[发明专利]图像处理模型生成方法、图像处理方法、装置及电子设备

说明书

本发明提供了一种图像处理模型生成方法、图像处理方法、装置及电子设备。所述方法包括：将特定病症的多个训练样本病灶图像输入初始图像处理模型；训练样本病灶图像包括病灶区域对应的初始中心点坐标、初始长度和初始宽度；调用分类层，对每个训练样本病灶图像进行分类处理，得到每个训练样本病灶图像对应的分类概率；调用标注层，对每个训练样本病灶图像进行处理，得到每个训练样本病灶图像中所包含病灶区域的预测中心点坐标、预测长度和预测宽度；获取初始图像处理模型的损失值；在损失值处于预设范围内的情况下，将初始图像处理模型作为训练后的目标图像处理模型。本发明能够体现出病灶在病变组织上的具体位置。

技术领域

本发明涉及医学技术领域，特别是涉及一种图像处理模型生成方法、一种图像处理方法、一种图像处理模型生成装置、一种图像处理装置及一种电子设备。

背景技术

近年来，随着医学成像采集设备的不断完善，以及图像处理、模式识别、机器学习等学科的不断发展，多学科交叉的医学图像处理和分析领域取得了丰硕的成果。这些成果对于辅助医生进行快速精确的诊断具有重大的意义。

目前，基于深度学习的分类算法可以很好的对疾病种类进行诊断。但是，在研究中发现，这些分类算法在医疗影像处理过程中，将图片判为某类疾病时的关注区域，和医学上的判别区域存在一定的差异。目前的医疗图像的病灶标注均是由医生利用矩形框的形式大致标出病灶位置，但此种标注方式太过粗糙，不能体现病灶在病变组织上的具体位置。

发明内容

本发明提供一种图像处理模型生成方法、图像处理方法、装置及电子设备，以解决现有技术中的病灶标注方式过于粗糙，不能体现病灶在病变组织上的具体位置的问题。

为了解决上述问题，本发明公开了一种图像处理模型生成方法，包括：

将特定病症的多个训练样本病灶图像输入初始图像处理模型；其中，所述初始图像处理模型包括分类层和标注层，每个所述训练样本病灶图像包括病灶区域对应的初始中心点坐标、初始长度和初始宽度；

调用所述分类层，对每个所述训练样本病灶图像进行分类处理，得到每个所述训练样本病灶图像对应的分类概率；

调用所述标注层，对每个所述训练样本病灶图像进行处理，得到每个所述训练样本病灶图像中所包含病灶区域的预测中心点坐标、预测长度和预测宽度；

基于各所述分类概率、各所述初始中心点坐标、各所述初始长度、各所述初始宽度、各所述预测中心点坐标、各所述预测长度和各所述预测宽度，获取所述初始图像处理模型的损失值；

在所述损失值处于预设范围内的情况下，将所述初始图像处理模型作为训练后的目标图像处理模型。

可选地，所述调用所述分类层，对每个所述训练样本病灶图像进行分类处理，得到每个所述训练样本病灶图像对应的分类概率，包括：

针对每个所述训练样本病灶图像，获取所述训练样本病灶图像对应的一组不同维度的图像特征；

将所述不同维度的图像特征输入所述分类层；

调用所述分类层，对所述不同维度的图像特征进行处理，输出所述训练样本病灶图像对应的分类概率。

可选地，所述调用所述标注层，对每个所述训练样本病灶图像对应的二维特征图进行处理，得到每个所述训练样本病灶图像中所包含的病灶区域对应的预测中心点坐标、预测长度和预测宽度，包括：

获得每个所述训练样本病灶图像对应的二维特征图；

将每个所述二维特征图输入所述标注层；

调用所述标注层，确定每个所述二维特征图中的最大特征点，及每个所述最大特征点对应的最大像素值和二维坐标；