信单元40，存储器20存储有处理器30可执行的机器可读指令，当电子设备100运行时，处理器30及存储器20之间通过总线通信，处理器30执行机器可读指令，并执行医学图像处理方法。59.存储器20、处理器30以及通信单元40各元件相互之间直接或间接地电性连接，以实现信号的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。医学图像处理装置10包括至少一个可以软件或固件(firmware)的形式存储于存储器20中的软件功能模块。处理器30用于执行存储器20中存储的可执行模块(例如医学图像处理装置10所包括的软件功能模块或计算机程序)。60.其中，存储器20可以是，但不限于，随机读取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等。61.处理器30可以是一种集成电路芯片，具有信号处理能力。上述处理器30可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等。还可以是数字信号处理器(dsp)、专用集成电路(asic)、现场可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。62.本实施例中，存储器20用于存储程序，处理器30用于在接收到执行指令后，执行程序。本实施例任一实施方式所揭示的流程定义的方法可以应用于处理器30中，或者由处理器30实现。63.通信单元40用于通过网络建立电子设备100与其他设备之间的通信连接，并用于通过网络收发数据。64.在一些实施方式中，网络可以是任何类型的有线或者无线网络，或者是他们的结合。仅作为示例，网络可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(local area network，lan)、广域网(wide area network，wan)、无线局域网(wireless local area networks，wlan)、城域网(metropolitan area network，man)、广域网(wide area network，wan)、公共电话交换网(public switched telephone network，pstn)、蓝牙网络、zigbee网络、或近场通信(near field communication，nfc)网络等，或其任意组合。65.在本实施例中，电子设备100可以是但不限于、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本、个人数字助理(personal digital assistant，pda)等设备。可选的，在一些实施方式中，电子设备100还可以是一台服务器，或者多台服务器组成的服务集群。本实施例对电子设备的具体类型不作任何限制。66.可以理解地，图1所示的结构仅为示意。电子设备100还可以具有比图1所示更多或者更少的组件，或者具有与图1所示不同的配置。图1所示的各组件可以采用硬件、软件或其组合实现。67.基于图1的实现架构，本实施例提供一种医学图像处理方法，由图1所示的电子设备执行，下面基于图1示出的电子设备100的结构图对本实施例提供的医学图像处理方法的步骤进行详细阐述。请结合参阅图2，本实施例所提供的医学图像处理方法包括步骤s101至步骤s103。68.步骤s101：获取医学图像输入到预先训练得到的分割模型后输出的图像分割结果。69.其中，医学图像可以包括诸如内窥镜图像、血管造影图像、计算机断层扫描图像、正子发射断层扫描图像、核磁共振图像以及超声图像等中的一种或多种，具体地，本实施例不做限定。70.在获取得到医学图像后，即可将医学图像输入到预先训练得到的分割模型中进行图像分割，分割模型在对医学图像进行图像分割后，即可输出图像分割结果。71.在本实施例中，图像分割结果包括至少一个图像分割区域以及各图像分割区域的类别标签。其中，类别标签可以是任意可用于区分的标识，其具体类型可以不做限制，可以是数字型的标签，也可以是英文字符型的标签，还可以中文字符型的标签，具体可以根据实际需求而设置。72.一般医学图像中包括有医学特征区域，该医学特征区域可以是病灶区域、特定组织或者器官区域等等。而在将医学图像输入到分割模型中后，分割模型即可对这些医学特征区域进行分割处理，从而输出这些医学特征区域的分割结果，即图像分割区域，其中，每一个医学特征区域对应一个图像分割区域，并且对于同一个医学特征区域，采用同种类别的标签进行标记，即对于每一个图像分割区域，采用一个类别的标签进行标记。例如，图像分割结果包括两个图像分割区域，分别为分割区域a和分割区域b，其中，对于分割区域a采用类别标签1进行勾画标记，对于分割区域b采用类别标签2进行勾画标记。73.鉴于实际应用中，现有的分割模型对于某些相似的特征区域，例如，脊髓和其他骨骼，不能准确地进行分割，进而对于脊髓的部分区域采用骨骼区域对应的类别标签进行标记，或者对于骨骼的部分区域采用脊髓区域对应的类别标签进行标记。为了提高图像分割的准确性，避免分割结果的错分，在本实施例中，在得到分割模型输出的图像分割结果后，执行步骤s102。74.步骤s102：查找每个类别标签对应的连通区域。75.其中，连通区域(connected component)一般是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域(region，blob)。在本实施例中，在得到分割模型输出的图像分割结果后，即可查找图像分割结果中的每个类别标签对应的所有连通区域。76.步骤s103：针对每个类别标签，将该类别标签对应的最大连通区域作为该类别标签的目标分割区域。77.其中，针对每个类别标签，在查找到该类别标签对应的所有连通区域后，将该类别标签对应的最大连通区域作为该类别标签的目标分割区域，即将该类别标签对应的最大连通区域取代该类别标签标记的图像分割区域，作为该类别标签的最终分割结果。78.本实施例所提供的医学图像处理方法，在获取医学图像输入到预先训练得到的分割模型后输出的图像分割结果后，通过查找图像分割结果中每个类别标签对应的连通区域，针对每个类别标签，将该类别标签对应的最大连通区域作为该类别标签的目标分割区域，如此，可有效地对图像分割区域进行过滤，避免了图像分割区域的错分，提高了分割结果的准确性。79.为了便于查找图像分割结果中每个类别标签对应的连通区域，在本实施例中，在得到分割模型输出的图像分割结果后，针对图像分割结果中的每个类别标签，可通过以下步骤查找该类别标签对应的连通区域：80.针对每个类别标签，以设定的邻域，在该类别标签标记的图像分割区域中查找连通区域。81.其中，设定的邻域，可以是8邻域或者4邻域，在一些实施方式中，还可以是其他的邻域，本实施例不做具体限定。82.在本实施例中，在得到图像分割结果后，针对图像分割结果中的每个类别标签，则可以在该类别标签标记的图像分割区域内，以设定的邻域查找所有的连通区域。例如，对于某个类别标签，若以8邻域的方式查找该类别标签标记的图像分割区域内的连通区域，则对于该类别标签标记的图像分割区域内的每个像素，判断该像素所在位置的上、下、左、右、左上、右上、左下、右下8个方向的像素的值是否与该像素的值一样，然后将值为一样的像素归为一个物体，判定属于同一连通区域，例如，左上方向的像素的值与该像素的值一样，则这两个像素被归为同一个物体，判定属于同一连通区域。以此类推，直至对该类别标签标记的图像分割区域内的所有像素处理完毕，得到该类别标签对应的所有连通区域。而若以4邻域的方式查找该类别标签标记的图像分割区域内的连通区域，则对于该类别标签标记的图像分割区域内的每个像素，判断该像素所在位置的上、下、左、右4个方向的像素的值是否与该像素的值一样，然后将值为一样的像素归为一个物体，判定属于同一连通区域。以此类推，直至对该类别标签标记的图像分割区域内的所有像素处理完毕，得到该类别标签对应的所有连通区域。83.在得到每个类别标签对应的所有连通区域后，则可以对每个类别标签对应的所有连通区域进行排序，将每个类别标签对应的最大连通区域作为每个类别标签对应的目标分割区域。84.鉴于实际应用中，医学图像可能是二维图像，也可能是三维图像，为了便于获得图像分割结果中每个类别标签的最大连通区域，对于每个类别标签，在查找到该类别标签对应的所有连通区域后，若医学图像是二维图像时，则可以按照面积大小对该类别标签对应的所有连通区域进行排序，然后将面积最大的连通区域作为该类别标签对应的目标分割区域；若医学图像是三维图像时，则可以按照体积大小对该类别标签对应的所有连通区域进行排序，然后将体积最大的连通区域作为该类别标签对应的目标分割区域，以此提高分割结果的准确性。85.例如，当医学图像为二维图像时，假设图像分割结果包括两个图像分割区域，即分割区域a和分割区域b，其中，对于分割区域a采用类别标签1进行勾画标记，对于分割区域b采用类别2进行勾画标记。对于类别标签1，在该类别标签标记的分割区域a中，以8邻接的方式查找到连通区域a_1，连通区域a_2，连通区域a_3，其中，连通区域a_1的面积＜连通区域a_2的面积＜连通区域a_3的面积，则以连通区域a_3代替分割区域a作为类别标签1的最终分割结果。而当医学图像为三维图像时，则根据连通区域a_1，连通区域a_2，连通区域a_3的体积进行排序，并将体积最大的连通区域作为类别标签1的最终分割结果。86.鉴于实际应用中，医学图像每个维度的分辨率存在不同，导致输入到分割模型时，无法保证数据的一致性。为了保证输入数据的一致性，提高图像分割的准确性，在本实施例中，请结合参阅图3，在获取医学图像输入到预先训练得到的分割模型后输出的图像分割结果之前，医学图像处理方法还包括步骤s201至步骤s202。87.步骤s201：获取医学图像的像素数据。88.其中，若医学图像是二维图像，则获取医学图像两个维度的像素数据，若医学图像为三维图像，则获取医学图像三个维度的像素数据。89.步骤s202：对医学图像的每个像素进行插值处理，得到插值后的医学图像。90.其中，在获取得到医学图像每个维度的像素数据后，即可对医学图像每个维度的每个像素进行插值处理。可选的，在本实施例中，采用最近邻插值对医学图像每个维度的每个像素进行插值处理。91.可选的，可通过以下步骤实现：92.分别以每个像素为目标像素，获取目标像素预设范围内的像素；93.对预设范围内的像素的像素值进行统计，得到每个像素值的数量；94.将数量最多的像素值作为目标像素的值，以对所述医学图像进行插值处理。95.其中，预设范围可以是以半径进行设置，也可以是以其他方式进行设置，具体地，本实施例不做限制。可以理解地，当以半径进行设置时，设定的半径的数值可以根据实际需求而设定，本实施例也不做限定。96.在本实施例中，分别将每个像素作为目标像素，然后针对每个目标像素，获取该目标像素的预设范围内的所有像素，并在获取该目标像素的预设范围内的所有像素后，对该目标像素预设范围内的所有像素的像素值进行统计，得到每个像素值的数量，然后将数量最多的像素值作为该目标像素的值。例如，对于某个维度的像素a，其预设范围内存在20个像素，其中，有10个像素的像素值为200，有8个像素的像素值为100，有2个像素的像素值为50，可以得到像素值为200的数量最多，则将像素a的像素值设置为200。97.相应地，在对医学图像的每个像素进行插值处理后，即可将插值后的医学图像输入到预先训练得到分割模型，由分割模型对插值后的医学图像进行分割处理后，然后获取分割模型对插值后的医学图像进行处理后输出的图像分割结果。98.本实施例所提供的医学图像处理方法，通过对医学图像每个维度的每个像素进行插值处理，统一了医学图像的像素间隔，使得医学图像在不同的维度上具有相同的分辨率，保证送入分割模型的数据的一致性。99.由于电子设备的内存是有限的，在保证分割模型的运行的同时也要保证其他程序的运行，而医学图像有着数据量大的特点，而如果一次性向分割模型输入整个图像，图像尺寸过大，分割模型则会带来较高的负载并占用大量的内存，甚至图像尺寸过大，导致模型的崩溃。基于此，请结合参阅图4，本实施例在获取医学图像输入到预先训练得到的分割模型后输出的图像分割结果之前，医学图像处理方法还包括步骤s301至步骤s302。100.步骤s301：获取处理医学图像的设备的可使用内存。101.步骤s302：根据设备的可使用内存对医学图像进行分块，得到分块后的医学图像。102.其中，在将医学图像输入到分割模型之前，先获取当前电子设备的gpu的可使用内存，然后根据可使用内存设定图像块的尺寸大小，之后再根据设定的图像块的尺寸大小，对医学图像进行切块。103.在一种可选的实施方式中，在根据可使用内存设定图像块的尺寸大小时，可先对分割模型处理不同尺寸的图像时所占的内存大小进行分析，得到不同尺寸的图像与占用内存的对应关系。在实际使用时，在获取得到电子设备的可使用内存后，则可以根据占用内存与尺寸大小的对应关系以及当前可使用内存，对医学图像进行切块，以使分割模型对切块后的医学图像进行分割处理时，满足内存需求。例如，不同尺寸的图像与占用内存的对应关系有a尺寸的图像对应的内存是a，b尺寸图像对应的内存是b，c尺寸的图像对应的内存是c，假设可使用内存是a，则可以将医学图像切成a尺寸大小的块。104.可以理解地，若医学图像为二维图像时，则可以将医学图像切成多个矩形块，若医学图像为三维图像时，则可以将医学图像切成多个立方体块。105.相应地，在对医学图像进行分块后，即可将分块后的医学图像输入到预先训练得到分割模型，由分割模型对分块后的医学图像进行分割处理后，然后获取分割模型对分块后的医学图像进行处理后输出的图像分割结果。106.可选的，在本实施例中，在将医学图像进行分块，得到多个图像块后，可以将各个图像块依次输入到预先训练得到的分割模型中进行分割处理，得到每个图像块对应的图像分割结果。107.在一种可选的实施方式中，在得到各个图像块对应的图像分割结果后，可将各个图像块对应的图像分割结果进行拼接，得到拼接后的图像分割结果，在得到拼接后的图像分割结果后，在查找每个类别标签对应的所有连通区域。108.本实施例所提供的医学图像处理方法，在将医学图像输入到分割模型之前，通过获取当前电子设备的gpu的可使用内存，根据可使用内存对医学图像进行分块，避免了分割模型的崩溃，满足了电子设备的内存需求。109.由于医学图像数据的获取难度较大，在训练分割模型时，可能会导致训练数据的不足，基于此，大多在训练分割模型时，在数据预处理的过程中会对原始的医学图像进行旋转、镜像和缩放等增强操作来增加数据量。但是在实际的训练过程中发现左右镜像操作会导致同一器官的左右部分无法完全分割，例如，当医学图像为肺部图像时，由于肺部分为左肺部分和右肺部分，在经过镜像操作后，分割模型则无法准确地将左肺部分和右肺部分进行分割，导致左肺部分含有右肺的标签或者右肺部分含有左肺的标签。110.为了提高分割模型的准确性，本实施例所提供的医学图像处理方法，还包括分割模型的训练步骤，在分割模型的训练过程，在数据预处理阶段，在数据增强操作中去掉镜像操作。具体地，可通过以下步骤实现：111.首先，获取样本图像数据以及与样本图像数据对应的标签图像数据。112.之后，根据标签图像数据，判断样本图像数据是否为具有相互对称的区域的器官图像。113.若否，对样本图像数据以及标签图像数据进行第一增强操作。114.若是，对样本图像数据以及标签图像数据进行第二增强操作。115.其中，第一增强操作包括镜像操作，第二增加操作包括除镜像操作以外的操作。116.最后，将进行增强操作后的样本图像数据以及标签图像数据输入到神经网络中进行训练，得到分割模型。117.其中，通过对样本图像数据中的每个医学特征区域采用标签进行标记，即可得到样本图像数据对应的标签图像数据。118.需要说明的是，在采用标签对每个医学特征区域进行标记时，若该图像是具有相互对称的区域的器官图像，即该图像是具有两部分的器官图像时，则对该图像采用预设的标签进行标记，并且对于该图像中所包括的相互对称的区域也采用不同的标签进行标记。其中，预设的标签可以根据实际需求而设定，只需要具有标识性以及唯一性即可。例如，对于具有相互对称区域的肺部图像，则可以采用预设的标签l进行标记。119.而在获取得到样本图像数据以及与样本图像数据对应的标签图像数据后，对获取得到的数据进行预处理时，则可以根据标签图像数据，判断样本图像数据是否为具有相互对称的区域的器官图像。120.在可选的实施方式中，根据标签图像数据，判断样本图像数据是否为具有相互对称的区域的器官图像的步骤包括：121.读取标签图像数据的标签信息。122.判断标签信息是否为预设标签信息。123.若是，则判定标签图像数据对应的样本图像数据为具有相互对称的区域的器官图像。124.其中，由于标签图像数据是通过对样本图像数据进行标记得到，因此，通过读取标签图像数据的标签信息，根据标签图像数据的标签信息即可得到样本图像数据为具有相互对称的区域的器官图像。具体地，当标签图像数据的标签信息为预设标签信息时，判定标签图像数据对应的样本图像数据为具有相互对称的区域的器官图像。而当标签图像数据的标签信息不为预设标签信息时，则判定标签图像数据对应的样本数据不为具有相互对称的区域的器官图像。125.例如，在读取标签图像数据的标签信息后，对该标签信息进行分析，得到该标签信息为预设标签l，则判定标签图像数据对应的样本图像数据为具有相互对称的区域的器官图像。126.在本实施例中，若判断得到样本图像数据不为具有相互对称的区域的器官图像，则对样本图像数据以及标签图像数据进行第一增强操作，即可以对样本图像数据以及标签图像数据进行镜像操作来增加数据量；而若判断得到样本图像数据为具有相互对称的区域的器官图像，则对样本图像数据以及标签图像数据进行第二增强操作，即对样本图像数据以及标签图像数据执行除镜像操作以外的数据增强操作来增加数据量，如旋转操作、缩放操作等等。127.可以理解地，在对样本图像数据以及标签图像数据进行第一增强操作时，第一增强操作不仅可以包括镜像操作，也可以包括旋转操作、缩放操作等其他的数据增强操作。128.而在对样本图像数据以及标签图像数据进行增强操作后，即可将进行增强操作后的样本图像数据以及标签图像数据输入到神经网络中进行训练，得到分割模型。129.需要说明的是，在本实施例中，分割模型可采用任意的网络，如卷积神经网络(convolutional neural networks，cnn)、循环神经网络(recurrent neural network，rnn)等，以及任意的训练方式得到，如有监督的训练方式、无监督的训练方式等，具体可参阅现有技术中对神经网络进行训练得到分割模型的过程，在此不做过多赘述。130.可选的，在本实施例中，在训练分割模型的过程中，为了保证数据的一致性，也可以对样本图像数据以及标签图像数据进行步骤s201至步骤s202的插值操作，而对样本图像数据与标签图像数据的插值操作需要同步进行。131.可选的，在本实施例中，在训练分割模型的过程中，为了满足内存需求，也可以对样本图像数据以及标签图像数据进行步骤s301至步骤s302的切块操作，而对样本图像数据与标签图像数据的切块操作也需要同步进行。132.本实施例所提供的医学图像处理方法，在对分割模型训练的过程中，在对数据预处理时，对具有相互对称的区域的器官图像，去除镜像操作，从而让分割模型能够有效地对具有相互对称的区域的器官进行分割，提高了分割模型的准确性。133.基于同一发明构思，请结合参阅图5，本实施例还提供一种医学图像处理装置10，该医学图像处理装置10应用于图1所示的电子设备，如图5所示，本实施例所提供的医学图像处理装置10包括图像获取模块11以及图像处理模块12。134.图像获取模块11用于获取医学图像输入到预先训练得到的分割模型后输出的图像分割结果；其中，图像分割结果包括至少一个图像分割区域以及各所述图像分割区域的类别标签。135.图像处理模块12用于查找每个类别标签对应的连通区域，针对每个类别标签，将该类别标签对应的最大连通区域作为该类别标签的目标分割区域。136.在可选的实施方式中，本实施例所提供的医学图像处理装置还包括模型训练模块，模型训练模块用于获取样本图像数据以及与样本图像数据对应的标签图像数据。137.根据标签图像数据，判断样本图像数据是否为具有相互对称的区域的器官图像。138.若否，对样本图像数据以及标签图像数据进行第一增强操作。139.若是，对样本图像数据以及标签图像数据进行第二增强操作；其中，第一增强操作包括镜像操作，第二增加操作包括除镜像操作以外的操作。140.将进行增强操作后的样本图像数据以及标签图像数据输入到神经网络中进行训练，得到分割模型。141.在可选的实施方式中，模型训练模块具体用于：142.读取标签图像数据的标签信息。143.判断标签信息是否为预设标签信息。144.若是，则判定标签图像数据对应的样本图像数据为具有相互对称的区域的器官图像。145.在可选的实施方式中，图像处理模块12还用于在获取医学图像输入到预先训练得到的分割模型后输出的图像分割结果之前，获取医学图像的像素数据，对医学图像的每个像素进行插值处理，得到插值后的医学图像。146.图像获取模块11用于将插值后的医学图像输入到预先训练得到的分割模型，获取分割模型对插值后的医学图像进行处理后输出的图像分割结果。147.在可选的实施方式中，图像处理模块12具体用于：148.分别以每个像素为目标像素，获取目标像素预设范围内的像素。149.对预设范围内的像素的像素值进行统计，得到每个像素值的数量。150.将数量最多的像素值作为目标像素的值，以对医学图像进行插值处理。151.在可选的实施方式中，图像处理模块12还用于在获取医学图像输入到预先训练得到的分割模型后输出的图像分割结果之前，获取处理医学图像的设备的可使用内存，根据设备的可使用内存对医学图像进行分块，得到分块后的医学图像。152.图像获取模块11用于将分块后的医学图像输入到预先训练得到的分割模型中，获取分割模型对分块后的医学图像进行处理后输出的图像分割结果。153.在可选的实施方式中，图像处理模块12具体用于针对每个类别标签，以设定的邻域，在该类别标签标记的图像分割区域中查找连通区域。154.本实施例所提供的医学图像处理装置，在获取医学图像输入到预先训练得到的分割模型后输出的图像分割结果后，通过查找图像分割结果中每个类别标签对应的所有连通区域，针对每个类别标签，将该类别标签对应的最大连通区域作为该类别标签的目标分割区域，如此，可有效地对图像分割区域进行过滤，避免了图像分割区域的错分，提高了分割结果的可用性。155.本实施例所提供的医学图像处理装置，通过对医学图像每个维度的每个像素进行插值处理，统一了医学图像在每个维度上的分辨率，保证送入分割模型的数据的一致性。156.本实施例所提供的医学图像处理装置，在将医学图像输入到分割模型之前，通过获取当前电子设备的gpu的可使用内存，根据可使用内存对医学图像进行分块，避免了分割模型的崩溃，满足了电子设备的内存需求。157.本实施例所提供的医学图像处理装置，在对分割模型训练的过程中，在对数据预处理时，对具有相互对称的区域的器官图像，去除镜像操作，从而让分割模型能够有效地对具有相互对称的区域的器官进行分割，提高了分割模型的准确性。158.由于本实施例中的装置解决问题的原理与本实施例上述医学图像处理方法相似，因此装置的实施原理可以参见方法的实施原理，重复之处不再赘述。159.在上述基础上，本实施例了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述任一实施方式所述的医学图像处理方法。160.在上述基础上，本实施例提供了一种存储介质，所述存储介质包括计算机程序，所述计算机程序运行时控制所述存储介质所在电子设备执行前述任一实施方式所述的医学图像处理方法。161.综上，本发明实施例提供的医学图像处理方法、装置、电子设备和存储介质，在获取医学图像输入到预先训练得到的分割模型后输出的图像分割结果后，通过查找图像分割结果中每个类别标签对应的所有连通区域，针对每个类别标签，将该类别标签对应的最大连通区域作为该类别标签的目标分割区域，如此，可有效地对图像分割区域进行过滤，避免了图像分割区域的错分，提高了分割结果的准确性。162.以上所述，仅为本发明的各种实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!