一种基于深度学习的医疗图像处理方法技术

本发明专利技术提供了一种基于深度学习的医疗图像处理方法。所述基于深度学习的医疗图像处理方法包括如下步骤：选用标注好的医疗训练集图像对迁移的神经网络模型进行训练和适配，获得经过训练的医疗诊断模型；根据所述医疗诊断模型的要求转换医疗图片的图像格式，并对所述医疗图片进行图像增强处理；提取所述医疗图片的瓶颈特征，利用所述医疗诊断模型根据所述瓶颈特征进行影像诊断，并输出诊断结果。本发明专利技术的有益效果：所述基于深度学习的医疗图像处理方法可以完全自动化地处理前列腺病灶区图像的分析诊断，其分析诊断的精度可以达到甚至超过国际专家级医生的水平。

【技术实现步骤摘要】
一种基于深度学习的医疗图像处理方法
本专利技术属于图像处理
，具体地涉及一种基于深度学习的医疗图像处理方法。
技术介绍
前列腺癌变的诊断，可以通过MRI/CT的图像分析进行诊断。目前主要依赖于医生的人工经验作出诊断。这种模式完全依赖于医生资源的分配和供给关系。但是在许多地方场景(无论时间上还是空间上)，医生资源稀缺，严重不足。传统的机器学习模型，效果没有达到专家医生的分析诊断水平。
技术实现思路
本专利技术的目的在于针对现有技术的缺陷，提供一种能够提高基于图像分析的前列腺癌变诊断准确度的基于深度学习的医疗图像处理方法。本专利技术的技术方案如下：一种基于深度学习的医疗图像处理方法包括如下步骤：一、选用标注好的医疗训练集图像对迁移的神经网络模型进行训练和适配，获得经过训练的医疗诊断模型；二、根据所述医疗诊断模型的要求转换医疗图片的图像格式，并对所述医疗图片进行图像增强处理；三、提取所述医疗图片的瓶颈特征，利用所述医疗诊断模型根据所述瓶颈特征进行影像诊断，并输出诊断结果。优选地，在步骤一中具体包括如下步骤：对标注好的医疗训练集图像进行图像增强处理，并提取所述医疗训练集图像的瓶颈特征；采用所述瓶颈特征对所述神经网络模型进行训练和适配；判断训练和适配后的神经网络模型是否能够进行医疗诊断，如果否，则重设所述神经网络模型，并返回采用所述瓶颈特征对所述神经网络模型进行训练和适配步骤，对重设的神经网络模型进行训练和适配；如果是，则判断所述神经网络模型是否能够满足医疗诊断准确度要求，如果否，则返回采用所述瓶颈特征对所述神经网络模型进行训练和适配步骤继续对所述神经网络模型进行训练和适配，如果是，则获得经过训练的医疗诊断模型。优选地，在步骤一中，采用深度学习的测试验证方法对所述神经网络模型进行测试验证。优选地，在步骤一中，在所述医疗图片内，针对结构互不相同的至少两个病理区域，分别划分对应的至少两个训练区域，并基于每一所述训练区域训练相对应的一个子神经网络模型，且将不同病理区域对应的子神经网络模型汇总整合形成所述神经网络模型。优选地，如果在同一病理区域内训练有至少两个子神经网络模型，采用投票或加训一个Ensemble神经网络方式对所述至少两个子神经网络模型进行整合。优选地，所述图像增强处理操作包括图像数据的平衡操作、旋转操作和平移操作中一个或至少两个的操作。本专利技术提供的技术方案具有如下有益效果：所述基于深度学习的医疗图像处理方法可以完全自动化地处理前列腺病灶区图像的分析诊断，其分析诊断的精度可以达到甚至超过国际专家级医生的水平；而且，所述基于深度学习的医疗图像处理方法所基于的深度学习模型是通过大量精准的有标记的病例学习而来，并结合了现代人工智能的核心技术，从而获得高精度的医疗图像诊断结果；此外，由于是计算机分析诊断，其处理能力将大大超过人类人工处理的能力和带宽。附图说明图1是本专利技术实施例提供的基于深度学习的医疗图像处理方法的流程示意图；图2是图1所示基于深度学习的医疗图像处理方法中训练神经网络模型的流程示意图；图3是子神经网络模型整合为总模型的示意图；图4是前列腺癌的诊断中针对不同生理构造区域训练各自的子神经网络模型的选择整合示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。除非上下文另有特定清楚的描述，本专利技术中的元件和组件，数量既可以单个的形式存在，也可以多个的形式存在，本专利技术并不对此进行限定。本专利技术中的步骤虽然用标号进行了排列，但并不用于限定步骤的先后次序，除非明确说明了步骤的次序或者某步骤的执行需要其他步骤作为基础，否则步骤的相对次序是可以调整的。可以理解，本文中所使用的术语“和/或”涉及且涵盖相关联的所列项目中的一者或一者以上的任何和所有可能的组合。请参阅图1，本专利技术实施例提供的基于深度学习的医疗图像处理方法具体地包括如下步骤：一、选用标注好的医疗训练集图像对迁移的神经网络模型进行训练和适配，获得经过训练的医疗诊断模型。具体地，如图2所示，在步骤一中具体包括如下步骤：对标注好的医疗训练集图像进行图像增强处理，并提取所述医疗训练集图像的瓶颈特征；采用所述瓶颈特征对所述神经网络模型进行训练和适配；判断训练和适配后的神经网络模型是否能够进行医疗诊断，如果否，则重设所述神经网络模型，并返回采用所述瓶颈特征对所述神经网络模型进行训练和适配步骤，对重设的神经网络模型进行训练和适配；如果是，则判断所述神经网络模型是否能够满足医疗诊断准确度要求，如果否，则返回采用所述瓶颈特征对所述神经网络模型进行训练和适配步骤继续对所述神经网络模型进行训练和适配，如果是，则获得经过训练的医疗诊断模型。需要说明的是，进行训练的医疗图像数据集的质量和标注准确度直接关系到被训练的神经网络模型所能达到的精度，而且，训练方法本身要求病例数据的一定平衡性以便神经网络模型更好地学习各种病例病征。在训练过程中，所述瓶颈特征是所述医疗图片通过底层特征抽取后获得的中间结果，用于降低后续训练过程的计算量。且训练过程是一个迭代反复的优化过程，由上一步产生的瓶颈特征不断反复对新增的医疗诊断网络进行特征复合诊断过程的训练和调参。为了加强神经网络模型的训练效果，采用数据增强技术，例如数据平衡、旋转和平移等变换对医疗训练集图像进行数据增强操作。但是，为了防止混淆模型的诊断能力，对图像的增强操作一般不采用缩放、亮度对比度增强等变换操作。而且，对所述神经网络模型的测试验证可以采用深度学习的测试验证方法。例如预留测试集，即采用K-fold等测试集的搭建方式对所述神经网络模型进行测试验证。所述神经网络模型通过测试验证的模型可以发挥其处理精度高，处理能力强/带宽大的优势，大大提高医疗监护的能力和范围。如图3所示，为了提高所述神经网络模型的诊断准确度，如果在所述医疗图片内存在结构不相同的至少两个病理区域，针对所述至少两个病理区域分别划分对应的至少两个训练区域，并基于每一所述训练区域训练相对应的一个子神经网络模型，且将不同病理区域对应的子神经网络模型汇总整合形成所述神经网络模型。但是，如果在同一病理区域内训练有至少两个子神经网络模型，则采用投票或加训一个Ensemble神经网络方式对所述至少两个子神经网络模型进行整合。例如，基于不同的图像来源MRI、CT、增影剂、b-value等甚至不同轴向上截图获得的子神经网络模型，可以采用投票或者另外一个相对简单的神经网模型来综合最后的分析诊断结果。例如，如图4所示，对于前列腺癌的诊断，就需要根据前列腺的4个不同生理构造区域：中心区、边缘区、转换区和前附件区单独训练各自的子神经网络模型；而且在某个特定病理区域，选择为那个病理区域训练的子神经网络模型做为医疗诊断模型，从而针对不同的病灶所在区域，调用相应最佳的子神经网络模型。二、根据所述医疗诊断模型的要求转换医疗图片的图像格式，并对所述医疗图片进行图像增强处理。在步骤二中，根据具体医疗图像的格式和具体诊断系统对模型输出的要求进行网络结构的输入输出适配，从而使得医疗诊断模型可以支持多种医疗图像的格式；也就是说，不同格式的医疗图像需要根据所述述医疗诊断模型的要求进行格式转换本文档来自技高网...

【技术保护点】
一种基于深度学习的医疗图像处理方法，其特征在于：包括如下步骤：一、选用标注好的医疗训练集图像对迁移的神经网络模型进行训练和适配，获得经过训练的医疗诊断模型；二、根据所述医疗诊断模型的要求转换医疗图片的图像格式，并对所述医疗图片进行图像增强处理；三、提取所述医疗图片的瓶颈特征，利用所述医疗诊断模型根据所述瓶颈特征进行影像诊断，并输出诊断结果。

【技术特征摘要】
1.一种基于深度学习的医疗图像处理方法，其特征在于：包括如下步骤：一、选用标注好的医疗训练集图像对迁移的神经网络模型进行训练和适配，获得经过训练的医疗诊断模型；二、根据所述医疗诊断模型的要求转换医疗图片的图像格式，并对所述医疗图片进行图像增强处理；三、提取所述医疗图片的瓶颈特征，利用所述医疗诊断模型根据所述瓶颈特征进行影像诊断，并输出诊断结果。2.根据权利要求1所述的基于深度学习的医疗图像处理方法，其特征在于：在步骤一中具体包括如下步骤：对标注好的医疗训练集图像进行图像增强处理，并提取所述医疗训练集图像的瓶颈特征；采用所述瓶颈特征对所述神经网络模型进行训练和适配；判断训练和适配后的神经网络模型是否能够进行医疗诊断，如果否，则重设所述神经网络模型，并返回采用所述瓶颈特征对所述神经网络模型进行训练和适配步骤，对重设的神经网络模型进行训练和适配；如果是，则判断所述神经网络模型是否能够满足医疗诊断准确度要求，如果否，则返回采用所述瓶颈特征对所述神经网络模型进行训...

【专利技术属性】
技术研发人员：戴川，胡世亮，刘杨，汪远，倪岭，李云鹏，
申请(专利权)人：南京天数信息科技有限公司，
类型：发明
国别省市：江苏,32