CN116740015A - 基于深度学习的医学图像智能检测方法、装置及电子设备 - Google Patents

基于深度学习的医学图像智能检测方法、装置及电子设备 Download PDF

Info

Publication number
CN116740015A
CN116740015A CN202310693271.9A CN202310693271A CN116740015A CN 116740015 A CN116740015 A CN 116740015A CN 202310693271 A CN202310693271 A CN 202310693271A CN 116740015 A CN116740015 A CN 116740015A
Authority
CN
China
Prior art keywords
medical image
deep learning
learning network
information
intelligent detection
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
CN202310693271.9A
Other languages
English (en)
Inventor
张逸凌
刘星宇
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.)
Longwood Valley Medtech Co Ltd
Original Assignee
Longwood Valley Medtech 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 Longwood Valley Medtech Co Ltd filed Critical Longwood Valley Medtech Co Ltd
Priority to CN202310693271.9A priority Critical patent/CN116740015A/zh
Publication of CN116740015A publication Critical patent/CN116740015A/zh
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • 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
    • 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
    • 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
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于深度学习的医学图像智能检测方法、装置及电子设备，该检测方法包括：获取待识别的医学图像；基于深度学习网络模型对所述医学图像的信息特征进行提取操作，得到信息提取结果；利用所述深度学习网络模型对所述信息提取结果进行判断处理，基于判断结果实现对所述医学图像的智能检测。本发明提供的基于深度学习的医学图像智能检测方法，通过在获取到医学图像后，通过深度学习网络模型对医学图像的信息特征进行提取，并对提取结果进行判断处理，可以实现对医学图像的智能检测。进而保证医学图像的准确性及有效性，避免因医学图像不准确给医生的诊断造成误诊的情况，提高被诊断者的安全性。

Description

基于深度学习的医学图像智能检测方法、装置及电子设备
技术领域
本发明涉及医疗领域，尤其涉及一种基于深度学习的医学图像智能检测方法、装置及电子设备。
背景技术
随着深度学习技术的发展，通过计算机伪造图像成为一项成熟的技术和手段，并对人们获取真实的信息产生很大的影像。设想如果有不法分子将图像伪造技术应用到医学影像领域，导致医生对病人产生误诊的情况，将对社会产生极大的危害。
因此，如何解决上述问题，是需要考虑的。
发明内容
本发明提供一种基于深度学习的医学图像智能检测方法、装置及电子设备，用以解决上述问题。
本发明的第一方面，提供一种基于深度学习的医学图像智能检测方法，包括：
获取待识别的医学图像；
基于深度学习网络模型对所述医学图像的信息特征进行提取操作，得到信息提取结果；
利用所述深度学习网络模型对所述信息提取结果进行判断处理，基于判断结果实现对所述医学图像的智能检测。
可选的，所述信息特征包括：
全局信息特征；或者，
全局信息特征与周期信息特征。
可选的，所述深度学习模型包括：
第一深度学习网络子模型和第二深度学习网络子模型；
所述第一深度学习网络子模型用于对所述医学图像的全局信息特征进行提取，得到第一医学图像；
所述第二深度学习网络子模型用于对所述第一医学图像的周期信息特征进行提取，得到第二医学图像。
可选的，所述利用所述深度学习网络模型对所述信息提取结果进行判断处理，包括：
若利用所述深度学习网络模型判断所述信息提取结果中包括全局信息与周期信息，则确定所述医学图像为伪造的；
若利用所述深度学习网络模型判断所述信息提取结果中只包括全局信息，则确定所述医学图像为真实的。
可选的，所述第一深度学习网络子模型包括多个特征提取模块，每个所述特征提取模块，由4个特征提取子模块组成，每个所述特征提取子模块，包括：
依次连接的2个卷积核为3*3的卷积层、一个残差连接层、一个Relu激活函数层以及一个BarchNorm层，每个特征提取子模块分别用于对所述医学图像的信息特征进行提取。
可选的，所述第一深度学习网络子模型采用的损失函数如下：
L＝-(y*log(p)+(1-y)*log(1-p))
其中，L表示交叉熵损失，y表示真实标签(0或1)，p表示第一深度学习网络子模型的预测概率。
可选的，所述医学图像为遵循DICOM3标准的DICOM图像。
本发明的第二方面，提供一种基于深度学习的医学图像智能检测装置，包括：
获取模块，用于获取待识别的医学图像；
提取模块，用于基于深度学习网络模型对所述医学图像的信息特征进行提取操作，得到信息提取结果；
处理模块，用于利用所述深度学习网络模型对所述信息提取结果进行判断处理，基于判断结果实现对所述医学图像的智能检测。
本发明的第三方面，提供一种电子设备，包括存储器、处理器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程序时实现如上所述的基于深度学习的医学图像智能检测方法。
本发明的第四方面，提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于深度学习的医学图像智能检测方法。
本发明的上述技术方案至少具有如下有益效果：
本发明提供的基于深度学习的医学图像智能检测方法，通过在获取到医学图像后，通过深度学习网络模型对医学图像的信息特征进行提取，并对提取结果进行判断处理，可以实现对医学图像的智能检测。进而保证医学图像的准确性及有效性，避免因医学图像不准确给医生的诊断造成误诊的情况，提高被诊断者的安全性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于深度学习的医学图像智能检测方法的流程示意图；
图2为本发明提供的一种深度学习模型的结构示意图；
图3为本发明提供的一种基于深度学习的医学图像智能检测装置的模块示意图；
图4为本发明提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
参阅图1，为本发明提供的一种基于深度学习的医学图像智能检测方法，包括以下步骤：
S11：获取待识别的医学图像。
需要说明的是，所述医学图像为遵循DICOM3标准的DICOM图像。所述医学图像例如可以是X线图像、CT图像或者MRI图像。
S12：基于深度学习网络模型对所述医学图像的信息特征进行提取操作，得到信息提取结果。
需要说明的是，通过对医学图像进行特征提取，可以保留医学图像较多的特征信息，使得到的信息提取结果更加准确。
S13：利用所述深度学习网络模型对所述信息提取结果进行判断处理，基于判断结果实现对所述医学图像的智能检测。
本发明提供的基于深度学习的医学图像智能检测方法，通过在获取到医学图像后，通过深度学习网络模型对医学图像的信息特征进行提取，并对提取结果进行判断处理，可以实现对医学图像的智能检测。进而保证医学图像的准确性及有效性，避免因医学图像不准确给医生的诊断造成误诊的情况，提高被诊断者的安全性。
可选地，以医学图像为CT图像为例，进行描述。
CT(Computed Tomography，计算机断层摄影)是一种医学影像学技术，通过对人体进行多次X射线扫描，利用计算机技术生成人体内部器官的三维图像。CT图像在医疗领域有广泛的应用，以下是一些常见的应用：
诊断：CT图像可以帮助医生检测各种疾病和异常，如肺癌、心脏病、脑卒中等。它可以显示器官、血管和骨骼结构的详细情况，使医生可以更准确地进行诊断。
治疗计划：CT图像可以帮助医生规划手术和放疗等治疗计划。通过对图像的分析，医生可以确定治疗的范围、位置和强度，减少治疗对健康组织的影响。
手术导航：CT图像可以在手术过程中用作导航工具。医生可以通过图像实时了解手术区域的情况，以确保手术的准确性和安全性。
疾病研究：CT图像可以用于医学研究，帮助科学家了解疾病的发展和病变过程。通过对图像的分析，研究人员可以确定疾病的影响和特征，开发新的治疗方法。
示例的，医学图像的信息特征包括：
全局信息特征；或者，
全局信息特征与周期信息特征。
接下来，参见图2，为本发明提供的一种深度学习模型的结构示意图。示例的，所述深度学习模型包括：
第一深度学习网络子模型和第二深度学习网络子模型；
所述第一深度学习网络子模型用于对所述医学图像的全局信息特征进行提取，得到第一医学图像；
所述第二深度学习网络子模型用于对所述第一医学图像的周期信息特征进行提取，得到第二医学图像。
可选地，第一深度学习网络子模型例如可以是UNet网络模型，第二深度学习网络子模型例如可以是长短期记忆网络(Long Short-Term Memory，LSTM)。
需要说明的是，通过第一深度学习网络子模型对所述医学图像的全局信息特征进行提取，可以使得到的第一医学图像更加准确。
第二深度学习网络子模型，在对第一医学图像的周期信息特征进行提取时，可能提取不到第一医学图像的周期信息，即得到的第二医学图像可能只含有全局信息。可选地，第二深度学习网络子模型，在对第一医学图像的周期信息特征进行提取时，也可能提取到第一医学图像的周期信息，即得到的第二医学图像既包括全局信息又包括周期信息。
接下来，对UNet网络模型进行介绍。
具体的，UNet模块流程及特点如下：
1)编码器部分：
UNet的编码器部分采用类似于卷积神经网络的结构，由多个卷积层和池化层组成，逐渐提取输入图像的特征信息。这些卷积层和池化层可以使用不同的深度和滤波器大小，以便适应不同的输入图像。
隐藏状态更新：根据当前时刻的单元状态C(t)和输出门的值o(t)，计算当前时刻的隐藏状态h(t)。
2)解码器部分：
UNet的解码器部分采用与编码器部分相反的结构，由多个反卷积层和卷积层组成，用于将编码器中提取的特征信息进行还原和重构。解码器的每一层都会将其输入与编码器对应的层的输出进行拼接，以便结合低级特征和高级特征进行精细的分割。
示例的，所述利用所述深度学习网络模型对所述信息提取结果进行判断处理，包括：
若利用所述深度学习网络模型判断所述信息提取结果中包括全局信息与周期信息，则确定所述医学图像为伪造Fake的；
若利用所述深度学习网络模型判断所述信息提取结果中只包括全局信息，则确定所述医学图像为真实Real的。
通过判断提取结果中是否包括周期信息，进而可以判断出医学图像的真伪情况。通过确定出医学图像的真伪情况，可以避免医生在不知情的情况下，通过伪造的医学图像对患者进行诊断时，造成误诊的情况，进而避免危险情况的发生。
示例的，所述第一深度学习网络子模型包括多个特征提取模块，每个所述特征提取模块，由4个特征提取子模块组成，每个所述特征提取子模块，包括：
依次连接的2个卷积核为3*3的卷积层、一个残差连接层、一个Relu激活函数层以及一个BarchNorm层，每个特征提取子模块分别用于对所述医学图像的信息特征进行提取。
可选地，该特征提取模块例如可以是Dense区块，每个Dense区块由4个ResNetBlock组成，即特征提取子模块用ResNet Block表示。每个ResNet Block之间相互连接。
进一步的，所述第一深度学习网络子模型采用的损失函数如下：
L＝-(y*log(p)+(1-y)*log(1-p))
其中，L表示交叉熵损失，y表示真实标签(0或1)，p表示第一深度学习网络子模型的预测概率。
即UNet网络模型采用交叉熵损失函数，用于评估模型输出与真实标签之间的差异。在训练过程中，该网络模型通过不断调整权重，使得损失函数的值尽可能小，以提高该网络模型的分割精度。
可选的，第一深度学习网络子模型的输出是一张与输入图像(即待识别的医学图像)大小相同的分割图像，其中每个像素都被赋予一个表示它所属类别的标签。该网络模型通过学习输入图像与其对应的标签之间的关系，能够对新的未知图像进行准确的分割。
接下来，对第二深度学习网络子模型进行介绍。
具体的，LSTM模块流程及特点:
输入门(Input Gate)：将输入的序列数据x和前一个时刻的隐藏状态h(t-1)经过一个全连接层，生成一个介于0和1之间的值i(t)。i(t)表示需要将多少信息添加到当前时刻的单元状态C(t)中，它能够控制前面所提到的遗忘和更新操作。
遗忘门(Forget Gate)：将输入的序列数据x和前一个时刻的隐藏状态h(t-1)经过一个全连接层，生成一个介于0和1之间的值f(t)。f(t)表示需要遗忘前一个时刻的单元状态C(t-1)的多少信息。
单元状态(Cell State)更新：根据输入门和遗忘门的值，以及前一个时刻的单元状态C(t-1)和当前时刻的输入x(t)，计算当前时刻的单元状态C(t)。
输出门(Output Gate)：将输入的序列数据x和前一个时刻的隐藏状态h(t-1)经过一个全连接层，生成一个介于0和1之间的值o(t)。o(t)表示需要从当前时刻的单元状态C(t)中输出多少信息。
可选的，第一深度学习网络子模型与第二深度学习网络子模型的连接方式如下：
UNET网络模型(即第一深度学习网络子模型)所生成的特征图featuremap,通过flatten操作变成1维的数组，然后输入到LSTM模型(即第二深度学习网络子模型)中。图例中的Xt-1和Xt+1为X所生成，即该网络的输入仅是一个featuremap所变形所得到的1维数组。
基于与上述基于深度学习的医学图像智能检测方法相同的技术构思，本发明的另一实施例提供了一种基于深度学习的医学图像智能检测装置，该基于深度学习的医学图像智能检测装置所起的作用与上述基于深度学习的医学图像智能检测方法所起的作用相同，此处不再进行赘述。
接下来，参见图3，为本发明提供的基于深度学习的医学图像智能检测装置的模块示意图。该检测装置包括：
获取模块31，用于获取待识别的医学图像；
提取模块32，用于基于深度学习网络模型对所述医学图像的信息特征进行提取操作，得到信息提取结果；
处理模块33，用于利用所述深度学习网络模型对所述信息提取结果进行判断处理，基于判断结果实现对所述医学图像的智能检测。
可选的，所述信息特征包括：
全局信息特征；或者，
全局信息特征与周期信息特征。
可选的，所述深度学习模型包括：
第一深度学习网络子模型和第二深度学习网络子模型；
所述第一深度学习网络子模型用于对所述医学图像的全局信息特征进行提取，得到第一医学图像；
所述第二深度学习网络子模型用于对所述第一医学图像的周期信息特征进行提取，得到第二医学图像。
可选的，处理模块33，在利用所述深度学习网络模型对所述信息提取结果进行判断处理时，具体用于：
若利用所述深度学习网络模型判断所述信息提取结果中包括全局信息与周期信息，则确定所述医学图像为伪造的；
若利用所述深度学习网络模型判断所述信息提取结果中只包括全局信息，则确定所述医学图像为真实的。
可选地，所述第一深度学习网络子模型包括多个特征提取模块，每个所述特征提取模块，由4个特征提取子模块组成，每个所述特征提取子模块，包括：
依次连接的2个卷积核为3*3的卷积层、一个残差连接层、一个Relu激活函数层以及一个BarchNorm层，每个特征提取子模块分别用于对所述医学图像的信息特征进行提取。
可选的，所述第一深度学习网络子模型采用的损失函数如下：
L＝-(y*log(p)+(1-y)*log(1-p))
其中，L表示交叉熵损失，y表示真实标签(0或1)，p表示第一深度学习网络子模型的预测概率。
可选的，所述医学图像为遵循DICOM3标准的DICOM图像。
接下来，参见图4，为本发明提供的一种电子设备的结构示意图。该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行上述各方法所提供的基于深度学习的医学图像智能检测方法。
此外，上述的存储器430中的逻辑指令可以通过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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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)执行本发明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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明的另一实施例还提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如上所述的基于深度学习的医学图像智能检测方法。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
注意，除非另有直接说明，否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此，除非另有明确说明，否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下，进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头，该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。
最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。

Claims (10)

1.一种基于深度学习的医学图像智能检测方法，其特征在于，包括：
获取待识别的医学图像；
基于深度学习网络模型对所述医学图像的信息特征进行提取操作，得到信息提取结果；
利用所述深度学习网络模型对所述信息提取结果进行判断处理，基于判断结果实现对所述医学图像的智能检测。
2.根据权利要求1所述的基于深度学习的医学图像智能检测方法，其特征在于，所述信息特征包括：
全局信息特征；或者，
全局信息特征与周期信息特征。
3.根据权利要求2所述的基于深度学习的医学图像智能检测方法，其特征在于，所述深度学习模型包括：
第一深度学习网络子模型和第二深度学习网络子模型；
所述第一深度学习网络子模型用于对所述医学图像的全局信息特征进行提取，得到第一医学图像；
所述第二深度学习网络子模型用于对所述第一医学图像的周期信息特征进行提取，得到第二医学图像。
4.根据权利要求2所述的基于深度学习的医学图像智能检测方法，其特征在于，所述利用所述深度学习网络模型对所述信息提取结果进行判断处理，包括：
若利用所述深度学习网络模型判断所述信息提取结果中包括全局信息与周期信息，则确定所述医学图像为伪造的；
若利用所述深度学习网络模型判断所述信息提取结果中只包括全局信息，则确定所述医学图像为真实的。
5.根据权利要求3所述的基于深度学习的医学图像智能检测方法，其特征在于，所述第一深度学习网络子模型包括多个特征提取模块，每个所述特征提取模块，由4个特征提取子模块组成，每个所述特征提取子模块，包括：
依次连接的2个卷积核为3*3的卷积层、一个残差连接层、一个Relu激活函数层以及一个BarchNorm层，每个特征提取子模块分别用于对所述医学图像的信息特征进行提取。
6.根据权利要求3或权利要求5所述的基于深度学习的医学图像智能检测方法，其特征在于，所述第一深度学习网络子模型采用的损失函数如下：
L＝-(y*log(p)+(1-y)*log(1-p))
其中，L表示交叉熵损失，y表示真实标签(0或1)，p表示第一深度学习网络子模型的预测概率。
7.根据权利要求1至6任一项所述的基于深度学习的医学图像智能检测方法，其特征在于，所述医学图像为遵循DICOM3标准的DICOM图像。
8.一种基于深度学习的医学图像智能检测装置，其特征在于，包括：
获取模块，用于获取待识别的医学图像；
提取模块，用于基于深度学习网络模型对所述医学图像的信息特征进行提取操作，得到信息提取结果；
处理模块，用于利用所述深度学习网络模型对所述信息提取结果进行判断处理，基于判断结果实现对所述医学图像的智能检测。
9.一种电子设备，包括存储器、处理器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，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的基于深度学习的医学图像智能检测方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于深度学习的医学图像智能检测方法。
CN202310693271.9A 2023-06-12 2023-06-12 基于深度学习的医学图像智能检测方法、装置及电子设备 Pending CN116740015A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310693271.9A CN116740015A (zh) 2023-06-12 2023-06-12 基于深度学习的医学图像智能检测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310693271.9A CN116740015A (zh) 2023-06-12 2023-06-12 基于深度学习的医学图像智能检测方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN116740015A true CN116740015A (zh) 2023-09-12

Family

ID=87914538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310693271.9A Pending CN116740015A (zh) 2023-06-12 2023-06-12 基于深度学习的医学图像智能检测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN116740015A (zh)

Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544692A (zh) * 2012-07-13 2014-01-29 深圳市智信达软件有限公司 基于统计学判断的双重压缩jpeg图象篡改盲检测方法
CN104036485A (zh) * 2013-08-21 2014-09-10 江南大学 一种关于图像重采样篡改检测的方法
CN108288073A (zh) * 2018-01-30 2018-07-17 北京小米移动软件有限公司 图片真伪识别方法及装置、计算机可读存储介质
CN108682007A (zh) * 2018-04-28 2018-10-19 华中师范大学 基于深度随机森林的jpeg图像重采样自动检测方法
CN109284749A (zh) * 2017-07-19 2019-01-29 微软技术许可有限责任公司 精细化图像识别
CN109754393A (zh) * 2018-12-19 2019-05-14 众安信息技术服务有限公司 一种基于深度学习的篡改图像鉴定方法及装置
CN109815770A (zh) * 2019-01-31 2019-05-28 北京旷视科技有限公司 二维码检测方法、装置及系统
CN110110624A (zh) * 2019-04-24 2019-08-09 江南大学 一种基于DenseNet网络与帧差法特征输入的人体行为识别方法
CN110322900A (zh) * 2019-06-25 2019-10-11 深圳市壹鸽科技有限公司 一种语音信号特征融合的方法
CN111368342A (zh) * 2020-03-13 2020-07-03 众安信息技术服务有限公司 图像篡改识别模型训练方法、图像篡改识别方法及装置
CN111539942A (zh) * 2020-04-28 2020-08-14 中国科学院自动化研究所 基于多尺度深度特征融合的人脸深度篡改图像的检测方法
CN111932544A (zh) * 2020-10-19 2020-11-13 鹏城实验室 篡改图像检测方法、装置及计算机可读存储介质
CN113436287A (zh) * 2021-07-05 2021-09-24 吉林大学 一种基于lstm网络与编解码网络的篡改图像盲取证方法
CN113729707A (zh) * 2021-09-06 2021-12-03 桂林理工大学 一种基于fecnn-lstm的眼动和ppg多模态融合的情感识别方法
CN113989234A (zh) * 2021-10-28 2022-01-28 杭州中科睿鉴科技有限公司 基于多特征融合的图像篡改检测方法
CN113989536A (zh) * 2020-07-09 2022-01-28 天津科技大学 一种基于布谷鸟搜索算法的番茄病害识别方法
CN114067143A (zh) * 2021-11-24 2022-02-18 西安烽火软件科技有限公司 一种基于双子网络的车辆重识别方法
CN114118586A (zh) * 2021-11-29 2022-03-01 江苏科技大学 基于CNN-Bi LSTM的电机故障预测方法及系统
CN114170142A (zh) * 2021-11-11 2022-03-11 深圳大学 一种融合残差域和dct域的深度学习篡改图像定位方法
CN114202529A (zh) * 2021-12-14 2022-03-18 四川大学 一种全局特征引导的多任务篡改图像检测方法
CN114549481A (zh) * 2022-02-25 2022-05-27 河北工业大学 一种融合深度和宽度学习的深度伪造图像检测方法
CN114821018A (zh) * 2022-04-11 2022-07-29 北京航空航天大学 一种利用多方向性特征构造卷积神经网络的红外弱小目标检测方法
CN115099500A (zh) * 2022-06-29 2022-09-23 黄河水利职业技术学院 基于权重修正和drsn-lstm模型的水位预测方法
CN115393698A (zh) * 2022-08-16 2022-11-25 北方工业大学 一种基于改进dpn网络的数字图像篡改检测方法

Patent Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544692A (zh) * 2012-07-13 2014-01-29 深圳市智信达软件有限公司 基于统计学判断的双重压缩jpeg图象篡改盲检测方法
CN104036485A (zh) * 2013-08-21 2014-09-10 江南大学 一种关于图像重采样篡改检测的方法
CN109284749A (zh) * 2017-07-19 2019-01-29 微软技术许可有限责任公司 精细化图像识别
CN108288073A (zh) * 2018-01-30 2018-07-17 北京小米移动软件有限公司 图片真伪识别方法及装置、计算机可读存储介质
CN108682007A (zh) * 2018-04-28 2018-10-19 华中师范大学 基于深度随机森林的jpeg图像重采样自动检测方法
CN109754393A (zh) * 2018-12-19 2019-05-14 众安信息技术服务有限公司 一种基于深度学习的篡改图像鉴定方法及装置
CN109815770A (zh) * 2019-01-31 2019-05-28 北京旷视科技有限公司 二维码检测方法、装置及系统
CN110110624A (zh) * 2019-04-24 2019-08-09 江南大学 一种基于DenseNet网络与帧差法特征输入的人体行为识别方法
CN110322900A (zh) * 2019-06-25 2019-10-11 深圳市壹鸽科技有限公司 一种语音信号特征融合的方法
CN111368342A (zh) * 2020-03-13 2020-07-03 众安信息技术服务有限公司 图像篡改识别模型训练方法、图像篡改识别方法及装置
CN111539942A (zh) * 2020-04-28 2020-08-14 中国科学院自动化研究所 基于多尺度深度特征融合的人脸深度篡改图像的检测方法
CN113989536A (zh) * 2020-07-09 2022-01-28 天津科技大学 一种基于布谷鸟搜索算法的番茄病害识别方法
CN111932544A (zh) * 2020-10-19 2020-11-13 鹏城实验室 篡改图像检测方法、装置及计算机可读存储介质
CN113436287A (zh) * 2021-07-05 2021-09-24 吉林大学 一种基于lstm网络与编解码网络的篡改图像盲取证方法
CN113729707A (zh) * 2021-09-06 2021-12-03 桂林理工大学 一种基于fecnn-lstm的眼动和ppg多模态融合的情感识别方法
CN113989234A (zh) * 2021-10-28 2022-01-28 杭州中科睿鉴科技有限公司 基于多特征融合的图像篡改检测方法
CN114170142A (zh) * 2021-11-11 2022-03-11 深圳大学 一种融合残差域和dct域的深度学习篡改图像定位方法
CN114067143A (zh) * 2021-11-24 2022-02-18 西安烽火软件科技有限公司 一种基于双子网络的车辆重识别方法
CN114118586A (zh) * 2021-11-29 2022-03-01 江苏科技大学 基于CNN-Bi LSTM的电机故障预测方法及系统
CN114202529A (zh) * 2021-12-14 2022-03-18 四川大学 一种全局特征引导的多任务篡改图像检测方法
CN114549481A (zh) * 2022-02-25 2022-05-27 河北工业大学 一种融合深度和宽度学习的深度伪造图像检测方法
CN114821018A (zh) * 2022-04-11 2022-07-29 北京航空航天大学 一种利用多方向性特征构造卷积神经网络的红外弱小目标检测方法
CN115099500A (zh) * 2022-06-29 2022-09-23 黄河水利职业技术学院 基于权重修正和drsn-lstm模型的水位预测方法
CN115393698A (zh) * 2022-08-16 2022-11-25 北方工业大学 一种基于改进dpn网络的数字图像篡改检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘俊伯等: "基于深度学习的JPEG图像篡改取证技术", 《网络安全技术与应用》, no. 6, pages 104 *
刘月峰;杨宇慧;: "基于CNN-LSTM的短期电力负荷预测研究", 科技创新与应用, no. 01, 8 January 2020 (2020-01-08) *

Similar Documents

Publication Publication Date Title
US10366491B2 (en) Deep image-to-image recurrent network with shape basis for automatic vertebra labeling in large-scale 3D CT volumes
WO2019200753A1 (zh) 病变监测方法、装置、计算机设备和存储介质
CN110163834B (zh) 对象识别方法和装置及存储介质
EP3511941A1 (en) Method and system for evaluating medical examination results of a patient, computer program and electronically readable storage medium
CN109829880A (zh) 一种基于深度学习的ct图像检测方法、装置和控制设备
CN110443268B (zh) 一种基于深度学习的肝部ct图像良性恶性分类方法
CN112365980A (zh) 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及系统
KR20200082660A (ko) 머신러닝 기반 병리 진단 방법 및 장치
Gupta et al. Analysis and identification of dermatological diseases using Gaussian mixture modeling
CN115994902A (zh) 医学图像分析方法、电子设备及存储介质
CN116797554A (zh) 图像处理方法以及装置
Davamani et al. Biomedical image segmentation by deep learning methods
Xu et al. Application of artificial intelligence technology in medical imaging
CN111700638B (zh) 出血的自动检测和定位
CN116664592A (zh) 基于图像的动静脉血管分离方法、装置、电子设备及介质
CN116740015A (zh) 基于深度学习的医学图像智能检测方法、装置及电子设备
CN113177953B (zh) 肝脏区域分割方法、装置、电子设备及存储介质
CN116758404B (zh) 智能检测医学图像准确性的方法及装置
CN112541909B (zh) 基于切片感知的三维神经网络的肺结节探测方法及系统
Chae et al. Medical image segmentation for mobile electronic patient charts using numerical modeling of IoT
Ji et al. BAG-Net: a boundary detection and multiple attention-guided network for liver ultrasound image automatic segmentation in ultrasound guided surgery
CN113706568B (zh) 图像处理方法及装置
CN113743414B (zh) 基于语义编码的病灶识别方法、装置及系统
Seo et al. Automatic segmentation of hepatic vessels in abdominal MDCT image
Rana SkinCAN AI: A deep learning-based skin cancer classification and segmentation pipeline designed along with a generative model

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