医学图像病灶检测定位方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种医学图像病灶检测定位方法、装置、设备及存储介质，应用于深度学习技术领域，用于解决现有检测方法标注工作量巨大的问题。本发明专利技术提供的方法包括：获取待检测病灶的目标医学图像；将目标医学图像输入深度学习模型，得到目标序列；然后，提取深度学习模型中最后一层卷积层输出的第一特征图；提取全连接层中与各个预设病灶类型对应的各个网络单元的权重值；针对每个预设病灶类型，根据第一特征图和对应的权重值，计算得到融合特征图；对融合特征图重采样至目标医学图像的大小，生成类属激活图；确定每个类属激活图中的最大连通区域，并建立一个包围最大连通区域的标记边框；在目标医学图像上添加每个预设病灶类型对应的标记边框。

Methods, devices, devices and storage media for detecting and locating lesions in medical images

【技术实现步骤摘要】
医学图像病灶检测定位方法、装置、设备及存储介质
本专利技术涉及深度学习
，尤其涉及医学图像病灶检测定位方法、装置、设备及存储介质。
技术介绍
利用人工智能算法对医学图像中不同病灶征象进行分类识别和检测定位，能够为临床诊断提供定性化影像学指标。常规的深度学习分类方法能实现对不同病灶类型的识别，但无法提供疑似病灶的位置信息，而常规深度学习的目标检测方法，在模型训练时，需要在样本图像中病灶区域人工标注精确的方框信息，加上样本图像数量往往极其庞大，通常超过1万张，这就导致标注工作量非常巨大，难以实现模型的快速更新和学习。因此，寻找一种标注工作量小且能实现医学图像病灶检测定位的方法成为本领域技术人员亟需解决的问题。
技术实现思路
本专利技术实施例提供一种医学图像病灶检测定位方法、装置、计算机设备及存储介质，以解决现有检测方法标注工作量巨大的问题。一种医学图像病灶检测定位方法，包括：获取待检测病灶的目标医学图像；将所述目标医学图像输入预先训练好的深度学习模型，得到所述深度学习模型输出的目标序列，所述本文档来自技高网...

【技术保护点】
1.一种医学图像病灶检测定位方法，其特征在于，包括：/n获取待检测病灶的目标医学图像；/n将所述目标医学图像输入预先训练好的深度学习模型，得到所述深度学习模型输出的目标序列，所述目标序列中的各个元素分别为各个预设病灶类型对应的第一置信度，第一置信度表征了所述目标医学图像属于对应的预设病灶类型的概率，所述深度学习模型由所述各个预设病灶类型各自对应的医学图像样本预先训练得到，每个医学图像样本上标注有图像中包含的病灶类型；/n在所述目标医学图像输入所述深度学习模型之后，提取所述深度学习模型中最后一层卷积层输出的第一特征图；/n提取所述深度学习模型的全连接层中与所述各个预设病灶类型对应的各个网络单元的...

【技术特征摘要】
1.一种医学图像病灶检测定位方法，其特征在于，包括：
获取待检测病灶的目标医学图像；
将所述目标医学图像输入预先训练好的深度学习模型，得到所述深度学习模型输出的目标序列，所述目标序列中的各个元素分别为各个预设病灶类型对应的第一置信度，第一置信度表征了所述目标医学图像属于对应的预设病灶类型的概率，所述深度学习模型由所述各个预设病灶类型各自对应的医学图像样本预先训练得到，每个医学图像样本上标注有图像中包含的病灶类型；
在所述目标医学图像输入所述深度学习模型之后，提取所述深度学习模型中最后一层卷积层输出的第一特征图；
提取所述深度学习模型的全连接层中与所述各个预设病灶类型对应的各个网络单元的权重值；
针对每个预设病灶类型，根据所述第一特征图和所述每个预设病灶类型对应的权重值，计算得到所述每个预设病灶类型对应的融合特征图；
对所述每个预设病灶类型对应的融合特征图重采样至所述目标医学图像的大小，生成所述每个预设病灶类型对应的类属激活图；
确定所述每个预设病灶类型对应的类属激活图中的最大连通区域，并建立一个包围所述最大连通区域的标记边框，所述最大连通区域是指所述类属激活图中像素值超过指定像素阈值的点所落入的连通区域；
在所述目标医学图像上添加所述每个预设病灶类型对应的标记边框作为所述待检测病灶的定位结果。


2.根据权利要求1所述的医学图像病灶检测定位方法，其特征在于，所述深度学习模型通过以下步骤预先训练得到：
获取用于训练的各个医学图像样本；
针对每个医学图像样本，标注所述各个预设病灶类型各自对应的标记值，得到所述每个医学图像样本对应的标记序列，标记序列中的各个元素分别为各个预设病灶类型对应的标记值，在所述每个医学图像样本中，呈阳性的预设病灶类型对应的标记值为1，呈阴性的预设病灶类型对应的标记值为0；
针对标注后的每个医学图像样本，将所述每个医学图像样本输入至深度学习模型进行迭代训练，得到所述深度学习模型输出的、所述每个医学图像样本对应的样本序列，所述样本序列中的各个元素分别为各个预设病灶类型对应的第二置信度，第二置信度表征了所述每个医学图像样本属于对应的预设病灶类型的概率；
以预设的损失函数的计算结果为调整目标，调整所述深度学习模型的模型参数，直至所述损失函数的计算结果收敛且小于预设收敛阈值，所述损失函数用于计算所述各个医学图像样本对应的样本序列与标记序列之间的误差；
在所述损失函数的计算结果收敛且小于预设收敛阈值之后，确定所述深度学习模型已训练好。


3.根据权利要求1所述的医学图像病灶检测定位方法，其特征在于，所述确定所述每个预设病灶类型对应的类属激活图中的最大连通区域，并建立一个包围所述最大连通区域的标记边框包括：
针对每个预设病灶类型对应的类属激活图，获取所述类属激活图上点的最大像素值；
计算所述最大像素值与预设比例值之积，得到边界像素阈值，所述预设比例值大于0且小于1；
建立一个初始边框，且调整所述初始边框，使得所述初始边框包围面积最小化，所述初始边框包围住所述类属激活图上像素值大于所述边界像素阈值的所有点；
在所述初始边框的包围面积内检测出最大连通区域；
建立一个标记边框，且调整所述标记边框，使得所述标记边框包围面积最小化，所述标记边框包围住所述最大连通区域。


4.根据权利要求1所述的医学图像病灶检测定位方法，其特征在于，在将所述目标医学图像输入预先训练好的深度学习模型，得到所述深度学习模型输出的目标序列之后，还包括：
获取所述各个预设病灶类型各自对应的预设置信度阈值；
将所述目标序列中的每个元素分别与对应的预设置信度阈值进行比较，确定出所述目标序列中大于或等于所述预设置信度阈值的元素，记为目标元素；
将各个目标元素对应的预设病灶类型在所述目标医学图像上的预测结果确定为阳性，且将其它元素对应的预设病灶类型在所述目标医学图像上的预测结果确定为阴性，所述其它元素是指所述目标序列中除目标元素以外的元素。


5.根据权利要求4所述的医学图像病灶检...

【专利技术属性】
技术研发人员：王玥，吕彬，吕传峰，
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