医学影像检测模型训练方法、医学影像检测方法及装置

摘要

本发明涉及一种医学影像检测模型训练方法、医学影像检测方法及装置，获得先验医学影像数据集，根据先验医学影像数据集建立神经网络，以训练神经网络分割模型；进一步地，在神经网络分割模型的卷积网络层中加入多尺度卷积层和残差连接，获得医学影像检测模型。基于此，通过神经网络分割模型对医学影像进行分割，并由多尺度卷积层和残差连接提高影像特征提取的准确度和解决网络退化问题，高效准确地检测医学影像对应的医学信息分类，降低医护工作的负担以利于提高医护工作的效率。

说明书

技术领域

本发明涉及图像处理技术领域，特别是涉及一种医学影像检测模型训练方法、医学影像检测方法及装置。

背景技术

医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。一般地，医学影像包含以下两个相对独立的研究方向：医学成像系统和医学影像处理。其中，在医院成像系统完成了图像成像后，需要对图像进行进一步处理，以便于后续如医学诊断或数据加工等相关处理。

目前，传统的医学影像处理主要是针对图像特性本身的处理，例如对医学影像进行图像增强以便于医护人员观察或对医学影像进行数据压缩以便于跨域传输等。医学影像处理在图像层面上大大便利了医护工作的开展复杂度。但是，医学影像在成像过程中，由于人体个体差异天然导致大量客观干扰因素。以对肺部进行成像胸部X光为例，由于成像对象的个体差异，获取到的肺部图像大小不一，以现有的模板把肺部图像分割出来进行检测可能会由于个体差异导致分割检测不准确。由此可见，在完成医学影像成像后，后续对医学影像的检测仍存在以上的缺陷。

发明内容

基于此，有必要针对传统对医学影像的检测仍存在的缺陷，提供一种医学影像检测模型训练方法、医学影像检测方法及装置。

一种医学影像检测模型训练方法，包括步骤：

获取先验医学影像，以获得先验医学影像数据集；

根据进行医学信息分类标注后的先验医学影像数据集建立神经网络，以训练神经网络分割模型；

在神经网络分割模型的卷积网络层中加入多尺度卷积层和残差连接，获得医学影像检测模型。

上述的医学影像检测模型训练方法，获得先验医学影像数据集，根据先验医学影像数据集建立神经网络，以训练神经网络分割模型；进一步地，在神经网络分割模型的卷积网络层中加入多尺度卷积层和残差连接，获得医学影像检测模型。基于此，通过神经网络分割模型对医学影像进行分割，并由多尺度卷积层和残差连接提高影像特征提取的准确度和解决网络退化问题，高效准确地检测医学影像对应的医学信息分类，降低医护工作的负担以利于提高医护工作的效率。

在其中一个实施例中，在获取先验医学影像的过程之前，还包括步骤：

对先验医学影像进行图像预处理。

在其中一个实施例中，获取先验医学影像，以获得先验医学影像数据集的过程，包括步骤：

分割出先验医学影像的先验区域影像；

根据先验区域影像获得先验医学影像数据集。

在其中一个实施例中，根据进行信息分类标注后的先验医学影像数据集建立神经网络的过程，包括步骤：

将先验医学影像数据集中的先验医学影像作缩放处理；

将缩放处理后的先验医学影像输入至神经网络，由神经网络内的卷积层进行卷积处理，并计算特征子图；

通过神经网络内的感兴趣区域池化层根据特征子图提取特征，以进行全连接处理和逻辑回归网络的分类处理。

在其中一个实施例中，逻辑回归网络的损失函数如下：

其中，i表示anchors index，p

cls loss，即rpn_cls_loss层计算的softmax loss，用于分类anchors为forground与background的网络训练；

reg loss，即rpn_loss_bbox层计算的soomth L1 loss，用于bounding boxregression网络训练；其中，在reg loss中乘了

在其中一个实施例中，多尺度卷积层的多尺度卷积操作如下式：

其中，

在其中一个实施例中，1*1卷积核的填充参数为0，3*3卷积核的填充参数为1，5*5卷积核的填充参数为2；

多尺度卷积层输出的特征图如下式：

f

在其中一个实施例中，残差连接对应的损失函数为交叉熵损失函数，如下式：

其中，K是种类数量；y是标签，如该样本的类别是i，则y

一种医学影像检测模型训练装置，包括：

数据集确定模块，获取先验医学影像，以获得先验医学影像数据集；

神经网络建立模块，根据进行医学信息分类标注后的先验医学影像数据集建立神经网络，以训练神经网络分割模型；

模型确定模块，在神经网络分割模型的卷积网络层中加入多尺度卷积层和残差连接，获得医学影像检测模型。

上述的医学影像检测模型训练装置，获得先验医学影像数据集，根据先验医学影像数据集建立神经网络，以训练神经网络分割模型；进一步地，在神经网络分割模型的卷积网络层中加入多尺度卷积层和残差连接，获得医学影像检测模型。基于此，通过神经网络分割模型对医学影像进行分割，并由加入多尺度卷积层和残差连接的医学影像检测模型提高影像特征提取的准确度和解决网络退化问题，高效准确地检测医学影像对应的医学信息分类，降低医护工作的负担以利于提高医护工作的效率。

一种计算机存储介质，其上存储有计算机指令，计算机指令被处理器执行时实现上述任一实施例的医学影像检测模型训练方法。

上述的计算机存储介质，获得先验医学影像数据集，根据先验医学影像数据集建立神经网络，以训练神经网络分割模型；进一步地，在神经网络分割模型的卷积网络层中加入多尺度卷积层和残差连接，获得医学影像检测模型。基于此，通过神经网络分割模型对医学影像进行分割，并由加入多尺度卷积层和残差连接的医学影像检测模型提高影像特征提取的准确度和解决网络退化问题，高效准确地检测医学影像对应的医学信息分类，降低医护工作的负担以利于提高医护工作的效率。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述任一实施例的医学影像检测模型训练方法。

上述的计算机设备，获得先验医学影像数据集，根据先验医学影像数据集建立神经网络，以训练神经网络分割模型；进一步地，在神经网络分割模型的卷积网络层中加入多尺度卷积层和残差连接，获得医学影像检测模型。基于此，通过神经网络分割模型对医学影像进行分割，并由加入多尺度卷积层和残差连接的医学影像检测模型提高影像特征提取的准确度和解决网络退化问题，高效准确地检测医学影像对应的医学信息分类，降低医护工作的负担以利于提高医护工作的效率。

一种医学影像检测方法，包括步骤：

获取待处理医学影像；

将待处理医学影像输入医学影像检测模型，以获得医学影像检测结果。

上述的医学影像分割方法，在获取到待处理医学影像，将待处理医学影像输入医学影像检测模型，以获得医学影像检测结果，为医护人员的诊断去除干扰信息。基于此，通过神经网络分割模型对医学影像进行分割，并由加入多尺度卷积层和残差连接的医学影像检测模型提高影像特征提取的准确度和解决网络退化问题，高效准确地检测医学影像对应的医学信息分类，降低医护工作的负担以利于提高医护工作的效率。

一种医学影像检测装置，包括：

影像获取模块，用于获取待处理医学影像；

影像检测模块，用于将待处理医学影像输入医学影像检测模型，以获得医学影像检测结果。

上述的医学影像检测装置，在获取到待处理医学影像，将待处理医学影像输入医学影像检测模型，以获得医学影像检测结果，为医护人员的诊断去除干扰信息。基于此，通过神经网络分割模型对医学影像进行分割，并由加入多尺度卷积层和残差连接的医学影像检测模型提高影像特征提取的准确度和解决网络退化问题，高效准确地检测医学影像对应的医学信息分类，降低医护工作的负担以利于提高医护工作的效率。

一种计算机存储介质，其上存储有计算机指令，计算机指令被处理器执行时实现上述任一实施例的医学影像检测方法。

上述的计算机存储介质，在获取到待处理医学影像，将待处理医学影像输入医学影像检测模型，以获得医学影像检测结果，为医护人员的诊断去除干扰信息。基于此，通过神经网络分割模型对医学影像进行分割，并由加入多尺度卷积层和残差连接的医学影像检测模型提高影像特征提取的准确度和解决网络退化问题，高效准确地检测医学影像对应的医学信息分类，降低医护工作的负担以利于提高医护工作的效率。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述任一实施例的医学影像检测方法。

上述的计算机设备，在获取到待处理医学影像，将待处理医学影像输入医学影像检测模型，以获得医学影像检测结果，为医护人员的诊断去除干扰信息。基于此，通过神经网络分割模型对医学影像进行分割，并由加入多尺度卷积层和残差连接的医学影像检测模型提高影像特征提取的准确度和解决网络退化问题，高效准确地检测医学影像对应的医学信息分类，降低医护工作的负担以利于提高医护工作的效率。

附图说明

图1为一实施方式的医学影像检测模型训练方法流程图；

图2为另一实施方式的医学影像检测模型训练方法流程图；

图3为又一实施方式的医学影像检测模型训练方法流程图；

图4为掩模分割示意图；

图5为模型处理结构示意图；

图6为多尺度卷积及残差连接示意图；

图7为一实施方式的医学影像检测模型训练装置模块结构图；

图8为一实施方式的医学影像检测方法流程图；

图9为一实施方式的医学影像检测装置模块结构图。

具体实施方式

为了更好地理解本发明的目的、技术方案以及技术效果，以下结合附图和实施例对本发明进行进一步的讲解说明。同时声明，以下所描述的实施例仅用于解释本发明，并不用于限定本发明。

本发明实施例提供了一种医学影像检测模型训练方法。

图1为一实施方式的医学影像检测模型训练方法流程图，如图1所示，一实施方式的医学影像检测模型训练方法包括步骤S100至步骤S102：

S100，获取先验医学影像，以获得先验医学影像数据集；

在医护的开展过程中，存在医学影像，调用这部分存储的历史医学影像，即先验医院影像。其中，医学影像包括X光影像、CT影像或超声影像等。为了更好地解释本发明实施例的技术方案，以下以肺部的胸透X光片作为本实施例内的医学影像进行解释。

同时，确定的先验医学影像数据集包括多份先验医学影像，且先验医学影像数据集包括由先验医学影像构建的训练集和测试集。在其中一个实施例中，先验医学影像数据集包括chestX-ray数据集在内的多种数据集形式。

在其中一个实施例中，图2为另一实施方式的医学影像检测模型训练方法流程图，如图2所示，在步骤S100中获取先验医学影像的过程之前，还包括步骤S200：

S200，对先验医学影像进行图像预处理。

其中，通过对先验医学影像作图像预处理，以提高先验医学影像的多样性，增加后续模型的泛化性能。其中，图像预处理包括旋转、平移、形变、加噪声等方式。

在其中一个实施例中，图3为又一实施方式的医学影像检测模型训练方法流程图，如图3所示，步骤S200中对先验医学影像进行图像预处理的过程，包括步骤S300和S301：

S300，对先验医学影像作图像旋转和图像翻转处理，以扩充先验医学影像数据集；

将先验医学影像以0°、90°、180°、270°为旋转轴旋转，再进行水平翻转、垂直翻转和镜像翻转，获取图像旋转和图像翻转处理后的各影像，以实现对先验医学影像数据集的扩充。

S301，为图像旋转和图像翻转处理后的先验医学影像添加噪声扰动。

其中，通过为先验医学影像添加噪声扰动，以抑制其高频特征、减弱其对医学影像分割模型的影响并提高该模型的学习能力。在其中一个实施例中，通过添加高斯噪声以随机的白色或者黑色像素点铺满整个先验医学影像，以实现噪声扰动添加处理。

在其中一个实施例中，如图2所示，步骤S100中获取先验医学影像，以获得先验医学影像数据集的过程，包括步骤S400和步骤S401：

S400，分割出先验医学影像的先验区域影像；

S401，根据先验区域影像获得先验医学影像数据集。

其中，可通过掩模分割出先验医学影像的先验区域影像，先验区域一般为医护人员在进行病理诊断时关注的区域。图4为掩模分割示意图，如图4所示，以X光胸透图像为例，传统的X光胸透图像包含胸腔的部分，这些部分进入模型很可能会出现对肺结节等肺部信息的误判。通过掩模提取左右肺叶区域影像作为先验区域影像，以忽略胸腔及其他噪声部分，建立先验医学影像数据集。

S101，根据进行医学信息分类标注后的先验医学影像数据集建立神经网络，以训练神经网络分割模型；

其中，医学信息为先验医学影像的表征，包括病理、诊断等在内的信息。在历史先验中，医护工作根据先验医学影像确定对应的医学信息，其分类标签用于表征医学信息的分类。以先验医学影像为肺部的胸透X光片为例，医学信息包括肺部疾病种类，每一张分割后的胸透X光片对应一种或多种肺部疾病种类，为每一类肺部疾病配置标签，即为先验医学影像标注医学信息分类标签。在其中一个实施例中，一先验医学影像可标注一个或多个医学信息分类标签。

通过多尺度卷积层和残差连接的加入，使得医学影像检测模型的特征图能够获得不同尺度的信息，解决因病灶区域面积相差太大而导致的检测性能下降问题。

在其中一个实施例中，如图2所示，步骤S101中根据进行医学信息分类标注后的先验医学影像数据集建立神经网络的过程，包括步骤S500至步骤S502：

S500，将先验医学影像数据集中的先验医学影像作缩放处理；

图5为模型处理结构示意图，如图5所示，将大小为P*Q的通过掩膜后的先验医学影像缩放至固定大小M*N，并将M*N图像送入神经网络。

S501，将缩放处理后的先验医学影像输入至神经网络，由神经网络内的卷积层进行卷积处理，并计算特征子图；

如图5所示，神经网络的卷积层Conv layers中主要由残差模块Restnetblock构成，Resnetblock由多尺度卷积、Relu(Rectified LinearUnit线性整流函数)层、Pooling(池化)层和残差连接组成；RPN(Region Proposal Network区域生成网络)网络首先经过3*3卷积，再分别生成foreground anchors(前景定位点)与bounding box regression(边框回归)偏移量，基于此计算出特征子图proposals。

S502，通过神经网络内的感兴趣区域池化层根据特征子图提取特征，以进行全连接处理和逻辑回归网络的分类处理。

其中，如图5所示，Roi(regions ofinterest感兴趣区域)Pooling层则利用特征子图proposals以及feature maps(特征图)，提取proposal feature送入后续全连接和逻辑回归网络(softmax)作进行分类处理(classification)。

在其中一个实施例中，逻辑回归网络的损失函数如下：

其中，i表示anchors index，p

cls loss，即rpn_cls_loss层计算的softmax loss，用于分类anchors为forground与background的网络训练；

reg loss，即rpn_loss_bbox层计算的soomth L1 loss，用于bounding boxregression网络训练；其中，在reg loss中乘了

S102，在神经网络分割模型的卷积网络层中加入多尺度卷积层和残差连接，获得医学影像检测模型。

在其中一个实施例中，神经网络选用Faster-RCNN网络。

其中，图6为多尺度卷积及残差连接示意图，如图6所示，在神经网络分割模型的卷积网络层中加入多尺度卷积层和残差连接，，使得特征图能够获得不同尺度的信息，解决因病灶区域面积相差太大而导致的检测性能下降问题

在其中一个实施例中，多尺度卷积层的多尺度卷积操作如下式：

其中，

作为一个较优的实施方式，为了使特征图f

f

当神经网络在图像领域预测分类时，随着神经网络深度的加深，可以提取到更多的高维信息，进而提高分类的准确率，但是层数过深会出现梯度爆炸或者梯度消失等网络退化问题，因而需要在网络的后面加入残差模块来解决上述问题，损失函数使用交叉熵损失函数：

其中，K是种类数量；y是标签，如该样本的类别是i，则y

上述的医学影像检测模型训练方法，获得先验医学影像数据集，根据先验医学影像数据集建立神经网络，以训练神经网络分割模型；进一步地，在神经网络分割模型的卷积网络层中加入多尺度卷积层和残差连接，获得医学影像检测模型。基于此，通过神经网络分割模型对医学影像进行分割，并由多尺度卷积层和残差连接提高影像特征提取的准确度和解决网络退化问题，高效准确地检测医学影像对应的医学信息分类，降低医护工作的负担以利于提高医护工作的效率。

本发明实施例还提供一种医学影像检测模型训练装置。

图7为一实施方式的医学影像检测模型训练装置模块结构图，如图6所示，一实施方式的医学影像检测模型训练装置包括模块100、模块101和模块102：

数据集确定模块100，获取先验医学影像，以获得先验医学影像数据集；

神经网络建立模块101，根据进行医学信息分类标注后的先验医学影像数据集建立神经网络，以训练神经网络分割模型；

模型确定模块102，在神经网络分割模型的卷积网络层中加入多尺度卷积层和残差连接，获得医学影像检测模型。

上述的医学影像检测模型训练装置，获得先验医学影像数据集，根据先验医学影像数据集建立神经网络，以训练神经网络分割模型；进一步地，在神经网络分割模型的卷积网络层中加入多尺度卷积层和残差连接，获得医学影像检测模型。基于此，通过神经网络分割模型对医学影像进行分割，并由多尺度卷积层和残差连接提高影像特征提取的准确度和解决网络退化问题，高效准确地检测医学影像对应的医学信息分类，降低医护工作的负担以利于提高医护工作的效率。

本发明实施例还提供了一种计算机存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述任一实施例的医学影像检测模型训练方法。

本领域的技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、随机存取存储器(RAM，Random Access Memory)、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

与上述的计算机存储介质对应的是，在一个实施例中还提供一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行程序时实现如上述各实施例中的任意一种医学影像检测模型训练方法。

上述计算机设备，获得先验医学影像数据集，根据先验医学影像数据集建立神经网络，以训练神经网络分割模型；进一步地，在神经网络分割模型的卷积网络层中加入多尺度卷积层和残差连接，获得医学影像检测模型。基于此，通过神经网络分割模型对医学影像进行分割，并由多尺度卷积层和残差连接提高影像特征提取的准确度和解决网络退化问题，高效准确地检测医学影像对应的医学信息分类，降低医护工作的负担以利于提高医护工作的效率。

本发明实施例还提供一种医学影像检测方法。

图8为一实施方式的医学影像检测方法流程图，如图8所示，一实施方式的医学影像处理方法包括步骤S600和步骤S601：

S600，获取待处理医学影像；

S601，将待处理医学影像输入医学影像检测模型，以获得医学影像检测结果。

需要注意的是，待处理医学影像在输入医学影像检测模型前后的各项处理方式与先验医学影像一致。

上述任一实施例的医学影像检测方法，在获取到待处理医学影像，将待处理医学影像输入医学影像检测模型，以获得医学影像检测结果，为医护人员的诊断去除干扰信息。基于此，通过神经网络分割模型对医学影像进行分割，并由加入多尺度卷积层和残差连接的医学影像检测模型提高影像特征提取的准确度和解决网络退化问题，高效准确地检测医学影像对应的医学信息分类，降低医护工作的负担以利于提高医护工作的效率。

本发明实施例提供了一种医学影像检测装置。

图9为一实施方式的医学影像检测装置模块结构图，如图9所示，一实施方式的医学影像检测装置包括模块200和模块201：

影像获取模块200，用于获取待处理医学影像；

影像检测模块201，用于将待处理医学影像输入医学影像检测模型，以获得医学影像检测结果。

上述的医学影像检测装置，在获取到待处理医学影像，将待处理医学影像输入医学影像检测模型，以获得医学影像检测结果，为医护人员的诊断去除干扰信息。基于此，通过神经网络分割模型对医学影像进行分割，并由加入多尺度卷积层和残差连接的医学影像检测模型提高影像特征提取的准确度和解决网络退化问题，高效准确地检测医学影像对应的医学信息分类，降低医护工作的负担以利于提高医护工作的效率。

本发明实施例还提供了另一种计算机存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述任一实施例的医学影像检测方法。

本领域的技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、随机存取存储器(RAM，Random Access Memory)、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。

与上述的计算机存储介质对应的是，在一个实施例中还提供另一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行程序时实现如上述各实施例中的任意一种医学影像检测方法。

上述的计算机设备，在获取到待处理医学影像，将待处理医学影像输入医学影像检测模型，以获得医学影像检测结果，为医护人员的诊断去除干扰信息。基于此，通过神经网络分割模型对医学影像进行分割，并由加入多尺度卷积层和残差连接的医学影像检测模型提高影像特征提取的准确度和解决网络退化问题，高效准确地检测医学影像对应的医学信息分类，降低医护工作的负担以利于提高医护工作的效率。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。