本發(fā)明涉及圖像分析，具體而言，涉及一種用于結(jié)石取石的圖像分割方法及系統(tǒng)。

背景技術(shù)：

1、隨著現(xiàn)代醫(yī)學(xué)影像技術(shù)的不斷進(jìn)步，結(jié)石的診斷與治療已逐漸從傳統(tǒng)的人工診斷轉(zhuǎn)向數(shù)字化和自動(dòng)化的計(jì)算機(jī)輔助診斷（cad）系統(tǒng)。特別是在結(jié)石取石過程中，圖像分割技術(shù)在提取結(jié)石區(qū)域、輔助醫(yī)生進(jìn)行精準(zhǔn)診斷和治療決策中發(fā)揮著重要作用。結(jié)石的圖像分割任務(wù)通常面臨多種挑戰(zhàn)，主要包括結(jié)石與周圍組織的邊界模糊、噪聲干擾以及結(jié)石形狀的多樣性。

2、傳統(tǒng)的圖像分割方法如閾值分割、邊緣檢測(cè)和區(qū)域生長法雖然在某些簡(jiǎn)單場(chǎng)景下有效，但由于結(jié)石圖像中背景噪聲、結(jié)石形態(tài)的復(fù)雜性以及不同成像條件下圖像的變化，傳統(tǒng)方法的分割效果不理想。隨著深度學(xué)習(xí)尤其是卷積神經(jīng)網(wǎng)絡(luò)（cnn）在計(jì)算機(jī)視覺中的成功應(yīng)用，深度學(xué)習(xí)方法逐漸成為醫(yī)學(xué)圖像分割的主流手段。然而，現(xiàn)有的基于深度學(xué)習(xí)的圖像分割方法仍存在對(duì)結(jié)石區(qū)域提取不精確、對(duì)復(fù)雜形態(tài)的結(jié)石識(shí)別能力差、計(jì)算資源消耗大等問題，特別是在對(duì)邊緣信息的提取和特征融合的處理上，往往依賴于復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)，導(dǎo)致其計(jì)算效率不高。

3、因此，開發(fā)一種高效且精確的結(jié)石圖像分割方法，能夠在處理結(jié)石區(qū)域提取時(shí)保留細(xì)節(jié)，減少噪聲干擾，并且能夠應(yīng)對(duì)不同形態(tài)和尺寸的結(jié)石，是當(dāng)前醫(yī)學(xué)圖像處理領(lǐng)域的亟待解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、鑒于此，本發(fā)明提出了一種用于結(jié)石取石的圖像分割方法及系統(tǒng)，旨在解決當(dāng)前技術(shù)中種子點(diǎn)選取受到噪聲影響，導(dǎo)致不精確的分割結(jié)果的問題。

2、本發(fā)明提出的一種用于結(jié)石取石的圖像分割方法，包括：

3、基于預(yù)先部署的結(jié)石圖像采集設(shè)備對(duì)目標(biāo)部位進(jìn)行實(shí)時(shí)圖像采集，得到初始結(jié)石圖像，并對(duì)所述初始結(jié)石圖像進(jìn)行預(yù)處理，得到預(yù)處理后的初始結(jié)石圖像；

4、將預(yù)處理后的初始結(jié)石圖像輸入至基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型中，得到初步分割結(jié)果；

5、對(duì)初步分割結(jié)果采用sobel算子結(jié)合閉運(yùn)算進(jìn)行優(yōu)化，得到優(yōu)化后的分割結(jié)果；

6、對(duì)優(yōu)化后的分割結(jié)果采用連通域分析法，得到完整的結(jié)石區(qū)域圖像。

7、進(jìn)一步的，所述對(duì)所述初始結(jié)石圖像進(jìn)行預(yù)處理，得到預(yù)處理后的初始結(jié)石圖像具體內(nèi)容為：對(duì)初始結(jié)石圖像采用多尺度濾波法進(jìn)行噪聲消除，得到去噪后的結(jié)石圖像，對(duì)去噪后的結(jié)石圖像進(jìn)行對(duì)比度增強(qiáng)和直方圖均衡化處理，得到預(yù)處理后的初始結(jié)石圖像。

8、進(jìn)一步的，所述將預(yù)處理后的初始結(jié)石圖像輸入至基于卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型中，得到初步分割結(jié)果，具體內(nèi)容為：將預(yù)處理后的初始結(jié)石圖像輸入至基于卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型中，通過編碼器中淺層特征提取預(yù)處理后的初始結(jié)石圖像的局部邊緣信息，通過深層特征提取預(yù)處理后的初始結(jié)石圖像的全局上下文信息，最后通過跳躍連接融合淺層特征與深層特征且經(jīng)過解碼器解碼，得到置信度圖，通過對(duì)置信度圖設(shè)定閾值，自動(dòng)提取置信度圖中大于設(shè)定閾值的區(qū)域作為種子點(diǎn)，結(jié)合區(qū)域生長方法得到初步分割結(jié)果。

9、進(jìn)一步的，所述基于卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型采用改進(jìn)u-net架構(gòu)，即在原u-net架構(gòu)上結(jié)合殘差模塊、并行卷積模塊和注意力模塊，所述改進(jìn)u-net架構(gòu)包括編碼器和解碼器，所述編碼器包括多個(gè)卷積模塊和池化層，多個(gè)所述卷積模塊中每個(gè)卷積模塊加入殘差模塊，最后加入并行卷積模塊組成，所述解碼器包括反卷積模塊、特征融合模塊、卷積模塊和并行卷積模塊，所述特征融合模塊中包括注意力模塊。

10、進(jìn)一步的，所述通過編碼器中淺層特征提取預(yù)處理后的初始結(jié)石圖像的局部邊緣信息，具體內(nèi)容為：將預(yù)處理后的初始結(jié)石圖像輸入至編碼器中，經(jīng)過歸一化處理后經(jīng)過一個(gè)3×3卷積核的卷積操作，通過激活函數(shù)引入非線性表達(dá)能力，再通過卷積模塊中多個(gè)3×3卷積核的卷積操作，提取預(yù)處理后的初始結(jié)石圖像中的基本邊緣信息、紋理和低級(jí)特征，對(duì)預(yù)處理后的初始結(jié)石圖像中的基本邊緣信息、紋理和低級(jí)特征進(jìn)行歸一化處理再經(jīng)過池化層進(jìn)行最大池化處理后，經(jīng)過并行卷積模塊通過拼接形成局部邊緣信息；

11、所述基本邊緣信息包括預(yù)處理后的初始結(jié)石圖像中的邊界線和輪廓線；

12、所述紋理包括結(jié)石表面的粗糙度和結(jié)石表面的凹凸程度；

13、所述低級(jí)特征包括結(jié)石與預(yù)處理后的初始結(jié)石圖像背景之間的灰度對(duì)比和顏色對(duì)比。

14、進(jìn)一步的，所述通過深層特征提取預(yù)處理后的初始結(jié)石圖像的全局上下文信息，具體內(nèi)容為：將預(yù)處理后的初始結(jié)石圖像輸入至編碼器中，經(jīng)過歸一化處理后經(jīng)過一個(gè)3×3卷積核的卷積操作，通過激活函數(shù)引入非線性表達(dá)能力，再通過多個(gè)卷積模塊中多個(gè)3×3卷積操作，提取預(yù)處理后的初始結(jié)石圖像中的局部特征，每次卷積操作后都通過池化層進(jìn)行最大池化處理，將局部特征聚合全局上下文信息，將每次卷積操作后得到的全局上下文信息通過并行卷積模塊進(jìn)行整合，得到預(yù)處理后的初始結(jié)石圖像的全局上下文信息。

15、進(jìn)一步的，所述最后通過跳躍連接融合淺層特征與深層特征且經(jīng)過解碼器解碼，得到置信度圖，具體內(nèi)容為：將淺層特征與深層特征輸入至解碼器中，先經(jīng)過反卷積模塊，進(jìn)行卷積逆操作，隨后進(jìn)行跳躍連接，將經(jīng)過反卷積模塊的淺層特征與深層特征進(jìn)行融合拼接，得到融合特征圖，再將融合特征圖進(jìn)行卷積操作，同時(shí)結(jié)合注意力模塊對(duì)融合特征圖進(jìn)行精度的提升，最后將經(jīng)過精度提升的融合特征圖通過一個(gè)1×1的卷積層映射為單通道的置信度圖。

16、進(jìn)一步的，所述對(duì)初步分割結(jié)果采用sobel算子結(jié)合閉運(yùn)算進(jìn)行優(yōu)化，得到優(yōu)化后的分割結(jié)果，具體內(nèi)容為：采用sobel算子對(duì)初步分割結(jié)果進(jìn)行邊緣檢測(cè)，通過計(jì)算圖像的梯度，提取初步分割結(jié)果的邊緣信息，得到結(jié)石區(qū)域，隨后對(duì)結(jié)石區(qū)域進(jìn)行膨脹操作，擴(kuò)大結(jié)石區(qū)域，最后進(jìn)行腐蝕操作，恢復(fù)結(jié)石區(qū)域的原始形態(tài)，并去除膨脹操作中引入的噪聲，最終形成優(yōu)化后的分割結(jié)果。

17、進(jìn)一步的，所述對(duì)優(yōu)化后的分割結(jié)果采用連通域分析法，得到完整的結(jié)石區(qū)域圖像，具體內(nèi)容為：對(duì)優(yōu)化后的分割結(jié)果基于像素值進(jìn)行區(qū)域劃分，將相同像素值歸為同一個(gè)結(jié)石區(qū)域，從而將優(yōu)化后的分割結(jié)果轉(zhuǎn)換成完整的結(jié)石區(qū)域圖像。

18、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：（1）通過采用改進(jìn)的u-net架構(gòu)結(jié)合殘差模塊、并行卷積模塊和注意力模塊，能夠有效提取圖像中的淺層特征和深層特征，尤其在邊緣信息的捕捉和多尺度特征的融合方面表現(xiàn)優(yōu)異。跳躍連接的使用進(jìn)一步增強(qiáng)了淺層和深層特征的融合，提升了圖像分割結(jié)果的精細(xì)度。（2）采用sobel算子結(jié)合閉運(yùn)算對(duì)初步分割結(jié)果進(jìn)行優(yōu)化，能夠進(jìn)一步精細(xì)化分割邊界，增強(qiáng)結(jié)石區(qū)域的連貫性。膨脹和腐蝕操作的結(jié)合，有效去除了噪聲和偽影，保證了結(jié)石區(qū)域的精確提取。（3）通過連通域分析法對(duì)優(yōu)化后的分割結(jié)果進(jìn)行后處理，確保能夠提取出完整的結(jié)石區(qū)域圖像，避免了分割區(qū)域的遺漏或誤識(shí)別，為后續(xù)的結(jié)石取石和醫(yī)學(xué)診斷提供精確的區(qū)域定位。（4）通過改進(jìn)的u-net架構(gòu)，充分利用了深度卷積神經(jīng)網(wǎng)絡(luò)的強(qiáng)大特征提取能力，同時(shí)結(jié)合輕量級(jí)的網(wǎng)絡(luò)優(yōu)化，使得模型在保證高精度的前提下，計(jì)算效率得到了有效提升，適合實(shí)際臨床應(yīng)用。（5）能夠自動(dòng)進(jìn)行圖像采集、預(yù)處理、分割及后處理，大大降低了人工干預(yù)的需求，減少了醫(yī)生的工作負(fù)擔(dān)，提高了診斷效率。此外，該系統(tǒng)能夠根據(jù)設(shè)定的閾值和種子點(diǎn)，自動(dòng)進(jìn)行結(jié)石區(qū)域提取，進(jìn)一步提升了系統(tǒng)的自動(dòng)化水平

19、另一方面，本發(fā)明還提出了一種用于結(jié)石取石的圖像分割系統(tǒng)，所述系統(tǒng)包括：

20、第一模塊，被配置為基于預(yù)先部署的結(jié)石圖像采集設(shè)備對(duì)目標(biāo)部位進(jìn)行實(shí)時(shí)圖像采集，得到初始結(jié)石圖像，并對(duì)所述初始結(jié)石圖像進(jìn)行預(yù)處理，得到預(yù)處理后的初始結(jié)石圖像；

21、第二模塊，被配置為將預(yù)處理后的初始結(jié)石圖像輸入至基于卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型中，得到初步分割結(jié)果；

22、第三模塊，被配置為對(duì)初步分割結(jié)果采用sobel算子結(jié)合閉運(yùn)算進(jìn)行優(yōu)化，得到優(yōu)化后的分割結(jié)果；

23、第四模塊，被配置為對(duì)優(yōu)化后的分割結(jié)果采用連通域分析法，得到完整的結(jié)石區(qū)域圖像。

24、可以理解的是，上述一種用于結(jié)石取石的圖像分割系統(tǒng)具備相同的有益效果，在此不再贅述。