[发明专利]一种医学图像检测方法、装置、设备及存储介质

说明书

本发明实施例公开了一种医学图像检测方法、装置、设备及存储介质。该方法包括：获取受检部位的医学图像、已训练完成的可用于分类的教师网络以及已训练完成的学生网络；将医学图像分别输入到教师网络和学生网络中，根据教师网络的输出结果、学生网络的输出结果和目标检测阈值，分别检测出医学图像中的每个像素点是否为感兴趣点。本发明实施例的技术方案，可通过利用未存在感兴趣点的第一样本图像以及各帧样本图像是否存在感兴趣点的人工标记结果，解决了人工标记困难和医学图像利用率低下的问题，达到了检测出医学图像中的感兴趣点的效果。

技术领域

本发明实施例涉及医学图像处理技术领域，尤其涉及一种医学图像检测方法、装置、设备及存储介质。

背景技术

深度学习(Deep Learning)是机器学习的一个分支，其是一种以人工神经网络为架构来对数据进行表征学习的算法。

目前来看，深度学习在医学图像领域有众多应用，以医学图像中感兴趣点的检测和分割为例，其通常需要以大量的人工标注结果和存在感兴趣点的医学图像作为训练样本，方能得到一个有效的检测分割模型，感兴趣点可作为医护人员定位病灶点的参考因素。

但是，大量的人工标注耗费了太多的人力物力；而且，大部分的医学图像并未存在感兴趣点，例如，在电子计算机断层成像(Computed Tomography，CT)中，针对一个受检者的几百张CT序列，通常仅有几十张CT序列存在感兴趣点，这就造成了大量的无感兴趣点的医学图像的浪费。

发明内容

本发明实施例提供了一种医学图像检测方法、装置、设备及存储介质，解决了人工标记困难和医学图像利用率低下的问题。

第一方面，本发明实施例提供了一种医学图像检测方法，可以包括：

获取受检部位的医学图像、已训练完成的可用于分类的教师网络以及已训练完成的学生网络；

将医学图像分别输入到教师网络和学生网络中，根据教师网络的输出结果、学生网络的输出结果和目标检测阈值，分别检测出医学图像中的每个像素点是否为感兴趣点；

其中，学生网络是基于未存在感兴趣点的第一样本图像训练得到的，目标检测阈值是基于存在感兴趣点的第二样本图像测试得到的。

可选的，上述医学图像检测方法，还可以包括：

获取第一样本图像、第二样本图像和未经训练的原始学生网络；

基于第一样本图像对教师网络和原始学生网络进行训练，调节原始学生网络的网络参数，生成学生网络；

将第二样本图像分别输入到教师网络和学生网络中，根据教师网络的输出结果和学生网络的输出结果确定目标检测阈值。

可选的，基于第一样本图像对教师网络和原始学生网络进行训练，调节原始学生网络的网络参数，生成学生网络，可以包括：

将第一样本图像输入到教师网络和原始学生网络中，分别得到教师网络输出的教师特征图和原始学生网络输出的学生特征图；

针对教师特征图中目标教师特征点的教师特征向量，以及，学生特征图中与目标教师特征点对应的目标学生特征点的学生特征向量，根据教师特征向量和学生特征向量的距离，确定损失函数；

将损失函数反向输入到原始学生网络中，调节原始学生网络的网络参数，生成学生网络。

可选的，根据教师网络的输出结果和学生网络的输出结果确定目标检测阈值，可以包括：

根据教师网络输出的第一特征图和学生网络输出的第二特征图，分别得到第一特征图中第一特征点的第一特征向量，以及，第二特征图中与第一特征点对应的第二特征点的第二特征向量；

根据第一特征向量和第二特征向量的距离确定目标检测阈值。