CN110378876A - 基于深度学习的影像识别方法、装置、设备及存储介质 - Google Patents
基于深度学习的影像识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110378876A CN110378876A CN201910529344.4A CN201910529344A CN110378876A CN 110378876 A CN110378876 A CN 110378876A CN 201910529344 A CN201910529344 A CN 201910529344A CN 110378876 A CN110378876 A CN 110378876A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- identified
- preset
- network model
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 128
- 238000012549 training Methods 0.000 claims description 35
- 238000011221 initial treatment Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 16
- 238000011282 treatment Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 10
- 239000003814 drug Substances 0.000 claims description 6
- 238000007493 shaping process Methods 0.000 claims description 5
- 210000004072 lung Anatomy 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 206010025482 malaise Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
- G06T2207/30012—Spine; Backbone
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于深度学习的影像识别方法、装置、设备及存储介质,所述方法包括:在检测到待识别医学影像时,确定所述待识别医学影像的目标类型;根据所述待识别医学影像的目标类型,以及预设的待识别医学影像的类型与各个识别网络模型的关联关系,将所述目标类型的待识别医学影像分发至所述目标类型对应的目标识别网络模型中;基于所述目标识别网络模型对所述待识别医学影像进行预设的目标征象位置以及对应预设的目标征象类别的确定处理,以得到处理结果并输出。本发明基于智能决策方式解决现有临床影像的识别准确度低,识别效率低的技术问题。
Description
技术领域
本发明涉及医学影像处理技术领域,尤其涉及一种基于深度学习的影像识别方法、装置、设备及存储介质。
背景技术
在临床影像识别中,不同病灶的征象不同,目前,常常需要不同的影像医生人为结合征象,患者年龄等多种信息综合判断,才能给出精准的识别结果,然而,由于影像医生的人手以及经验严重不足,尤其是针对不同影像都进行分别识别的影像医生的人手以及经验不足,降低了现有临床影像的识别准确度,且降低了现有临床影像的识别效率。
发明内容
本发明的主要目的在于提供一种基于深度学习的影像识别方法、装置、设备及存储介质,旨在解决现有临床影像的识别准确度低,识别效率低的技术问题。
为实现上述目的,本发明提供一种基于深度学习的影像识别方法,所述基于深度学习的影像识别方法包括:
在检测到待识别医学影像时,确定所述待识别医学影像的目标类型;
根据所述待识别医学影像的目标类型,以及预设的待识别医学影像的类型与各个识别网络模型的关联关系,将所述目标类型的待识别医学影像分发至所述目标类型对应的目标识别网络模型中;
基于所述目标识别网络模型对所述待识别医学影像进行预设的目标征象位置以及对应预设的目标征象类别的确定处理,以得到处理结果并输出。
可选地,所述基于所述目标识别网络模型对所述待识别医学影像进行预设的目标征象位置以及对应预设的目标征象类别的确定处理,以得到处理结果并输出步骤包括:
对所述待识别医学影像进行预处理,以得到预处理图像;
根据所述目标识别网络模型对所述预处理图像进行分层处理,确定所述待识别医学影像对应的目标分层征象位置;
对分层后的所述预处理图像分别进行预设的目标征象类别识别处理,将所述目标分层征象位置以及对应的预设的目标征象类别作为处理结果并输出。
可选地,所述基于所述目标识别网络模型对所述待识别医学影像进行预设的目标征象位置以及对应预设的目标征象类别的确定处理,以得到处理结果并输出步骤之前包括:
获取预设的各类型影像的用例,对应挑选同一类型影像预设比例的所述用例设为第一用例,对应同一类型影像第一训练用例外的其他用例设为第二用例;
将所述第一用例作为训练用例进行所述目标识别网络模型对应基础识别网络模型的调整训练,以调整训练所述基础识别网络模型中针对所述影像的的多个分层征象位置的多个征象类别,所分别对应的征象特征的图像权值矩阵;
将所述第二用例作为测试用例进行调整训练后的所述基础识别网络模型的测试,以得到所述目标识别型。
可选地,所述对分层后的所述预处理图像分别进行预设的目标征象类别识别处理,将所述目标分层征象位置以及对应的预设的目标征象类别作为处理结果并输出步骤包括:
对所述分层后的所述预处理图像进行预设次数的卷积与池化交替处理,得到初始处理结果;
根据预设分类预置对所述初始处理结果进行分类处理,以得到所述分层后的所述预处理图像的预设的目标征象类别,将所述目标分层征象位置以及对应的预设的目标征象类别作为处理结果并输出。
可选地,所述对所述分层后的所述预处理图像进行预设次数的卷积与池化交替处理,得到初始处理结果步骤包括:
根据所述图像权值矩阵,对所述分层后的所述预处理图像进行滤波卷积处理,得到卷积处理结果;
对所述卷积处理结果进行池化处理,以得到池化处理结果;
根据所述预设次数,对所述池化处理结果再次进行相应次数的卷积与池化交替处理,以得到初始处理结果。
可选地,所述对所述卷积处理结果进行池化处理,以得到池化处理结果步骤包括:
将所述卷积处理结果分割为多个大小一致的预设尺寸的图像矩阵;
获取所述预设尺寸的图像矩阵中的最大像素值或者平均像素值,将所述最大像素值或者平均像素值代替所述预设尺寸的图像矩阵,以得到新的图像矩阵;
将所述新的图像矩阵设为所述池化处理结果。
可选地,所述基于所述目标识别网络模型对所述待识别医学影像进行预设的目标征象位置以及对应预设的目标征象类别的确定处理,以得到处理结果并输出步骤之后包括:
根据所述预设的目标征象类别,确定所述处理结果的目标接收影像人员的邮件地址;
根据所述邮件地址,将所述处理结果发送给所述目标接收影像人员。
本发明还提供一种基于深度学习的影像识别装置,所述基于深度学习的影像识别装置包括:
第一确定模块,用于在检测到待识别医学影像时,确定所述待识别医学影像的目标类型;
分发模块,用于根据所述待识别医学影像的目标类型,以及预设的待识别医学影像的类型与各个识别网络模型的关联关系,将所述目标类型的待识别医学影像分发至所述目标类型对应的目标识别网络模型中;
处理模块,用于基于所述目标识别网络模型对所述待识别医学影像进行预设的目标征象位置以及对应预设的目标征象类别的确定处理,以得到处理结果并输出。
可选地,所述处理模块包括:
预处理单元,用于对所述待识别医学影像进行预处理,以得到预处理图像;
分层单元,用于根据所述目标识别网络模型对所述预处理图像进行分层处理,确定所述待识别医学影像对应的目标分层征象位置;
输出单元,用于对分层后的所述预处理图像分别进行预设的目标征象类别识别处理,将所述目标分层征象位置以及对应的预设的目标征象类别作为处理结果并输出。
可选地,所述基于深度学习的影像识别装置还包括:
获取模块,用于获取预设的各类型影像的用例,对应挑选同一类型影像预设比例的所述用例设为第一用例,对应同一类型影像第一训练用例外的其他用例设为第二用例;
训练模块,用于将所述第一用例作为训练用例进行所述目标识别网络模型对应基础识别网络模型的调整训练,以调整训练所述基础识别网络模型中针对所述影像的的多个分层征象位置的多个征象类别,所分别对应的征象特征的图像权值矩阵;
测试模块,用于将所述第二用例作为测试用例进行调整训练后的所述基础识别网络模型的测试,以得到所述目标识别型。
可选地,所述输出单元包括:
交替处理子单元,用于对所述分层后的所述预处理图像进行预设次数的卷积与池化交替处理,得到初始处理结果;
分类子单元,用于根据预设分类预置对所述初始处理结果进行分类处理,以得到所述分层后的所述预处理图像的预设的目标征象类别,将所述目标分层征象位置以及对应的预设的目标征象类别作为处理结果并输出。
可选地,所述交替处理子单元用于实现:
根据所述图像权值矩阵,对所述分层后的所述预处理图像进行滤波卷积处理,得到卷积处理结果;
对所述卷积处理结果进行池化处理,以得到池化处理结果;
根据所述预设次数,对所述池化处理结果再次进行相应次数的卷积与池化交替处理,以得到初始处理结果。
可选地,所述交替处理子单元还用于实现:
将所述卷积处理结果分割为多个大小一致的预设尺寸的图像矩阵;
获取所述预设尺寸的图像矩阵中的最大像素值或者平均像素值,将所述最大像素值或者平均像素值代替所述预设尺寸的图像矩阵,以得到新的图像矩阵;
将所述新的图像矩阵设为所述池化处理结果。
可选地,所述基于深度学习的影像识别装置还包括:
第二确定模块,用于根据所述预设的目标征象类别,确定所述处理结果的目标接收影像人员的邮件地址;
发送模块,用于根据所述邮件地址,将所述处理结果发送给所述目标接收影像人员。
此外,为实现上述目的,本发明还提供一种基于深度学习的影像识别设备,所述基于深度学习的影像识别设备包括:存储器、处理器,通信总线以及存储在所述存储器上的基于深度学习的影像识别程序,
所述通信总线用于实现处理器与存储器间的通信连接;
所述处理器用于执行所述基于深度学习的影像识别程序,以实现以下步骤:
在检测到待识别医学影像时,确定所述待识别医学影像的目标类型;
根据所述待识别医学影像的目标类型,以及预设的待识别医学影像的类型与各个识别网络模型的关联关系,将所述目标类型的待识别医学影像分发至所述目标类型对应的目标识别网络模型中;
基于所述目标识别网络模型对所述待识别医学影像进行预设的目标征象位置以及对应预设的目标征象类别的确定处理,以得到处理结果并输出。
此外,为实现上述目的,本发明还提供一种存储介质,所述存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序可被一个或者一个以上的处理器执行以用于:
在检测到待识别医学影像时,确定所述待识别医学影像的目标类型;
根据所述待识别医学影像的目标类型,以及预设的待识别医学影像的类型与各个识别网络模型的关联关系,将所述目标类型的待识别医学影像分发至所述目标类型对应的目标识别网络模型中;
基于所述目标识别网络模型对所述待识别医学影像进行预设的目标征象位置以及对应预设的目标征象类别的确定处理,以得到处理结果并输出。
本发明通过在检测到待识别医学影像时,确定所述待识别医学影像的目标类型;根据所述待识别医学影像的目标类型,以及预设的待识别医学影像的类型与各个识别网络模型的关联关系,将所述目标类型的待识别医学影像分发至所述目标类型对应的目标识别网络模型中;基于所述目标识别网络模型对所述待识别医学影像进行预设的目标征象位置以及对应预设的目标征象类别的确定处理,以得到处理结果并输出。在本实施例中,不再需要将临床影像发送给不同的影像医生进行人为识别,而是在检测到待识别医学影像时,针对该不同类型的待识别医学影像,将所述目标类型的待识别医学影像分发至所述目标类型对应的目标识别网络模型中,而目标识别网络模型都是经过训练后能够对应对影像进行征象位置以及征象类别的准确识别的模型,因而,在本实施例中实现自动对所述待识别医学影像进行识别,因而,提升了临床影像的识别准确度,降低了现有临床影像的识别效率。解决了现有临床影像的识别准确度低,识别效率低的技术问题。
附图说明
图1为本发明基于深度学习的影像识别方法第一实施例的流程示意图;
图2为本发明基于深度学习的影像识别方法中基于所述目标识别网络模型对所述待识别医学影像进行预设的目标征象位置以及对应预设的目标征象类别的确定处理,以得到处理结果并输出步骤的细化流程示意图;
图3是本发明实施例方法涉及的硬件运行环境的设备结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种基于深度学习的影像识别方法,在本发明基于深度学习的影像识别方法的第一实施例中,参照图1,所述基于深度学习的影像识别方法包括:
步骤S10,在检测到待识别医学影像时,确定所述待识别医学影像的目标类型;
步骤S20,根据所述待识别医学影像的目标类型,以及预设的待识别医学影像的类型与各个识别网络模型的关联关系,将所述目标类型的待识别医学影像分发至所述目标类型对应的目标识别网络模型中;
步骤S30,基于所述目标识别网络模型对所述待识别医学影像进行预设的目标征象位置以及对应预设的目标征象类别的确定处理,以得到处理结果并输出。
具体步骤如下:
步骤S10,在检测到待识别医学影像时,确定所述待识别医学影像的目标类型;
需要说明的是,在本实施例中,基于深度学习的影像识别方法是具有众多类型影像的识别功能的,众多类型影像识别功能指的是在检测到预设的各种类型影像时,都能相应的识别,该众多类型影像包括肺部影像、腰椎间盘影像、肝部影像等类型,要在检测到预设的各种类型影像时,都能进行相应的识别,需要在基于深度学习的影像识别方法对应的基于深度学习的影像识别装置中设置有相应类型的识别网络模型,该识别网络模型包括但不限于卷积神经网络模型等类型,具体地,要在检测到肺部影像时,能进行相应的识别,要在所述影像识别装置中设置有肺部影像的识别网络模型,要在检测到腰椎间盘影像时,能进行相应的识别,要在所述影像识别装置中设置有腰椎间盘影像的识别网络模型等。
在本实施例中,在检测到待识别医学影像时,确定所述待识别医学影像的目标类型,具体地,在检测到待识别医学影像时,确定所述待识别医学影像的目标类型方式包括:
方式一:根据待识别医学影像中预先携带的影像标识,确定所述待识别医学影像的目标类型。
方式二:获取待识别医学影像的来源渠道,根据该来源渠道确定所述待识别医学影像的目标类型,其中,来源渠道指的是来源科室或者是来源机器等。
确定待识别医学影像的目标类型的目的在于将待识别医学影像分发至所述目标类型对应的目标识别网络模型中。
步骤S20,根据所述待识别医学影像的目标类型,以及预设的待识别医学影像的类型与各个识别网络模型的关联关系,将所述目标类型的待识别医学影像分发至所述目标类型对应的目标识别网络模型中;
在得到待识别医学影像的目标类型后,根据所述待识别医学影像的目标类型,以及预设的待识别医学影像的类型与各个识别网络模型的关联关系,将所述目标类型的待识别医学影像分发至所述目标类型对应的目标识别网络模型中。例如,若待识别医学影像的目标类型为肺部影像,将所述待识别医学影像分发至所述肺部影像类型对应的第一目标识别网络模型中,若待识别医学影像的目标类型为腰椎间盘影像,将所述待识别医学影像分发至所述腰椎间盘影像类型对应的第二目标识别网络模型中。将所述目标类型的待识别医学影像分发至所述目标类型对应的目标识别网络模型中的目的在于对待识别医学影像进行针对性的分析处理。
步骤S30,基于所述目标识别网络模型对所述待识别医学影像进行预设的目标征象位置以及对应预设的目标征象类别的确定处理,以得到处理结果并输出。
在本实施例中,基于所述目标识别网络模型对所述待识别医学影像进行预设的目标征象位置以及对应预设的目标征象类别的确定处理,以得到处理结果并输出,具体地,基于所述目标识别网络模型对所述待识别医学影像进行预设的目标征象位置以及对应预设的目标征象类别的确定处理包括对预设的目标征象位置确定的第一确定操作,以及对预设的目标征象类别确定的第二确定操作。其中,该第一确定操作以及第二确定操作是可以同步进行确定的(目标识别网络模型同步确定图像所处的位置以及该位置对应的征象类别),另外,该第一确定操作以及第二确定操作也可以是先后进行确定的,先后进行确定的指的是目标识别网络模型先进行预设的目标征象位置的确定,后基于预设的目标征象位置进行对应预设的目标征象类别的确定。
具体地,以待识别医学影像为腰椎间盘影像为例进行具体说明,由于腰椎间盘包括分区1(腰1上半部位)、分区2(腰1下半部位)、分区3(腰2上半部位)以及分区4(腰2下半部位),该各个分区还包括各个子分区,预设的目标征象位置指的是该待识别医学影像属于哪个具体的分区或者子分区,该预设的目标征象类别包括第一(骨折)征象类别、第二(腰椎间盘膨出)征象类别、第三(腰椎间盘突出征象)类别等。
参照图2,所述基于所述目标识别网络模型对所述待识别医学影像进行预设的目标征象位置以及对应预设的目标征象类别的确定处理,以得到处理结果并输出步骤包括:
步骤S31,对所述待识别医学影像进行预处理,以得到预处理图像;
在本实施例中,在得到处理结果前,对所述待识别医学影像进行预处理,以得到预处理图像,具体预处理过程包括首先对图像进行预设对比度拉伸,预设图像大小尺寸的改变,或者预设位移的平移等,预设图像大小尺寸的改变包括如预设图像大小缩放、扩大等操作,对所述待识别医学影像进行预处理的目的在于确保后续切割或者图像处理时的规整度。
步骤S32,根据所述目标识别网络模型对所述预处理图像进行分层处理,确定所述待识别医学影像对应的目标分层征象位置;
在得到预处理图像后,根据所述目标识别网络模型对所述预处理图像进行分层处理,确定所述待识别医学影像对应的目标分层征象位置,具体地,分层处理过程中可以使用自适应阈值最大类间方差法,其中,自适应阈值最大类间方差法,即是将所述待处理图像按照灰度特征分成图像和背景两类,以提取特征信息,以得到组织区域,在得到组织区域后,将整个组织区域进行分层识别,以确定所述待识别医学影像对应的目标分层征象位置。
步骤S33,对分层后的所述预处理图像分别进行预设的目标征象类别识别处理,将所述目标分层征象位置以及对应的预设的目标征象类别作为处理结果并输出。
在分层后,对分层后的所述预处理图像分别进行预设的目标征象类别识别处理,将所述目标分层征象位置以及对应的预设的目标征象类别作为处理结果并输出,需要说明的是,在对分层后的所述预处理图像分别进行预设的目标征象类别识别处理过程中,涉及对图像的卷积、池化、激活以及分类处理过程,以最终得到处理结果。
在得到处理结果前,是需要得到准确的目标识别网络模型的。
具体地,所述基于所述目标识别网络模型对所述待识别医学影像进行预设的目标征象位置以及对应预设的目标征象类别的确定处理,以得到处理结果并输出步骤之前包括:
步骤A1,获取预设的各类型影像的用例,对应挑选同一类型影像预设比例的所述用例设为第一用例,对应同一类型影像第一训练用例外的其他用例设为第二用例;
在本实施例中,预先存储有各类型影像的用例,例如,预先存储有该肺部影像的用例、腰椎间盘影像的用例、肝部影像的用例等,获取预设的各类型影像的用例,对应挑选同一类型影像预设比例的所述用例设为第一用例,对应同一类型影像第一训练用例外的其他用例设为第二用例。
步骤A2,将所述第一用例作为训练用例进行所述目标识别网络模型对应基础识别网络模型的调整训练,以调整训练所述基础识别网络模型中针对所述影像的的多个分层征象位置的多个征象类别,所分别对应的征象特征的图像权值矩阵;
将所述第一用例作为训练用例进行所述目标识别网络模型对应基础识别网络模型的调整训练,以调整训练所述基础识别网络模型中针对所述影像的的多个分层征象位置的多个征象类别,所分别对应的征象特征的图像权值矩阵,例如,肺部影像包括多个分层征象位置,该肺部影像的每个分层征象位置对应多个征象类别如征象类别1、征象类别2等,对该每个征象类别对应的多个征象特征(具体的特征图像矩阵)如第一征象特征、第二征象特征等的图像权值矩阵进行调整训练,如第一征象特征的图像权值矩阵需要增大,而第二征象特征的图像权值矩阵需要增大等。
步骤A3,将所述第二用例作为测试用例进行调整训练后的所述基础识别网络模型的测试,以得到所述目标识别型。
在训练完成后,将所述第二用例作为测试用例进行调整训练后的所述基础识别网络模型的测试,若测试确定该调整训练后的所述基础识别网络模型的测试的测试准确度大于预设准确度时,将所述调整训练后的所述基础识别网络模型作为目标识别型,其中,若测试确定该调整训练后的所述基础识别网络模型的测试的测试准确度小于预设准确度时,继续训练调整所述调整训练后的所述基础识别网络模型,在后续的训练调整过程中,进行对应用例的有放回抽样方式,以得到新的第一用例以及新的第二用例,以最终训练得到目标识别网络模型。
在得到目标识别网络模型后,根据该目标识别网络模型对待识别医学影像进行卷积、池化、激活以及分类处理过程,以最终得到处理结果。
本发明通过在检测到待识别医学影像时,确定所述待识别医学影像的目标类型;根据所述待识别医学影像的目标类型,以及预设的待识别医学影像的类型与各个识别网络模型的关联关系,将所述目标类型的待识别医学影像分发至所述目标类型对应的目标识别网络模型中;基于所述目标识别网络模型对所述待识别医学影像进行预设的目标征象位置以及对应预设的目标征象类别的确定处理,以得到处理结果并输出。在本实施例中,不再需要将临床影像发送给不同的影像医生进行人为识别,而是在检测到待识别医学影像时,针对该不同类型的待识别医学影像,将所述目标类型的待识别医学影像分发至所述目标类型对应的目标识别网络模型中,而目标识别网络模型都是经过训练后能够对应对影像进行征象位置以及征象类别的准确识别的模型,因而,在本实施例中实现自动对所述待识别医学影像进行识别,因而,提升了临床影像的识别准确度,降低了现有临床影像的识别效率。解决了现有临床影像的识别准确度低,识别效率低的技术问题。
进一步地,本发明提供基于深度学习的影像识别方法的另一实施例,在该实施例中,所述对分层后的所述预处理图像分别进行预设的目标征象类别识别处理,将所述目标分层征象位置以及对应的预设的目标征象类别作为处理结果并输出步骤包括:
步骤B1,对所述分层后的所述预处理图像进行预设次数的卷积与池化交替处理,得到初始处理结果;
对所述分层后的所述预处理图像进行预设次数的卷积与池化交替处理,该预设次数可以为3次,得到初始处理结果。
所述对所述分层后的所述预处理图像进行预设次数的卷积与池化交替处理,得到初始处理结果步骤包括:
步骤C1,根据所述图像权值矩阵,对所述分层后的所述预处理图像进行滤波卷积处理,得到卷积处理结果;
其中,卷积过程可以理解为:图像的一部分的征象特征与其他部分是一样的,即是在这一部分学习的征象特征也能出现在相应另一部分上,因而将学习到的征象特征作为探测器,应用到这个图像的任意地方中去,即通过小范围图像所学习到的征象特征跟原本的大尺寸的图像作卷积,在数学上,卷积可以是相应图像的特性矩阵与预先的多个征象特征对应探测矩阵相乘最后再图像权值求和,得到卷积处理结果。
在本实施例中,根据所述图像权值矩阵,将分层后的所述预处理图像对应的像素矩阵与预设征象特征对应的探测矩阵或者像素矩阵相乘,最后图像权值求和,得到卷积处理结果。
步骤C2,对所述卷积处理结果进行池化处理,以得到池化处理结果;
在得到卷积处理结果后,对所述卷积处理结果进行池化处理,以得到池化处理结果。
具体地,所述对所述卷积处理结果进行池化处理,以得到池化处理结果步骤包括:
步骤D1,将所述卷积处理结果分割为多个大小一致的预设尺寸的图像矩阵;
例如将所述卷积处理结果分割为多个3*3维的图像矩阵。
步骤D2,获取所述预设尺寸的图像矩阵中的最大像素值或者平均像素值,将所述最大像素值或者平均像素值代替所述预设尺寸的图像矩阵,以得到新的图像矩阵;
获取所述预设尺寸的图像矩阵中的最大像素值或者平均像素值,将所述最大像素值或者平均像素值代替所述预设尺寸的图像矩阵,以得到新的图像矩阵,如3*3维的图像矩阵中最大像素值为1,则将1代替所述3*3维的图像矩阵,由于卷积处理结果中包括多个3*3维的图像矩阵,因而,最后能够得到新的图像矩阵。
步骤D3,将所述新的图像矩阵设为所述池化处理结果。
将所述新的图像矩阵设为所述池化处理结果。
步骤C3,根据所述预设次数,对所述池化处理结果再次进行相应次数的卷积与池化交替处理,以得到初始处理结果。
上述C1-C2为一次卷积以及池化交替处理过程,在本实施例中,需要进行预设次数的卷积以及池化的交替处理过程,以得到初始处理结果。
步骤B2,根据预设分类预置对所述初始处理结果进行分类处理,以得到所述分层后的所述预处理图像的预设的目标征象类别,将所述目标分层征象位置以及对应的预设的目标征象类别作为处理结果并输出。
在得到初始处理结果后,根据预设分类预置对所述初始处理结果进行分类处理,若初始处理结果小于预设分类预置时,预设的目标征象类别可对应为第一类,若初始处理结果大于等于预设分类预置时,预设的目标征象类别可对应为第二类,在得到所述分层后的所述预处理图像的预设的目标征象类别后,将所述目标分层征象位置以及对应的预设的目标征象类别作为处理结果并输出。
在本实施例中,通过对所述分层后的所述预处理图像进行预设次数的卷积与池化交替处理,得到初始处理结果;根据预设分类预置对所述初始处理结果进行分类处理,以得到所述分层后的所述预处理图像的预设的目标征象类别,将所述目标分层征象位置以及对应的预设的目标征象类别作为处理结果并输出。在本实施例中,具体实现自动识别待识别医学影像,以提升影像识别效率。
进一步地,本发明提供基于深度学习的影像识别方法的另一实施例,在该实施例中,所述基于所述目标识别网络模型对所述待识别医学影像进行预设的目标征象位置以及对应预设的目标征象类别的确定处理,以得到处理结果并输出步骤之后包括:
步骤S40,根据所述预设的目标征象类别,确定所述处理结果的目标接收影像人员的邮件地址;
在本实施例中,在输出处理结果后,根据所述预设的目标征象类别,确定所述处理结果的目标接收影像人员的邮件地址,其中,影像人员的邮件地址与征象类别存在映射关系。
步骤S50,根据所述邮件地址,将所述处理结果发送给所述目标接收影像人员。
根据所述邮件地址,将所述处理结果发送给所述目标接收影像人员,以供所述影像人员进行后续的进一步确认。
在本实施例中,若根据所述预设的目标征象类别,确定所述处理结果的目标接收影像人员的邮件地址;根据所述邮件地址,将所述处理结果发送给所述目标接收影像人员。在本实施例中,实现将所述处理结果发送给对应的目标接收影像人员,而不是随意发送,提升了影像识别效率。
参照图3,图3是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
本发明实施例基于深度学习的影像识别设备可以是PC,也可以是智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、便携计算机等终端设备。
如图3所示,该基于深度学习的影像识别设备可以包括:处理器1001,例如CPU,存储器1005,通信总线1002。其中,通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatilememory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地,该基于深度学习的影像识别设备还可以包括目标用户接口、网络接口、摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。目标用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选目标用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图3中示出的基于深度学习的影像识别设备结构并不构成对基于深度学习的影像识别设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图3所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块以及基于深度学习的影像识别程序。操作系统是管理和控制基于深度学习的影像识别设备硬件和软件资源的程序,支持基于深度学习的影像识别程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与基于深度学习的影像识别设备中其它硬件和软件之间通信。
在图3所示的基于深度学习的影像识别设备中,处理器1001用于执行存储器1005中存储的基于深度学习的影像识别程序,实现上述任一项所述的基于深度学习的影像识别方法的步骤。
本发明基于深度学习的影像识别设备具体实施方式与上述基于深度学习的影像识别方法各实施例基本相同,在此不再赘述。
本发明还提供一种基于深度学习的影像识别装置,所述基于深度学习的影像识别装置包括:
第一确定模块,用于在检测到待识别医学影像时,确定所述待识别医学影像的目标类型;
分发模块,用于根据所述待识别医学影像的目标类型,以及预设的待识别医学影像的类型与各个识别网络模型的关联关系,将所述目标类型的待识别医学影像分发至所述目标类型对应的目标识别网络模型中;
处理模块,用于基于所述目标识别网络模型对所述待识别医学影像进行预设的目标征象位置以及对应预设的目标征象类别的确定处理,以得到处理结果并输出。
本发明基于深度学习的影像识别装置具体实施方式与上述基于深度学习的影像识别方法各实施例基本相同,在此不再赘述。
本发明提供了一种存储介质,所述存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的基于深度学习的影像识别方法的步骤。
本发明存储介质具体实施方式与上述基于深度学习的影像识别方法各实施例基本相同,在此不再赘述。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利处理范围内。
Claims (10)
1.一种基于深度学习的影像识别方法,其特征在于,所述基于深度学习的影像识别方法包括:
在检测到待识别医学影像时,确定所述待识别医学影像的目标类型;
根据所述待识别医学影像的目标类型,以及预设的待识别医学影像的类型与各个识别网络模型的关联关系,将所述目标类型的待识别医学影像分发至所述目标类型对应的目标识别网络模型中;
基于所述目标识别网络模型对所述待识别医学影像进行预设的目标征象位置以及对应预设的目标征象类别的确定处理,以得到处理结果并输出。
2.如权利要求1所述的基于深度学习的影像识别方法,其特征在于,所述基于所述目标识别网络模型对所述待识别医学影像进行预设的目标征象位置以及对应预设的目标征象类别的确定处理,以得到处理结果并输出步骤包括:
对所述待识别医学影像进行预处理,以得到预处理图像;
根据所述目标识别网络模型对所述预处理图像进行分层处理,确定所述待识别医学影像对应的目标分层征象位置;
对分层后的所述预处理图像分别进行预设的目标征象类别识别处理,将所述目标分层征象位置以及对应的预设的目标征象类别作为处理结果并输出。
3.如权利要求2所述的基于深度学习的影像识别方法,其特征在于,所述基于所述目标识别网络模型对所述待识别医学影像进行预设的目标征象位置以及对应预设的目标征象类别的确定处理,以得到处理结果并输出步骤之前包括:
获取预设的各类型影像的用例,对应挑选同一类型影像预设比例的所述用例设为第一用例,对应同一类型影像第一训练用例外的其他用例设为第二用例;
将所述第一用例作为训练用例进行所述目标识别网络模型对应基础识别网络模型的调整训练,以调整训练所述基础识别网络模型中针对所述影像的的多个分层征象位置的多个征象类别,所分别对应的征象特征的图像权值矩阵;
将所述第二用例作为测试用例进行调整训练后的所述基础识别网络模型的测试,以得到所述目标识别型。
4.如权利要求3所述的基于深度学习的影像识别方法,其特征在于,所述对分层后的所述预处理图像分别进行预设的目标征象类别识别处理,将所述目标分层征象位置以及对应的预设的目标征象类别作为处理结果并输出步骤包括:
对所述分层后的所述预处理图像进行预设次数的卷积与池化交替处理,得到初始处理结果;
根据预设分类预置对所述初始处理结果进行分类处理,以得到所述分层后的所述预处理图像的预设的目标征象类别,将所述目标分层征象位置以及对应的预设的目标征象类别作为处理结果并输出。
5.如权利要求4所述的基于深度学习的影像识别方法,其特征在于,所述对所述分层后的所述预处理图像进行预设次数的卷积与池化交替处理,得到初始处理结果步骤包括:
根据所述图像权值矩阵,对所述分层后的所述预处理图像进行滤波卷积处理,得到卷积处理结果;
对所述卷积处理结果进行池化处理,以得到池化处理结果;
根据所述预设次数,对所述池化处理结果再次进行相应次数的卷积与池化交替处理,以得到初始处理结果。
6.如权利要求5所述的基于深度学习的影像识别方法,其特征在于,所述对所述卷积处理结果进行池化处理,以得到池化处理结果步骤包括:
将所述卷积处理结果分割为多个大小一致的预设尺寸的图像矩阵;
获取所述预设尺寸的图像矩阵中的最大像素值或者平均像素值,将所述最大像素值或者平均像素值代替所述预设尺寸的图像矩阵,以得到新的图像矩阵;
将所述新的图像矩阵设为所述池化处理结果。
7.如权利要求1-6任一项所述的基于深度学习的影像识别方法,其特征在于,所述基于所述目标识别网络模型对所述待识别医学影像进行预设的目标征象位置以及对应预设的目标征象类别的确定处理,以得到处理结果并输出步骤之后包括:
根据所述预设的目标征象类别,确定所述处理结果的目标接收影像人员的邮件地址;
根据所述邮件地址,将所述处理结果发送给所述目标接收影像人员。
8.一种基于深度学习的影像识别装置,其特征在于,所述基于深度学习的影像识别装置包括:
第一确定模块,用于在检测到待识别医学影像时,确定所述待识别医学影像的目标类型;
分发模块,用于根据所述待识别医学影像的目标类型,以及预设的待识别医学影像的类型与各个识别网络模型的关联关系,将所述目标类型的待识别医学影像分发至所述目标类型对应的目标识别网络模型中;
处理模块,用于基于所述目标识别网络模型对所述待识别医学影像进行预设的目标征象位置以及对应预设的目标征象类别的确定处理,以得到处理结果并输出。
9.一种基于深度学习的影像识别设备,其特征在于,所述基于深度学习的影像识别设备包括:存储器、处理器,通信总线以及存储在所述存储器上的基于深度学习的影像识别程序,
所述通信总线用于实现处理器与存储器间的通信连接;
所述处理器用于执行所述基于深度学习的影像识别程序,以实现如权利要求1至7中任一项所述的基于深度学习的影像识别方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有基于深度学习的影像识别程序,所述基于深度学习的影像识别程序被处理器执行时实现如权利要求1至7中任一项所述的基于深度学习的影像识别方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910529344.4A CN110378876A (zh) | 2019-06-18 | 2019-06-18 | 基于深度学习的影像识别方法、装置、设备及存储介质 |
PCT/CN2019/117573 WO2020253048A1 (zh) | 2019-06-18 | 2019-11-12 | 基于深度学习的影像识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910529344.4A CN110378876A (zh) | 2019-06-18 | 2019-06-18 | 基于深度学习的影像识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110378876A true CN110378876A (zh) | 2019-10-25 |
Family
ID=68249200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910529344.4A Pending CN110378876A (zh) | 2019-06-18 | 2019-06-18 | 基于深度学习的影像识别方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110378876A (zh) |
WO (1) | WO2020253048A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325745A (zh) * | 2020-03-09 | 2020-06-23 | 北京深睿博联科技有限责任公司 | 骨折区域分析方法和装置、电子设备及可读存储介质 |
WO2020253048A1 (zh) * | 2019-06-18 | 2020-12-24 | 平安科技(深圳)有限公司 | 基于深度学习的影像识别方法、装置、设备及存储介质 |
CN112766314A (zh) * | 2020-12-31 | 2021-05-07 | 上海联影智能医疗科技有限公司 | 解剖结构的识别方法、电子设备及存储介质 |
CN113555088A (zh) * | 2020-04-23 | 2021-10-26 | 上海联影智能医疗科技有限公司 | 图像处理方法、装置、系统和存储介质 |
CN113658175A (zh) * | 2021-09-02 | 2021-11-16 | 数坤(北京)网络科技股份有限公司 | 一种征象数据的确定方法及装置 |
CN113807146A (zh) * | 2020-06-15 | 2021-12-17 | 深圳绿米联创科技有限公司 | 门锁识别方法、装置及电子设备 |
CN114549482A (zh) * | 2022-02-25 | 2022-05-27 | 数坤(北京)网络科技股份有限公司 | 一种图像关联方法、装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108305671A (zh) * | 2018-01-23 | 2018-07-20 | 深圳科亚医疗科技有限公司 | 由计算机实现的医学图像调度方法、调度系统及存储介质 |
CN109363698A (zh) * | 2018-10-16 | 2019-02-22 | 杭州依图医疗技术有限公司 | 一种乳腺影像征象识别的方法及装置 |
CN109859216A (zh) * | 2019-02-16 | 2019-06-07 | 深圳市未来感知科技有限公司 | 基于深度学习的测距方法、装置、设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825228B (zh) * | 2016-03-14 | 2019-04-30 | 百度在线网络技术(北京)有限公司 | 图像识别方法及装置 |
CN108230289A (zh) * | 2016-12-22 | 2018-06-29 | 上海哲康医学科技有限公司 | 基于x线体检正位胸片的计算机辅助诊断系统和方法 |
CN110378876A (zh) * | 2019-06-18 | 2019-10-25 | 平安科技(深圳)有限公司 | 基于深度学习的影像识别方法、装置、设备及存储介质 |
-
2019
- 2019-06-18 CN CN201910529344.4A patent/CN110378876A/zh active Pending
- 2019-11-12 WO PCT/CN2019/117573 patent/WO2020253048A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108305671A (zh) * | 2018-01-23 | 2018-07-20 | 深圳科亚医疗科技有限公司 | 由计算机实现的医学图像调度方法、调度系统及存储介质 |
CN109363698A (zh) * | 2018-10-16 | 2019-02-22 | 杭州依图医疗技术有限公司 | 一种乳腺影像征象识别的方法及装置 |
CN109859216A (zh) * | 2019-02-16 | 2019-06-07 | 深圳市未来感知科技有限公司 | 基于深度学习的测距方法、装置、设备及存储介质 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020253048A1 (zh) * | 2019-06-18 | 2020-12-24 | 平安科技(深圳)有限公司 | 基于深度学习的影像识别方法、装置、设备及存储介质 |
CN111325745A (zh) * | 2020-03-09 | 2020-06-23 | 北京深睿博联科技有限责任公司 | 骨折区域分析方法和装置、电子设备及可读存储介质 |
CN111325745B (zh) * | 2020-03-09 | 2023-08-25 | 北京深睿博联科技有限责任公司 | 骨折区域分析方法和装置、电子设备及可读存储介质 |
CN113555088A (zh) * | 2020-04-23 | 2021-10-26 | 上海联影智能医疗科技有限公司 | 图像处理方法、装置、系统和存储介质 |
CN113807146A (zh) * | 2020-06-15 | 2021-12-17 | 深圳绿米联创科技有限公司 | 门锁识别方法、装置及电子设备 |
CN112766314A (zh) * | 2020-12-31 | 2021-05-07 | 上海联影智能医疗科技有限公司 | 解剖结构的识别方法、电子设备及存储介质 |
CN112766314B (zh) * | 2020-12-31 | 2024-05-28 | 上海联影智能医疗科技有限公司 | 解剖结构的识别方法、电子设备及存储介质 |
CN113658175A (zh) * | 2021-09-02 | 2021-11-16 | 数坤(北京)网络科技股份有限公司 | 一种征象数据的确定方法及装置 |
CN113658175B (zh) * | 2021-09-02 | 2023-08-18 | 数坤(北京)网络科技股份有限公司 | 一种征象数据的确定方法及装置 |
CN114549482A (zh) * | 2022-02-25 | 2022-05-27 | 数坤(北京)网络科技股份有限公司 | 一种图像关联方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020253048A1 (zh) | 2020-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378876A (zh) | 基于深度学习的影像识别方法、装置、设备及存储介质 | |
CN111340819B (zh) | 图像分割方法、装置和存储介质 | |
CN112132817B (zh) | 一种混合注意力机制的眼底图像视网膜血管分割方法 | |
CN110491480A (zh) | 一种医疗图像处理方法、装置、电子医疗设备和存储介质 | |
US20220222932A1 (en) | Training method and apparatus for image region segmentation model, and image region segmentation method and apparatus | |
CN106530295A (zh) | 一种视网膜病变的眼底图像分类方法和装置 | |
CN109376636A (zh) | 基于胶囊网络的眼底视网膜图像分类方法 | |
CN107886503A (zh) | 一种消化道解剖位置识别方法及装置 | |
CN107767935A (zh) | 基于人工智能的医学影像分类处理系统及方法 | |
CN107368670A (zh) | 基于大数据深度学习的胃癌病理诊断支持系统和方法 | |
CN105975916A (zh) | 基于多输出卷积神经网络和有序回归的年龄估计方法 | |
CN108765387A (zh) | 基于Faster RCNN乳腺DBT影像肿块自动检测方法 | |
CN110059717A (zh) | 用于乳腺钼靶数据集的卷积神经网络自动分割方法及系统 | |
CN106777953A (zh) | 医学影像数据的分析方法及系统 | |
CN110660478A (zh) | 一种基于迁移学习的癌症图像预测判别方法和系统 | |
CN110473186A (zh) | 一种基于医学图像的检测方法、模型训练的方法及装置 | |
CN109447962A (zh) | 一种基于卷积神经网络的眼底图像硬性渗出物病变检测方法 | |
CN110414631A (zh) | 基于医学图像的病灶检测方法、模型训练的方法及装置 | |
CN112614133B (zh) | 一种无锚点框的三维肺结节检测模型训练方法及装置 | |
CN110458217A (zh) | 图像识别方法及装置、眼底图像识别方法和电子设备 | |
CN110517225A (zh) | Ai影像识别方法、装置、设备及存储介质 | |
CN112419326B (zh) | 图像分割数据处理方法、装置、设备及存储介质 | |
CN106663210A (zh) | 基于感受的多媒体处理 | |
CN108897614A (zh) | 一种基于卷积神经网络的内存预警方法及服务端 | |
CN105430394A (zh) | 视频数据压缩处理方法、装置和设备 |
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 |