本申请涉及医学图像处理，特别是涉及一种医学图像中病灶区域的分割方法和系统。
背景技术：
1、医学领域中从核磁共振影像中可靠地检测和分割病灶区域，是有效进行手术计划和治疗评估的前提。目前，大多数图像都是由医学专家手工分割的，这种方法耗时较长且过于依赖专家的主观经验。近年来，随着深度学习技术在医学图像领域的快速发展，以深度学习技术为基础的计算机辅助诊疗技术逐渐得到了广泛应用。
2、然而，深度学习方法在实际临床环境中的应用仍然具有挑战性。当分割病理结构时，遇到难以区分的病变边界组织，即使是最先进的模型也可能会出现错误。在依赖于计算机进行判断输出的医疗系统中，不准确的预测可能会危及生命。现有模型只提供一个确定性的分割结果，不能表达模型预测的不确定性或可靠性，并且现有模型的分割性能仍有改进空间。
技术实现思路
1、本申请实施例提供了一种医学图像中病灶区域的分割方法，以至少解决相关技术中不能表达模型预测的不确定性或可靠性，并且分割性能仍有改进空间的问题。
2、第一方面，本申请实施例提供了一种医学图像中病灶区域的分割方法，包括：
3、通过第一图像分割模型对目标医学图像进行分割，得到中间分割结果；
4、根据所述中间分割结果从所述目标医学图像中确定感兴趣区域；
5、根据第二图像分割模型对所述感兴趣区域进行计算，得到所述感兴趣区域中每个体素的预测值，根据所述预测值的均值确定分割结果，根据所述预测值的均值和方差确定分割结果的不确定性。
6、在一实施例中，所述根据所述预测值的均值和方差确定分割结果的不确定性，包括：
7、u＝σ(pm)(1-σ(pm))pv
8、其中，通过所述第二图像分割模型对所述感兴趣区域进行滑动窗口采样，以对每个体素进行多次预测获取预测值，σ(·)表示激活函数，pm表示所述感兴趣区域中每个体素的所述预测值的均值，pv表示所述感兴趣区域中每个体素的所述预测值的方差。
9、在一实施例中，所述方法还包括：通过热力图的形式对所述分割结果的不确定性进行可视化，得到不确定性图。
10、在一实施例中，所述根据所述预测值的均值确定分割结果，包括：
11、通过激活函数对所述均值进行处理，并对处理后的数据进行二值化；
12、根据所述体素的二值化结果确定是否为肿瘤区域。
13、在一实施例中，所述方法还包括对目标医学图像进行预处理，所述预处理包括：
14、对多模态医学图像进行配准，将t1模态的图像和t2模态的图像配准至对应的t1ce模态上；
15、通过偏置场校正算法对配准后的图像进行校正；
16、根据校正后图像的体素值，过滤图像中的无效数据；
17、对过滤后的图像进行标准化；
18、将t1模态、t2模态和t1ce模态的图像在通道维度上连接。
19、第二方面，本申请实施例提供了一种医学图像分割模型的获取方法，用于实现第一方面所述的医学图像中病灶区域的分割方法，包括：
20、获取训练集医学图像及病灶标签，对所述训练集医学图像进行预处理；
21、构建医学图像分割模型，所述医学图像分割模型包括第一图像分割模型和第二图像分割模型，所述第二图像分割模型包括编码器、解码器、分割头模块和不确性头模块，所述编码器中的键和值通过跳跃连接至所述解码器中；
22、构建所述医学图像分割模型的损失函数；
23、通过所述预处理后的训练集医学图像和所述损失函数对所述医学图像分割模型进行训练。
24、在一实施例中，获取第二图像分割模型的第二训练集图像，包括：
25、通过所述第一图像分割模型对所述第一训练集图像进行分割；
26、根据分割结果确定感兴趣区域数据集，将所述感兴趣区域数据集作为第二训练集图像。
27、在一实施例中，所述第一图像分割模型和所述第二图像分割模型的损失函数被配置为：
28、通过dice loss损失函数和二值交叉熵损失函数bce loss构建总体损失函数。
29、在一实施例中，所述第一图像分割模型与所述第二分割模型的模型结构相同，将所述第一图像分割模型训练得到的参数作为所述第二图像分割模型的初始参数。
30、在一实施例中，所述方法还包括：所述第二图像分割模型的滑动采样窗口尺寸小于所述第一图像分割模型的滑动采样窗口尺寸。
31、第三方面，本申请实施例提供了一种医学图像中病灶区域的分割系统，包括：
32、第一分割模块：用于通过第一图像分割模型对目标医学图像进行分割，得到中间分割结果；
33、第二输入模块：用于根据所述中间分割结果从所述目标医学图像中确定感兴趣区域；
34、第二分割模块：用于根据第二图像分割模型对所述感兴趣区域进行计算，得到所述感兴趣区域中每个体素的预测值，根据所述预测值的均值确定分割结果，根据所述预测值的均值和方差确定分割结果的不确定性。
35、第四方面，本申请实施例提供了一种电子设备，包括存储器，处理器，以及存储在所述存储器上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第一方面所述的医学图像中病灶区域的分割方法以及第二方面所述的医学图像分割模型的获取方法。
36、第五方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现第一方面所述的医学图像中病灶区域的分割方法以及第二方面所述的医学图像分割模型的获取方法。
37、本申请实施例提供的一种医学图像中病灶区域的分割方法和系统至少具有以下技术效果。
38、本申请通过第一图像分割模型对目标医学图像进行粗分割，通过第二图像分割模型对粗分割结果进行精细分割。通过两次分割，提高模型的分割性能。并且，通过第二分割模型输出分割结果的不确定性，作为分割结果的补充信息，提高分割结果的完整性。
39、本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
1.一种医学图像中病灶区域的分割方法，其特征在于，包括：
2.根据权利要求1所述的医学图像中病灶区域的分割方法，其特征在于，所述根据所述预测值的均值和方差确定分割结果的不确定性，包括：
3.根据权利要求2所述的医学图像中病灶区域的分割方法，其特征在于，所述方法还包括：
4.根据权利要求1所述的医学图像中病灶区域的分割方法，其特征在于，所述根据所述预测值的均值确定分割结果，包括：
5.根据权利要求1所述的医学图像中病灶区域的分割方法，其特征在于，所述方法还包括对目标医学图像进行预处理，所述预处理包括：
6.一种医学图像分割模型的获取方法，其特征在于，用于实现权利要求1～5中任一项所述的医学图像中病灶区域的分割方法，包括：
7.根据权利要求6所述的医学图像分割模型的获取方法，其特征在于，获取第二图像分割模型的第二训练集图像，包括：
8.根据权利要求6所述的医学图像分割模型的获取方法，其特征在于，所述第一图像分割模型和所述第二图像分割模型的损失函数被配置为：
9.根据权利要求6所述的医学图像分割模型的获取方法，其特征在于，所述第一图像分割模型的模型结构与所述第二图像分割模型的模型结构相同，将所述第一图像分割模型训练得到的参数作为所述第二图像分割模型的初始参数。
10.根据权利要求6所述的医学图像分割模型的获取方法，其特征在于，所述方法还包括：
11.一种医学图像中病灶区域的分割系统，其特征在于，包括：
12.一种电子设备，其特征在于，包括
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～5中任一项所述的医学图像中病灶区域的分割方法，以及权利要求6～10中任一项所述的医学图像分割模型的获取方法。
