[发明专利]一种基于VggNet网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质

说明书

本发明涉及医疗设备技术领域，公开了一种基于VggNet网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质。通过本发明创造，提供了一种利用人工智能中最新深度学习技术实现医学影像辅助诊断的新方法，即在具有很好泛化能力的VggNet网络模型中，先用卷积神经网络提取各种复杂的特征，然后利用全连接网络对特征进行综合的判断，进而使模型可以涵盖各种复杂的情况，可利于在医学影像辅助诊断的全过程中，实现端到端的自动化诊断，效率和准确率都极高。此外，还可以对新增部位或影像进行迁移学习，使模型升级变得简单易操作，而且能保证对原有知识的最大兼容性，便于实际应用和推广。

技术领域

本发明属于医疗设备技术领域，具体地涉及一种基于VggNet网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质。

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 magneticresonance imaging)和医学超音波检查图像(Medical ultrasonography)等。但是当前影像诊断行业却存在如下几个问题：(1)诊断大夫的培养周期长成本高，目前高端人才的缺口很大；(2)大夫个人主观性差别很大，很难做到诊断标准完全统一；(3)大夫仅凭肉眼观察，很多底层信息不可见，信息利用率低；(4)相似疾病太多，阅片过程中存在大量重复性劳动；(5)大夫阅片耗时很长，至少几十分钟到数小时不等。

针对上述几个问题，当前的解决方案有两种：一是利用传统的图像处理方法，针对某种特定疾病和特定类型的影像片子，先手动提取特征，然后根据阈值做判断，该方法需要有大量的医学和图像处理经验，而且不具有通用性，在换了部位或影像类型之后，很难再有较高的准确率，甚至根本不能工作；二是利用机器学习模型或统计学习模型，在一定程度上，实现了自动化，也具备了一定的通用性，比第一种方法相比，在准确率上也有极大的提高，但是，模型依然存在表达能力不足的问题，不能涵盖各种复杂的情况，而且，很难进行迁移学习。

发明内容

为了解决现有医疗设备在利用机器学习模型进行影像诊断时不能涵盖各种复杂情况的问题，本发明目的在于提供一种基于VggNet网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质。

本发明所采用的技术方案为：

一种基于VggNet网络模型实现医学影像辅助诊断的方法，包括如下步骤：

S101.获取若干张样本医学影像和对应各张样本医学影像的诊断标签，其中，所述诊断标签为正例或负例；

S102.对各张样本医学影像进行图像预处理，得到相应的且呈正方形、尺寸大小一致和归一化的标准样本医学影像，同时对相应的诊断标签进行如下形式的数字编码；若为正例，标记为1，而若为负例，标记为0；

S103.从训练样本数据集中抽取2ⁿ张标准样本医学影像，然后将这些标准样本医学影像导入至VggNet网络模型中进行正向传播，得到对应各张标准样本医学影像的第一预测概率，其中，所述训练样本数据集包括有不少于2ⁿ张的所述标准样本医学影像，n为介于4～8之间的自然数，所述第一预测概率包括识别影像为正例的概率和识别影像为负例的概率；