眼睑肿瘤图像识别方法、装置、计算机设备和存储介质

本技术涉及图像处理，特别是涉及一种眼睑肿瘤图像识别方法、装置、计算机设备和计算机可读存储介质。

背景技术：

1、眼睑组织发源于表面外胚叶和中胚叶，来源复杂，其表面皮肤是全身最薄的皮肤组织，且直接暴露在外界环境，故眼睑是整个眼及眼附属器结构中肿瘤最高发的部位。和其他部位肿瘤不同的是，眼睑肿瘤可损害眼部组织及其功能，再加上眼睑部位的有限面积和结构复杂性，所以眼睑肿瘤的准确识别对于临床医生来说至关重要。

2、在对眼睑肿瘤图像识别时，先获取眼睑的ct扫描图像，在眼睑的ct扫描图像中识别出眼睑肿瘤的形状。但是，由于眼睑肿瘤的形状各异，导致分割难度较大，现有的肿瘤分割方法不考虑器官结构且分割精度较低，影响后续的识别。因此，如何提供一种能够解决在眼睑的ct扫描图像中准确的识别出眼睑肿瘤的精确位置是本领域技术人员亟需解决的问题。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种眼睑肿瘤图像识别方法、装置、计算机设备和存储介质，能够有效地从ct扫描图像中分割出肿瘤的图像，用于后续的辅助诊断。

2、一方面，提供一种眼睑肿瘤图像识别方法，包括：

3、获取眼睑的ct扫描图像，并对所述ct扫描图像进行预处理；

4、在经过预处理的所述ct扫描图像中提取眼睑器官结构，对所述眼睑器官结构进行肿瘤分割，将分割获得的肿瘤图像进行三维重构得到第一分割结果；

5、构建分割模型，利用眼睑肿瘤分割数据集对所述分割模型进行训练；

6、将经过预处理的所述ct扫描图像输入至训练后的所述分割模型进行肿瘤分割得到第二分割结果；

7、对所述第一分割结果以及所述第二分割结果进行融合，得到最终的眼睑肿瘤分割结果。

8、在其中一个实施例中，在得到最终的眼睑肿瘤分割结果之后还包括：

9、采用resnet卷积神经网络构建肿瘤识别模型；

10、将最终的眼睑肿瘤分割结果输入至所述肿瘤识别模型进行处理，得到眼睑肿瘤图像识别结果。

11、在其中一个实施例中，所述在经过预处理的所述ct扫描图像中提取眼睑器官结构，对所述眼睑器官结构进行肿瘤分割，将分割获得的肿瘤图像进行三维重构得到所述第一分割结果步骤包括：

12、获取干净眼睑器官图像数据集，并根据所述干净眼睑器官图像数据集确定眼睑器官的标准边界轮廓以及对应的特征点数据集；

13、将所述ct扫描图像转换为深度图像数据，对所述深度图像数据进行特征点提取，并计算特征点与其对应的邻域点的距离值，将大于第一距离变化阈值的特征点形成基础轮廓；

14、根据所述标准边界轮廓从所述深度图像数据中提取出眼睑器官轮廓，并将所述眼睑器官轮廓以及所述基础轮廓进行融合，形成眼睑器官结构，并对所述眼睑器官结构进行ar增强显示；

15、对所述眼睑器官结构进行肿瘤分割，将分割获得的肿瘤图像进行三维重构得到第一分割结果。

16、在其中一个实施例中，所述构建分割模型，利用眼睑肿瘤分割数据集对所述分割模型进行训练步骤包括：

17、构建分割模型，分割模型包括依次连接的cnn网络以及多级金字塔特征提取网络，其中所述多级金字塔特征提取网络包括四层金字塔卷积模型；

18、获取眼睑肿瘤分割数据集，利用所述眼睑肿瘤分割数据集对所述分割模型进行训练、测试及验证。

19、在其中一个实施例中，所述对所述第一分割结果以及所述第二分割结果进行融合，得到最终的眼睑肿瘤分割结果步骤包括：

20、分别基于所述第一分割结果以及所述第二分割结果构建三维直角坐标系和直角坐标系；

21、将所述第一分割结果映射到所述三维直角坐标系中，得到对应的第一映射结果，同时将所述第二分割结果映射到所述直角坐标系中，得到对应的第二映射结果；

22、建立所述第一映射结果与所述第二映射结果的关联关系，并完成融合，得到对应的融合结果，将所述融合结果作为最终的眼睑肿瘤分割结果。

23、在其中一个实施例中，所述建立所述第一映射结果与所述第二映射结果的关联关系，并完成融合，得到对应的融合结果，将所述融合结果作为最终的眼睑肿瘤分割结果步骤包括：

24、分别选取第一分割结果以及第二分割结果的第一采样点为中心并分别构建三维直角坐标系以及直角坐标系；

25、确定所述三维直角坐标系的目标点坐标(x,y,z)，并将目标点在所述直角坐标系中利用齐次坐标进行投影，具体的表达式为：

26、

27、式中，s为比例因子，k为投影矩阵，f为ct扫描图像的采集视野大小，(x，y)为对应的二维坐标；

28、对第一分割结果以及第二分割结果再次进行特征点采集，得到对应的第一特征点集合以及第二特征点集合，将第一特征点集合利用所述表达式转换至直角坐标系中；

29、对经过转换的第一特征点集合与第二特征点集合采用加权平均融合方式完成融合，其中加权平均融合方式的表达式为：

30、f(x，y)＝wa·a(x，y)+wb·b(x，y)；

31、式中，f(x，y)表示融合结果，wa、wb表示加权系数，a(x，y)和b(x，y)分别表示两个待融合的特征点。

32、另一方面，提供了一种眼睑肿瘤图像识别装置，包括：

33、扫描图像获取模块，用于获取眼睑的ct扫描图像，并对所述ct扫描图像进行预处理；

34、第一分割模块，用于在经过预处理的所述ct扫描图像中提取眼睑器官结构，对所述眼睑器官结构进行肿瘤分割，将分割获得的肿瘤图像进行三维重构得到所述第一分割结果；

35、构建分割模型模块，用于构建分割模型，利用眼睑肿瘤分割数据集对所述分割模型进行训练；

36、第二分割模块，用于将经过预处理的所述ct扫描图像输入至训练后的所述分割模型进行肿瘤分割得到第二分割结果；

37、融合模块，用于对所述第一分割结果以及所述第二分割结果进行融合，得到最终的眼睑肿瘤分割结果。

38、在其中一个实施例中，还包括：

39、识别模块，用于采用resnet卷积神经网络构建肿瘤识别模型；将最终的眼睑肿瘤分割结果输入至所述肿瘤识别模型进行处理，得到眼睑肿瘤图像识别结果。

40、再一方面，提供了一种计算机设备，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计算机程序时实现以下步骤：

41、获取眼睑的ct扫描图像，并对所述ct扫描图像进行预处理；

42、在经过预处理的所述ct扫描图像中提取眼睑器官结构，对所述眼睑器官结构进行肿瘤分割，将分割获得的肿瘤图像进行三维重构得到所述第一分割结果；

43、构建分割模型，利用眼睑肿瘤分割数据集对所述分割模型进行训练；

44、将经过预处理的所述ct扫描图像输入至训练后的所述分割模型进行肿瘤分割得到第二分割结果；

45、对所述第一分割结果以及所述第二分割结果进行融合，得到最终的眼睑肿瘤分割结果。

46、又一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

47、获取眼睑的ct扫描图像，并对所述ct扫描图像进行预处理；

48、在经过预处理的所述ct扫描图像中提取眼睑器官结构，对所述眼睑器官结构进行肿瘤分割，将分割获得的肿瘤图像进行三维重构得到所述第一分割结果；

49、构建分割模型，利用眼睑肿瘤分割数据集对所述分割模型进行训练；

50、将经过预处理的所述ct扫描图像输入至训练后的所述分割模型进行肿瘤分割得到第二分割结果；

51、对所述第一分割结果以及所述第二分割结果进行融合，得到最终的眼睑肿瘤分割结果。

52、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种眼睑肿瘤图像识别方法、装置、计算机设备和计算机可读存储介质，通过对ct扫描图像进行处理，得到对应的三维眼睑模型，并通过三维眼睑模型进行肿瘤分割，同时对ct扫描图像进行肿瘤分割处理，最后将两个分割结果进行融合处理，得到最终的眼睑肿瘤分割结果，利用医学图像分割技术实现了器官与肿瘤的分割，能够提高肿瘤分割的精度，来辅助医生进行后续的处理。