一种基于医学图像的检测方法、模型训练的方法及装置制造方法及图纸

本申请公开了一种基于医学图像的检测方法，该方法应用于人工智能领域，具体可应用于智能医疗领域，该方法包括：通过第一神经网络模型获取待检测医学图像的钙化概率标签，待检测医学图像为钼靶图像；若钙化概率标签满足钙化条件，则从待检测医学图像中提取钙化区域；通过第二神经网络模型获取钙化区域的恶性钙化概率标签，恶性钙化概率标签用于表示钙化区域中存在恶性钙化情况的概率，第二神经网络模型与第一神经网络模型均属于医学图像检测模型；根据恶性钙化概率标签生成恶性钙化定位结果。本申请还公开相关装置。本申请可以利用神经网络模型对钼靶图像进行钙化检测，且针对有钙化的区域进一步进行良恶性检测，从而提升检测的准确性和便利性。

A detection method and model training method and device based on medical image

The application discloses a detection method based on medical image, which is applied to the field of artificial intelligence and can be applied to the field of intelligent medical treatment. The method includes: obtaining the calcification probability label of the medical image to be detected through the first neural network model, and the medical image to be detected is the molybdenum target image; if the calcification probability label meets the calcification conditions, then the calcification probability label from the medical image to be detected Extract the calcified area; obtain the malignant calcification probability label of the calcified area through the second neural network model, which is used to represent the probability of the existence of malignant calcification in the calcified area. Both the second neural network model and the first neural network model belong to the medical image detection model; generate the malignant calcification location results according to the malignant calcification probability label. The application also discloses related devices. The application can use neural network model to detect the calcification of molybdenum target image, and further detect the benign and malignant areas with calcification, so as to improve the accuracy and convenience of detection.

【技术实现步骤摘要】
一种基于医学图像的检测方法、模型训练的方法及装置本申请为2019年2月14日提交中国专利局、申请号为201910116648.8、专利技术名称为“一种基于医学图像的检测方法、模型训练的方法及装置”的中国专利申请的分案申请。
本申请涉及智能医疗领域，尤其涉及一种基于医学图像的检测方法、模型训练的方法及装置。
技术介绍
乳腺钼靶是目前诊断乳腺疾病的首选，也是最简便且最可靠的无创性检测手段，痛苦相对较小，简便易行，且分辨率高，重复性好，留取的图像可供前后对比，不受年龄和体形的限制，目前已作为常规的检查。钙化是乳腺癌诊断的最重要线索之一，钙化的形态、大小和分布不一，局部通常表现为高亮斑点样。目前，疑似恶性钙化病灶定位技术主要分为两步，分别为钙化探测技术和良恶性分类技术。钙化探测技术主要根据钙化病灶的先验特征进行疑似病灶检测，钙化良恶性分类技术先使用特征提取技术提取特征，然后根据经验阈值对特征进行良恶性分类，特征提取依赖于人工经验。然而，由于不同的医院往往采用不同的医疗设备来提取钼靶图像。考虑到硬件环境对钼靶图像的影响，因此，难以本文档来自技高网...

【技术保护点】
1.一种基于医学图像的检测方法，其特征在于，包括：/n通过第一神经网络模型获取待检测医学图像的钙化概率标签，其中，所述钙化概率标签用于表示医学图像中存在钙化情况的概率，所述待检测医学图像为钼靶图像；/n若所述钙化概率标签满足钙化条件，则从所述待检测医学图像中提取钙化区域；/n通过第二神经网络模型获取所述钙化区域的恶性钙化概率标签，其中，所述恶性钙化概率标签用于表示钙化区域中存在恶性钙化情况的概率，所述第二神经网络模型与所述第一神经网络模型均属于医学图像检测模型；/n根据所述恶性钙化概率标签生成恶性钙化定位结果。/n

【技术特征摘要】
1.一种基于医学图像的检测方法，其特征在于，包括：
通过第一神经网络模型获取待检测医学图像的钙化概率标签，其中，所述钙化概率标签用于表示医学图像中存在钙化情况的概率，所述待检测医学图像为钼靶图像；
若所述钙化概率标签满足钙化条件，则从所述待检测医学图像中提取钙化区域；
通过第二神经网络模型获取所述钙化区域的恶性钙化概率标签，其中，所述恶性钙化概率标签用于表示钙化区域中存在恶性钙化情况的概率，所述第二神经网络模型与所述第一神经网络模型均属于医学图像检测模型；
根据所述恶性钙化概率标签生成恶性钙化定位结果。


2.根据权利要求1所述的检测方法，其特征在于，所述通过第一神经网络模型获取待检测医学图像的钙化概率标签之前，所述方法还包括：
获取待处理医学图像，其中，所述待处理医学图像为钼靶图像；
对所述待处理医学图像进行图像预处理，得到所述待检测医学图像，其中，所述图像预处理包括归一化处理、区域分割处理、直方图均衡处理以及区域块提取处理。


3.一种模型训练的检测方法，其特征在于，包括：
获取待训练医学图像集合，其中，所述待训练医学图像集合包括钙化样本集合以及恶性钙化样本集合，所述钙化样本集合包括至少一个钙化正样本以及至少一个钙化负样本，所述恶性钙化样本集合包括至少一个恶性钙化正样本以及至少一个恶性钙化负样本，所述待训练医学图像为钼靶图像；
采用所述钙化样本集合对第一待训练模型进行训练，得到第一神经网络模型；
采用所述恶性钙化样本集合对第二待训练模型进行训练，得到第二神经网络模型；
根据所述第一神经网络模型以及所述第二神经网络模型生成医学图像检测模型。


4.根据权利要求3所述的方法，其特征在于，所述获取待训练医学图像集合之前，所述方法还包括：
获取待处理医学图像集合，其中，所述待处理医学图像集合包括待处理钙化样本集合以及待处理恶性钙化样本集合，所述待处理钙化样本集合包括至少一个待处理钙化正样本以及至少一个待处理钙化负样本，所述待处理恶性钙化样本集合包括至少一个待处理恶性钙化正样本以及至少一个待处理恶性钙化负样本；
对所述待处理医学图像集合中的每个图像进行图像预处理，得到所述待训练医学图像，其中，所述图像预处理包括归一化处理、区域分割处理、直方图均衡处理以及区域块提取处理。


5.根据权利要求3所述的方法，其特征在于，所述采用所述钙化样本集合对第一待训练模型进行训练，得到第一神经网络模型，包括：
获取所述第一待训练模型；
通过所述第一待训练模型，获取所述钙化样本集合中每个钙化正样本的第一预测标签，以及每个钙化负样本的第二预测标签；
获取所述钙化样本集合中每个钙化正样本的第一真实标签，以及每个钙化负样本的第二真实标签；
对所述每个钙化正样本的所述第一预测标签和所述第一真实标签，以及所述每个钙化负样本的所述第二预测标签和所述第二真实标签进行训练，得到第一模型参数；
根据所述第一模型参数生成所述第一神经网络模型。


6.根据权利要求3至5中任一项所述的方法，其特征在于，所述采用所述恶性钙化样本集合对第二待训练模型进行训练，得到第二神经网络模型，包括：
获取所述第二待训练模型；
通过所述第二待训练模型，获取所述恶性钙化样本集合中每个恶性钙化正样本的第三预测标签，以及每个恶性钙化负样本的第四预测标签；
获取所述恶性钙化样本集合中每个恶性钙化正样本的第三真实标签，以及每个恶性钙化负样本的第四真实标签；
对所述每个恶性钙化正样本的所述第三预测标签和所述第三真实标签，以及所述每个恶性钙化负样本的所述第四预测标签和所述第四真实标签进行训练，得到第二模型参数；
根据所述第二模型参数生成所述第二神经网络...

【专利技术属性】
技术研发人员：田宽，江铖，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44