基于GoogLeNet网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及医疗设备技术领域，公开了一种基于GoogLeNet网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质。通过本发明专利技术创造，提供了一种利用人工智能中最新深度学习技术实现医学影像辅助诊断的新方法，即在具有很好泛化能力的GoogLeNet网络模型中，先用卷积神经网络提取各种复杂的特征，然后利用全连接网络对特征进行综合的判断，进而使模型可以涵盖各种复杂的情况，可利于在医学影像辅助诊断的全过程中，实现端到端的自动化诊断，效率和准确率都极高。此外，还可以对新增部位或影像进行迁移学习，使模型升级变得简单易操作，而且能保证对原有知识的最大兼容性，便于实际应用和推广。

Method, device, device and storage medium of medical image aided diagnosis based on googlenet network model

【技术实现步骤摘要】
基于GoogLeNet网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质
本专利技术属于医疗设备
，具体地涉及一种基于GoogLeNet网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质。
技术介绍
目前医疗器械市场上的医疗摄影设备都是可以看到医疗影像的，例如血管摄影图像(Angiography)、心血管造影图像(Cardiacangiography)、电脑断层扫描图像(CT,Computerizedtomography)、乳房摄影图像(Mammography)、正子发射断层扫描图像(PET,Positronemissiontomography)、核磁共振成像图像(NMRI,Nuclearmagneticresonanceimaging)和医学超音波检查图像(Medicalultrasonography)等。但是当前影像诊断行业却存在如下几个问题：(1)诊断大夫的培养周期长成本高，目前高端人才的缺口很大；(2)大夫个人主观性差别很大，很难做到诊断标准完全统一；(3)大夫仅凭肉眼观察，很多底层信息不可见，信息利用率低；(4)相似疾病太多，阅片过程中存在大量重复性劳动；(5)大夫阅片耗时很长，至少几十分钟到数小时不等。针对上述几个问题，当前的解决方案有两种：一是利用传统的图像处理方法，针对某种特定疾病和特定类型的影像片子，先手动提取特征，然后根据阈值做判断，该方法需要有大量的医学和图像处理经验，而且不具有通用性，在换了部位或影像类型之后，很难再有较高的准确率，甚至根本不能工作；二是利用机器学习模型或统计学习模型，在一定程度上，实现了自动化，也具备了一定的通用性，比第一种方法相比，在准确率上也有极大的提高，但是，模型依然存在表达能力不足的问题，不能涵盖各种复杂的情况，而且，很难进行迁移学习。
技术实现思路
为了解决现有医疗设备在利用机器学习模型进行影像诊断时不能涵盖各种复杂情况的问题，本专利技术目的在于提供一种基于GoogLeNet网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质。本专利技术所采用的技术方案为：一种基于GoogLeNet网络模型实现医学影像辅助诊断的方法，包括如下步骤：S101.获取若干张样本医学影像和对应各张样本医学影像的诊断标签，其中，所述诊断标签为正例或负例；S102.对各张样本医学影像进行图像预处理，得到相应的且呈正方形、尺寸大小一致和归一化的标准样本医学影像，同时对相应的诊断标签进行如下形式的数字编码；若为正例，标记为1，而若为负例，标记为0；S103.从训练样本数据集中抽取2n张标准样本医学影像，然后将这些标准样本医学影像导入至GoogLeNet网络模型中进行正向传播，得到对应各张标准样本医学影像的第一预测概率，其中，所述训练样本数据集包括有不少于2n张的所述标准样本医学影像，n为介于4～8之间的自然数，所述第一预测概率包括识别影像为正例的概率和识别影像为负例的概率；S104.按照如下公式计算本次训练的平均损失值loss：式中，i为介于1～2n之间的自然数，yi为第i张标准样本医学影像的诊断标签编码值，为第i张标准样本医学影像的且识别影像为正例的概率，κ为常数；S105.通过梯度下降法将所述平均损失值loss逐层反向传播，进行模型参数的更新；S106.返回执行步骤S103～S105，直到所述平均损失值loss降低到预设阈值，完成模型训练；S107.获取待诊医学影像；S108.对所述待诊医学影像进行图像预处理，得到呈正方形、尺寸大小与所述标准样本医学影像一致和归一化方式与所述标准样本医学影像一致的标准待诊医学影像；S109.将所述标准待诊医学影像输入完成训练的GoogLeNet网络模型中，得到对应所述标准待诊医学影像的第二预测概率，其中，所述第二预测概率包括识别影像为正例的概率和识别影像为负例的概率；S110.根据所述第二预测概率得出诊断结果：若所述第二预测概率中识别影像为正例的概率不小于正例与负例的分割阈值，则判定诊断结果为正例和/或阳性，否则判定诊断结果为负例和/或阴性。优化的，在所述步骤S102中，通过如下方式的图像预处理得到呈正方形的样本医学影像：在样本医学影像的原始形状为非正方形的长方形时，对称地在宽度方向两侧填充像素值为0或像素均值的像素点，使最终的影像宽度等于影像长度，其中，像素均值为原样本医学影像中所有像素点的像素平均值。进一步优化的，在所述步骤S102中且得到呈正方形的样本医学影像之后，通过如下方式的图像预处理得到尺寸大小一致的样本医学影像：通过插值或压采样的方式使样本医学影像变成尺寸大小为2k*2k的影像，其中，k为介于7～12之间的自然数。详细优化的，在所述步骤S102中且得到尺寸大小一致的样本医学影像之后，通过如下方式的图像预处理得到归一化的样本医学影像：针对样本医学影像上的各个像素点，按照如下公式得到归一化后的像素值PNew：式中，POld为归一化前的像素值，μ为归一化前所有像素点的像素平均值，σ为归一化前所有像素点的像素值标准差。优化的，所述GoogLeNet网络模型包括有Conv2d_BN子模块，其中，所述Conv2d_BN子模块沿正向传播方向依次包括有一个激活函数为relu激活函数且padding类型为same的卷积层和一个批归一化层；所述GoogLeNet网络模型沿正向传播方向依次包括有图像输入层、第一Conv2d_BN模块、第一最大池化层、第二Conv2d_BN模块、第二最大池化层、第一Inception模块、第三最大池化层、第二Inception模块、第四最大池化层、第三Inception模块、平均池化层、扁平化层、第一丢弃层、第一全连接层、第二丢弃层、第二全连接层和第三全连接层；所述第一Conv2d_BN模块的输出通道数为64个，并包括有一个卷积核心为(7，7)且步长为(2，2)的所述Conv2d_BN子模块；所述第一最大池化层的池化核心为(2，2)，步长为(2，2)，padding类型为same；所述第二Conv2d_BN模块的输出通道数为128个，并包括有一个卷积核心为(3，3)且步长为(2，2)的所述Conv2d_BN子模块；所述第二最大池化层的池化核心为(2，2)，步长为(2，2)，padding类型为same；所述第一Inception模块包括有五个输出通道数分别为64个的且在通道的维度上按顺序拼接起来的并行分支：第一个并行分支包括有一个卷积核心为(1，1)的所述Conv2d_BN子模块，第二个并行分支沿正向传播方向依次包括有一个卷积核心为(1，1)的所述Conv2d_BN子模块和一个卷积核心为(3，3)的所述Conv2d_BN子模块，第三个并行分支沿正向传播方向依次包括有一个卷积核心为(1，1)的所述Conv2d_BN子模块和一个卷积核心为(5，5)的所述Conv2d_BN子模块，第四个并行分支沿正向本文档来自技高网...

【技术保护点】
1.一种基于GoogLeNet网络模型实现医学影像辅助诊断的方法，其特征在于，包括如下步骤：/nS101.获取若干张样本医学影像和对应各张样本医学影像的诊断标签，其中，所述诊断标签为正例或负例；/nS102.对各张样本医学影像进行图像预处理，得到相应的且呈正方形、尺寸大小一致和归一化的标准样本医学影像，同时对相应的诊断标签进行如下形式的数字编码；若为正例，标记为1，而若为负例，标记为0；/nS103.从训练样本数据集中抽取2

【技术特征摘要】
1.一种基于GoogLeNet网络模型实现医学影像辅助诊断的方法，其特征在于，包括如下步骤：
S101.获取若干张样本医学影像和对应各张样本医学影像的诊断标签，其中，所述诊断标签为正例或负例；
S102.对各张样本医学影像进行图像预处理，得到相应的且呈正方形、尺寸大小一致和归一化的标准样本医学影像，同时对相应的诊断标签进行如下形式的数字编码；若为正例，标记为1，而若为负例，标记为0；
S103.从训练样本数据集中抽取2n张标准样本医学影像，然后将这些标准样本医学影像导入至GoogLeNet网络模型中进行正向传播，得到对应各张标准样本医学影像的第一预测概率，其中，所述训练样本数据集包括有不少于2n张的所述标准样本医学影像，n为介于4～8之间的自然数，所述第一预测概率包括识别影像为正例的概率和识别影像为负例的概率；
S104.按照如下公式计算本次训练的平均损失值loss：



式中，i为介于1～2n之间的自然数，yi为第i张标准样本医学影像的诊断标签编码值，为第i张标准样本医学影像的且识别影像为正例的概率，κ为常数；
S105.通过梯度下降法将所述平均损失值loss逐层反向传播，进行模型参数的更新；
S106.返回执行步骤S103～S105，直到所述平均损失值loss降低到预设阈值，完成模型训练；
S107.获取待诊医学影像；
S108.对所述待诊医学影像进行图像预处理，得到呈正方形、尺寸大小与所述标准样本医学影像一致和归一化方式与所述标准样本医学影像一致的标准待诊医学影像；
S109.将所述标准待诊医学影像输入完成训练的GoogLeNet网络模型中，得到对应所述标准待诊医学影像的第二预测概率，其中，所述第二预测概率包括识别影像为正例的概率和识别影像为负例的概率；
S110.根据所述第二预测概率得出诊断结果：若所述第二预测概率中识别影像为正例的概率不小于正例与负例的分割阈值，则判定诊断结果为正例和/或阳性，否则判定诊断结果为负例和/或阴性。


2.如权利要求1所述的基于GoogLeNet网络模型实现医学影像辅助诊断的方法，其特征在于，在所述步骤S102中，通过如下方式的图像预处理得到呈正方形的样本医学影像：
在样本医学影像的原始形状为非正方形的长方形时，对称地在宽度方向两侧填充像素值为0或像素均值的像素点，使最终的影像宽度等于影像长度，其中，像素均值为原样本医学影像中所有像素点的像素平均值。


3.如权利要求2所述的基于GoogLeNet网络模型实现医学影像辅助诊断的方法，其特征在于，在所述步骤S102中且得到呈正方形的样本医学影像之后，通过如下方式的图像预处理得到尺寸大小一致的样本医学影像：
通过插值或压采样的方式使样本医学影像变成尺寸大小为2k*2k的影像，其中，k为介于7～12之间的自然数。


4.如权利要求3所述的基于GoogLeNet网络模型实现医学影像辅助诊断的方法，其特征在于，在所述步骤S102中且得到尺寸大小一致的样本医学影像之后，通过如下方式的图像预处理得到归一化的样本医学影像：
针对样本医学影像上的各个像素点，按照如下公式得到归一化后的像素值PNew：



式中，POld为归一化前的像素值，μ为归一化前所有像素点的像素平均值，σ为归一化前所有像素点的像素值标准差。


5.如权利要求1所述的基于GoogLeNet网络模型实现医学影像辅助诊断的方法，其特征在于，所述GoogLeNet网络模型包括有Conv2d_BN子模块，其中，所述Conv2d_BN子模块沿正向传播方向依次包括有一个激活函数为relu激活函数且padding类型为same的卷积层和一个批归一化层；
所述GoogLeNet网络模型沿正向传播方向依次包括有图像输入层、第一Conv2d_BN模块、第一最大池化层、第二Conv2d_BN模块、第二最大池化层、第一Inception模块、第三最大池化层、第二Inception模块、第四最大池化层、第三Inception模块、平均池化层、扁平化层、第一丢弃层、第一全连接层、第二丢弃层、第二全连接层和第三全连接层；
所述第一Conv2d_BN模块的输出通道数为64个，并包括有一个卷积核心为(7，7)且步长为(2，2)的所述Conv2d_BN子模块；
所述第一最大池化层的池化核心为(2，2)，步长为(2，2)，padding类型为same；
所述第二Conv2d_BN模块的输出通道数为128个，并包括有一个卷积核心为(3，3)且步长为(2，2)的所述Conv2d_BN子模块；
所述第二最大池化层的池化核心为(2，2)，步长为(2，2)，padding类型为same；
所述第一Inception模块包括有五个输出通道数分别为64个的且在通道的维度上按顺序拼接起来的并行分支：第一个并行分支包括有一个卷积核心为(1，1)的所述Conv2d_BN子模块，第二个并行分支沿正向传播方向依次包括有一个卷积核心为(1，1)的所述Conv2d_BN子模块和一个卷积核心为(3，3)的所述Conv2d_BN子模块，第三个并行分支沿正向传播方向依次包括有一个卷积核心为(1，1)的所述Conv2d_BN子模块和一个卷积核心为(5，5)的所述Conv2d_BN子模块，第四个并行分支沿正向传播方向依次包括有一个卷积核心为(1，1)的所述Conv2d_BN子模块和一个卷积核心为(7，7)的所述Conv2d_BN子模块，第五个并行分支沿正向传播方向依次包括有一个池化核心为(3，3)的最大池化层和一个卷积核心为(1，1)的所述Conv2d_BN子模块；
所述第三最大池化层的池化核心为(2，2)，步长为(2，2)，padding类型为same；
所述第二Inception模块也包括有五个输出通道数分别为96个的且在通道的维度上按顺序拼接起来的...

【专利技术属性】
技术研发人员：李晓华，
申请(专利权)人：北京华医共享医疗科技有限公司，
类型：发明
国别省市：北京;11