医学图像自动标注的方法及装置制造方法及图纸

本发明专利技术涉及医学图像标注领域，具体涉及一种医学图像自动标注的方法及装置，极大地提高了医学图像自动标注的准确性。本发明专利技术医学图像自动标注的方法，包括：对医学图像进行图像预处理，所述图像预处理包括对图像数据进行格式转换与剪裁，以及对图像数据进行重采样和标准化；确定图像标注分割模型的基本结构，并通过预处理后的图像数据对对应的分割模型进行自适应训练，根据训练结果选择最优模型；根据最优模型对医学图像进行自动标注。本发明专利技术使用于医学图像自动标注。医学图像自动标注。医学图像自动标注。

【技术实现步骤摘要】
医学图像自动标注的方法及装置


[0001]本专利技术涉及医学图像标注领域，具体涉及一种医学图像自动标注的方法及装置。

技术介绍

[0002]在医学图像处理中，为原始图像添加标注是预处理步骤中非常关键的一步。图像标注即在全图中划分出与疾病相关的病灶区域，以便在此区域进行后续的图像分析和处理。传统的标注方法需要人工手动完成，即逐个图像依次画出病灶区域，费时费力，且数据量大时标注任务非常困难。
[0003]目前主要采用基于深度学习的医学图像标注，通过模型实现自动标注。其主要利用分割算法，但现有的分割模型不仅需要大量的数据和标签训练，还需要调整模型参数使其适应特定数据集。并且还会出现数据偏移等问题，导致其标注结果并不准确。

技术实现思路

[0004]本专利技术的目的是提供一种医学图像自动标注的方法及装置，极大地提高了医学图像自动标注的准确性。
[0005]本专利技术采取如下技术方案实现上述目的，医学图像自动标注的方法，包括：
[0006]步骤1、对医学图像进行图像预处理，所述图像预处理包括对图像数据进行格式转换与剪裁，以及对图像数据进行重采样和标准化；
[0007]步骤2、确定图像标注分割模型的基本结构，并通过预处理后的图像数据对对应的分割模型进行自适应训练，根据训练结果选择最优模型；
[0008]步骤3、根据最优模型对医学图像进行自动标注。
[0009]进一步的是，为了方便图像数据的处理，步骤1中，所述对图像数据进行格式转换具体包括：将原始图像格式转换成标准格式，以及生成对应的标签描述文件。
[0010]进一步的是，为了提高分割模型的计算效率，步骤1中，所述对图像数据进行剪裁具体包括：对图像进行零值的裁剪处理，即将图像裁剪到它的非零区域。
[0011]进一步的是，为了保证不同的图像数据中，每个体素所代表的实际物理空间一致，步骤1中，所述对图像数据进行重采样具体包括：
[0012]对不同图像数据在体素空间按照如下公式进行重采样；
[0013]其中，original shape和target shape分别代表重采样前和重采样后的图像尺寸，original spacing和target spacing分别代表重采样前和重采样后每个体素代表的实际空间大小。
[0014]进一步的是，为了使不同图像中的灰度值能有相同的分布，步骤1中，所述对图像数据进行标准化具体包括：减去图像均值再除以标准差。
[0015]进一步的是，步骤2中，所述确定图像标注分割模型的基本结构，并通过预处理后的图像数据对对应的分割模型进行自适应训练，根据训练结果选择最优模型具体包括：
[0016]步骤201、确定图像标注分割模型的基本结构，根据实际图片的维度属性和计算精度要求选择对应模型的基本结构，所述基本结构包括2D U
‑
Net、3D U
‑
Net以及U
‑
Net级联网络；
[0017]步骤202、根据预处理后的图像数据获取数据指纹和管道指纹，所述数据指纹包括图像大小、体素空间信息和类别比例信息，管道指纹包括训练蓝图参数、推断参数以及经验参数；
[0018]步骤203、对数据指纹和管道指纹进行交叉验证，得到对应模型的参数，根据参数的评价指标选择最优模型。
[0019]确定图像标注的分割模型基本结构能够针对不同种数据训练对应的模型，通过获取数据指纹和管道指纹，并且进行交叉验证，能够得到更准确的模型参数。
[0020]进一步的是，步骤202中，所述训练蓝图参数包括U
‑
Net类的模板、损失函数、训练策略以及数据增强方法；所述推断参数包括网络拓扑、补丁大小、批次大小以及图像预处理的修改；所述经验参数包括数据后处理组建、整合方法。
[0021]进一步的是，步骤203中，对数据指纹和管道指纹进行交叉验证，得到对应模型的参数，根据参数的评价指标选择最优模型具体包括：
[0022]将数据指纹和管道指纹分为五份进行五折交叉验证，每一折以分割Dice为评价指标，每折验证都得到对应的模型及其相关参数；将Dice均值最高对应的模型作为最优模型，对应的参数作为自适应调节参数。
[0023]通过五折交叉验证保证了参数的准确性以及鲁棒性，并且适应了不同训练数据带来的计算偏差。
[0024]进一步的是，步骤3中，根据最优模型对医学图像进行自动标注具体包括：
[0025]将最优模型输出的二值图进行最大矩形检测，使得矩形外为全零区域，矩形内为全1区域，对应图像目标病灶位置；
[0026]将后处理后的二值图和原图对应像素相乘，得到只包含目标病灶区域的标注图像。
[0027]医学图像自动标注的装置，用于实现如上述所述的医学图像自动标注的方法，包括：
[0028]数据处理模块，用于对医学图像进行图像预处理，所述图像预处理包括对图像数据进行格式转换与剪裁，以及对图像数据进行重采样和标准化；
[0029]模型训练模块，用于确定图像标注分割模型的基本结构，并通过预处理后的图像数据对对应的分割模型进行自适应训练，根据训练结果选择最优模型；
[0030]图像标注模块，用于根据最优模型对医学图像进行自动标注。
[0031]本专利技术的有益效果为：
[0032]本专利技术对医学图像进行格式转换和图像裁剪，提高了图像数据的处理效率。
[0033]本专利技术对图像进行零值的裁剪处理，即将图像裁剪到它的非零区域，提高了分割模型计算效率。
[0034]本专利技术对图像数据进行重采样，保证了不同的图像数据中，每个体素所代表的实际物理空间的一致性。
[0035]本专利技术对图像数据进行标准化处理，使得不同图像中的灰度值能有相同的分布。
[0036]本专利技术为了针对不同种数据训练对应的模型，基本结构共有三种，2D U
‑
Net、3D U
‑
Net和U
‑
Net级联网络，根据实际图片的维度属性和计算精度要求选择最合适的基本结构。
[0037]本专利技术对数据进行五折交叉验证，保证了参数的准确性和鲁棒性，并且适应不同训练数据带来的计算偏差。
[0038]本专利技术通过最优模型对医学图像进行自动标注，极大地提高了标准的准确性。
附图说明
[0039]图1为本专利技术实施例提供的医学图像自动标注的流程图；
[0040]图2为本专利技术实施例提供的医学图像自动标注的网络结构图；
[0041]图3为本专利技术实施例提供的医学图像自动标注的结果示意图；
[0042]图4为本专利技术实施例提供的医学图像自动标注的装置的结构框图。
具体实施方式
[0043]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.医学图像自动标注的方法，其特征在于，包括：步骤1、对医学图像进行图像预处理，所述图像预处理包括对图像数据进行格式转换与剪裁，以及对图像数据进行重采样和标准化；步骤2、确定图像标注分割模型的基本结构，并通过预处理后的图像数据对对应的分割模型进行自适应训练，根据训练结果选择最优模型；步骤3、根据最优模型对医学图像进行自动标注。2.根据权利要求1所述的医学图像自动标注的方法，其特征在于，步骤1中，所述对图像数据进行格式转换具体包括：将原始图像格式转换成标准格式，以及生成对应的标签描述文件。3.根据权利要求1所述的医学图像自动标注的方法，其特征在于，步骤1中，所述对图像数据进行剪裁具体包括：对图像进行零值的裁剪处理，即将图像裁剪到它的非零区域。4.根据权利要求1所述的医学图像自动标注的方法，其特征在于，步骤1中，所述对图像数据进行重采样具体包括：对不同图像数据在体素空间按照如下公式进行重采样；其中，original shape和target shape分别代表重采样前和重采样后的图像尺寸，original spacing和target spacing分别代表重采样前和重采样后每个体素代表的实际空间大小。5.根据权利要求1所述的医学图像自动标注的方法，其特征在于，步骤1中，所述对图像数据进行标准化具体包括：减去图像均值再除以标准差。6.根据权利要求1所述的医学图像自动标注的方法，其特征在于，步骤2中，所述确定图像标注分割模型的基本结构，并通过预处理后的图像数据对对应的分割模型进行自适应训练，根据训练结果选择最优模型具体包括：步骤201、确定图像标注分割模型的基本结构，根据实际图片的维度属性和计算精度要求选择对应模型的基本结构，所述基本结构包括2D U
‑
Net、3D U
‑
Net以及U
‑
Net级联网络；步骤202、根据预处理后的图像数...

【专利技术属性】
技术研发人员：文艺，刘东博，展华益，
申请(专利权)人：四川启睿克科技有限公司，
类型：发明
国别省市：