CN115294329A - 一种基于深度学习模型的病灶图像识别方法 - Google Patents

一种基于深度学习模型的病灶图像识别方法 Download PDF

Info

Publication number
CN115294329A
CN115294329A CN202210975759.6A CN202210975759A CN115294329A CN 115294329 A CN115294329 A CN 115294329A CN 202210975759 A CN202210975759 A CN 202210975759A CN 115294329 A CN115294329 A CN 115294329A
Authority
CN
China
Prior art keywords
focus
model
image
category
disease
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.)
Withdrawn
Application number
CN202210975759.6A
Other languages
English (en)
Inventor
夏青
王慧贤
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.)
Zhongke Weiying Zhejiang Medical Technology Co Ltd
Original Assignee
Zhongke Weiying Zhejiang Medical Technology 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 Zhongke Weiying Zhejiang Medical Technology Co Ltd filed Critical Zhongke Weiying Zhejiang Medical Technology Co Ltd
Priority to CN202210975759.6A priority Critical patent/CN115294329A/zh
Publication of CN115294329A publication Critical patent/CN115294329A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于深度学习模型的病灶图像识别方法，包括以下步骤：利用评估指标进行目标对象病灶图像成像参数的筛选，将目标对象病灶图像成像参数与病灶图像的病灶几何特征和病灶所属病症类别进行深度学习模型的训练得到成像参数设定模型，以确定出使目标对象病灶几何特征提取和病灶类别识别的高准确度的一组最优病灶图像成像参数。本发明利用一组最优病灶图像对病灶区域提取模型、病灶病症识别模型分别进行训练更新得到病灶区域提取个体模型、病灶病症识别个体模型，以实现普适性模型中提炼个体适配性模型来提高个体病灶识别精度。

Description

一种基于深度学习模型的病灶图像识别方法
技术领域
本发明涉及病灶图像识别技术领域，具体涉及一种基于深度学习模型的病灶图像识别方法。
背景技术
目前医疗器械市场上的医疗摄影设备都是可以看到医疗影像的，例如血管摄影图像(Angiography)、心血管造影图像(Cardiac angiography)、电脑断层扫描图像(CT,Computerized tomography)、乳房摄影图像(Mammography)、正子发射断层扫描图像(PET,Positron emission tomography)、核磁共振成像图像(NMRI,Nuclear magneticresonanceimaging)和医学超音波检查图像(Medical ultrasonography)等。但是对于病灶的发现或识别，仍是医生凭借专业知识用肉眼去判断是否有发生病变问题，如此在病变初期，由于病灶往往比较微小，很容易被忽略，同时在诸如支气管等器官组织的观察中，由于需要察看部位比较多，而医生需要每一个部位仔细观察，大大增强了医生的工作强度。
现有技术CN201910527716.X公开了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，针对获取的待检测医疗图像，通过依次进行最小器官组织影像的分割以及对应器官组织的影像识别、深度学习模型预测和预测结果图上标记，可以替代医生发现医疗图像中的潜在病情，并自动地在医疗图像上进行病灶组织的识别标记，以便提醒医生做进一步的诊断，及时确诊病情，进而能够减轻医生的工作强度，及时确诊是否有病变发生，避免耽搁病情的治疗时机，尤其有助于早期病变的发现。
上述现有技术虽然能够利用深度学习模型进行病灶图像的识别，但是应用的深度学习模型普适性更高，个体适配性难以保证，从而导致个体病灶图像的识别效果不佳。
发明内容
本发明的目的在于提供一种基于深度学习模型的病灶图像识别方法，以解决现有技术中应用的深度学习模型普适性更高，个体适配性难以保证，从而导致个体病灶图像的识别效果不佳的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种基于深度学习模型的病灶图像识别方法，包括以下步骤：
步骤S1、设定一组病灶图像成像参数，并依一组病灶图像成像参数获取目标对象的一组病灶图像，利用基于YOLO V5模型预先建立的病灶区域提取模型对一组病灶图像进行病灶的几何特征提取得到病灶几何特征，利用基于VGG16模型预先建立的病灶病症识别模型对一组病灶图像进行病灶的病症识别得到病灶所属病症类别；
步骤S2、基于病灶图像的病灶几何特征和病灶所属类别设定出病灶图像成像参数的评估指标，并利用评估指标进行目标对象病灶图像成像参数的筛选，将目标对象病灶图像成像参数与病灶图像的病灶几何特征和病灶所属病症类别进行深度学习模型的训练得到成像参数设定模型，以确定出使目标对象病灶几何特征提取和病灶类别识别的高准确度的一组最优病灶图像成像参数；
步骤S3、利用一组最优病灶图像成像参数获得目标对象的一组最优病灶图像，并利用一组最优病灶图像对病灶区域提取模型、病灶病症识别模型分别进行训练更新得到病灶区域提取个体模型、病灶病症识别个体模型，以实现模型的个体适配性来提高个体病灶识别精度。
作为本发明的一种优选方案，所述利用基于YOLO V5模型预先建立的病灶区域提取模型对一组病灶图像进行病灶的几何特征提取得到病灶几何特征，包括：
将一组病灶图像分别输入至病灶区域提取模型中，由病灶区域提取模型输出每个病灶图像的病灶几何特征预测值；
所述病灶区域提取模型的构建方法包括：
获取一组历史病例的病灶图像作为样本病例图像，并标记出样本病例图像中的病灶几何特征真实值；
将样本病例图像作为YOLO V5模型的输入项，将病灶几何特征真实值作为YOLO V5模型的输出项，利用YOLO V5模型在所述YOLO V5模型的输入项和输出项中进行模型训练得到所述病灶区域提取模型，所述病灶区域提取模型的模型表达式为：
S＝YOLO V5(G)；
式中，S为病灶几何特征的表达式标识符，G为样本病例图像的表达式标识符，YOLOV5为YOLO V5模型的表达式标识符。
作为本发明的一种优选方案，所述利用基于VGG16模型预先建立的病灶病症识别模型对一组病灶图像进行病灶的病症识别得到病灶所属病症类别，包括：
将一组病灶图像分别输入至病灶病症识别模型中，由病灶病症识别模型输出每个病灶图像的病灶所属病症类别预测值；
所述病灶病症识别模型的构建方法包括：
标记出样本病例图像中的病灶所属病症类别真实值；
将样本病例图像作为VGG16模型的输入项，将病灶所属病症类别真实值作为VGG16模型的输出项，利用VGG16模型在所述VGG16模型的输入项和输出项中进行模型训练得到所述病灶病症识别模型，所述病灶病症识别模型的模型表达式为：
L＝VGG16(G)；
式中，L为病灶所属病症类别的表达式标识符，G为样本病例图像的表达式标识符，VGG16为VGG16模型的表达式标识符。
作为本发明的一种优选方案，所述基于病灶图像的病灶几何特征和病灶所属病症类别设定出病灶图像成像参数的评估指标，包括：
基于所述病灶几何特征构建出几何特征识别精准度，所述几何特征识别精准度的计算公式为：
Figure BDA0003797528090000031
式中，SI为几何特征识别精准度，Sm为病灶区域提取模型得到的病灶几何特征预测值，Sb为病灶图像的病灶几何特征真实值，T为转置运算符；
基于所述病灶所述类别构建出类别特征识别精准度，所述类别特征识别精准度的计算公式为：
Figure BDA0003797528090000041
式中，LI为类别特征识别精准度，Lm为病灶区域提取模型得到的病灶所属病症类别预测值，Lb为病灶图像的病灶所属病症类别真实值。
作为本发明的一种优选方案，所述利用评估指标进行目标对象病灶图像成像参数的筛选，包括：
依次提取出目标对象中每个病灶图像的病灶几何特征真实值和病灶所属病症类别真实值，并将病灶几何特征真实值和病灶所属病症类别真实值与病灶几何特征预测值和病灶所属病症类别预测值计算得到每个病灶图像的几何特征识别精准度和类别特征识别精准度；
将每个病灶图像的几何特征识别精准度和类别特征识别精准度与预设阈值进行比较，其中，
若几何特征识别精准度大于等于预设阈值且类别特征识别精准度大于等于预设阈值，则将病灶图像对应的病灶图像成像参数标记为有效病灶图像成像参数；
若几何特征识别精准度小于预设阈值或类别特征识别精准度小于预设阈值，则将病灶图像对应的病灶图像成像参数标记为非有效病灶图像成像参数。
作为本发明的一种优选方案，所述将目标对象病灶图像成像参数与病灶图像的病灶几何特征和病灶所属类别进行深度学习模型的训练得到成像参数设定模型，包括：
将有效病灶图像成像参数作为BP深度学习模型的模型输入项，将几何特征识别精准度和类别特征识别精准度作为BP深度学习模型的模型输出项，利用BP深度学习模型基于所述模型输入项和模型输出项进行训练得到表征有效病灶图像成像参数与几何特征识别精准度和类别特征识别精准度映射关系的所述成像参数设定模型，所述成像参数设定模型的模型表达式为：
[SI,LI]＝BP(Y)；
式中，Y为有效病灶图像成像参数的表达式标识符；
依据有效病灶图像成像参数获得病灶图像成像参数的所有可行组合，并将所有可行组合输入至成像参数设定模型中，由成像参数设定模型输出对应每个可行组合的几何特征识别精准度和类别特征识别精准度，选取几何特征识别精准度和类别特征识别精准度均高于预设阈值的可行组合作为最优病灶图像成像参数。
作为本发明的一种优选方案，所述训练更新得到病灶区域提取个体模型、病灶病症识别个体模型，包括：
依次在每个最优病灶图像提取出病灶几何特征真实值、病灶所属病症类别真实值，将最优病灶图像作为病灶区域提取模型和病灶病症识别模型的输入项，将病灶几何特征真实值和病灶所属病症类别真实值分别作为病灶区域提取模型和病灶病症识别模型的输出项，将病灶区域提取模型和病灶病症识别模型基于病灶区域提取模型和病灶病症识别模型的输入项与病灶区域提取模型和病灶病症识别模型的输出项进行模型训练得到所述病灶区域提取个体模型、病灶病症识别个体模型。
作为本发明的一种优选方案，在目标对象后续的病灶图像识别过程中将目标对象的病灶图像限制在最优病灶图像成像参数处拍摄获得，并作为病灶区域提取个体模型、病灶病症识别个体模型的输入，以提高病灶识别精度。
作为本发明的一种优选方案，所述可行组合的获取包括：
将有效病灶图像成像参数中各个参数分量最大值和最小值构成参数分量的取值区间，并在参数分量的取值区间进行等间距取值获得参数分量的一组取值；
将各个参数分量的所有取值进行全排列组合得到病灶图像成像参数的所有可行组合。
作为本发明的一种优选方案，在进行几何特征识别精准度时将病灶几何特征预测值和病灶几何特征真实值进行归一化处理。
本发明与现有技术相比较具有如下有益效果：
本发明目标对象病灶图像成像参数与病灶图像的病灶几何特征和病灶所属病症类别进行深度学习模型的训练得到成像参数设定模型，以确定出使目标对象病灶几何特征提取和病灶类别识别的高准确度的一组最优病灶图像成像参数，利用一组最优病灶图像对病灶区域提取模型、病灶病症识别模型分别进行训练更新得到病灶区域提取个体模型、病灶病症识别个体模型，以实现普适性模型中提炼个体适配性模型来提高个体病灶识别精度。
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。
图1为本发明实施例提供的病灶图像识别方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
如图1所示，本发明提供了一种基于深度学习模型的病灶图像识别方法，包括以下步骤：
步骤S1、设定一组病灶图像成像参数，并依一组病灶图像成像参数获取目标对象的一组病灶图像，利用基于YOLO V5模型预先建立的病灶区域提取模型对一组病灶图像进行病灶的几何特征提取得到病灶几何特征，利用基于VGG16模型预先建立的病灶病症识别模型对一组病灶图像进行病灶的病症识别得到病灶所属病症类别；
病灶图像成像参数包括拍摄病灶图像的一些成像参数设定，比如拍摄角度、拍摄辐射(CT辐射、X射线等)强度，拍摄窗宽窗位等，可在实际使用时根据需要进行选定；
病灶几何特征包括病灶几何面积、病灶几何坐标、病灶几何边界等，可在实际使用时根据需要进行选定；
病灶所属病症类别包括病灶属于的病症类别以及病灶的发展程度。
利用基于YOLO V5模型预先建立的病灶区域提取模型对一组病灶图像进行病灶的几何特征提取得到病灶几何特征，包括：
将一组病灶图像分别输入至病灶区域提取模型中，由病灶区域提取模型输出每个病灶图像的病灶几何特征预测值；
病灶区域提取模型的构建方法包括：
获取一组历史病例的病灶图像作为样本病例图像，并标记出样本病例图像中的病灶几何特征真实值；
将样本病例图像作为YOLO V5模型的输入项，将病灶几何特征真实值作为YOLO V5模型的输出项，利用YOLO V5模型在YOLO V5模型的输入项和输出项中进行模型训练得到病灶区域提取模型，病灶区域提取模型的模型表达式为：
S＝YOLO V5(G)；
式中，S为病灶几何特征的表达式标识符，G为样本病例图像的表达式标识符，YOLOV5为YOLO V5模型的表达式标识符。
利用基于VGG16模型预先建立的病灶病症识别模型对一组病灶图像进行病灶的病症识别得到病灶所属病症类别，包括：
将一组病灶图像分别输入至病灶病症识别模型中，由病灶病症识别模型输出每个病灶图像的病灶所属病症类别预测值；
病灶病症识别模型的构建方法包括：
标记出样本病例图像中的病灶所属病症类别真实值；
将样本病例图像作为VGG16模型的输入项，将病灶所属病症类别真实值作为VGG16模型的输出项，利用VGG16模型在VGG16模型的输入项和输出项中进行模型训练得到病灶病症识别模型，病灶病症识别模型的模型表达式为：
L＝VGG16(G)；
式中，L为病灶所属病症类别的表达式标识符，G为样本病例图像的表达式标识符，VGG16为VGG16模型的表达式标识符。
病灶区域提取模型和病灶病症识别模型是通过历史病例的病灶图像构建所得，因此病灶区域提取模型和病灶病症识别模型是具有普适性的模型，即适合大部分病灶图像的几何特征提取和病症类别识别，利用普适性模型对目标对象进行几何特征提取和病症类别识别，可初步获得目标对象在各个图像成像参数下的病灶几何特征和病症类别特征。
步骤S2、基于病灶图像的病灶几何特征和病灶所属类别设定出病灶图像成像参数的评估指标，并利用评估指标进行目标对象病灶图像成像参数的筛选，将目标对象病灶图像成像参数与病灶图像的病灶几何特征和病灶所属病症类别进行深度学习模型的训练得到成像参数设定模型，以确定出使目标对象病灶几何特征提取和病灶类别识别的高准确度的一组最优病灶图像成像参数；
基于病灶图像的病灶几何特征和病灶所属病症类别设定出病灶图像成像参数的评估指标，包括：
基于病灶几何特征构建出几何特征识别精准度，几何特征识别精准度的计算公式为：
Figure BDA0003797528090000081
式中，SI为几何特征识别精准度，Sm为病灶区域提取模型得到的病灶几何特征预测值，Sb为病灶图像的病灶几何特征真实值，T为转置运算符；
基于病灶类别构建出类别特征识别精准度，类别特征识别精准度的计算公式为：
Figure BDA0003797528090000082
式中，LI为类别特征识别精准度，Lm为病灶区域提取模型得到的病灶所属病症类别预测值，Lb为病灶图像的病灶所属病症类别真实值。
利用评估指标进行目标对象病灶图像成像参数的筛选，包括：
依次提取出目标对象中每个病灶图像的病灶几何特征真实值和病灶所属病症类别真实值，并将病灶几何特征真实值和病灶所属病症类别真实值与病灶几何特征预测值和病灶所属病症类别预测值计算得到每个病灶图像的几何特征识别精准度和类别特征识别精准度；
将每个病灶图像的几何特征识别精准度和类别特征识别精准度与预设阈值进行比较，其中，
若几何特征识别精准度大于等于预设阈值且类别特征识别精准度大于等于预设阈值，则将病灶图像对应的病灶图像成像参数标记为有效病灶图像成像参数；
若几何特征识别精准度小于预设阈值或类别特征识别精准度小于预设阈值，则将病灶图像对应的病灶图像成像参数标记为非有效病灶图像成像参数。
将目标对象病灶图像成像参数与病灶图像的病灶几何特征和病灶所属类别进行深度学习模型的训练得到成像参数设定模型，包括：
将有效病灶图像成像参数作为BP深度学习模型的模型输入项，将几何特征识别精准度和类别特征识别精准度作为BP深度学习模型的模型输出项，利用BP深度学习模型基于模型输入项和模型输出项进行训练得到表征有效病灶图像成像参数与几何特征识别精准度和类别特征识别精准度映射关系的成像参数设定模型，成像参数设定模型的模型表达式为：
[SI,LI]＝BP(Y)；
式中，Y为有效病灶图像成像参数的表达式标识符；
依据有效病灶图像成像参数获得病灶图像成像参数的所有可行组合，并将所有可行组合输入至成像参数设定模型中，由成像参数设定模型输出对应每个可行组合的几何特征识别精准度和类别特征识别精准度，选取几何特征识别精准度和类别特征识别精准度均高于预设阈值的可行组合作为最优病灶图像成像参数。
可行组合的获取包括：
将有效病灶图像成像参数中各个参数分量最大值和最小值构成参数分量的取值区间，并在参数分量的取值区间进行等间距取值获得参数分量的一组取值；
将各个参数分量的所有取值进行全排列组合得到病灶图像成像参数的所有可行组合。
构建几何特征识别精准度和类别特征识别精准度来评价病灶图像成像参数，几何特征识别精准度和类别特征识别精准度越高，则病灶图像成像参数处得到的病灶图像在普适性的病灶区域提取模型和病灶病症识别模型获得更好的识别效果，因此，在该病灶图像成像参数处获得的病灶图像，更适合应用于目标对象个体的病灶识别。
对病灶图像成像参数进行筛选得到有效病灶图像成像参数，即初步筛选出能够获得使目标对象个体产生较好识别效果的病灶图像成像参数，对有效病灶图像成像参数和几何特征识别精准度和类别特征识别精准度进行模型训练，能够得到有效病灶图像成像参数与几何特征识别精准度和类别特征识别精准度映射关系，进而进一步对所有病灶图像成像参数的所有可行组合进行评价量化，从而获得更加适应于目标对象的所有最优病灶图像成像参数，实现由普适性向个体化适配性的有效提炼，即在最优病灶图像成像参数处能够获得的病灶图像能够使目标对象个体获得更好的病灶识别效果。
步骤S3、利用一组最优病灶图像成像参数获得目标对象的一组最优病灶图像，并利用一组最优病灶图像对病灶区域提取模型、病灶病症识别模型分别进行训练更新得到病灶区域提取个体模型、病灶病症识别个体模型，以实现模型的个体适配性来提高个体病灶识别精度。
训练更新得到病灶区域提取个体模型、病灶病症识别个体模型，包括：
依次在每个最优病灶图像提取出病灶几何特征真实值、病灶所属病症类别真实值，将最优病灶图像作为病灶区域提取模型和病灶病症识别模型的输入项，将病灶几何特征真实值和病灶所属病症类别真实值分别作为病灶区域提取模型和病灶病症识别模型的输出项，将病灶区域提取模型和病灶病症识别模型基于病灶区域提取模型和病灶病症识别模型的输入项与病灶区域提取模型和病灶病症识别模型的输出项进行模型训练得到病灶区域提取个体模型、病灶病症识别个体模型。
利用最优病灶图像对病灶区域提取模型和病灶病症识别模型进行进一步模型训练，在普适性模型基础上利用个体适配性更高的最优病灶图像进行训练能够使普适性模型的个体适配性更强，更适应于目标对象个体的病灶识别，从而在后续进行该目标对象的病灶识别时在最优病灶图像成像参数处进行病灶图像的获取，在将获取后的最优病灶图像输入至病灶区域提取个体模型、病灶病症识别个体模型进行病灶识别，能够获得更好的识别精度，即提取的病灶几何特征、病灶所属病症类别和病灶发展程度的准确性更高。
在目标对象后续的病灶图像识别过程中将目标对象的病灶图像限制在最优病灶图像成像参数处拍摄获得，并作为病灶区域提取个体模型、病灶病症识别个体模型的输入，以提高病灶识别精度。
在进行几何特征识别精准度时将病灶几何特征预测值和病灶几何特征真实值进行归一化处理。
本发明目标对象病灶图像成像参数与病灶图像的病灶几何特征和病灶所属病症类别进行深度学习模型的训练得到成像参数设定模型，以确定出使目标对象病灶几何特征提取和病灶类别识别的高准确度的一组最优病灶图像成像参数，利用一组最优病灶图像对病灶区域提取模型、病灶病症识别模型分别进行训练更新得到病灶区域提取个体模型、病灶病症识别个体模型，以实现普适性模型中提炼个体适配性模型来提高个体病灶识别精度。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (10)

1.一种基于深度学习模型的病灶图像识别方法，其特征在于，包括以下步骤：
步骤S1、设定一组病灶图像成像参数，并依一组病灶图像成像参数获取目标对象的一组病灶图像，利用基于YOLO V5模型预先建立的病灶区域提取模型对一组病灶图像进行病灶的几何特征提取得到病灶几何特征，利用基于VGG16模型预先建立的病灶病症识别模型对一组病灶图像进行病灶的病症识别得到病灶所属病症类别；
步骤S2、基于病灶图像的病灶几何特征和病灶所属类别设定出病灶图像成像参数的评估指标，并利用评估指标进行目标对象病灶图像成像参数的筛选，将目标对象病灶图像成像参数与病灶图像的病灶几何特征和病灶所属病症类别进行深度学习模型的训练得到成像参数设定模型，以确定出使目标对象病灶几何特征提取和病灶类别识别的高准确度的一组最优病灶图像成像参数；
步骤S3、利用一组最优病灶图像成像参数获得目标对象的一组最优病灶图像，并利用一组最优病灶图像对病灶区域提取模型、病灶病症识别模型分别进行训练更新得到病灶区域提取个体模型、病灶病症识别个体模型，以实现模型的个体适配性来提高个体病灶识别精度。
2.根据权利要求1所述的一种基于深度学习模型的病灶图像识别方法，其特征在于：所述利用基于YOLO V5模型预先建立的病灶区域提取模型对一组病灶图像进行病灶的几何特征提取得到病灶几何特征，包括：
将一组病灶图像分别输入至病灶区域提取模型中，由病灶区域提取模型输出每个病灶图像的病灶几何特征预测值；
所述病灶区域提取模型的构建方法包括：
获取一组历史病例的病灶图像作为样本病例图像，并标记出样本病例图像中的病灶几何特征真实值；
将样本病例图像作为YOLO V5模型的输入项，将病灶几何特征真实值作为YOLO V5模型的输出项，利用YOLO V5模型在所述YOLO V5模型的输入项和输出项中进行模型训练得到所述病灶区域提取模型，所述病灶区域提取模型的模型表达式为：
S＝YOLO V5(G)；
式中，S为病灶几何特征的表达式标识符，G为样本病例图像的表达式标识符，YOLO V5为YOLO V5模型的表达式标识符。
3.根据权利要求2所述的一种基于深度学习模型的病灶图像识别方法，其特征在于：所述利用基于VGG16模型预先建立的病灶病症识别模型对一组病灶图像进行病灶的病症识别得到病灶所属病症类别，包括：
将一组病灶图像分别输入至病灶病症识别模型中，由病灶病症识别模型输出每个病灶图像的病灶所属病症类别预测值；
所述病灶病症识别模型的构建方法包括：
标记出样本病例图像中的病灶所属病症类别真实值；
将样本病例图像作为VGG16模型的输入项，将病灶所属病症类别真实值作为VGG16模型的输出项，利用VGG16模型在所述VGG16模型的输入项和输出项中进行模型训练得到所述病灶病症识别模型，所述病灶病症识别模型的模型表达式为：
L＝VGG16(G)；
式中，L为病灶所属病症类别的表达式标识符，G为样本病例图像的表达式标识符，VGG16为VGG16模型的表达式标识符。
4.根据权利要求3所述的一种基于深度学习模型的病灶图像识别方法，其特征在于：所述基于病灶图像的病灶几何特征和病灶所属病症类别设定出病灶图像成像参数的评估指标，包括：
基于所述病灶几何特征构建出几何特征识别精准度，所述几何特征识别精准度的计算公式为：
Figure FDA0003797528080000021
式中，SI为几何特征识别精准度，Sm为病灶区域提取模型得到的病灶几何特征预测值，Sb为病灶图像的病灶几何特征真实值，T为转置运算符；
基于所述病灶所述类别构建出类别特征识别精准度，所述类别特征识别精准度的计算公式为：
Figure FDA0003797528080000031
式中，LI为类别特征识别精准度，Lm为病灶区域提取模型得到的病灶所属病症类别预测值，Lb为病灶图像的病灶所属病症类别真实值。
5.根据权利要求4所述的一种基于深度学习模型的病灶图像识别方法，其特征在于：所述利用评估指标进行目标对象病灶图像成像参数的筛选，包括：
依次提取出目标对象中每个病灶图像的病灶几何特征真实值和病灶所属病症类别真实值，并将病灶几何特征真实值和病灶所属病症类别真实值与病灶几何特征预测值和病灶所属病症类别预测值计算得到每个病灶图像的几何特征识别精准度和类别特征识别精准度；
将每个病灶图像的几何特征识别精准度和类别特征识别精准度与预设阈值进行比较，其中，
若几何特征识别精准度大于等于预设阈值且类别特征识别精准度大于等于预设阈值，则将病灶图像对应的病灶图像成像参数标记为有效病灶图像成像参数；
若几何特征识别精准度小于预设阈值或类别特征识别精准度小于预设阈值，则将病灶图像对应的病灶图像成像参数标记为非有效病灶图像成像参数。
6.根据权利要求5所述的一种基于深度学习模型的病灶图像识别方法，其特征在于：所述将目标对象病灶图像成像参数与病灶图像的病灶几何特征和病灶所属类别进行深度学习模型的训练得到成像参数设定模型，包括：
将有效病灶图像成像参数作为BP深度学习模型的模型输入项，将几何特征识别精准度和类别特征识别精准度作为BP深度学习模型的模型输出项，利用BP深度学习模型基于所述模型输入项和模型输出项进行训练得到表征有效病灶图像成像参数与几何特征识别精准度和类别特征识别精准度映射关系的所述成像参数设定模型，所述成像参数设定模型的模型表达式为：
[SI,LI]＝BP(Y)；
式中，Y为有效病灶图像成像参数的表达式标识符；
依据有效病灶图像成像参数获得病灶图像成像参数的所有可行组合，并将所有可行组合输入至成像参数设定模型中，由成像参数设定模型输出对应每个可行组合的几何特征识别精准度和类别特征识别精准度，选取几何特征识别精准度和类别特征识别精准度均高于预设阈值的可行组合作为最优病灶图像成像参数。
7.根据权利要求6所述的一种基于深度学习模型的病灶图像识别方法，其特征在于，所述训练更新得到病灶区域提取个体模型、病灶病症识别个体模型，包括：
依次在每个最优病灶图像提取出病灶几何特征真实值、病灶所属病症类别真实值，将最优病灶图像作为病灶区域提取模型和病灶病症识别模型的输入项，将病灶几何特征真实值和病灶所属病症类别真实值分别作为病灶区域提取模型和病灶病症识别模型的输出项，将病灶区域提取模型和病灶病症识别模型基于病灶区域提取模型和病灶病症识别模型的输入项与病灶区域提取模型和病灶病症识别模型的输出项进行模型训练得到所述病灶区域提取个体模型、病灶病症识别个体模型。
8.根据权利要求7所述的一种基于深度学习模型的病灶图像识别方法，其特征在于，在目标对象后续的病灶图像识别过程中将目标对象的病灶图像限制在最优病灶图像成像参数处拍摄获得，并作为病灶区域提取个体模型、病灶病症识别个体模型的输入，以提高病灶识别精度。
9.根据权利要求8所述的一种基于深度学习模型的病灶图像识别方法，其特征在于，所述可行组合的获取包括：
将有效病灶图像成像参数中各个参数分量最大值和最小值构成参数分量的取值区间，并在参数分量的取值区间进行等间距取值获得参数分量的一组取值；
将各个参数分量的所有取值进行全排列组合得到病灶图像成像参数的所有可行组合。
10.根据权利要求9所述的一种基于深度学习模型的病灶图像识别方法，其特征在于，在进行几何特征识别精准度时将病灶几何特征预测值和病灶几何特征真实值进行归一化处理。
CN202210975759.6A 2022-08-15 2022-08-15 一种基于深度学习模型的病灶图像识别方法 Withdrawn CN115294329A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210975759.6A CN115294329A (zh) 2022-08-15 2022-08-15 一种基于深度学习模型的病灶图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210975759.6A CN115294329A (zh) 2022-08-15 2022-08-15 一种基于深度学习模型的病灶图像识别方法

Publications (1)

Publication Number Publication Date
CN115294329A true CN115294329A (zh) 2022-11-04

Family

ID=83830846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210975759.6A Withdrawn CN115294329A (zh) 2022-08-15 2022-08-15 一种基于深度学习模型的病灶图像识别方法

Country Status (1)

Country Link
CN (1) CN115294329A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116486140A (zh) * 2023-03-22 2023-07-25 中化现代农业有限公司 土壤质地分类方法、装置和电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116486140A (zh) * 2023-03-22 2023-07-25 中化现代农业有限公司 土壤质地分类方法、装置和电子设备
CN116486140B (zh) * 2023-03-22 2024-04-05 中化现代农业有限公司 土壤质地分类方法、装置和电子设备

Similar Documents

Publication Publication Date Title
US11101033B2 (en) Medical image aided diagnosis method and system combining image recognition and report editing
CN108898595B (zh) 一种胸部图像中病灶区域的定位模型的构建方法及应用
CN109858540B (zh) 一种基于多模态融合的医学图像识别系统及方法
CN103249358B (zh) 医用图像处理装置
KR20150045885A (ko) 초음파 및 ct 영상의 정합에 관한 시스템 및 작동 방법
CN106296613B (zh) 一种基于dr机器的双能量减影方法
Tun et al. Feature extraction and classification of lung cancer nodule using image processing techniques
JP2017064370A (ja) 画像処理装置、画像処理装置の制御方法およびプログラム
CN109919912A (zh) 一种医学影像的质量评价方法和装置
Sindhwani et al. Semi‐automatic outlining of levator hiatus
WO2017086433A1 (ja) 医用画像処理方法及び装置及びシステム及びプログラム
KR20200108686A (ko) 딥러닝 알고리즘을 이용한 근감소증 분석 프로그램 및 애플리케이션
CN115294329A (zh) 一种基于深度学习模型的病灶图像识别方法
Hatano et al. Classification of osteoporosis from phalanges CR images based on DCNN
TWI399194B (zh) 基於細胞自動機之半自動膝蓋ｍｒｉ軟骨影像分割方法
JP6934734B2 (ja) 画像処理装置、画像処理装置の制御方法およびプログラム
Meejaroen et al. Detection of fibrosis in liver biopsy images by using Bayesian classifier
CN102124471A (zh) 用于增强宫颈成像中的血管图案的方法
WO2023133929A1 (zh) 一种基于超声的人体组织对称性检测分析方法
CN110335348B (zh) 一种基于RFR-SSMs的骨盆股骨医学图像建模方法
Malode New approach of statistical analysis for lung disease diagnosis using microscopy images
Park et al. Automatic extraction of soft tissue tumor from ultrasonography using ART2 based intelligent image analysis
CN115409834B (zh) 一种用于跟腱病诊断的特征提取方法、系统和存储介质
Mangayarkarasi et al. Analysis and classification of kidney ultrasound images using SIFT features with neural network classifier
Kayalvizhi et al. Analysis of Alzheimer MR brain images using entropy based segmentation and Minkowski Functional

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20221104