[发明专利]图像处理方法和装置及神经网络模型的训练方法

说明书

本发明公开了一种图像处理方法和装置及神经网络模型的训练方法。其中，该方法包括：获取钼靶图像；从钼靶图像中提取出多个候选区域；通过深度学习训练得到的神经网络模型将多个候选区域中的目标区域在钼靶图像中进行标记，目标区域所包括的肿块为目标肿块的概率大于第一阈值，目标肿块为恶性肿块的概率大于第二阈值，神经网络模型用于指示候选区域与候选区域所包括的肿块为目标肿块的概率之间的映射关系。本发明解决了相关技术采用人工筛选方式定位钼靶图像中疑似恶性肿块，导致疑似恶性肿块的筛选效率和定位准确度较低的技术问题。

技术领域

本发明涉及计算机领域，具体而言，涉及一种图像处理方法和装置及神经网络模型的训练方法。

背景技术

目前，利用钼靶图像定位疑似恶性肿块可以为医生提供较好的肿块良恶性判定依据，但是，相关技术通常采用人工方式从钼靶图像中筛选出疑似恶性肿块，采用人工筛选方式定位疑似恶性肿块要求医生有非常丰富的经验，而且，采用人工筛选方式定位疑似恶性肿块严重影响了疑似恶性肿块的筛选效率和定位准确度。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种图像处理方法和装置及神经网络模型的训练方法，以至少解决相关技术采用人工筛选方式定位钼靶图像中疑似恶性肿块，导致疑似恶性肿块的筛选效率和定位准确度较低的技术问题。

根据本发明实施例的一个方面，提供了一种图像处理方法，包括：获取钼靶图像；从所述钼靶图像中提取出多个候选区域；通过深度学习训练得到的神经网络模型将所述多个候选区域中的目标区域在所述钼靶图像中进行标记，其中，所述目标区域所包括的肿块为目标肿块的概率大于第一阈值，所述目标肿块为恶性肿块的概率大于第二阈值，所述神经网络模型用于指示所述候选区域与所述候选区域所包括的肿块为所述目标肿块的概率之间的映射关系。

根据本发明实施例的另一方面，还提供了一种神经网络模型的训练方法，包括：获取样本肿块区域，并确定所述样本肿块区域所包括的肿块为目标肿块的概率，其中，所述目标肿块为恶性肿块的概率大于目标阈值；利用所述样本肿块区域与所述样本肿块区域所包括的肿块为所述目标肿块的概率之间的映射关系进行深度学习训练，得到所述神经网络模型，其中，在进行深度学习训练时，训练输入参数包括所述样本肿块区域，训练输出参数包括所述样本肿块区域所包括的肿块为所述目标肿块的概率。

根据本发明实施例的另一方面，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行本发明实施例中任意一种图像处理方法和神经网络模型的训练方法。

根据本发明实施例的另一方面，还提供了一种图像处理装置，其中，所述装置用于执行本发明实施例中的任意一种图像处理方法。

根据本发明实施例的另一方面，还提供了一种电子装置，包括存储器和处理器，其中，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行本发明实施例中任意一种神经网络模型的训练方法。

在本发明实施例中，通过获取钼靶图像，从钼靶图像中提取出多个候选区域，通过深度学习训练得到的神经网络模型将多个候选区域中的目标区域在钼靶图像中进行标记，其中，目标区域所包括的肿块为目标肿块的概率大于第一阈值，目标肿块为恶性肿块的概率大于第二阈值，神经网络模型用于指示候选区域与候选区域所包括的肿块为目标肿块的概率之间的映射关系，达到了无需人工参与自动化标记钼靶图像中的目标肿块区域的目的，进而解决了相关技术采用人工筛选方式定位钼靶图像中疑似恶性肿块，导致疑似恶性肿块的筛选效率和定位准确度较低的技术问题，从而实现了提高疑似恶性肿块的筛选效率和定位准确度的技术效果。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的图像处理方法的硬件环境的示意图；