图像检测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种图像检测方法、装置、计算机设备和存储介质。所述方法包括：获取待检测对象的至少两个医学图像，对所述至少两个医学图像进行分割处理，得到各目标分割图像；所述各目标分割图像均包括感兴趣区域；将所述各目标分割图像输入至神经网络模型中进行特征提取，得到所述感兴趣区域的特征；将所述感兴趣区域的特征和临床信息数据中的特征进行组合，对组合后的特征进行特征选择处理，得到目标特征；所述临床信息数据中的特征为对所述待检测对象进行临床检测后得到的特征；将所述目标特征输入至分类器中进行分类，确定所述感兴趣区域的类别。采用本方法能够提高检测精度。

Image detection method, device, computer equipment and storage medium

【技术实现步骤摘要】
图像检测方法、装置、计算机设备和存储介质
本申请涉及图像处理
，特别是涉及一种图像检测方法、装置、计算机设备和存储介质。
技术介绍
微血管侵犯(microvascularinvation，mVI)是指在显微镜下，在人体内皮细胞衬覆的血管腔内的癌细胞巢团，当脉管腔内出现悬浮癌细胞数目大于一定数目时，即可称为mVI，很多肿瘤如果出现神经血管侵犯那么很可能不利于患者预后，如果能在微血管侵犯阶段进行积极干预，则能明显改善患者预后，因此，在术前对微血管侵犯进行检测就显得尤为重要。相关技术中在对微血管侵犯进行检测时，通常是通过对患者的单一医学图像进行分割处理，得到病灶图像，并对病灶图像进行影像表型特征提取后，利用计算机分析算法建立辅助检测的模型，完成对微血管侵犯的检测。然而上述技术在对微血管侵犯进行检测时，存在检测精度不高的问题。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提高检测精度的图像检测方法、装置、计算机设备和存储介质。一种图像检测方法，该方法包括：获取待检测对象的至少两个医学图像，对至少两个医学图像进行分割处理，得到各目标分割图像；各目标分割图像均包括感兴趣区域；将各目标分割图像输入至神经网络模型中进行特征提取，得到感兴趣区域的特征；将感兴趣区域的特征和临床信息数据中的特征进行组合，对组合后的特征进行特征选择处理，得到目标特征；临床信息数据中的特征为对待检测对象进行临床检测后得到的特征；将目标特征输入至分类器中进行分类，确定感兴趣区域的类别。一种图像检测装置，该装置包括：分割模块，用于获取待检测对象的至少两个医学图像，对所述至少两个医学图像进行分割处理，得到各目标分割图像；所述各目标分割图像均包括感兴趣区域；提取模块，用于将所述各目标分割图像输入至神经网络模型中进行特征提取，得到所述感兴趣区域的特征；选择模块，用于将所述感兴趣区域的特征和临床信息数据中的特征进行组合，对组合后的特征进行特征选择处理，得到目标特征；所述临床信息数据中的特征为对所述待检测对象进行临床检测后得到的特征；分类模块，用于将所述目标特征输入至分类器中进行分类，确定所述感兴趣区域的类别。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以下步骤：获取待检测对象的至少两个医学图像，对所述至少两个医学图像进行分割处理，得到各目标分割图像；所述各目标分割图像均包括感兴趣区域；将所述各目标分割图像输入至神经网络模型中进行特征提取，得到所述感兴趣区域的特征；将所述感兴趣区域的特征和临床信息数据中的特征进行组合，对组合后的特征进行特征选择处理，得到目标特征；所述临床信息数据中的特征为对所述待检测对象进行临床检测后得到的特征；将所述目标特征输入至分类器中进行分类，确定所述感兴趣区域的类别。一种可读存储介质，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以下步骤：获取待检测对象的至少两个医学图像，对所述至少两个医学图像进行分割处理，得到各目标分割图像；所述各目标分割图像均包括感兴趣区域；将所述各目标分割图像输入至神经网络模型中进行特征提取，得到所述感兴趣区域的特征；将所述感兴趣区域的特征和临床信息数据中的特征进行组合，对组合后的特征进行特征选择处理，得到目标特征；所述临床信息数据中的特征为对所述待检测对象进行临床检测后得到的特征；将所述目标特征输入至分类器中进行分类，确定所述感兴趣区域的类别。上述图像检测方法、装置、计算机设备和存储介质，通过获取待检测对象的至少两个医学图像，对其进行分割，得到各包括感兴趣区域的目标分割图像，将各目标分割图像输入神经网络进行特征提取，得到感兴趣区域的特征，将感兴趣区域的特征和临床信息数据中的特征进行组合，对组合后的特征进行特征选择，得到目标特征，最后将目标特征输入分类器进行分类，确定感兴趣区域的类别。在该方法中，由于在对待检测对象的图像进行特征提取时，采用的是对多个不同期相和/或多个不同模态和/或多个不同序列的图像进行特征提取的，因此该方法可以充分提取感兴趣区域内的特征，即提取的特征较多，也比较丰富，可以便于后续检测时使用；同时，由于在对特征进行提取时采用的是神经网络进行提取，而神经网络学习能力强，精度高，这样可以使提取的特征更加准确，精度更高；除此之外，在对感兴趣区域进行分类时，采用的特征是对提取的特征和临床特征进行特征选择之后得到的目标特征，这样可以剔除特征中的冗余特征，保留重要特征，从而可以使分类过程更加快速，同时使分类的精度也更高。附图说明图1为一个实施例中计算机设备的内部结构图；图2为一个实施例中图像检测方法的流程示意图；图3为另一个实施例中图像检测方法的流程示意图；图4为另一个实施例中图像检测方法的流程示意图；图5为另一个实施例中图像检测方法的流程示意图；图6为另一个实施例中图像检测方法的流程示意图；图7为一个实施例中图像检测装置的结构框图。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。原发性肝癌是目前比较常见的恶性肿瘤，其严重威胁人们的生命健康，肝细胞癌是最常见的原发性肝脏恶性肿瘤，而微血管侵犯(MVI)在肝癌患者中发生率非常高，其是预测肝癌复发的独立性危险因素，是肝癌根治性治疗后期复发的主要影响指标，一般如果能在微血管侵犯阶段进行积极的干预措施，那么就可以明显改善肝癌患者预后，因此根据术前预测微血管侵犯的存在，对于肝癌患者的个体化治疗、精准治疗有着极大的临床价值。相关技术中在对微血管侵犯进行检测时，通常是通过对患者的单一医学图像进行分割处理，得到病灶图像，并对病灶图像进行影像表型特征提取后，利用计算机分析算法建立辅助检测的模型，完成对微血管侵犯的检测，然而该技术存在检测精度不高的问题。因此，本申请提供一种图像检测方法、装置、计算机设备和存储介质，旨在解决现有技术中存在的问题。本申请实施例提供的图像检测方法，可以应用于计算机设备，该计算机设备的内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外本文档来自技高网...

【技术保护点】
1.一种图像检测方法，其特征在于，所述方法包括：/n获取待检测对象的至少两个医学图像，对所述至少两个医学图像进行分割处理，得到各目标分割图像；所述各目标分割图像均包括感兴趣区域；/n将所述各目标分割图像输入至神经网络模型中进行特征提取，得到所述感兴趣区域的特征；/n将所述感兴趣区域的特征和临床信息数据中的特征进行组合，对组合后的特征进行特征选择处理，得到目标特征；所述临床信息数据中的特征为对所述待检测对象进行临床检测后得到的特征；/n将所述目标特征输入至分类器中进行分类，确定所述感兴趣区域的类别。/n

【技术特征摘要】
1.一种图像检测方法，其特征在于，所述方法包括：
获取待检测对象的至少两个医学图像，对所述至少两个医学图像进行分割处理，得到各目标分割图像；所述各目标分割图像均包括感兴趣区域；
将所述各目标分割图像输入至神经网络模型中进行特征提取，得到所述感兴趣区域的特征；
将所述感兴趣区域的特征和临床信息数据中的特征进行组合，对组合后的特征进行特征选择处理，得到目标特征；所述临床信息数据中的特征为对所述待检测对象进行临床检测后得到的特征；
将所述目标特征输入至分类器中进行分类，确定所述感兴趣区域的类别。


2.根据权利要求1所述的方法，其特征在于，所述对组合后的特征进行特征选择处理，得到目标特征，包括：
对组合后的特征进行至少两级特征选择处理，得到目标特征。


3.根据权利要求2所述的方法，其特征在于，所述对组合后的特征进行至少两级特征选择处理，得到目标特征，包括：
采用预设的单变量特征选择方法对组合后的特征进行一级选择处理，得到一级特征；所述一级特征的数量小于所述组合后的特征的数量；
采用预设的最小绝对收缩与选择算子LASSO算法对所述一级特征进行二级选择处理，得到所述目标特征；所述目标特征的数量小于所述一级特征的数量。


4.根据权利要求1所述的方法，其特征在于，所述至少两个医学图像包括以下至少一种：至少两个不同模态的医学图像、至少两个不同序列的医学图像、至少两个不同期相的医学图像。


5.根据权利要求1所述的方法，其特征在于，所述神经网络模型的训练过程包括：
获取样本医学图像；所述样本医学图像已标注感兴趣区域的类别；
对所述样本医学图像进行预处理，得到预处理后的样本医学图像；
基于所述预处理后的样本医学图像和所述已标注感兴趣区域的类别，对初始的神经网络模型进行训练，得到所述神经网络模型。


6.根据权利要求5所述的方法，其特...

【专利技术属性】
技术研发人员：袁欢，张剑锋，吴迪嘉，詹翊强，曾蒙苏，杨春，武丽芳，种欢欢，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：上海;31