医疗图像识别方法和设备技术

本发明专利技术提供一种医疗图像识别方法和设备，所述方法包括：获取医疗图像；利用第一机器学习模型对所述医疗图像进行分类得到第一向量，所述第一向量表示所述医疗图像的类型为健康或者异常的第一置信度；利用第二机器学习模型对所述医疗图像进行分类得到第二向量，所述第二向量表示所述医疗图像的类型为各种疾病类型的第二置信度；根据所述第一向量和所述第二向量得到第三向量；根据所述第三向量得到对所述医疗图像的识别结果。

Medical Image Recognition Method and Equipment

The invention provides a medical image recognition method and device, which includes: acquiring medical image; classifying the medical image using the first machine learning model to obtain the first vector, which represents the first confidence level of the type of the medical image as healthy or abnormal; and classifying the medical image using the second machine learning model to obtain the first vector. Two vectors, the second vectors represent the second confidence of the medical image type of various disease types; a third vector is obtained according to the first vector and the second vector; and the recognition result of the medical image is obtained according to the third vector.

【技术实现步骤摘要】
医疗图像识别方法和设备
本专利技术涉及医疗图像处理领域，具体涉及一种医疗图像识别方法和设备。
技术介绍
利用机器学习算法和模型对图像进行识别是一种高效的方式，也是诸如自动驾驶、智能摄像、机器人等众多领域的底层技术。医学图像通常可以反应出多种疾病类型，例如眼底图像可以体现出血管瘤、眼底出血、青光眼等多种眼部疾病。利用机器学习模型(例如神经网络)识别医学图像，首先要使用样本图像对模型进行训练，训练时需要大量标注过的图片，对标注人员的依赖程度较高。不同国家、城市、医生对一些疾病定义标准不同，标注人员水平参差不齐，所标注的图像质量相差比较大，错误和不够准确的标注内容会产生数据噪声。现有的基于人工智能的医疗图像识别方案利用这些标注图像训练出的模型得到识别结果，受到数据噪声的影响比较大，识别结果准确性不够高，甚至会造成模型训练的失败。
技术实现思路
有鉴于此，本专利技术提供一种医疗图像识别方法，包括：获取医疗图像；利用第一机器学习模型对所述医疗图像进行分类得到第一向量，所述第一向量表示所述医疗图像的类型为健康或者异常的第一置信度；利用第二机器学习模型对所述医疗图像进行分类得到第二向量，所述第二向量表示所述医疗图像的类型为各种疾病类型的第二置信度；根据所述第一向量和所述第二向量得到第三向量；根据所述第三向量得到对所述医疗图像的识别结果。可选地，所述根据所述第一向量和所述第二向量得到第三向量，包括：拼接所述第一向量和所述第二向量得到第三向量，所述第三向量由所述第一置信度和所述第二信度组成。可选地，所述根据所述第三向量得到对所述医疗图像的识别结果，包括：利用第三机器学习模型对所述第三向量进行分类得到分类结果，所述分类结果为正常或者异常；根据所述分类结果确定对所述医疗图像的识别结果。可选地，所述根据所述分类结果确定对所述医疗图像的识别结果，包括：判断所述分类结果是否为正常；当分类结果为正常时，输出所述分类结果。可选地，当分类结果为异常时，输出所述第二向量。可选地，所述根据所述第一向量和所述第二向量得到第三向量，包括：根据预设第一比例在所述第一向量中取第一数值；根据预设第二比例在所述第二向量中取第二数值；对所述第一数值与所述第二数值求和得到第三向量。可选地，所述根据所述第三向量得到对所述医疗图像的识别结果，包括：将所述第三向量与设定阈值进行比对；根据比对结果确定对所述医疗图像的识别结果。可选地，所述根据比对结果确定对所述医疗图像的识别结果，包括：判断所述第三向量是否小于所述设定阈值；当所述第三向量小于所述设定阈值时，确定识别结果为健康。可选地，当所述第三向量大于或等于所述设定阈值时，输出所述第二向量。本专利技术还提供了一种医疗图像识别装置，包括：获取单元，用于获取医疗图像；第一机器学习模型，用于对所述医疗图像进行分类得到第一向量，所述第一向量表示所述医疗图像的类型为健康或者异常的第一置信度；第二机器学习模型，用于对所述医疗图像进行分类得到第二向量，所述第二向量表示所述医疗图像的类型为各种疾病类型的第二置信度；融合单元，用于根据所述第一向量和所述第二向量得到第三向量；确定单元，用于根据所述第三向量得到对所述医疗图像的识别结果。本专利技术还提供了一种医疗图像识别设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述医疗图像识别方法。根据本专利技术实施例提供的医疗图像识别方法和设备，通过两个机器学习模型分别对同一医疗图像进行识别，其中的两个机器学习模型用途不同，在训练机器模型时可以分别针对不同的用途采用不同的样本数据进行训练，以得到准确性较高的模型。其中一个模型对医疗图像进行二分类，得到其属于健康或异常的置信度，而不必识别具体异常类型；另一个模型对医疗图像进行多分类，专注于识别异常类型，得到其属于各种疾病的置信度。对这两个分类结果进行融合，最终根据融合结果得到对医疗图像的识别结果，以缓解数据噪声对识别结果的干扰，由此可以提高医疗图像识别的准确性。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例中的一种医疗图像识别方法的流程图；图2为本专利技术实施例中的另一种医疗图像识别方法的流程图；图3为本专利技术实施例中的医疗图像识别装置的结构示意图。具体实施方式下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。此外，下面所描述的本专利技术不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。本专利技术实施例提供了一种医疗图像识别方法，该方法可以由计算机和服务器等电子设备执行。在本方法中使用了机器学习模型识别图像，所述机器学习模型可以是多种类型和结构的神经网络。如图1所示该方法包括如下步骤：S1A，获取医疗图像。该图像可以是单通道图像，例如CT(ComputedTomography，电子计算机断层扫描)图像、超声波检测图像等等；该图像也可以是多通道图像，例如是眼底照片等等。在一些优选的实施例中，还可以对医疗图像进行预处理，例如剪切图像中不必要的背景、提高图像的对比度、转换色彩空间和去除部分不必要的区域等操作。S2A，利用第一机器学习模型对医疗图像进行分类得到第一向量，第一向量表示医疗图像的类型为健康或者异常的第一置信度。在使用第一机器学习模型之前应当使用样本数据对其进行训练使其具备一定的分类能力。具体可以使用大量已知为健康的医疗图像和已知为异常的医疗图像对初始的模型进行训练，训练数据包括异常和正常两个类别，经过训练后的模型即可根据输入图像输出一个向量，该向量中只有一个数值，该数值表示医疗图像的类型为健康或者异常的置信度，该置信度的范围在0和1之间。此步骤中的第一机器学习模型只需要对医疗图像块进行二分类，输出正常的置信度或者异常的置信度这两种分类结果中的一个，输出的分类结果可能是0和1之间的任何一个数值，而非确定性的结论。例如第一机器学习模型输出第一向量为[0.6],0.6表示医疗图像属于健康的置信度为60％；或者0.6表示医疗图像属于异常的置信度为60％。在本实施例中预先设定并训练第一机器学习，使其输出用于表示类型为异常的置信度，因此输出结果表示该医疗图像属于异常的置信度为60％(属于正常的置信度为40％)。S3A，利用第二机器学习模型对医疗图像进行分类得到第二向量，第二向量表示医疗图像的类型为各种疾病类型的第二置信度。在使用第二机器学习模型之前应当使用样本数据对其进行训练使其具备一定的分类能力。具体可以使用大量已知具有疾病特征的医疗图像对初始的模型进行训练，并且一个用于训练的医疗图像中可以包含多种疾病特征。经过训练后的模型即可根据输入图像输出一个向量，该向量中有多个数值，这些数值分别表示医疗图像属于各种疾病本文档来自技高网...

【技术保护点】
1.一种医疗图像识别方法，其特征在于，包括：获取医疗图像；利用第一机器学习模型对所述医疗图像进行分类得到第一向量，所述第一向量表示所述医疗图像的类型为健康或者异常的第一置信度；利用第二机器学习模型对所述医疗图像进行分类得到第二向量，所述第二向量表示所述医疗图像的类型为各种疾病类型的第二置信度；根据所述第一向量和所述第二向量得到第三向量；根据所述第三向量得到对所述医疗图像的识别结果。

【技术特征摘要】
1.一种医疗图像识别方法，其特征在于，包括：获取医疗图像；利用第一机器学习模型对所述医疗图像进行分类得到第一向量，所述第一向量表示所述医疗图像的类型为健康或者异常的第一置信度；利用第二机器学习模型对所述医疗图像进行分类得到第二向量，所述第二向量表示所述医疗图像的类型为各种疾病类型的第二置信度；根据所述第一向量和所述第二向量得到第三向量；根据所述第三向量得到对所述医疗图像的识别结果。2.根据权利要求1所述的方法，其特征在于，所述根据所述第一向量和所述第二向量得到第三向量，包括：拼接所述第一向量和所述第二向量得到第三向量，所述第三向量由所述第一置信度和所述第二信度组成。3.根据权利要求2所述的方法，其特征在于，所述根据所述第三向量得到对所述医疗图像的识别结果，包括：利用第三机器学习模型对所述第三向量进行分类得到分类结果，所述分类结果为正常或者异常；根据所述分类结果确定对所述医疗图像的识别结果。4.根据权利要求3所述的方法，其特征在于，所述根据所述分类结果确定对所述医疗图像的识别结果，包括：判断所述分类结果是否为正常；当分类结果为正常时，输出所述分类结果。5.根据权利要求4所述的方法，其特征...

【专利技术属性】
技术研发人员：马永培，赵昕，和超，张大磊，
申请(专利权)人：上海鹰瞳医疗科技有限公司，
类型：发明
国别省市：上海,31