本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，特別地涉及一種醫(yī)學(xué)圖像分析方法和裝置。

背景技術(shù)：

利用算法從醫(yī)學(xué)圖像中讓計算機自動化地識別出病變或潛在病變例如脂肪肝、腸息肉是一個多年以來人們都在嘗試解決的問題。傳統(tǒng)的計算機自動識別算法為將原始圖片輸入，即像素值轉(zhuǎn)化為人們手動定義的特征，比如SIFT,HOG特征等；然后將這些變換后的特征放入一個預(yù)先訓(xùn)練好的淺層檢測器中進(jìn)行檢測，檢測的過程大體為，在原始圖片滑動一個預(yù)先設(shè)定好大小的檢測窗口，如果在某一個位置計算出來的檢測分?jǐn)?shù)高于某一個預(yù)先設(shè)定好的閾值，則認(rèn)為這一個位置存在我們感興趣的病變或潛在病變。

但是，現(xiàn)有技術(shù)應(yīng)用在胃腸內(nèi)窺鏡檢查的時候會產(chǎn)生大量誤報，主要因為這類方法使用的模型通常只包含一個提取特征的隱含層，提取的特征往往不足以刻畫和區(qū)分病變點和正常區(qū)域。

技術(shù)實現(xiàn)要素：

鑒于此，有必要針對傳統(tǒng)技術(shù)存在的問題，提供了一種醫(yī)學(xué)圖像分析方法和裝置，能夠大幅提升了算法的準(zhǔn)確性，降低了漏報，且準(zhǔn)確快速獲取病變點，以及對病變點進(jìn)行進(jìn)一步分析的操作。

為達(dá)到發(fā)明目的，提供一種醫(yī)學(xué)圖像分析方法，所述方法包括：獲取醫(yī)學(xué)圖像和所述醫(yī)學(xué)圖像的內(nèi)容的元數(shù)據(jù)，并將獲取的所述醫(yī)學(xué)圖像與從云端醫(yī)學(xué)數(shù)據(jù)庫上抓取的解剖信息圖像相匹配，其中，所述醫(yī)學(xué)圖像為多個經(jīng)過標(biāo)定病變標(biāo)志的樣本醫(yī)學(xué)圖像，所述解剖信息圖像為與所述醫(yī)學(xué)圖像的所述內(nèi)容相關(guān)聯(lián)的標(biāo)定所述病變標(biāo)志的解剖標(biāo)志；對匹配成功的所述醫(yī)學(xué)圖像進(jìn)行保邊擴(kuò)散圖像濾波處理，獲取待訓(xùn)練的訓(xùn)練樣本醫(yī)學(xué)圖像；依次采用卷積層、反卷積層、池化層以及全連接層的網(wǎng)絡(luò)結(jié)構(gòu)對所述訓(xùn)練樣本醫(yī)學(xué)圖像執(zhí)行深度訓(xùn)練，生成病變點特征模型；將待測試的所述醫(yī)學(xué)圖像輸入所述病變點特征模型，自動獲取病變點識別結(jié)果。

在其中一個實施例中，還包括：提取獲取的所述病變點識別結(jié)果的多個描述特性；對所述多個描述特性進(jìn)行分析以便獲取醫(yī)療解決方案。

在其中一個實施例中，還包括：獲取多個經(jīng)過標(biāo)定所述病變標(biāo)志的所述樣本醫(yī)學(xué)圖像；建立根據(jù)所述樣本醫(yī)學(xué)圖像的集合所校準(zhǔn)的邏輯模型；將所述邏輯模型應(yīng)用于所述病變點識別結(jié)果以估算出與所述病變點識別結(jié)果對應(yīng)的概率值。

在其中一個實施例中，所述對匹配成功的所述醫(yī)學(xué)圖像進(jìn)行保邊擴(kuò)散圖像濾波處理的步驟之后還包括：對匹配成功的所述醫(yī)學(xué)圖像進(jìn)行選擇濾波處理、去黑邊處理、去縮略圖處理、圖像尺寸統(tǒng)一化處理、RGB數(shù)值中心化處理、均值化處理、數(shù)據(jù)增強處理中的至少一種處理。

在其中一個實施例中，所述數(shù)據(jù)增強處理為：基于任意角度旋轉(zhuǎn)的數(shù)據(jù)增強、基于直方圖均衡的數(shù)據(jù)增強、基于白平衡的數(shù)據(jù)增強、基于鏡像操作的數(shù)據(jù)增強、基于隨機剪切的數(shù)據(jù)增強、基于模擬不同光照變化的數(shù)據(jù)增強的一種或多種。

基于同一發(fā)明構(gòu)思的一種醫(yī)學(xué)圖像分析裝置，所述裝置包括：獲取與抓取模塊，用于獲取醫(yī)學(xué)圖像和所述醫(yī)學(xué)圖像的內(nèi)容的元數(shù)據(jù)，并將獲取的所述醫(yī)學(xué)圖像與從云端醫(yī)學(xué)數(shù)據(jù)庫上抓取的解剖信息圖像相匹配，其中，所述醫(yī)學(xué)圖像為多個經(jīng)過標(biāo)定病變標(biāo)志的樣本醫(yī)學(xué)圖像，所述解剖信息圖像為與所述醫(yī)學(xué)圖像的所述內(nèi)容相關(guān)聯(lián)的標(biāo)定所述病變標(biāo)志的解剖標(biāo)志；匹配與訓(xùn)練模塊，用于對匹配成功的所述醫(yī)學(xué)圖像進(jìn)行保邊擴(kuò)散圖像濾波處理，獲取待訓(xùn)練的訓(xùn)練樣本醫(yī)學(xué)圖像；模型生成模塊，用于依次采用卷積層、反卷積層、池化層以及全連接層的網(wǎng)絡(luò)結(jié)構(gòu)對所述訓(xùn)練樣本醫(yī)學(xué)圖像執(zhí)行深度訓(xùn)練，生成病變點特征模型；結(jié)果獲取模塊，用于將待測試的所述醫(yī)學(xué)圖像輸入所述病變點特征模型，自動獲取病變點識別結(jié)果。

在其中一個實施例中，還包括：提取模塊，用于提取獲取的所述病變點識別結(jié)果的多個描述特性；分析模塊，用于對所述多個描述特性進(jìn)行分析以便獲取醫(yī)療解決方案。

在其中一個實施例中，還包括：樣本醫(yī)學(xué)圖像獲取模塊，用于獲取多個經(jīng)過標(biāo)定所述病變標(biāo)志的所述樣本醫(yī)學(xué)圖像；邏輯模型建立模塊，用于建立根據(jù)所述樣本醫(yī)學(xué)圖像的集合所校準(zhǔn)的邏輯模型；概率值估算模塊，用于將所述邏輯模型應(yīng)用于所述病變點識別結(jié)果以估算出與所述病變點識別結(jié)果對應(yīng)的概率值。

在其中一個實施例中，所述匹配與訓(xùn)練模塊還用于對匹配成功的所述醫(yī)學(xué)圖像進(jìn)行選擇濾波處理、去黑邊處理、去縮略圖處理、圖像尺寸統(tǒng)一化處理、RGB數(shù)值中心化處理、均值化處理、數(shù)據(jù)增強處理中的至少一種處理。

在其中一個實施例中，所述數(shù)據(jù)增強處理為：基于任意角度旋轉(zhuǎn)的數(shù)據(jù)增強、基于直方圖均衡的數(shù)據(jù)增強、基于白平衡的數(shù)據(jù)增強、基于鏡像操作的數(shù)據(jù)增強、基于隨機剪切的數(shù)據(jù)增強、基于模擬不同光照變化的數(shù)據(jù)增強的一種或多種。

本發(fā)明的有益效果包括：上述醫(yī)學(xué)圖像分析方法和裝置，獲取醫(yī)學(xué)圖像和醫(yī)學(xué)圖像的內(nèi)容的元數(shù)據(jù)，并將獲取的醫(yī)學(xué)圖像與從云端醫(yī)學(xué)數(shù)據(jù)庫上抓取的解剖信息圖像相匹配，其中，醫(yī)學(xué)圖像為多個經(jīng)過標(biāo)定病變標(biāo)志的樣本醫(yī)學(xué)圖像，解剖信息圖像為與醫(yī)學(xué)圖像的內(nèi)容相關(guān)聯(lián)的標(biāo)定病變標(biāo)志的解剖標(biāo)志；對匹配成功的醫(yī)學(xué)圖像進(jìn)行保邊擴(kuò)散圖像濾波處理，獲取待訓(xùn)練的訓(xùn)練樣本醫(yī)學(xué)圖像；依次采用卷積層、反卷積層、池化層以及全連接層的網(wǎng)絡(luò)結(jié)構(gòu)對訓(xùn)練樣本醫(yī)學(xué)圖像執(zhí)行深度訓(xùn)練，生成病變點特征模型；將待測試的醫(yī)學(xué)圖像輸入病變點特征模型，自動獲取病變點識別結(jié)果。上述方法能夠大幅提升了算法的準(zhǔn)確性，降低了漏報，且準(zhǔn)確快速獲取病變點，以及對病變點進(jìn)行進(jìn)一步分析的操作。此外，使用了深度網(wǎng)絡(luò)，克服了淺層網(wǎng)絡(luò)特征提取不充分的問題。

附圖說明

圖1為本發(fā)明一個實施例中的醫(yī)學(xué)圖像分析方法的步驟流程圖；

圖2為本發(fā)明一個實施例中的醫(yī)學(xué)圖像分析裝置的結(jié)構(gòu)示意圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例對本發(fā)明醫(yī)學(xué)圖像分析方法和裝置進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅用以解釋本發(fā)明，病不用于限定本發(fā)明。

需要說明的是，背景技術(shù)中已經(jīng)闡述了現(xiàn)有技術(shù)中的缺點。本技術(shù)方案中采用的深度學(xué)習(xí)方案中使用的神經(jīng)網(wǎng)絡(luò)有著提取物體高層特征的特點。由于高層特征信息是底層特征信息的線性和非線性變換，因此深層神經(jīng)網(wǎng)絡(luò)相比于淺層網(wǎng)絡(luò)更能提取出能夠刻畫欲描述物體的本質(zhì)特征，從而可以提升模型效果。

如圖1所示，為一個實施例中的一種醫(yī)學(xué)圖像分析方法的步驟流程圖。具體包括以下步驟：

步驟102，獲取醫(yī)學(xué)圖像和醫(yī)學(xué)圖像的內(nèi)容的元數(shù)據(jù)，并將獲取的醫(yī)學(xué)圖像與從云端醫(yī)學(xué)數(shù)據(jù)庫上抓取的解剖信息圖像相匹配。其中，醫(yī)學(xué)圖像為多個經(jīng)過標(biāo)定病變標(biāo)志的樣本醫(yī)學(xué)圖像，例如，由專業(yè)人員對上萬名病人的近十萬張病例圖片進(jìn)行標(biāo)注，標(biāo)注工具使用PS等類似應(yīng)用軟件。標(biāo)注過程即將病變位置作為圖層涂上不同顏色。標(biāo)注內(nèi)容除了病變和疑似病變位置之外，還可以有選擇性的包括與病變相關(guān)的內(nèi)容。通常發(fā)現(xiàn)病變的大小差別很大，如果將大小不等的病變圖像混合在一起訓(xùn)練模型不可能達(dá)到比較好的效果，故根據(jù)病變大小將其分為不同類別等級；且解剖信息圖像為與醫(yī)學(xué)圖像的內(nèi)容相關(guān)聯(lián)的標(biāo)定病變標(biāo)志的解剖標(biāo)志。

步驟104，對匹配成功的醫(yī)學(xué)圖像進(jìn)行保邊擴(kuò)散圖像濾波處理，獲取待訓(xùn)練的訓(xùn)練樣本醫(yī)學(xué)圖像。

本實施例中，對匹配成功的醫(yī)學(xué)圖像進(jìn)行保邊擴(kuò)散圖像濾波處理的步驟之后還包括：對匹配成功的醫(yī)學(xué)圖像進(jìn)行選擇濾波處理、去黑邊處理、去縮略圖處理、圖像尺寸統(tǒng)一化處理、RGB數(shù)值中心化處理、均值化處理、數(shù)據(jù)增強處理中的至少一種處理。具體的，首先去掉圖像黑邊和去掉左上角的縮略圖；然后將圖像RGB數(shù)據(jù)進(jìn)行中心化，均值化以及圖像尺寸的統(tǒng)一化等預(yù)處理后，存儲成便于神經(jīng)網(wǎng)絡(luò)讀取的數(shù)據(jù)格式，例如h5或LMDB等。其中，中心化使用參數(shù)的范圍在100-140之間；均值化使用參數(shù)在100-140之間；經(jīng)過尺寸統(tǒng)一化之后的訓(xùn)練樣本醫(yī)學(xué)圖像大小范圍是256×256像素至1024×1024像素之間。

進(jìn)一步地，數(shù)據(jù)增強處理為：基于任意角度旋轉(zhuǎn)的數(shù)據(jù)增強、基于直方圖均衡的數(shù)據(jù)增強、基于白平衡的數(shù)據(jù)增強、基于鏡像操作的數(shù)據(jù)增強、基于隨機剪切的數(shù)據(jù)增強、基于模擬不同光照變化的數(shù)據(jù)增強的一種或多種。其中，基于任意角度的旋轉(zhuǎn)的數(shù)據(jù)增強和基于模擬不同光照變化的數(shù)據(jù)增強的操作對提升模型效果有著更大的意義。

步驟106，依次采用卷積層、反卷積層、池化層以及全連接層的網(wǎng)絡(luò)結(jié)構(gòu)對訓(xùn)練樣本醫(yī)學(xué)圖像執(zhí)行深度訓(xùn)練，生成病變點特征模型。

本實施例中，使用深度網(wǎng)絡(luò)訓(xùn)練工具Caffe進(jìn)行模型訓(xùn)練。使用此工具的時候除了使用網(wǎng)絡(luò)結(jié)構(gòu)文件之外，還需定義solver文件。其中，solver文件給出了最優(yōu)化模型訓(xùn)練的方法即參數(shù)的反向傳播算法，且關(guān)鍵參數(shù)包括但不限于：基礎(chǔ)學(xué)習(xí)率范圍0.0001至0.01；學(xué)習(xí)動量范圍0.9至0.99；權(quán)重懲罰系數(shù)范圍0.0001至0.001；epoch的范圍設(shè)置為100至400。需要說明的是，epoch是指跑遍一次訓(xùn)練集合中的所有圖片，本實施例即為跑遍100至400次訓(xùn)練集合中的所有圖片。

步驟108，將待測試的醫(yī)學(xué)圖像輸入病變點特征模型，自動獲取病變點識別結(jié)果。

在一個實施例中，醫(yī)學(xué)圖像分析方法還包括：提取獲取的病變點識別結(jié)果的多個描述特性；對多個描述特性進(jìn)行分析以便獲取醫(yī)療解決方案。具體的，在本實施例中，測試集共有近十萬張測試醫(yī)學(xué)圖像，其中包含三分之一的正樣本圖片。這些測試醫(yī)學(xué)圖像的尺寸與前面的訓(xùn)練樣本醫(yī)學(xué)圖像的尺寸一致。經(jīng)過模型識別，發(fā)現(xiàn)漏報率非常低。因此該醫(yī)學(xué)圖像分析方法可以幫助醫(yī)生做醫(yī)學(xué)圖像的預(yù)篩工作，這樣可以幫助醫(yī)生節(jié)省大量人工時間，提高勞動生產(chǎn)率，有效分配緊缺的醫(yī)療資源。

此外，在一個實施例中，醫(yī)學(xué)圖像分析方法還包括：獲取多個經(jīng)過標(biāo)定病變標(biāo)志的樣本醫(yī)學(xué)圖像；建立根據(jù)樣本醫(yī)學(xué)圖像的集合所校準(zhǔn)的邏輯模型；將邏輯模型應(yīng)用于病變點識別結(jié)果以估算出與病變點識別結(jié)果對應(yīng)的概率值。

本發(fā)明提供的一種醫(yī)學(xué)圖像分析方法，獲取醫(yī)學(xué)圖像和醫(yī)學(xué)圖像的內(nèi)容的元數(shù)據(jù)，并將獲取的醫(yī)學(xué)圖像與從云端醫(yī)學(xué)數(shù)據(jù)庫上抓取的解剖信息圖像相匹配，其中，醫(yī)學(xué)圖像為多個經(jīng)過標(biāo)定病變標(biāo)志的樣本醫(yī)學(xué)圖像，解剖信息圖像為與醫(yī)學(xué)圖像的內(nèi)容相關(guān)聯(lián)的標(biāo)定病變標(biāo)志的解剖標(biāo)志；對匹配成功的醫(yī)學(xué)圖像進(jìn)行保邊擴(kuò)散圖像濾波處理，獲取待訓(xùn)練的訓(xùn)練樣本醫(yī)學(xué)圖像；依次采用卷積層、反卷積層、池化層以及全連接層的網(wǎng)絡(luò)結(jié)構(gòu)對訓(xùn)練樣本醫(yī)學(xué)圖像執(zhí)行深度訓(xùn)練，生成病變點特征模型；將待測試的醫(yī)學(xué)圖像輸入病變點特征模型，自動獲取病變點識別結(jié)果。上述方法能夠大幅提升了算法的準(zhǔn)確性，降低了漏報，且準(zhǔn)確快速獲取病變點，以及對病變點進(jìn)行進(jìn)一步分析的操作。此外，使用了深度網(wǎng)絡(luò)，克服了淺層網(wǎng)絡(luò)特征提取不充分的問題。

基于同一發(fā)明構(gòu)思，還提供了一種醫(yī)學(xué)圖像分析裝置，由于此裝置解決問題的原理與前述一種醫(yī)學(xué)圖像分析方法相似，因此，該裝置的實施可以按照前述方法的具體步驟實現(xiàn)，重復(fù)之處不再贅述。

如圖2所示，為一個實施例中的一種醫(yī)學(xué)圖像分析裝置的結(jié)構(gòu)示意圖。該醫(yī)學(xué)圖像分析裝置10包括：獲取與抓取模塊100、匹配與訓(xùn)練模塊200、模型生成模塊300和結(jié)果獲取模塊400。

其中，獲取與抓取模塊100用于獲取醫(yī)學(xué)圖像和醫(yī)學(xué)圖像的內(nèi)容的元數(shù)據(jù)，并將獲取的醫(yī)學(xué)圖像與從云端醫(yī)學(xué)數(shù)據(jù)庫上抓取的解剖信息圖像相匹配，其中，醫(yī)學(xué)圖像為多個經(jīng)過標(biāo)定病變標(biāo)志的樣本醫(yī)學(xué)圖像，解剖信息圖像為與醫(yī)學(xué)圖像的內(nèi)容相關(guān)聯(lián)的標(biāo)定病變標(biāo)志的解剖標(biāo)志；匹配與訓(xùn)練模塊200用于對匹配成功的醫(yī)學(xué)圖像進(jìn)行保邊擴(kuò)散圖像濾波處理，獲取待訓(xùn)練的訓(xùn)練樣本醫(yī)學(xué)圖像；模型生成模塊300用于依次采用卷積層、反卷積層、池化層以及全連接層的網(wǎng)絡(luò)結(jié)構(gòu)對訓(xùn)練樣本醫(yī)學(xué)圖像執(zhí)行深度訓(xùn)練，生成病變點特征模型；結(jié)果獲取模塊400用于將待測試的醫(yī)學(xué)圖像輸入病變點特征模型，自動獲取病變點識別結(jié)果。

本實施例中，匹配與訓(xùn)練模塊200還用于對匹配成功的所述醫(yī)學(xué)圖像進(jìn)行選擇濾波處理、去黑邊處理、去縮略圖處理、圖像尺寸統(tǒng)一化處理、RGB數(shù)值中心化處理、均值化處理、數(shù)據(jù)增強處理中的至少一種處理。

進(jìn)一步地，數(shù)據(jù)增強處理為：基于任意角度旋轉(zhuǎn)的數(shù)據(jù)增強、基于直方圖均衡的數(shù)據(jù)增強、基于白平衡的數(shù)據(jù)增強、基于鏡像操作的數(shù)據(jù)增強、基于隨機剪切的數(shù)據(jù)增強、基于模擬不同光照變化的數(shù)據(jù)增強的一種或多種。

在一個實施例中，該醫(yī)學(xué)圖像分析裝置10還包括：提取模塊500(圖中未示出)用于提取獲取的病變點識別結(jié)果的多個描述特性；分析模塊600(圖中未示出)用于對多個描述特性進(jìn)行分析以便獲取醫(yī)療解決方案。

此外，在一個實施例中，該醫(yī)學(xué)圖像分析裝置10還包括：樣本醫(yī)學(xué)圖像獲取模塊700(圖中未示出)用于獲取多個經(jīng)過標(biāo)定病變標(biāo)志的樣本醫(yī)學(xué)圖像；邏輯模型建立模塊800(圖中未示出)用于建立根據(jù)樣本醫(yī)學(xué)圖像的集合所校準(zhǔn)的邏輯模型；概率值估算模塊900(圖中未示出)用于將邏輯模型應(yīng)用于病變點識別結(jié)果以估算出與病變點識別結(jié)果對應(yīng)的概率值。

本發(fā)明提供的一種醫(yī)學(xué)圖像分析裝置，通過獲取與抓取模塊100獲取醫(yī)學(xué)圖像和醫(yī)學(xué)圖像的內(nèi)容的元數(shù)據(jù)，并將獲取的醫(yī)學(xué)圖像與從云端醫(yī)學(xué)數(shù)據(jù)庫上抓取的解剖信息圖像相匹配，其中，醫(yī)學(xué)圖像為多個經(jīng)過標(biāo)定病變標(biāo)志的樣本醫(yī)學(xué)圖像，解剖信息圖像為與醫(yī)學(xué)圖像的內(nèi)容相關(guān)聯(lián)的標(biāo)定病變標(biāo)志的解剖標(biāo)志；再通過匹配與訓(xùn)練模塊200對匹配成功的醫(yī)學(xué)圖像進(jìn)行保邊擴(kuò)散圖像濾波處理，獲取待訓(xùn)練的訓(xùn)練樣本醫(yī)學(xué)圖像；繼而通過模型生成模塊依次采用卷積層、反卷積層、池化層以及全連接層的網(wǎng)絡(luò)結(jié)構(gòu)對訓(xùn)練樣本醫(yī)學(xué)圖像執(zhí)行深度訓(xùn)練，生成病變點特征模型；最終通過結(jié)果獲取模塊400將待測試的醫(yī)學(xué)圖像輸入病變點特征模型，自動獲取病變點識別結(jié)果。上述裝置能夠大幅提升了算法的準(zhǔn)確性，降低了漏報，且準(zhǔn)確快速獲取病變點，以及對病變點進(jìn)行進(jìn)一步分析的操作。此外，使用了深度網(wǎng)絡(luò)，克服了淺層網(wǎng)絡(luò)特征提取不充分的問題。

本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述實施例方法中的全部或部分流程，是可以通過計算機程序來指令相關(guān)的硬件來完成，所述的程序可存儲于一計算機可讀取存儲介質(zhì)中，該程序在執(zhí)行時，可包括如上述各方法的實施例的流程。其中，所述的存儲介質(zhì)可為磁碟、光盤、只讀存儲記憶體(Read-Only Memory，ROM)或隨機存儲記憶體(Random Access Memory，RAM)等。

以上所述實施例的各技術(shù)特征可以進(jìn)行任意的組合，為使描述簡潔，未對上述實施例中的各個技術(shù)特征所有可能的組合都進(jìn)行描述，然而，只要這些技術(shù)特征的組合不存在矛盾，都應(yīng)當(dāng)認(rèn)為是本說明書記載的范圍。

以上所述實施例僅表達(dá)了本發(fā)明的幾種實施方式，其描述較為具體和詳細(xì)，但并不能因此而理解為對本發(fā)明專利范圍的限制。應(yīng)當(dāng)指出的是，對于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)，這些都屬于本發(fā)明的保護(hù)范圍。因此，本發(fā)明專利的保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。