一种基于深度学习的脑瘤医学图像分割方法与流程

本发明涉及脑瘤医学图像分割技术领域，具体是一种基于深度学习的脑瘤医学图像分割方法、系统和电子设备。

背景技术：

脑瘤医学图像分割技术是脑瘤医学图像处理和分析中的关键技术。脑瘤医学图像分割是一个根据区域内的相似性以及区域间的不同来分离图像中有关结构(或感兴趣区域)的过程。早期的图像分割完全是靠人工完成的，完全的人工分割方法是医学专家在数以百计的切片图像上进行边界的人工描绘工作，根据边界的人工描绘结果构思病灶与其周围组织的三维结构及空间关系，并以此作为制定治疗计划的基础。

传统的人工分割方法存在费时费力的问题，而目前，随着数字医疗技术的发展，研究一种脑瘤医学图像自动分割方法是十分必要的。有鉴于此，本发明提出了一种基于深度学习的脑瘤医学图像分割方法、系统和电子设备。

技术实现要素：

本发明的目的在于提供一种基于深度学习的脑瘤医学图像分割方法、系统和电子设备，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于深度学习的脑瘤医学图像分割方法，包括：

训练分割模型，对分割模型进行深度学习训练，分割模型训练完成后即可对脑瘤医学图像进行分割处理；

接收待分割的脑瘤医学图像数据信息，其中，脑瘤医学图像数据信息包括医学pet-ct成像、多光谱成像、pet-mri成像、多分辨率光学成像、磁共振t1加权像(mrt1w)、磁共振t1加权像(mrt2w)和质子密度图像(pd)等，脑瘤医学图像数据信息中的分割对象包括器官、组织、细胞、肿瘤等各种目标区域，分割出目标区域有利于临床诊治和医疗研究；

对接收的待分割脑瘤医学图像数据信息进行分割处理，通过深度学习训练好的分割模型对接收到的待分割脑瘤医学图像数据信息进行分割处理；

输出分割结果。

作为本发明进一步的方案：所述训练分割模型包括以下步骤：

s1，接收训练图像；

s2，对所述训练图像进行分析处理，分析所述训练图像的特征信息，特征信息包括灰度、纹理和亮度中的至少一种；

s3，对特征信息进行融合，得到融合特征；

s4，根据所述融合特征对所述训练图像进行分割处理，直至所述分割模型的损失函数收敛至预设阈值时，完成深度学习训练。

作为本发明再进一步的方案：所述对接收的待分割脑瘤医学图像数据信息进行分割处理包括以下步骤：

s1，对待分割脑瘤医学图像数据信息进行多尺度分解，得到不同模态下的多个子块；

s2，依次对各个子块进行卷积处理和反卷积处理，得到各个子块的特征信息；

s3，对所有子块的特征信息进行融合，得到融合特征；

s4，通过分类器对融合特征按照目标区域类型进行分类，即得到分割结果。

一种基于深度学习的脑瘤医学图像分割系统，包括：

分割模型训练模块，用于对分割模型进行深度学习训练，分割模型训练完成后即可对脑瘤医学图像进行分割处理；

脑瘤医学图像接收模块，用于接收待分割的脑瘤医学图像数据信息，其中，脑瘤医学图像数据信息包括医学pet-ct成像、多光谱成像、pet-mri成像、多分辨率光学成像、磁共振t1加权像(mrt1w)、磁共振t1加权像(mrt2w)和质子密度图像(pd)等，脑瘤医学图像数据信息中的分割对象包括器官、组织、细胞、肿瘤等各种目标区域，分割出目标区域有利于临床诊治和医疗研究；

脑瘤医学图像分割处理模块，用于对脑瘤医学图像接收模块接收的待分割脑瘤医学图像数据信息进行分割处理，通过分割模型训练模块深度学习训练好的分割模型对脑瘤医学图像接收模块接收到的待分割脑瘤医学图像数据信息进行分割处理；

分割结果输出模块，用于输出分割结果。

作为本发明再进一步的方案：所述分割模型训练模块包括：

训练图像接收单元，用于接收训练图像；

训练图像分析处理单元，用于对训练图像进行分析处理，分析训练图像的特征信息，特征信息包括灰度、纹理和亮度中的至少一种；

第一特征融合单元，用于对特征信息进行融合，得到融合特征；

分割单元，用于根据融合特征对训练图像进行分割处理，直至分割模型的损失函数收敛至预设阈值时，完成深度学习训练。

作为本发明再进一步的方案：所述脑瘤医学图像分割处理模块包括：

分解单元，用于对待分割脑瘤医学图像数据信息进行多尺度分解，得到不同模态下的多个子块；

处理单元，用于依次对各个子块进行卷积处理和反卷积处理，得到各个子块的特征信息；

第二特征融合单元，用于对所有子块的特征信息进行融合，得到融合特征；

分类单元，用于通过分类器对融合特征按照目标区域类型进行分类，即得到分割结果。

一种电子设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现所述的基于深度学习的脑瘤医学图像分割方法。

与现有技术相比，本发明的有益效果是：

该基于深度学习的脑瘤医学图像分割方法通过对分割模型进行深度学习训练，深度学习训练好的分割模型再对接收到的待分割脑瘤医学图像数据信息进行分割处理，分割结果准确，解决了传统的人工分割方法存在费时费力的问题。

附图说明

图1为基于深度学习的脑瘤医学图像分割方法的流程框图。

图2为基于深度学习的脑瘤医学图像分割系统的结构框图。

图中：1-分割模型训练模块、2-脑瘤医学图像接收模块、3-脑瘤医学图像分割处理模块、4-分割结果输出模块。

具体实施方式

下面结合具体实施方式对本专利的技术方案作进一步详细地说明。

实施例1

请参阅图1，本发明实施例中，一种基于深度学习的脑瘤医学图像分割方法，包括：

训练分割模型，对分割模型进行深度学习训练，分割模型训练完成后即可对脑瘤医学图像进行分割处理；

接收待分割的脑瘤医学图像数据信息，其中，脑瘤医学图像数据信息包括医学pet-ct成像、多光谱成像、pet-mri成像、多分辨率光学成像、磁共振t1加权像(mrt1w)、磁共振t1加权像(mrt2w)和质子密度图像(pd)等，脑瘤医学图像数据信息中的分割对象包括器官、组织、细胞、肿瘤等各种目标区域，分割出目标区域有利于临床诊治和医疗研究；

对接收的待分割脑瘤医学图像数据信息进行分割处理，通过深度学习训练好的分割模型对接收到的待分割脑瘤医学图像数据信息进行分割处理；

输出分割结果。

进一步的，所述训练分割模型包括以下步骤：

s1，接收训练图像；

s2，对所述训练图像进行分析处理，分析所述训练图像的特征信息，特征信息包括灰度、纹理和亮度中的至少一种；

s3，对特征信息进行融合，得到融合特征；

s4，根据所述融合特征对所述训练图像进行分割处理，直至所述分割模型的损失函数收敛至预设阈值时，完成深度学习训练。

进一步的，所述对接收的待分割脑瘤医学图像数据信息进行分割处理包括以下步骤：

s1，对待分割脑瘤医学图像数据信息进行多尺度分解，得到不同模态下的多个子块；

s2，依次对各个子块进行卷积处理和反卷积处理，得到各个子块的特征信息；

s3，对所有子块的特征信息进行融合，得到融合特征；

s4，通过分类器对融合特征按照目标区域类型进行分类，即得到分割结果。

一种电子设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现所述的基于深度学习的脑瘤医学图像分割方法。

实施例2

请参阅图2，本发明实施例中，一种基于深度学习的脑瘤医学图像分割系统，包括：

分割模型训练模块1，用于对分割模型进行深度学习训练，分割模型训练完成后即可对脑瘤医学图像进行分割处理；

脑瘤医学图像接收模块2，用于接收待分割的脑瘤医学图像数据信息，其中，脑瘤医学图像数据信息包括医学pet-ct成像、多光谱成像、pet-mri成像、多分辨率光学成像、磁共振t1加权像(mrt1w)、磁共振t1加权像(mrt2w)和质子密度图像(pd)等，脑瘤医学图像数据信息中的分割对象包括器官、组织、细胞、肿瘤等各种目标区域，分割出目标区域有利于临床诊治和医疗研究；

脑瘤医学图像分割处理模块3，用于对脑瘤医学图像接收模块2接收的待分割脑瘤医学图像数据信息进行分割处理，通过分割模型训练模块1深度学习训练好的分割模型对脑瘤医学图像接收模块2接收到的待分割脑瘤医学图像数据信息进行分割处理；

分割结果输出模块4，用于输出分割结果。

进一步的，所述分割模型训练模块1包括：

训练图像接收单元，用于接收训练图像；

训练图像分析处理单元，用于对训练图像进行分析处理，分析训练图像的特征信息，特征信息包括灰度、纹理和亮度中的至少一种；

第一特征融合单元，用于对特征信息进行融合，得到融合特征；

分割单元，用于根据融合特征对训练图像进行分割处理，直至分割模型的损失函数收敛至预设阈值时，完成深度学习训练。

进一步的，所述脑瘤医学图像分割处理模块3包括：

分解单元，用于对待分割脑瘤医学图像数据信息进行多尺度分解，得到不同模态下的多个子块；

处理单元，用于依次对各个子块进行卷积处理和反卷积处理，得到各个子块的特征信息；

第二特征融合单元，用于对所有子块的特征信息进行融合，得到融合特征；

分类单元，用于通过分类器对融合特征按照目标区域类型进行分类，即得到分割结果。

上面对本发明的较佳实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。