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