CN111340083A - 医学图像的处理方法、装置、设备及存储介质 - Google Patents

医学图像的处理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111340083A
CN111340083A CN202010104978.8A CN202010104978A CN111340083A CN 111340083 A CN111340083 A CN 111340083A CN 202010104978 A CN202010104978 A CN 202010104978A CN 111340083 A CN111340083 A CN 111340083A
Authority
CN
China
Prior art keywords
image
convolution
network
medical image
feature
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
Application number
CN202010104978.8A
Other languages
English (en)
Inventor
欧歌
吴琼
杨志明
马小惠
唐大伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN202010104978.8A priority Critical patent/CN111340083A/zh
Publication of CN111340083A publication Critical patent/CN111340083A/zh
Pending legal-status Critical Current

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Pathology (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请提供了一种医学图像的处理方法、装置、设备及存储介质。医学图像的处理方法包括：获取待分类的医学图像；根据图像分类模型中的特征提取网络对医学图像进行特征提取，得到特征图像；根据图像分类模型中的分类网络对特征图像进行分类，得到特征图像的类别信息。本申请实施例可对待分类的医学图像的类别进行较为准确的预测，预测结果可用于协助医生准确而快速地对患者的疾病做出诊断，提高辅助诊断的效果。

Description

医学图像的处理方法、装置、设备及存储介质
技术领域
本申请涉及图像处理技术领域，具体而言，本申请涉及一种医学图像的处理方法、装置、设备及存储介质。
背景技术
医生在进行诊疗时，通常需要以医疗影像(X射线图像、超声图像等)为参考进行疾病诊断，目前多以医生的人工诊断为主，诊断效率较低。存在一些为医疗影像为基础的辅助诊断，但通常是给出具体指标或者对医疗影像进行粗略的检测和疾病识别，检测准确率不高且执行效率较低，对诊断的辅助效果较差。
发明内容
本申请针对现有方式的缺点，提出一种医学图像的处理方法、装置、设备及存储介质，用以解决现有技术存在的对图像进行检测和疾病识别的准确度较低的技术问题。
第一方面，本申请实施例提供了一种医学图像的处理方法，包括：
获取待分类的医学图像；
根据图像分类模型中的特征提取网络对医学图像进行特征提取，得到特征图像；
根据图像分类模型中的分类网络对特征图像进行分类，得到特征图像的类别信息。
第二方面，本申请实施例提供了一种医学图像的处理装置，包括：
图像获取模块，用于获取待分类的医学图像；
图像特征提取模块，用于根据图像分类模型中的特征提取网络对医学图像进行特征提取，得到特征图像；
图像分类模块，用于根据图像分类模型中的分类网络对特征图像进行分类，得到特征图像的类别信息。
第三方面，本申请实施例提供一种医学图像的处理设备，包括：
存储器；
处理器，与存储器电连接；
存储器存储有计算机程序，计算机程序由所述处理器执行以实现本申请实施例第一方面提供的医学图像的处理方法。
第四方面，本申请实施例提供一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现本申请实施例第一方面提供的医学图像的处理方法。
本申请实施例提供的技术方案，至少具有如下有益效果：
根据图像分类模型中的特征提取网络可对待分类的医学图像进行较为准确的特征提取，基于提取的特征图像，可对待分类的医学图像的类别进行较为准确的预测，预测结果可用于协助医生准确而快速地对患者的疾病做出诊断，提高辅助诊断的效果。
本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例提供的一种医学图像的处理方法的流程示意图；
图2为本申请实施例中图像分类模型的一种结构框架以及算法流程示意图；
图3为图2中InceptionV3网络部分的一种结构框架以及算法流程示意图；
图4为本申请实施例中图像分类模型的另一种结构框架以及算法流程示意图；
图5为本申请实施例提供的一种医学图像的处理装置的结构框架示意图；
图6为本申请实施例提供的一种医学图像的处理设备的结构框架示意图。
具体实施方式
下面详细描述本申请，本申请的实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的部件或具有相同或类似功能的部件。此外，如果已知技术的详细描述对于示出的本申请的特征是不必要的，则将其省略。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。
本申请实施例提供了一种医学图像的处理方法，如图1所示，该处理方法包括：
S101，获取待分类的医学图像。
本申请实施例中获取的医学图像包括X射线图像、CT(Computed Tomography，电子计算机断层扫描)图像、MRI(nuclear Magnetic Resonance Imaging，核磁共振成像)图像和超声图像等。
S102，根据图像分类模型中的特征提取网络对医学图像进行特征提取，得到特征图像。
可选地，本申请实施例中的图像分类模型可根据InceptionV3网络来搭建，具体地，可去除现有的InceptionV3网络顶层的密集连接的分类器部分，保留网络中的卷积层和池化层。可选地，本申请实施例中的图像分类模型还可根据VGG16或resnet等网络来搭建，例如，直接使用现有的VGG16或resnet的结构作为图像分类模型中的特征提取网络。
图2示出了在InceptionV3网络基础上搭建的图像分类模型的一种可选的结构框架，图3示出了图2中InceptionV3网络部分的结构框架，下面参考图2和图3，对图像分类模型的特征提取网络的可选结构和功能做进一步介绍：
可选的，特征提取网络包括级联的第一卷积子网络211、第二卷积子网络212、多个第三卷积子网络213、以及第四卷积子网络214。
可选地，根据第一卷积子网络211对输入的医学图像进行特征提取，得到第一特征图像；根据第二卷积子网对第一特征图像进行特征提取，得到第二特征图像；根据多个第三卷积子网络213依次对第二特征图像进行特征提取和融合，得到第三特征图像；根据第四卷积子网络214对第三特征图像进行特征提取和融合，得到第四特征图像。
可选的，第一卷积子网络211包括卷积层。可选地，根据第一卷积子网络211中的卷积层对输入的医学图像进行特征提取，得到第一特征图像。
可选的，第二卷积子网络212包括级联的多个第一卷积单元，每个第一卷积单元均包括卷积层和最大池化层。可选地，根据第一卷积单元中的卷积层对得到的第一特征图像进行特征提取，并通过最大池化层对提取到的特征进行压缩，进而得到第二特征图像。
可选的，第一卷积单元中的卷积层和最大池化层可以有多个，卷积层和最大池化层可以间隔排列或在两个或三个卷积层之后级联一个最大池化层。在图3所示的示例中，第一卷积单元包括依次级联两个卷积层和一个最大池化层。
可选的，第三卷积子网络213包括级联的第二卷积单元和融合层(Concat层)，第二卷积单元包括并列的多个卷积支路。可选地，根据第二卷积单元中并列的多个卷积支路对第二特征图像进行多维度的特征提取，根据第三卷积子网络213中的Concat层对提取到的各个维度的特征进行融合，从而得到第三特征图像。
在图3所示的示例中，第二卷积单元包括并列的多个卷积支路，其中，第一个卷积支路(最上面的一个支路)中包括一个卷积层，第二个卷支路(最下面的一个支路)中包括平均池化层和卷积层，其它的卷积支路(中间的多个支路，部分支路在图3中省略)中均包括级联的三个卷积层。
可选的，第四卷积子网络214包括卷积层、第三卷积单元和Concat层，第三卷积单元包括并列的多个卷积支路。可选地，根据第四卷积子网络214中的卷积层对第三特征图像进行特征提取，根据第三卷积单元中并列的多个卷积支路对一级特征提取后的特征进行多维度的特征提取，根据第四卷积子网络214中的Concat层对提取到的各个维度的特征进行融合，从而得到第四特征图像。
在图3所示的示例中，第三卷积单元包括并列的多个卷积支路，第一个卷积支路(最上面的一个支路)中包括一个卷积层，第二个卷积支路(最下面的一个支路)中包括平均池化层和卷积层；其它的卷积支路(中间的多个支路，部分支路在图3中省略)中均包括三个卷积层和一个Concat层，具体地，第一个卷积层之后级联有两个并列的卷积层，并列结构之后级联有Concat层。
通过上述四个卷积子网络的层层卷积或融合操作，以及子网络中的多支路卷积或融合操作，可更准确以及多维度的提取特征图像，提高特征图像的质量，后续的分类网络以此为基础进行分类，可提高的分类的准确度。
S103，根据图像分类模型中的分类网络对特征图像进行分类，得到特征图像的类别信息。
可选的，分类网络包括级联的至少一个分类子网络221、以及激活层。
可选地，根据至少一个分类子网络221对特征图像进行至少一次分类，得到特征图像的类别信息并通过激活层(Softmax)输出。
可选的，每个分类子网络221均包括全连接层(Dense层)、批量归一化层(BN层)和随机失活层(Dropout层)。其中，Dense层可对特征提取网络提取到的特征图像进行分类，BN层可对数据进行归一化，Dropout层可防止模型过拟合。
可选地，本申请实施例中采用的上述图像分类模型可由以下方式预先训练得出：获取标注有类别信息的多个样本医学图像作为训练集；将训练集中的多个样本医学图像输入到图像分类模型中，输出针对样本医学图像进行预测得到的预测结果；根据预测结果和样本医学图像上标注的类别信息计算损失函数；根据损失函数更新图像分类模型中的至少部分结构的参数。
在图2所示的示例中，将InceptionV3网络部分的前向传播输出结果输入到分类网络的全连接层，分类网络的第二个Dropout层输出预测结果，Softmax层根据预测结果和样本医学图像上标注的类别信息计算损失函数，即预测的类别信息和实际的类别信息之间的误差，损失函数反向传播到前面的各层(图2中黑色方框内的各层)以更新各层的参数。
可选地，损失函数为交叉熵损失函数，具体可以是softmax损失函数(softmaxloss)或sigmoid损失函数(sigmoid loss)等形式。
在一个示例中，损失函数的一种具体形式如下：
Figure BDA0002388236470000061
在表达式(1)中，C为损失函数值，y为预测值，a为实际的输出值(真值)，n为训练集的样本数量，x为输入图像分类模型的图像数据。
将损失函数值进行反向传播(如图2中带箭头的虚线所示)时，根据表达式(1)，损失函数关于输出层的偏导数为：
Figure BDA0002388236470000071
在表达式(2)中，L为输出层(如图2中的Softmax层)，j表示输出层的第j个元素，前向传播过程中z＝wx+b，w为x的系数，b为偏置，激活函数y＝σ(z)。
中间各层(如图2中黑色方框内的各层)的偏导数为：
Figure BDA0002388236470000072
在表达式(3)中，l为上述中间各层中的第l层，其余各参数的含义同前。
根据损失函数所要更新的参数为b和w，参数的更新方式如下：
Figure BDA0002388236470000073
本申请实施例的上述参数更新过程有利于提高图像分类模型的分类准确度。
通过本申请实施例提供的上述方法得到的待分类的医学图像的类别信息可以是是否患病的类别(例如患病或不患病)，也可以具体的疾病类别(例如肺炎或正常)，对应的训练过程中所输入的样本医学图像也是标注有上述具体类别的图像，采用本申请实施例中训练好的图像分类模型进行分类，分类的准确率较高。在一个具体示例中，分类准确率可达93.27％，精度可达95.79％，召回率可达93.33％。
将待分类的医学图像输入到训练好的图像分类模型后，图像分类模型可预测出输入图像是否是患病状态对应的图像，也可以预测出该输入图像所属的疾病类别，预测的准确率和效率均较高，从而可实现协助医生准确而快速地对患者的疾病做出诊断，减轻医生的诊断负担，也便于采取进一步的针对性措施，也可以达到自动诊断疾病的目的，作为自动诊断方法，其准确率也较高，诊断结果较为可靠。
可选地，本申请实施例在完成对待分类的医学图像的分类后，还包括在第三医学图像上标注类别信息并生成报告文本。可增加可视化的信息，便于医生查阅。
可选地，对于对输入数据格式有特殊要求的图像分类模型，根据图像分类模型中的特征提取网络对医学图像进行特征提取，得到特征图像之前，还包括：对获取的待分类的医学图像进行预处理，使该医学图像的格式、尺寸和像素值与图像分类模型的输入要求一致。
对应的，如图4所示，图像分类模型中还包括用于进行数据预处理的网络。
例如，在一个示例中将输入图像分类模型的医学图像的像素值由(0～255)缩放到[0,1]区间。
可选地，根据图像分类模型中的特征提取网络对医学图像进行特征提取，得到特征图像之前，还包括：对医学图像的数据进行剪切和旋转等数据预处理过程。
基于同一发明构思，本申请实施例提供的一种医学图像的处理装置，如图5所示，该处理装置包括：图像获取模块501、图像特征提取模块502以及图像分类模块503。
图像获取模块501，用于获取待分类的医学图像。图像特征提取模块502，用于根据图像分类模型中的特征提取网络对医学图像进行特征提取，得到特征图像。图像分类模块503，用于根据图像分类模型中的分类网络对特征图像进行分类，得到特征图像的类别信息。
可选的，图像获取模块501还用于：对所述医学图像进行预处理，使所述医学图像的格式、尺寸和像素值与所述图像分类模型的输入要求一致。
可选的，特征提取网络包括级联的第一卷积子网络、第二卷积子网络、多个第三卷积子网络、以及第四卷积子网络。
可选的，图像特征提取模块502具体用于：根据第一卷积子网络211对输入的医学图像进行特征提取，得到第一特征图像；根据第二卷积子网络212对第一特征图像进行特征提取，得到第二特征图像；根据多个第三卷积子网络213依次对第二特征图像进行特征提取和融合，得到第三特征图像；根据第四卷积子网络214对第三特征图像进行特征提取和融合，得到第四特征图像。
可选的，分类网络包括级联的至少一个分类子网络221、以及激活层。可选的，每个分类子网络221均包括全连接层、批量归一化层和随机失活层。
可选的，图像分类模块503具体用于：根据至少一个分类子网络221对特征图像进行至少一次分类，得到特征图像的类别信息并通过激活层输出。
第一卷积子网络包括卷积层；第二卷积子网络包括级联的多个第一卷积单元，每个第一卷积单元均包括卷积层和最大池化层；第三卷积子网络包括级联的第二卷积单元和融合层，第二卷积单元包括并列的多个卷积支路；第四卷积子网络包括卷积层、第三卷积单元和融合层，第三卷积单元包括并列的多个卷积支路。
在一个可选的实施方式中，本申请实施例提供的医学图像的处理装置500还包括模型训练模块。该模型训练模块用于通过以下方式训练图像分类模型：获取标注有类别信息的多个样本医学图像作为训练集；将训练集中的多个样本医学图像输入到图像分类模型中，输出针对样本医学图像进行预测得到的预测结果；根据预测结果和样本医学图像上标注的类别信息计算损失函数；根据损失函数更新图像分类模型中的至少部分结构的参数。
本实施例的医学图像的处理装置500可执行本申请实施例提供的任一种医学图像的处理方法，其实现原理相类似，本实施例中未详细示出的内容可参照前面所述的方法实施例，此处不再赘述。
基于同一发明构思，本申请实施例提供了一种医学图像的处理设备，如图6所示，该处理设备包括：存储器601和处理器602，存储器601与处理器602电连接，如通过总线603相连。图6所示的该电子设备的结构框架并不构成对本申请实施例的限定。
本申请实施例中的存储器601上存储有计算机程序，该计算机程序由处理器602执行以实现本申请实施例所提供的医学图像的处理方法。
存储器601可以是ROM(Read-Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，可以是RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead-Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
处理器602可以是CPU(Central Processing Unit，中央处理器)、通用处理器，DSP(Digital Signal Processor，数据信号处理器)、ASIC(Application SpecificIntegrated Circuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器602也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线603可包括一通路，在上述组件之间传送信息。总线603可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线603或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线603。总线603可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线603或一种类型的总线603。
本技术领域技术人员可以理解，本申请实施例提供的医学图像的处理设备600可以为所需的目的而专门设计和制造，或者也可以包括通用计算机中的已知设备。这些设备具有存储在其内的计算机程序，这些计算机程序选择性地激活或重构。这样的计算机程序可以被存储在设备(例如，计算机)可读介质中或者存储在适于存储电子指令并分别耦联到总线603的任何类型的介质中。
本申请实施例提供的医学图像的处理设备600，与前面所述的各实施例具有相同的发明构思，该处理设备中未详细示出的内容可参照前面所述的各实施例，在此不再赘述。
基于同一发明构思，本申请实施例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执行时实现本申请实施例所提供的任一医学图像的处理方法。
该计算机可读介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM、RAM、EPROM(Erasable Programmable Read-Only Memory，可擦写可编程只读存储器)、EEPROM、闪存、磁性卡片或光线卡片。也就是，可读介质包括由设备(例如，计算机)以能够读的形式存储或传输信息的任何介质。
本申请实施例提供了一种计算机可读存储介质适用于上述任一医学图像的处理方法，该计算机可读存储介质中未详细示出的内容可参照前面所述的各实施例，在此不再赘述。
应用本申请实施例，至少能够实现如下有益效果：
1)根据图像分类模型中的特征提取网络可对待分类的医学图像进行较为准确的特征提取，基于提取的特征图像，可对待分类的医学图像的类别进行较为准确的预测，预测结果可用于协助医生准确而快速地对患者的疾病做出诊断，提高辅助诊断的效果。
2)本申请实施例的技术方案的应用范围较广，可适用于包括肺炎在内的多种疾病的辅助诊断。
本技术领域技术人员可以理解，本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
在本申请的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种医学图像的处理方法，其特征在于，包括：
获取待分类的医学图像；
根据图像分类模型中的特征提取网络对所述医学图像进行特征提取，得到特征图像；
根据所述图像分类模型中的分类网络对所述特征图像进行分类，得到所述特征图像的类别信息。
2.根据权利要求1所述的处理方法，其特征在于，所述图像分类模型由以下方式训练得出：
获取标注有类别信息的多个样本医学图像作为训练集；
将所述训练集中的多个所述样本医学图像输入到所述图像分类模型中，输出针对所述样本医学图像进行预测得到的预测结果；
根据所述预测结果和所述样本医学图像上标注的类别信息计算损失函数；
根据所述损失函数更新所述图像分类模型中的至少部分结构的参数。
3.根据权利要求1所述的处理方法，其特征在于，所述特征提取网络包括级联的第一卷积子网络、第二卷积子网络、多个第三卷积子网络、以及第四卷积子网络；
以及，所述根据图像分类模型中的特征提取网络对所述医学图像进行特征提取，得到特征图像，包括：
根据所述第一卷积子网络对输入的所述医学图像进行特征提取，得到第一特征图像；
根据所述第二卷积子网络对所述第一特征图像进行特征提取，得到第二特征图像；
根据多个所述第三卷积子网络依次对所述第二特征图像进行特征提取和融合，得到第三特征图像；
根据所述第四卷积子网络对所述第三特征图像进行特征提取和融合，得到第四特征图像。
4.根据权利要求3所述的处理方法，其特征在于，所述第一卷积子网络包括卷积层；
所述第二卷积子网络包括级联的多个第一卷积单元，每个所述第一卷积单元均包括卷积层和最大池化层；
所述第三卷积子网络包括级联的第二卷积单元和融合层，所述第二卷积单元包括并列的多个卷积支路；
所述第四卷积子网络包括卷积层、第三卷积单元和融合层，所述第三卷积单元包括并列的多个卷积支路。
5.根据权利要求1所述的处理方法，其特征在于，所述分类网络包括级联的至少一个分类子网络、以及激活层；
以及，所述根据所述图像分类模型中的分类网络对所述特征图像进行分类，得到所述特征图像的类别信息，包括：
根据至少一个所述分类子网络对所述特征图像进行至少一次分类，得到所述特征图像的类别信息并通过所述激活层输出。
6.根据权利要求5所述的处理方法，其特征在于，每个所述分类子网络均包括全连接层、批量归一化层和随机失活层。
7.根据权利要求1所述的处理方法，其特征在于，所述根据图像分类模型中的特征提取网络对所述医学图像进行特征提取，得到特征图像之前，还包括：
对所述医学图像进行预处理，使所述医学图像的格式、尺寸和像素值与所述图像分类模型的输入要求一致。
8.一种医学图像的处理装置，其特征在于，包括：
图像获取模块，用于获取待分类的医学图像；
图像特征提取模块，用于根据图像分类模型中的特征提取网络对所述医学图像进行特征提取，得到特征图像；
图像分类模块，用于根据所述图像分类模型中的分类网络对所述特征图像进行分类，得到所述特征图像的类别信息。
9.一种医学图像的处理设备，其特征在于，包括：
存储器；
处理器，与所述存储器电连接；
所述存储器存储有计算机程序，所述计算机程序由所述处理器执行以实现如权利要求1-7中任一项所述的医学图像的处理方法。
10.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的医学图像的处理方法。
CN202010104978.8A 2020-02-20 2020-02-20 医学图像的处理方法、装置、设备及存储介质 Pending CN111340083A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010104978.8A CN111340083A (zh) 2020-02-20 2020-02-20 医学图像的处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010104978.8A CN111340083A (zh) 2020-02-20 2020-02-20 医学图像的处理方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN111340083A true CN111340083A (zh) 2020-06-26

Family

ID=71185484

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010104978.8A Pending CN111340083A (zh) 2020-02-20 2020-02-20 医学图像的处理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111340083A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507431A (zh) * 2020-06-30 2020-08-07 嘉兴太美医疗科技有限公司 医学影像分类方法、装置、系统和可读介质
CN112686867A (zh) * 2020-12-31 2021-04-20 上海商汤智能科技有限公司 医学图像的识别方法及装置、电子设备和存储介质
CN112967239A (zh) * 2021-02-23 2021-06-15 湖南大学 一种坡口缺陷检测方法、计算设备及可读存储介质
CN113052802A (zh) * 2021-03-11 2021-06-29 南京大学 基于医学图像的小样本图像分类方法、装置及设备
CN113223730A (zh) * 2021-03-30 2021-08-06 武汉市疾病预防控制中心 基于人工智能的疟疾分类方法及设备
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
CN113505800A (zh) * 2021-06-30 2021-10-15 深圳市慧鲤科技有限公司 图像处理方法及其模型的训练方法和装置、设备、介质
WO2022062590A1 (zh) * 2020-09-24 2022-03-31 上海商汤智能科技有限公司 图像识别方法及装置、设备、存储介质和程序

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107492099A (zh) * 2017-08-28 2017-12-19 京东方科技集团股份有限公司 医学图像分析方法、医学图像分析系统以及存储介质
CN110047069A (zh) * 2019-04-22 2019-07-23 北京青燕祥云科技有限公司 一种图像检测装置
CN110705372A (zh) * 2019-09-10 2020-01-17 中国科学院上海技术物理研究所 基于深度学习卷积神经网络的libs多成分定量反演方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107492099A (zh) * 2017-08-28 2017-12-19 京东方科技集团股份有限公司 医学图像分析方法、医学图像分析系统以及存储介质
US20190065897A1 (en) * 2017-08-28 2019-02-28 Boe Technology Group Co., Ltd. Medical image analysis method, medical image analysis system and storage medium
CN110047069A (zh) * 2019-04-22 2019-07-23 北京青燕祥云科技有限公司 一种图像检测装置
CN110705372A (zh) * 2019-09-10 2020-01-17 中国科学院上海技术物理研究所 基于深度学习卷积神经网络的libs多成分定量反演方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507431A (zh) * 2020-06-30 2020-08-07 嘉兴太美医疗科技有限公司 医学影像分类方法、装置、系统和可读介质
CN111507431B (zh) * 2020-06-30 2020-10-02 嘉兴太美医疗科技有限公司 医学影像分类方法、装置、系统和可读介质
WO2022062590A1 (zh) * 2020-09-24 2022-03-31 上海商汤智能科技有限公司 图像识别方法及装置、设备、存储介质和程序
CN112686867A (zh) * 2020-12-31 2021-04-20 上海商汤智能科技有限公司 医学图像的识别方法及装置、电子设备和存储介质
CN112967239A (zh) * 2021-02-23 2021-06-15 湖南大学 一种坡口缺陷检测方法、计算设备及可读存储介质
CN113052802A (zh) * 2021-03-11 2021-06-29 南京大学 基于医学图像的小样本图像分类方法、装置及设备
CN113052802B (zh) * 2021-03-11 2024-04-09 南京大学 基于医学图像的小样本图像分类方法、装置及设备
CN113223730A (zh) * 2021-03-30 2021-08-06 武汉市疾病预防控制中心 基于人工智能的疟疾分类方法及设备
CN113505800A (zh) * 2021-06-30 2021-10-15 深圳市慧鲤科技有限公司 图像处理方法及其模型的训练方法和装置、设备、介质
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
CN111340083A (zh) 医学图像的处理方法、装置、设备及存储介质
CN110232383A (zh) 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统
CN110236543B (zh) 基于深度学习的阿尔茨海默病多分类诊断系统
CN111553892B (zh) 基于深度学习的肺结节分割计算方法、装置及系统
CN112232407B (zh) 病理图像样本的神经网络模型训练方法、装置
DE112020004049T5 (de) Krankheitserkennung aus spärlich kommentierten volumetrischen medizinischen bildern unter verwendung eines faltenden langen kurzzeitgedächtnisses
CN109146891B (zh) 一种应用于mri的海马体分割方法、装置及电子设备
CN112348785B (zh) 一种癫痫病灶定位方法及系统
CN115131300B (zh) 一种基于深度学习的骨性关节炎智能三维诊断方法及系统
CN110969614B (zh) 基于三维卷积神经网络的脑龄预测方法及系统
CN115063369A (zh) 脑部图像检测方法、计算机设备和存储介质
US11471096B2 (en) Automatic computerized joint segmentation and inflammation quantification in MRI
Li et al. Vispi: Automatic visual perception and interpretation of chest x-rays
CN110660055A (zh) 疾病数据预测方法、装置、可读存储介质及电子设备
CN112381164A (zh) 一种基于多分支注意力机制的超声图像分类方法和装置
EP3921778A1 (en) Method and apparatus for quality prediction
Hennessey et al. Artificial intelligence in veterinary diagnostic imaging: A literature review
CN111584066A (zh) 基于卷积神经网络与对称信息的脑部医学影像诊断方法
CN114782394A (zh) 一种基于多模态融合网络的白内障术后视力预测系统
CN114723763A (zh) 一种医学图像分割方法、装置、设备及存储介质
Tang et al. Detection of COVID-19 using deep convolutional neural network on chest X-ray (CXR) images
CN109767429B (zh) 一种图像筛查方法及装置
Baskar et al. An Accurate Prediction and Diagnosis of Alzheimer’s Disease using Deep Learning
CN109978965A (zh) 一种模拟ct图像生成方法、装置、计算机设备和存储介质
de Vente et al. Automated COVID-19 grading with convolutional neural networks in computed tomography scans: a systematic comparison

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