一种面向医学图像的图像分割及可解释性分析的方法及系统与流程

本发明涉及图像处理，特别是计算机视觉中的医学图像分割以及模型的可解释性分析领域，尤其涉及一种面向医学图像的图像分割及可解释性分析的方法及系统。

背景技术：

1、医学图像处理在现代医疗诊断中扮演着至关重要的角色。随着数字医学影像技术和计算能力的快速发展，以及数字图像处理和分析在理论上和技术上的逐渐完善，医学图像分析已经成为国内外研究的热点。

2、医学图像处理技术的发展源于对更精确、更可靠诊断方法的需求。20世纪70年代，x线成像在临床上得到广泛应用，但解读方式往往依赖于医生个人的经验、知识和情绪，且效率较低。随着计算机的发展和数字化仪器的出现，医学模拟图像开始转化为数字图像进行存储和传输，这为医学图像处理技术的发展奠定了基础。同时，研究者开始尝试利用计算机辅助诊断技术，以在一定程度上辅助医生判读医学图像，提高诊断准确性和效率。

3、对医学图像的处理具有多重价值。首先，它提高了医学诊断的准确性和可靠性。通过数字化处理和分析医学图像，医生可以获取更精确的疾病信息，从而更准确地诊断疾病。其次，医学图像处理技术也提高了医学研究的效率和成果。利用这种技术，研究者可以更加方便地获取大量医学数据，并进行更加深入的研究分析。此外，医学图像处理技术还方便了医生和患者之间的交流。医生可以通过医学图像向患者直观地展示疾病的情况和治疗方案，有助于医生和患者之间的沟通。更具体的，医学图像处理的任务包括图像检测、图像分割、图像配准及图像融合等。通过对图像的分析和处理，实现对人体器官、软组织和病变体的位置检测、分割提取、三维重建和三维显示，可以对感兴趣区域进行定性甚至定量的分析。这不仅大大提高了临床诊断的效率、准确性和可靠性，还在医疗教学、手术规划、手术仿真及各种医学研究中起到重要的辅助作用。

4、然而，医学图像处理技术的效果往往受到多种因素的影响，如图像采集设备的性能、图像质量、患者的生理变化等。因此，如何针对性地选择合适的处理方法、算法和参数以提高图像质量，是一个重要的问题。同时，医学图像处理技术对计算机硬件和软件的要求也较高，如何优化算法和算法实现，进一步提高处理效率和资源利用率，也是亟需解决的问题。与传统的计算机视觉方法相比，医学图像的格式及其数据组织都与传统的图片存在很大的不同，这使得医学图像处理在预处理部分的操作尤为关键。

技术实现思路

1、本发明提供了一种面向医学图像的图像分割及可解释性分析的方法及系统，以解决医学图像处理受到多种因素的影响，图像质量不高、图像处理效率和资源利用率低的技术问题。

2、本发明的一个方面在于提供一种面向医学图像的图像分割及可解释性分析的方法，所述方法包括如下步骤：

3、s1、获取医学图像；

4、s2、对获取的医学图像进行预处理；

5、s3、构建特征提取网络，对预处理后的医学图像进行特征提取，得到多张特征图；

6、s4、使用分割算法对多张特征图进行分割，得到分割特征图；

7、s5、使用基于类激活图的可解释性算法，利用步骤s3得到的特征图进行可解释性分析。

8、在一个优选的实施例中，在步骤s2中，通过如下方法对获取的医学图像进行预处理：

9、s201、对获取的医学图像进行去噪；

10、s202、对去噪后的医学图像进行直方图均衡化；

11、s203、对直方图均衡化后的医学图像进行校准。

12、在一个优选的实施例中，在步骤s3中，通过如下方法对预处理后的医学图像进行特征提取：

13、s301、构建特征提取网络，特征提取网络包括依次间隔的卷积层与密集连接块；

14、其中，卷积层为一个3*3卷积核的卷积层；密集连接块包括2个3*3卷积核的卷积层和2个relu激活函数层；

15、s302、将预处理后的医学图像输入特征提取网络，获取医学图像不同区域的多张特征图。

16、在一个优选的实施例中，特征提取网络还包括批归一化层。

17、在一个优选的实施例中，在步骤s4中，通过如下方法使用分割算法对多张特征图进行分割：

18、s401、计算每一张特征图的第一权重：

19、

20、其中，wn为第n张特征图的第一权重，w和b为一个1*1卷积核的参数，n为特征图的数量，σ()为softmax函数，xn为第n张特征图；

21、s402、设置阈值，对每一张特征图划分为0和1两种灰度；

22、s403、将灰度划分完毕的每一张特征图与对应的第一权重相乘，得到第一权重特征图，并将每一张第一权重特征图相加，得到分割特征图：

23、

24、其中，x为特征图的分割特征图，wn为第n张特征图的第一权重，dn为划分为0和1两种灰度的第n张特征图，n为特征图的数量。

25、在一个优选的实施例中，在步骤s5中，通过如下方法利用步骤s3得到的特征图进行可解释性分析：

26、s501、计算特征图的每一个像素点的第二权重；

27、s502、将特征图的每一个像素点与每一个像素点对应的第二权重相乘得到第二权重特征图：

28、

29、其中，为第二权重特征图，wk为特征图的第k个像素点的第二权重，ak为特征图的第k个像素点；

30、s503、将每一张第二权重特征图相加，得到特征图的可解释性分析结果：

31、其中，m为分割特征图的可解释性分析结果，为第二权重特征图。

32、在一个优选的实施例中，在步骤s501中，通过如下方法计算特征图的每一个像素点的第二权重：

33、wk＝relu(gk)，

34、其中，wk为特征图的第k个像素点的第二权重，gk为特征图的第k个像素点的梯度值，relu()为relu激活函数。

35、本发明的另一个方面在于提供一种面向医学图像的图像分割及可解释性分析的系统，所述系统包括：

36、医学图像获取模块，用于获取医学图像；

37、预处理模块，用于对获取的医学图像进行预处理；

38、特征提取模块，用于构建特征提取网络，对预处理后的医学图像进行特征提取，得到多张特征图；

39、特征图分割模块，用于使用分割算法对多张特征图进行分割，得到分割特征图；

40、可解释性分析模块，用于使用基于类激活图的可解释性算法，利用特征图进行可解释性分析。

41、在一个优选的实施例中，所述预处理模块，通过如下方法对获取的医学图像进行预处理：

42、对获取的医学图像进行去噪；

43、对去噪后的医学图像进行直方图均衡化；

44、对直方图均衡化后的医学图像进行校准；

45、所述特征提取模块，通过如下方法对预处理后的医学图像进行特征提取：

46、构建特征提取网络，特征提取网络包括依次间隔的卷积层与密集连接块；

47、其中，卷积层为一个3*3卷积核的卷积层；密集连接块包括2个3*3卷积核的卷积层和2个relu激活函数层；

48、将预处理后的医学图像输入特征提取网络，获取医学图像不同区域的多张特征图；

49、所述特征图分割模块，通过如下方法使用分割算法对多张特征图进行分割：

50、计算每一张特征图的第一权重：

51、

52、其中，wn为第n张特征图的第一权重，w和b为一个1*1卷积核的参数，n为特征图的数量，σ()为softmax函数，xn为第n张特征图；

53、设置阈值，对每一张特征图划分为0和1两种灰度；

54、将灰度划分完毕的每一张特征图与对应的第一权重相乘，得到第一权重特征图，并将每一张第一权重特征图相加，得到分割特征图：

55、

56、其中，x为特征图的分割特征图，wn为第n张特征图的第一权重，dn为划分为0和1两种灰度的第n张特征图，n为特征图的数量。

57、在一个优选的实施例中，所述可解释性分析模块，通过如下方法利用特征图进行可解释性分析：

58、计算特征图的每一个像素点的第二权重：

59、wk＝relu(gk)，

60、其中，wk为特征图的第k个像素点的第二权重，gk为特征图的第k个像素点的梯度值，relu()为relu激活函数；

61、将特征图的每一个像素点与每一个像素点对应的第二权重相乘得到第二权重特征图：

62、

63、其中，为第二权重特征图，wk为特征图的第k个像素点的第二权重，ak为特征图的第k个像素点；

64、将每一张第二权重特征图相加，得到特征图的可解释性分析结果：

65、其中，m为分割特征图的可解释性分析结果，为第二权重特征图。

66、与现有技术相比，本发明具有以下有益效果：

67、本发明提供的一种面向医学图像的图像分割及可解释性分析的方法及系统，可以应用于辅助医生进行疾病的诊断，并提高诊断的可信度，切实提高医生诊断效率并在一定程度上改善医患关系，从而促进相应学界和产业界的进步和发展。

68、本发明提供的一种面向医学图像的图像分割及可解释性分析的方法及系统，针对胸部ct图的疾病诊断、病灶分割并对其作出可解释性分析，实现对该类医学图像的准确分析。

69、本发明提供的一种面向医学图像的图像分割及可解释性分析的方法及系统，由于医学图像分割的主要目标是提取病变区域或具有特殊意义的组织，这些区域通常包含重要的诊断信息，是临床治疗的前提和基础，本发明在分割过程中强调对特定区域的精确识别与提取，具有模型简单、训练效率高的特点，并且较少的依赖于临床的先验知识，在分割的准确性与模型的轻量性之间做到了较好的平衡。

70、本发明提供的一种面向医学图像的图像分割及可解释性分析的方法及系统，通过对特征图分割，医生可以更加清晰地观察病变的形态、大小和位置，从而做出更准确的诊断。同时，本发明可以对病变区域进行精确的测量和分析，为医生提供定量化的诊断依据，这有助于医生更客观地评估病情，制定更合理的治疗方案。此外，本发明真正实现了图像的自动化处理，减少人工干预的需要，从而提高图像处理的效率和一致性，这有助于医生更快速地处理大量的医学图像数据，提高工作效率。

71、本发明提供的一种面向医学图像的图像分割及可解释性分析的方法及系统，利用医学成像仪器获得医学图像，对图像进行去噪、边缘增强等预处理操作，确保图像的边界清晰。通过构建特征提取网络获取所需要的特征，构建的特征提取网络采用密集连接块以确保各个阶段的特征图都被充分的利用，并选择批归一化操作加快模型的训练速度。

72、本发明提供的一种面向医学图像的图像分割及可解释性分析的方法及系统，采用一个训练后的1*1卷积层来赋予最后一阶段的每张特征图一个权重，在此基础上利用基于阈值的分割算法得到病灶的分割结果。

73、本发明提供的一种面向医学图像的图像分割及可解释性分析的方法及系统，将每个阶段获得的特征图用于后续可解释性分析结果的生成，利用特征提取获得的若干张不同阶段的特征图获得可解释性分析结果。本发明解决了医学图像数据量少且特征难以提取的问题，能够应用于大多数医学背景下的病灶分割并对其作出可解释性分析，促进相应学科的研究和发展。