CN110263861A - 一种医疗图像分类方法、装置及存储介质 - Google Patents
一种医疗图像分类方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110263861A CN110263861A CN201910544206.3A CN201910544206A CN110263861A CN 110263861 A CN110263861 A CN 110263861A CN 201910544206 A CN201910544206 A CN 201910544206A CN 110263861 A CN110263861 A CN 110263861A
- Authority
- CN
- China
- Prior art keywords
- medical image
- image
- judgment models
- input
- medical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种医疗图像分类方法,包括:获取执行指令和至少一张医疗图像,医疗图像为X光图像;根据执行指令获取与医疗图像对应的判断模型;将X光图像输入至判断模型,获取判断模型输出的与医疗图像对应的分类结果。一方面,采用模型训练和实际应用分离的结构,有效克服了深度学习方法在实际应用中运行时间长等问题,用户上传数据后可离线等待系统对数据的分析结果并下载结果。另一方面,采用多种基于深度学习的成熟的医学图像处理模型,并且采用多层神经网络对图像进行图像分割,不仅图像分割效果好,而且图像分类结果准确率高。
Description
技术领域
本发明实施例涉及辅助医疗技术领域,具体涉及一种医疗图像分类方法、装置及存储介质。
背景技术
近几年,医疗影像的采集设备有了很大程度的进步,设备的数据采集速度更快,所采集的医疗图像也有了更高的分辨率,但是目前对采集的医疗图像判断和解读还要借助于医生,费时费力。
目前,以深度学习为代表的人工智能技术飞速发展,将深度学习方法应用于医疗辅助诊断中是目前人工智能发展的重要趋势。当前已有各类用于医疗辅助诊断的深度学习算法(如肿瘤识别、细胞分割、细胞染色等各类算法模型),如将深度学习应用到医疗图像的分类中,必将带来巨大的经济效益。
发明内容
本发明实施例提供如下技术方案:
根据本发明实施例的第一方面提供了一种医疗图像分类方法,包括:
获取执行指令和至少一张医疗图像,所述医疗图像为X光图像;
根据所述执行指令获取与所述医疗图像对应的判断模型;
将所述X光图像输入至所述判断模型,获取所述判断模型输出的与所述医疗图像对应的分类结果。
进一步地,所述的医疗图像分类方法中,将所述X光图像输入至所述判断模型,获取所述判断模型输出的与所述医疗图像对应的分类结果,包括:
所述判断模型包括串行的第一、第二和第三神经网络;
将所述医疗图像输入至所述第一神经网络,对所述医疗图像进行分割,输出分割图像;
将所述分割图像输入至所述第二神经网络,输出所述分割图像的特征参数;
将所述特征参数输入至第三神经网络,输出与所述医疗图像对应的分类结果。
进一步地,所述的医疗图像分类方法中,所述第一、第二和第三神经网络均为多层神经网络。
进一步地,所述的医疗图像分类方法中,所述根据所述执行指令获取与所述医疗图像对应的判断模型,包括:
根据所述执行指令调取与所述医疗图像相应的模型参数,将调取的模型参数运行在模型上,得到所述判断模型。
根据本发明实施例的第二方面提供了一种医疗图像分类装置,包括:
获取模块,用于获取执行指令和至少一张医疗图像,所述医疗图像为X光图像;
判断模型分配模块,用于根据所述执行指令调取与所述医疗图像对应的判断模型;
分类模块,用于将所述X光图像输入至所述判断模型,获取所述判断模型输出的与所述医疗图像对应的分类结果。
进一步地,所述的医疗图像分类装置中,所述分类模块包括:
第一神经网络输入单元,用于将所述医疗图像输入至第一神经网络,对所述医疗图像进行分割,输出分割图像;
第二神经网络输入单元,将所述分割图像输入至第二神经网络,输出所述分割图像的特征参数;
第三神经网络输入单元,用于将所述特征参数输入至第三神经网络,输出与所述医疗图像对应的分类结果。
进一步地,所述的医疗图像分类装置中,所述第一、第二和第三神经网络均为多层神经网络。
进一步地,所述的医疗图像分类装置中,所述根据所述执行指令获取与所述医疗图像对应的判断模型,包括:
根据所述执行指令调取与所述医疗图像相应的模型参数,将调取的模型参数运行在模型上,得到所述判断模型。
根据本发明实施例的第三方面提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至4任一所述的医疗图像分类方法的步骤。
本发明实施例具有如下优点:
本发明实施提供了一种医疗图像分类方法,包括:获取执行指令和至少一张医疗图像,所述医疗图像为X光图像;根据所述执行指令获取与所述医疗图像对应的判断模型;将所述X光图像输入至所述判断模型,获取所述判断模型输出的与所述医疗图像对应的分类结果。一方面,采用模型训练和实际应用分离的结构,有效克服了深度学习方法在实际应用中运行时间长等问题,用户上传数据后可离线等待系统对数据的分析结果并下载结果。另一方面,采用多种基于深度学习的成熟的医学图像处理模型,并且采用多层神经网络对图像进行图像分割,不仅图像分割效果好,而且图像分类结果准确率高。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例提供的医疗图像分类方法所涉及的实施环境;
图2为本发明实施例提供的医疗图像分类方法的流程图;
图3为本发明实施例提供的医疗图像分类装置的结构示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的医疗图像分类方法所涉及的实施环境,参见图1,该实施环境包括:客户端101和服务器102。
其中,客户端101可为PDA、笔记本电脑、台式计算机、平板电脑、智能手机等,本实施例不对客户端101的产品类型作具体限定。客户端101上可安装有用于医疗图像分类的应用,基于应用可以完成人与设备之间的交互,可以将医疗图像输入输出等,本发明实施例对此不作限定。
基于图1的实施环境,本申请实施例所提供的一种医疗图像分类方法,参见图2所示,包括步骤S201~S203:
S201:获取执行指令和至少一张医疗图像,所述医疗图像为X光图像;
在本实施例中,该医疗图像是为拍摄X光图像,用户在客户端输入拍摄的X光图像,以及输入执行命令,例如,检索乳腺癌判断等;
S202:根据所述执行指令获取与所述医疗图像对应的判断模型;
具体的,根据所述执行指令调取与所述医疗图像相应的模型参数,将调取的模型参数运行在模型上,得到所述判断模型。
在本实施例中,服务器存储若干已经过训好的模型参数,每一模型参数对应一病灶类别;例如,乳腺癌、胃癌等,分别对应不用的模型参数;
执行指令中包含有该图片是采用何种类别的模型参数,例如,该医疗图像为拍摄的部位为乳腺部位,则执行命令中包含有调取乳腺癌对应的模型参数,将该模型参数运行在服务器上的模型上,形成判断模型;该执行命令可以通过人工输入的方式生成,但是本发明并不限于此种方式。
其中,本申请中的模型参数是通过预先采用大量标注的医疗图片训练得来,具体地对若干医疗图像进行标注,得到若干标注图像;将若干标注图像输入至初始模型中,当所述初始模型输出的数据与预设置的结果不一致,则重复执行输入操作,直至所述初始模型输出的数据与预设置的结果一致,其中,所述预设置结果包括与所述医疗图像对应的分类结果。
S203:将所述X光图像输入至所述判断模型,获取所述判断模型输出的与所述医疗图像对应的分类结果。
具体地,所述判断模型包括串行的第一、第二和第三神经网络;
将所述医疗图像输入至所述第一神经网络,对所述医疗图像进行分割,输出分割图像;
将所述分割图像输入至所述第二神经网络,输出所述分割图像的特征参数;
将所述特征参数输入至第三神经网络,输出与所述医疗图像对应的分类结果;
所述第一、第二和第三神经网络均为多层神经网络;所述第一、第二和第三神经网络为相同类型或不同。
本实施例中,将医疗图像输入第一神经网络中,第一卷积神经神经网络对医疗图像进行图形分割,获得分割图像;将分割图像输入至第二神经网络中,第二神经网络提取分图像的特征参数,将提取的特征参数输入至第三神经网络中,第三神经网络根据参数特征,得到医疗图像的分类结果,该分类结果包括:该医疗图像属于何种病症的几率是多少,例如,乳腺部位的医疗图像通过上述分析,得到该图像属于乳腺癌的几率为多少。
本发明一方面,采用模型训练和实际应用分离的结构,有效克服了深度学习方法在实际应用中运行时间长等问题,用户上传数据后可离线等待系统对数据的分析结果并下载结果。另一方面,采用多种基于深度学习的成熟的医学图像处理模型,并且采用多层神经网络对图像进行图像分割,不仅图像分割效果好,而且图像分类结果准确率高。
基于同一发明构思,本申请实施例中还提供了与医疗图像分类方法对应的医疗图像分类装置。由于本申请实施例中的装置解决问题的原理与本申请实施例上述医疗图像分类方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
参见图3所示,一种医疗图像分类装置,包括:
获取模块301,用于获取执行指令和至少一张医疗图像,所述医疗图像为X光图像;
判断模型分配模块302,用于根据所述执行指令调取与所述医疗图像对应的判断模型;
分类模块303,用于将所述X光图像输入至所述判断模型,获取所述判断模型输出的与所述医疗图像对应的分类结果。
可选地,所述分类模块303包括:
第一神经网络输入单元3031,用于将所述医疗图像输入至第一神经网络,对所述医疗图像进行分割,输出分割图像;
第二神经网络输入单元3032,将所述分割图像输入至第二神经网络,输出所述分割图像的特征参数;
第三神经网络输入单元3033,用于将所述特征参数输入至第三神经网络,输出与所述医疗图像对应的分类结果。
可选地,所述第一、第二和第三神经网络均为多层神经网络。
可选地,所述根据所述执行指令获取与所述医疗图像对应的判断模型,包括:
根据所述执行指令调取与所述医疗图像相应的模型参数,将调取的模型参数运行在模型上,得到所述判断模型。
本申请实施例所提供的精确对医疗图像进行分类的的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (9)
1.一种医疗图像分类方法,其特征在于,包括:
获取执行指令和至少一张医疗图像,所述医疗图像为X光图像;
根据所述执行指令获取与所述医疗图像对应的判断模型;
将所述X光图像输入至所述判断模型,获取所述判断模型输出的与所述医疗图像对应的分类结果。
2.根据权利要求1所述的医疗图像分类方法,其特征在于,将所述X光图像输入至所述判断模型,获取所述判断模型输出的与所述医疗图像对应的分类结果,包括:
所述判断模型包括串行的第一、第二和第三神经网络;
将所述医疗图像输入至所述第一神经网络,对所述医疗图像进行分割,输出分割图像;
将所述分割图像输入至所述第二神经网络,输出所述分割图像的特征参数;
将所述特征参数输入至第三神经网络,输出与所述医疗图像对应的分类结果。
3.根据权利要求2所述的医疗图像分类方法,其特征在于,所述第一、第二和第三神经网络均为多层神经网络。
4.根据权利要求1-3任一所述的医疗图像分类方法,其特征在于,所述根据所述执行指令获取与所述医疗图像对应的判断模型,包括:
根据所述执行指令调取与所述医疗图像相应的模型参数,将调取的模型参数运行在模型上,得到所述判断模型。
5.一种医疗图像分类装置,其特征在于,包括:
获取模块,用于获取执行指令和至少一张医疗图像,所述医疗图像为X光图像;
判断模型分配模块,用于根据所述执行指令调取与所述医疗图像对应的判断模型;
分类模块,用于将所述X光图像输入至所述判断模型,获取所述判断模型输出的与所述医疗图像对应的分类结果。
6.根据权利要求5所述的医疗图像分类装置,其特征在于,所述分类模块包括:
第一神经网络输入单元,用于将所述医疗图像输入至第一神经网络,对所述医疗图像进行分割,输出分割图像;
第二神经网络输入单元,将所述分割图像输入至第二神经网络,输出所述分割图像的特征参数;
第三神经网络输入单元,用于将所述特征参数输入至第三神经网络,输出与所述医疗图像对应的分类结果。
7.根据权利要求6所述的医疗图像分类装置,其特征在于,所述第一、第二和第三神经网络均为多层神经网络。
8.根据权利要求5-7任一所述的医疗图像分类装置,其特征在于,所述根据所述执行指令获取与所述医疗图像对应的判断模型,包括:
根据所述执行指令调取与所述医疗图像相应的模型参数,将调取的模型参数运行在模型上,得到所述判断模型。
9.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至4任一所述的医疗图像分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910544206.3A CN110263861A (zh) | 2019-06-21 | 2019-06-21 | 一种医疗图像分类方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910544206.3A CN110263861A (zh) | 2019-06-21 | 2019-06-21 | 一种医疗图像分类方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110263861A true CN110263861A (zh) | 2019-09-20 |
Family
ID=67920422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910544206.3A Pending CN110263861A (zh) | 2019-06-21 | 2019-06-21 | 一种医疗图像分类方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110263861A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283552A (zh) * | 2021-07-22 | 2021-08-20 | 深圳百胜扬工业电子商务平台发展有限公司 | 图像的分类方法、装置、存储介质及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622281A (zh) * | 2017-09-20 | 2018-01-23 | 广东欧珀移动通信有限公司 | 图像分类方法、装置、存储介质及移动终端 |
CN108537328A (zh) * | 2018-04-13 | 2018-09-14 | 众安信息技术服务有限公司 | 用于可视化构建神经网络的方法 |
CN108573307A (zh) * | 2018-03-05 | 2018-09-25 | 维沃移动通信有限公司 | 一种处理神经网络模型文件的方法及终端 |
CN108932124A (zh) * | 2018-06-26 | 2018-12-04 | Oppo广东移动通信有限公司 | 神经网络模型压缩方法、装置、终端设备及存储介质 |
CN109871939A (zh) * | 2019-01-29 | 2019-06-11 | 深兰人工智能芯片研究院(江苏)有限公司 | 一种图像处理方法及图像处理装置 |
-
2019
- 2019-06-21 CN CN201910544206.3A patent/CN110263861A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107622281A (zh) * | 2017-09-20 | 2018-01-23 | 广东欧珀移动通信有限公司 | 图像分类方法、装置、存储介质及移动终端 |
CN108573307A (zh) * | 2018-03-05 | 2018-09-25 | 维沃移动通信有限公司 | 一种处理神经网络模型文件的方法及终端 |
CN108537328A (zh) * | 2018-04-13 | 2018-09-14 | 众安信息技术服务有限公司 | 用于可视化构建神经网络的方法 |
CN108932124A (zh) * | 2018-06-26 | 2018-12-04 | Oppo广东移动通信有限公司 | 神经网络模型压缩方法、装置、终端设备及存储介质 |
CN109871939A (zh) * | 2019-01-29 | 2019-06-11 | 深兰人工智能芯片研究院(江苏)有限公司 | 一种图像处理方法及图像处理装置 |
Non-Patent Citations (1)
Title |
---|
张娟 等: ""基于卷积受限玻尔兹曼机的医学图像分类新方法"", 《计算机工程与科学》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283552A (zh) * | 2021-07-22 | 2021-08-20 | 深圳百胜扬工业电子商务平台发展有限公司 | 图像的分类方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Deep learning for determining a near-optimal topological design without any iteration | |
Wang et al. | Multi-scale dilated convolution of convolutional neural network for image denoising | |
Gao et al. | Image super-resolution using knowledge distillation | |
Li et al. | Difficulty-aware meta-learning for rare disease diagnosis | |
Uchida et al. | Coupled convolution layer for convolutional neural network | |
US20180130203A1 (en) | Automated skin lesion segmentation using deep side layers | |
Hossain et al. | Improving consumer satisfaction in smart cities using edge computing and caching: A case study of date fruits classification | |
US20170185871A1 (en) | Method and apparatus of neural network based image signal processor | |
CN109242013A (zh) | 一种数据标注方法、装置、电子设备及存储介质 | |
Saini et al. | Vggin-net: Deep transfer network for imbalanced breast cancer dataset | |
Liu et al. | Deep adaptive inference networks for single image super-resolution | |
Huang et al. | Fine-art painting classification via two-channel deep residual network | |
Patnaik et al. | Target detection through image processing and resilient propagation algorithms | |
CN112529068A (zh) | 一种多视图图像分类方法、系统、计算机设备和存储介质 | |
CN113326940A (zh) | 基于多重知识迁移的知识蒸馏方法、装置、设备及介质 | |
AU2018226403A1 (en) | Brush stroke generation with deep neural networks | |
CN114170231A (zh) | 基于卷积神经网络的图像语义分割方法、装置及电子设备 | |
Anitha et al. | Convolution Neural Network and Auto-encoder Hybrid Scheme for Automatic Colorization of Grayscale Images | |
Li et al. | Enhancing pencil drawing patterns via using semantic information | |
CN110263861A (zh) | 一种医疗图像分类方法、装置及存储介质 | |
CN109241869A (zh) | 答题卡分数识别方法、装置及终端设备 | |
Joutard et al. | Permutohedral attention module for efficient non-local neural networks | |
Wu et al. | A novel method of data and feature enhancement for few-shot image classification | |
Beaini et al. | Deep green function convolution for improving saliency in convolutional neural networks | |
Wei | A bio-inspired integration method for object semantic representation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |