[发明专利]基于深度学习的医学图像检测方法及相关设备

说明书

本公开实施例提供一种基于深度学习的医学图像检测方法、装置、计算机可读介质及电子设备。该方法包括：获取待检测医学图像，所述待检测医学图像包括相邻的多张切片图；通过深度神经网络提取获得各切片图的N张基础特征图；对各切片图的N张基础特征图进行特征融合，得到各切片图的M张增强特征图；对各增强特征图执行分级空洞卷积操作以生成各增强特征图的叠加特征图；以及根据所述叠加特征图预测所述待检测医学图像中的病灶位置信息及其置信度；其中，N和M均为大于1的正整数。本公开实施例的技术方案可以提高医学图像的目标检测精准度。

技术领域

本公开涉及计算机和通信技术领域，具体而言，涉及一种基于深度学习的医学图像检测方法、装置、计算机可读介质及电子设备。

背景技术

目前对于病灶对应的图像主要采用2D(two-dimension，二维)图像的数据进行处理，建立病灶模型。这种方法对乳腺等图像数据较为合适，但是对于CT(ComputedTomography，电子计算机断层扫描)图像的处理，则可能导致CT图像的三维体数据的信息丢失，使建立的病灶模型可靠性低。

因此，在医学图像检测领域，如何能够利用医学图像的三维体数据以提高病灶预测的可靠性是目前亟待解决的技术问题。

发明内容

本公开实施例的目的在于提供一种基于深度学习的医学图像检测方法、装置、计算机可读介质及电子设备，进而至少在一定程度上能够提高医学图像的病灶预测可靠性。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开实施例的一个方面，提供了一种基于深度学习的医学图像检测方法，所述方法包括：获取待检测医学图像，所述待检测医学图像包括相邻的多张切片图；通过深度神经网络提取获得各切片图的N张基础特征图；对各切片图的N张基础特征图进行特征融合，得到各切片图的M张增强特征图；对各增强特征图执行分级空洞卷积操作以生成各增强特征图的叠加特征图；以及根据所述叠加特征图预测所述待检测医学图像中的病灶位置信息及其置信度；其中，N和M均为大于1的正整数。

根据本公开实施例的一个方面，提供了一种基于深度学习的医学图像检测装置，包括：图像获取模块，配置为获取待检测医学图像，所述待检测医学图像包括相邻的多张切片图；特征提取模块，配置为通过深度神经网络提取获得各切片图的N张基础特征图；特征融合模块，配置为对各切片图的N张基础特征图进行特征融合，得到各切片图的M张增强特征图；空洞卷积模块，配置为对各增强特征图执行分级空洞卷积操作以生成各增强特征图的叠加特征图；以及病灶预测模块，配置为根据所述叠加特征图预测所述待检测医学图像中的病灶位置信息及其置信度；其中，N和M均为大于1的正整数。

在一些实施例中，所述特征融合模块可以配置为：根据进行卷积操作后的各切片图的第i基础特征图和进行卷积操作以及上采样操作后的各切片图的第j基础特征图，获得各切片图的第k增强特征图；其中，1ijN，1k≤M，且i，j，k均为正整数。

在一些实施例中，所述特征融合模块可以配置为：对各切片图的N张基础特征图进行特征融合，得到各切片图的M张增强特征图，包括：对各切片图的第N基础特征图进行卷积操作，获得各切片图的第一增强特征图。

在一些实施例中，N＝5，M＝3。其中，所述特征融合模块可以配置为：对各切片图的第五基础特征图进行卷积操作，获得各切片图的第一增强特征图；根据进行卷积操作后的各切片图的第三基础特征图和进行卷积操作以及上采样操作后的各切片图的第五基础特征图，获得各切片图的的第二增强特征图；根据进行卷积操作后的各切片图的第一基础特征图和进行卷积操作以及上采样后的各切片图的第三基础特征图，获得各切片图的的第三增强特征图。