病变监测方法、装置、计算机设备和存储介质制造方法及图纸

本申请揭示了病变监测方法、装置、计算机设备和存储介质，其中，病变监测方法，包括：将原始CT影像的样本数据输入到预设的分割模型中进行分割计算，并输出分割后的肝脏影像数据；将原始CT影像的样本数据和分割后的所述肝脏影像数据输入到预设的识别模型中进行计算，并输出识别结果，其中，所述分割模型和识别模型分别通过第一卷积神经网络和第二卷积神经网络训练得到，第一卷积神经网络和第二卷积神经网络级联设置。本申请借助神经网络对原始CT影像中的肝脏特征及病变特征的学习，通过两个级联的全卷积神经网络建立CT切片与标签间的关系，分任务训练模型，以便尽快找到最优网络参数，提高了看病效率以及病症分析的准确度。

【技术实现步骤摘要】
病变监测方法、装置、计算机设备和存储介质
本申请涉及到卷积神经网络应用领域，特别是涉及到病变监测方法、装置、计算机设备和存储介质。
技术介绍
肝脏癌变诊断的目标是对CT断层图像获得的人体横断面图像的肝脏部位进行是否病变的判断。传统方法是借助医生的经验，对多张CT图读片定位病变，故医生的经验非常重要，但由于CT断层图像为灰度图像并同时显示多个脏器，与肝脏相关的CT切片又相当多，数据量非常大，导致看图会极大地消耗医生脑力和时间，从而导致医生没有更过的时间接待更多病人或分析病情、设计治病方案等。
技术实现思路
本申请的主要目的为提供一种病变监测方法，旨在解决现有肝脏癌变诊断主要依靠医生医疗经验而导致的诊断耗时长、效率低的技术问题。本申请提出一种病变监测方法，包括：将原始CT影像的样本数据输入到预设的分割模型中进行分割运算，并输出分割后的肝脏影像数据；将原始CT影像的样本数据和分割后的所述肝脏影像数据输入到预设的识别模型中进行运算，并输出识别结果；其中，所述分割模型和识别模型分别通过第一卷积神经网络和第二卷积神经网络训练得到，第一卷积神经网络和第二卷积神经网络级联设置。优选地，将原始CT影像的样本数据输入到预设的分割模型中进行分割运算，并输出分割后的肝脏影像数据的步骤，包括：将原始CT影像的样本数据输入所述第一卷积神经网络的卷积部分，通过所述分割模型中预设的特征提取方式，提取原始CT影像中特征数据；将所述特征数据输入所述第一卷积神经网络的上采样部分，以还原所述原始CT影像的尺寸并输出分割后的肝脏影像数据。优选地，所述第一卷积神经网络的卷积部分包括第一卷积层、第二卷积层和最大池化层；所述将原始CT影像的样本数据输入所述第一卷积神经网络的卷积部分，通过所述分割模型中预设的特征提取方式，提取原始CT影像中特征数据的步骤，包括：依次经过所述第一卷积层、第二卷积层以及最大池化层迭代第一指定次数，以输出所述原始CT影像的特征数据。所述依次经过所述第一卷积层、第二卷积层以及最大池化层迭代第一指定次数，以输出所述原始CT影像的特征数据的步骤，包括：将原始CT影像的样本数据输入卷积部分的第一卷积层，以训练所述原始CT影像的局部特征的一阶特征；将所述原始CT影像的局部特征的一阶特征，输入到卷积部分的第二卷积层，以训练所述原始CT影像的局部特征的二阶特征；将所述原始CT影像的局部特征的二阶特征，输入到卷积部分的最大池化层，以提取所述原始CT影像的局部特征的优化特征；将所述原始CT影像的局部特征的优化特征作为所述原始CT影像的样本数据，依次经过所述第一卷积层、所述第二卷积层以及所述最大池化层进行迭代，直到迭代次数达到第一指定次数。优选地，所述第一卷积神经网络的卷积部分还包括丢弃层；所述依次经过所述第一卷积层、第二卷积层以及最大池化层迭代第一指定次数，以输出所述原始CT影像的特征数据的步骤之后，包括：将所述原始CT影像的特征数据，输入到所述卷积部分的丢弃层，迭代丢弃第二指定次数，以输出所述原始CT影像的优化特征数据。优选地，所述将所述特征数据输入第一卷积神经网络的上采样部分，以还原所述原始CT影像的尺寸并输出分割后的肝脏影像数据的步骤，包括：将所述原始CT影像的特征数据，输入到上采样部分的上采样层，以逐步还原所述原始CT影像的尺寸；将所述上采样层的输出数据与所述第一卷积层的一阶特征或所述第二卷积层的二阶特征通过拼接层拼接；将所述拼接层和所述上采样层的输出数据输入第三卷积层，进行全CT影像信息融合，并输出分割后的肝脏影像数据。优选地，所述将原始CT影像的样本数据输入到预设的分割模型中进行分割运算，并输出分割后的肝脏影像数据的步骤之前，包括：在所述原始CT影像上增加高斯噪音，并旋转指定角度范围，生成旋转图像；将所述旋转图像经过指定的弹性变换计算，得到所述原始CT影像的形变图；将所述原始CT影像以及所述原始CT影像的形变图，规划为所述原始CT影像的样本数据。本申请还提供了一种病变监测装置，包括：第一输入输出模块，用于将原始CT影像的样本数据输入到预设的分割模型中进行分割运算，并输出分割后的肝脏影像数据；第二输入输出模块，用于将原始CT影像的样本数据和分割后的所述肝脏影像数据输入到预设的识别模型中进行运算，并输出识别结果；其中，所述分割模型和识别模型分别通过第一卷积神经网络和第二卷积神经网络训练得到，第一卷积神经网络和第二卷积神经网络级联设置。本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。本申请有益技术效果：本申请借助神经网络对原始CT影像中的肝脏特征及病变特征的学习，通过两个级联的全卷积神经网络建立CT切片与标签间的关系，分任务训练模型，以便尽快找到最优网络参数，完成模型训练，提高了医生的看病效率，提高病症分析的准确度；本申请的网络模型的上采样部分包括了拼接，拼接的目的是把最早的那些特征拉过来，采用跨层连接的方式，将前面数层的卷积输出拼接到后层输入里去，弥补当前层因为处于网络较深位置导致数据信息不足的问题，而且模型训练过程在每一步上采样中，叠加了在卷积步骤中相同维度的特征，防止卷积云深层网络中会出现梯度消失、信息丢失，通过较少的训练数据就得到精准的训练模型；通过训练模型对病症数据进行有效分类，形成分类数据库，提高肝癌的预防效果、诊断效率以及治疗效率，具有实用价值。附图说明图1本申请一实施例的病变监测方法流程示意图；图2本申请一实施例的病变监测装置结构示意图；图3本申请一实施例的第一输入输出模块的结构示意图；图4本申请一实施例的第一输入单元的结构示意图；图5本申请一实施例的输出子模块的结构示意图；图6本申请另一实施例的第一输入单元的结构示意图；图7本申请一实施例的第二输入单元的结构示意图；图8本申请一实施例的病变监测的优化装置结构示意图；图9本申请另一实施例的病变监测装置结构示意图；图10本申请一实施例的计算机设备内部结构示意图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。参照图1，本申请一实施例的病变监测方法，包括：S1：将原始CT影像的样本数据输入到预设的分割模型中进行分割运算，并输出分割后的肝脏影像数据。本步骤中分割后的肝脏影像数据即对原始CT影像中肝脏部位的识别数据，包括原始CT影像中肝脏部位的所有边缘特征数据。本实施例的分割模型通过识别原始CT影像中肝脏部位的边缘特征数据，确定肝脏部位的包围框，实现对原始CT影像中肝脏部位的有效分割。S2：将原始CT影像的样本数据和分割后的所述肝脏影像数据输入到预设的识别模型中进行运算，并输出识别结果；其中，所述分割模型和识别模型分别通过第一卷积神经网络和第二卷积神经网络训练得到，第一卷积神经网络和第二卷积神经网络级联设置。本实施例的病变监测方法中，通过第一卷积神经网络和第二卷积神经网络两个级联的卷积神经网络结构，建立CT切片与标签间的关系(CT断层即Computed本文档来自技高网...

【技术保护点】
1.一种病变监测方法，其特征在于，包括：将原始CT影像的样本数据输入到预设的分割模型中进行分割运算，并输出分割后的肝脏影像数据；将原始CT影像的样本数据和分割后的所述肝脏影像数据输入到预设的识别模型中进行运算，并输出识别结果；其中，所述分割模型和识别模型分别通过第一卷积神经网络和第二卷积神经网络训练得到，第一卷积神经网络和第二卷积神经网络级联设置。

【技术特征摘要】
1.一种病变监测方法，其特征在于，包括：将原始CT影像的样本数据输入到预设的分割模型中进行分割运算，并输出分割后的肝脏影像数据；将原始CT影像的样本数据和分割后的所述肝脏影像数据输入到预设的识别模型中进行运算，并输出识别结果；其中，所述分割模型和识别模型分别通过第一卷积神经网络和第二卷积神经网络训练得到，第一卷积神经网络和第二卷积神经网络级联设置。2.根据权利要求1所述的病变监测方法，其特征在于，将原始CT影像的样本数据输入到预设的分割模型中进行分割运算，并输出分割后的肝脏影像数据的步骤，包括：将原始CT影像的样本数据输入所述第一卷积神经网络的卷积部分，通过所述分割模型中预设的特征提取方式，提取原始CT影像中特征数据；将所述特征数据输入所述第一卷积神经网络的上采样部分，以还原所述原始CT影像的尺寸并输出分割后的肝脏影像数据。3.根据权利要求2所述的病变监测方法，其特征在于，所述第一卷积神经网络的卷积部分包括第一卷积层、第二卷积层和最大池化层；所述将原始CT影像的样本数据输入所述第一卷积神经网络的卷积部分，通过所述分割模型中预设的特征提取方式，提取原始CT影像中特征数据的步骤，包括：依次经过所述第一卷积层、第二卷积层以及最大池化层迭代第一指定次数，以输出所述原始CT影像的特征数据。4.根据权利要求3所述的病变监测方法，其特征在于，所述依次经过所述第一卷积层、第二卷积层以及最大池化层迭代第一指定次数，以输出所述原始CT影像的特征数据的步骤，包括：将原始CT影像的样本数据输入卷积部分的第一卷积层，以训练所述原始CT影像的局部特征的一阶特征；将所述原始CT影像的局部特征的一阶特征，输入到卷积部分的第二卷积层，以训练所述原始CT影像的局部特征的二阶特征；将所述原始CT影像的局部特征的二阶特征，输入到卷积部分的最大池化层，以提取所述原始CT影像的局部特征的优化特征；将所述原始CT影像的局部特征的优化特征作为所述原始CT影像的样本数据，依次经过所述第一卷积层、所述第二卷积层以及所述最大池化层进行迭代，直到迭代次数达到第一指定次数。5.根据权利要求3或4所述的病变监测方法，其特征在...

【专利技术属性】
技术研发人员：王健宗，吴天博，刘新卉，肖京，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东,44