[发明专利]图像异常区域检测方法、装置、电子设备及存储介质

说明书

本发明涉及人工智能领域，揭露一种图像异常区域检测方法，包括：从本地数据库中获取诊疗图像及诊疗结果，对诊疗图像进行异常区域定位和3D图像构建，生成3D异常区域图像；对3D异常图像进行特征提取得到病理特征，对病理特征及诊疗结果进行向量化处理后从中选取共享样本；利用共享样本训练异常区域检测模型，得到初始模型梯度；将初始模型梯度上传至服务端，并接受服务端返回的更新模型梯度；利用根据更新模型梯度更新的异常区域检测模型对待检查图像进行异常区域的检测。此外，本发明还涉及区块链技术，所述共享样本可存储于区块链中。本发明还揭露图像异常区域检测装置、电子设备及存储介质。本发明可以提高图像异常区域检测的准确性。

技术领域

本发明涉及人工智能领域，尤其涉及一种图像异常区域检测方法、装置、电子设备及计算机可读存储介质。

背景技术

在医疗领域中，关于图像异常区域检测通常采用计算机断层扫描（CT）进行检测，但是，由于每名患者的断层扫描图像数量都多达几百张，往往需要逐层地对断层扫描图像进行异常区域检测，以跟踪不同断层扫描图像的动态变化，这样会导致图像异常区域检测的准确性不高，而且通过医生肉眼观看不同断层扫描图像图像来完成病情诊断的难度很高，不可避免的会存在诊断结果偏差现象。

另外，由于医疗数据的隐私性，相关法律法规的保护性，以及各机构之间的竞争性等原因，使得各个医院的医疗数据不能被合理的共享，从而也会影响医学图像中异常区域检测的准确性。

发明内容

本发明提供一种图像异常区域检测方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高图像异常区域检测的准确性。

为实现上述目的，本发明提供的一种图像异常区域检测方法，所述方法应用于参与联邦学习的其中一个参与方的客户端中，包括：

从预先构建的本地数据库中获取诊疗图像及诊疗结果，对所述诊疗图像中的诊疗图像进行异常区域定位，得到异常区域图像；

对所述异常区域图像进行3D图像构建，生成3D异常区域图像；

对所述3D异常图像进行特征提取得到病理特征，对所述病理特征及诊疗结果分别进行向量化处理，得到病理特征向量及诊疗结果向量；

采用样本对齐方法，从所述病理特征向量和诊疗结果向量中选取共享样本；

利用所述共享样本对预构建的异常区域检测模型进行训练，得到初始模型梯度；

将所述初始模型梯度加密并采取添加噪声处理后，上传至服务端，并接受服务端返回的更新模型梯度；

根据所述更新模型梯度更新所述异常区域检测模型的模型梯度，得到更新异常区域检测模型，并利用所述更新异常区域检测模型对待检查图像进行异常区域的检测。

可选地，所述对所述诊疗图像进行异常区域定位，得到异常区域图像，包括：

利用全卷积神经网络中的卷积层对所述诊疗图像进行卷积操作，得到特征诊疗图像；

利用所述全卷积神经网络中的融合层对诊疗图像的底层特征与所述特征诊疗图像进行融合，得到目标特征图像；

利用所述全卷积神经网络中的激活函数输出所述目标特征图像的检测结果，并根据所述检测结果，选取所述目标特征图像的异常区域，得到异常区域图像。

可选地，所述对所述3D异常图像进行特征提取得到病理特征，包括：

获取所述3D异常图像的区域坐标框；

计算所述3D异常图像的第一病理特征预测坐标框，并计算所述第一病理特征预测坐标框与所述区域坐标框的第一交并比，筛选出所述第一交并比大于预设第一阈值的第一病理特征预测坐标框，对筛选的所述第一病理特征预测坐标框进行裁剪，得到第一病理特征图像；

计算所述第一病理特征图像的第二病理特征预测坐标框，并计算所述第二病理特征预测坐标框与所述区域坐标框的第二交并比，筛选出所述第二交并比大于预设第二阈值的第二病理特征预测坐标框，对筛选的所述第二病理特征预测坐标框进行裁剪，得到第二病理特征图像；