[发明专利]一种基于深度学习的医疗图像处理方法和装置有效
申请号: | 202010789031.5 | 申请日: | 2020-08-07 |
公开(公告)号: | CN111915598B | 公开(公告)日: | 2023-10-13 |
发明(设计)人: | 周猛 | 申请(专利权)人: | 温州医科大学 |
主分类号: | G06T7/00 | 分类号: | G06T7/00;G06V10/74;G06V10/82;G06V10/40;G06N3/0464;G06N3/08 |
代理公司: | 深圳市创富知识产权代理有限公司 44367 | 代理人: | 王杯 |
地址: | 325006 浙江省温州市瓯海*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 深度 学习 医疗 图像 处理 方法 装置 | ||
本发明公开了一种基于深度学习的医疗图像处理方法、装置、计算机可读存储介质以及电子设备,通过将包括连续多张图片的待处理医疗图像输入神经网络模型,利用多张图片之间的连续相关性,提高神经网络模型的处理精度,并且通过计算待处理医疗图像与标准图像之间的相似度来确定待处理医疗图像的处理结果,可以避免无参考的处理导致处理结果偏差较大,从而进一步提高了处理精度。
技术领域
本申请涉及图像处理领域,具体涉及一种基于深度学习的医疗图像处理方法、装置、计算机可读存储介质以及电子设备。
背景技术
随着医学成像技术的发展,三维CT(电子计算机断层扫描)已成为癌症诊断的一种临床常规手段,随着近些年高分辨率CT扫描仪的出现,由此产生的CT影像数据越来越多,外科医生和放射科医生经常需要对数千个CT扫描切片图像做手工标注,对他们来说这是一种沉重的负担,因此,高效的医学辅助诊断算法成为迫切的需求。
但是到目前为止还没有一个辅助诊断算法能达到临床级别,主要原因是算法的精度不高、泛化能力不强,因此,亟需一种病灶拟合高精度的医疗图像检测算法。
发明内容
为了解决上述技术问题,本申请提出了一种基于深度学习的医疗图像处理方法、装置、计算机可读存储介质以及电子设备,通过将包括连续多张图片的待处理医疗图像输入神经网络模型,利用多张图片之间的连续相关性,提高神经网络模型的处理精度,并且通过计算待处理医疗图像与标准图像之间的相似度来确定待处理医疗图像的处理结果,可以避免无参考的处理导致处理结果偏差较大,从而进一步提高了处理精度。
根据本申请的一个方面,提供了一种基于深度学习的医疗图像处理方法,包括:获取待处理医疗图像;其中,所述待处理医疗图像包括连续的多张图片;以及将所述待处理医疗图像输入神经网络模型,得到所述待处理医疗图像的处理结果;其中,得到所述待处理医疗图像的处理结果的具体方式包括:计算所述待处理医疗图像与对应的标准图像之间的相似度;以及根据所述相似度确定所述待处理医疗图像的处理结果。
在一实施例中,所述计算所述待处理医疗图像与对应的标准图像之间的相似度包括:根据所述待处理医疗图像与所述标准图像的像素差值,计算第一损失函数;根据所述待处理医疗图像与所述标准图像的特征差值,计算第二损失函数;以及融合所述第一损失函数和所述第二损失函数,得到所述待处理医疗图像与所述标准图像之间的相似度。
在一实施例中,所述融合所述第一损失函数和所述第二损失函数包括:对所述第一损失函数和所述第二损失函数进行加权求和。
在一实施例中,所述第一损失函数的权重与所述待处理医疗图像的背景图像和所述标准图像的背景图像之间的相似度正相关。
在一实施例中,所述神经网络模型包括多层卷积层,所述根据所述待处理医疗图像与所述标准图像的特征差值,计算第二损失函数包括:将所述多层卷积层的特征数据进行加权求和,得到综合特征;以及计算所述综合特征与所述标准图像的特征之差,得到所述第二损失函数。
在一实施例中,所述多层卷积层包括空洞率不同的多个空洞卷积层。
在一实施例中,所述空洞卷积层的特征数据的权重与该空洞卷积层的空洞率正相关。
根据本申请的另一个方面,提供了一种基于深度学习的医疗图像处理装置,包括:获取模块,用于获取待处理医疗图像;其中,所述待处理医疗图像包括连续的多张图片;以及处理模块,用于将所述待处理医疗图像输入神经网络模型,得到所述待处理医疗图像的处理结果;其中,处理模块包括:相似度计算单元,用于计算所述待处理医疗图像与对应的标准图像之间的相似度;以及确定单元,用于根据所述相似度确定所述待处理医疗图像的处理结果。
根据本申请的另一个方面,提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述任一所述的基于深度学习的医疗图像处理方法。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于温州医科大学,未经温州医科大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010789031.5/2.html,转载请声明来源钻瓜专利网。