肺结核识别模型的获取方法及装置、存储介质、处理器制造方法及图纸

本发明专利技术公开了一种肺结核识别模型的获取方法及装置、存储介质、处理器。其中，该方法包括：采集预定数量的医学影像图像，其中，预定数量的医学影像图像中的每一张图像均包括：肺结核病灶标识区域；对预定数量的医学影像图像进行预处理，得到预处理后的医学影像图像，并将预处理后的医学影像数据的一部分作为训练图像；将训练图像输入至预定网络模型，以利用预处理后的医学影像图像对预定网络模型进行训练，得到肺结核识别模型。本发明专利技术解决了相关技术中用于进行肺结核识别的方式可靠性较低的技术问题。

Acquisition method, device, storage medium and processor of tuberculosis recognition model

【技术实现步骤摘要】
肺结核识别模型的获取方法及装置、存储介质、处理器
本专利技术涉及数据处理
，具体而言，涉及一种肺结核识别模型的获取方法及装置、存储介质、处理器。
技术介绍
目前，X线胸透是肺结核筛查的主要手段，医生可以通过X胸片来进行肺结核的诊断，诊断的效率和准确度都依赖于医生的经验水平。但是，由于凭借经验水平进行诊断，很难保证诊断的效率和准确度。另外，肺结核并有各种X线表现，根据临床研究，多种症状经常一起出现。这就给医生带来了很大的挑战。针对上述相关技术中用于进行肺结核识别的方式可靠性较低的问题，目前尚未提出有效的解决方案。
技术实现思路
本专利技术实施例提供了一种肺结核识别模型的获取方法及装置、存储介质、处理器，以至少解决相关技术中用于进行肺结核识别的方式可靠性较低的技术问题。根据本专利技术实施例的一个方面，提供了一种肺结核识别模型的获取方法，包括：采集预定数量的医学影像图像，其中，所述预定数量的医学影像图像中的每一张图像均包括：肺结核病灶标识区域；对所述预定数量的医学影像图像进行预处理，得到预处理后的医学影像图像，并将所述预处理后的医学影像数据的一部分作为训练图像；将所述训练图像输入至预定网络模型，以利用所述预处理后的医学影像图像对所述预定网络模型进行训练，得到肺结核识别模型。可选地，所述对所述预定数量的医学影像图像进行预处理，得到预处理后的医学影像图像，包括：将所述预定数量的医学影像图像进行格式转换，得到所述预定数量的医学影像图像对应的灰度图；通过二值化处理方式对所述灰度图进行二值化处理，得到标准化的灰度图；对所述标准化的灰度图进行腐蚀和膨胀处理，以过滤掉所述标准化的图像中的干扰点，得到过滤后的灰度图。可选地，在所述将所述训练图像输入至预定网络模型之后，所述肺结核识别模型的获取方法还包括：在所述预定网络模型中对所述训练图像进行预处理；其中，所述在所述预定网络模型中对所述训练图像进行预处理，包括以下至少之一：对所述训练图像进行随机旋转；对所述训练图像进行镜像处理；利用预定去噪方式对所述训练图像进行去噪处理。可选地，所述将所述训练图像输入至预定网络模型，以利用所述预处理后的医学影像图像对所述预定网络模型进行训练，包括：利用卷积神经网络对所述预处理后的训练图像进行卷积化处理，得到卷积化处理结果；将所述卷积化处理结果输入至区域候选网络，提取出所述卷积化处理结果中的图像特征区域；根据所述图像特征区域生成预定尺寸的图像特征区域，并将所述预定尺寸的图像特征区域输入至预定残差网络，得到所述预定残差网络的输出结果，其中，所述预定残差网络为基于Inception结构的resNet-V2网络。可选地，在所述将所述预定尺寸的图像特征区域输入至预定残差网络之后，所述肺结核识别模型的获取方法还包括：在所述预定残差网络中对所述预定尺寸的图像特征区域进行处理，得到所述预定网络模型对应的函数的参数。可选地，所述将所述训练图像输入至预定网络模型，以利用所述预处理后的医学影像图像对所述预定网络模型进行训练，得到肺结核识别模型，包括：将所述预处理后的医学影像数据的另一部分作为测试图像；将所述预定残差网络的输出结果转换为参照图像；将所述参照图像与所述测试图像进行比较，得到图像偏差数据；判断所述图像偏差数据是否小于预定偏差数据，得到判断结果；在所述判断结果为是的情况下，终止对所述预定网络模型训练；在所述判断结果为否的情况下，基于所述图像偏差数据对所述预定网络模型对应的函数进行参数调整，利用所述预处理后的医学影像图像对调整参数后的所述预定网络模型进行训练，直到基于所述预定网络模型的输出转换得到的参照图像与所述测试图像的图像偏差数据小于预定偏差数据。根据本专利技术实施例的另外一个方面，还提供了一种肺结核识别模型的获取装置，包括：采集单元，用于采集预定数量的医学影像图像，其中，所述预定数量的医学影像图像中的每一张图像均包括：肺结核病灶标识区域；第一预处理单元，用于对所述预定数量的医学影像图像进行预处理，得到预处理后的医学影像图像，并将所述预处理后的医学影像数据的一部分作为训练图像；训练单元，用于将所述训练图像输入至预定网络模型，以利用所述预处理后的医学影像图像对所述预定网络模型进行训练，得到肺结核识别模型。可选地，所述第一预处理单元，包括：第一转换模块，用于将所述预定数量的医学影像图像进行格式转换，得到所述预定数量的医学影像图像对应的灰度图；二值化处理模块，用于通过二值化处理方式对所述灰度图进行二值化处理，得到标准化的灰度图；过滤模块，用于对所述标准化的灰度图进行腐蚀和膨胀处理，以过滤掉所述标准化的图像中的干扰点，得到过滤后的灰度图。可选地，所述装置还包括：第二预处理单元，用于在所述将所述训练图像输入至预定网络模型之后，在所述预定网络模型中对所述训练图像进行预处理；其中，所述第二预处理单元，包括以下至少之一：旋转模块，用于对所述训练图像进行随机旋转；镜像处理模块，用于对所述训练图像进行镜像处理；去噪模块，用于利用预定去噪方式对所述训练图像进行去噪处理。可选地，所述肺结核识别模型的获取装置包括：卷积化处理模块，用于利用卷积神经网络对所述预处理后的训练图像进行卷积化处理，得到卷积化处理结果；提取模块，用于将所述卷积化处理结果输入至区域候选网络，提取出所述卷积化处理结果中的图像特征区域；获取模块，用于根据所述图像特征区域生成预定尺寸的图像特征区域，并将所述预定尺寸的图像特征区域输入至预定残差网络，得到所述预定残差网络的输出结果，其中，所述预定残差网络为基于Inception结构的resNet-V2网络。可选地，所述装置还包括：处理模块，用于在所述将所述预定尺寸的图像特征区域输入至预定残差网络之后，在所述预定残差网络中对所述预定尺寸的图像特征区域进行处理，得到所述预定网络模型对应的函数的参数。可选地，所述训练单元，包括：确定模块，用于将所述预处理后的医学影像数据的另一部分作为测试图像；第二转换模块，用于将所述预定残差网络的输出结果转换为参照图像；比较模块，用于将所述参照图像与所述测试图像进行比较，得到图像偏差数据；判断模块，用于判断所述图像偏差数据是否小于预定偏差数据，得到判断结果；终止模块，用于在所述判断结果为是的情况下，终止对所述预定网络模型训练；训练模块，用于在所述判断结果为否的情况下，基于所述图像偏差数据对所述预定网络模型对应的函数进行参数调整，利用所述预处理后的医学影像图像对调整参数后的所述预定网络模型进行训练，直到基于所述预定网络模型的输出转换得到的参照图像与所述测试图像的图像偏差数据小于预定偏差数据。根据本专利技术实施例的另外一个方面，还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行中任意一项所述的肺结核识别模型的获取方法。根据本专利技术实施例的另外一个方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的肺结核识别模型的获取方法。在本专利技术实施例中，采用采集预定数量的医学影像图像，其中，预定数量的医学影像本文档来自技高网...

【技术保护点】
1.一种肺结核识别模型的获取方法，其特征在于，包括：/n采集预定数量的医学影像图像，其中，所述预定数量的医学影像图像中的每一张图像均包括：肺结核病灶标识区域；/n对所述预定数量的医学影像图像进行预处理，得到预处理后的医学影像图像，并将所述预处理后的医学影像数据的一部分作为训练图像；/n将所述训练图像输入至预定网络模型，以利用所述预处理后的医学影像图像对所述预定网络模型进行训练，得到肺结核识别模型。/n

【技术特征摘要】
1.一种肺结核识别模型的获取方法，其特征在于，包括：
采集预定数量的医学影像图像，其中，所述预定数量的医学影像图像中的每一张图像均包括：肺结核病灶标识区域；
对所述预定数量的医学影像图像进行预处理，得到预处理后的医学影像图像，并将所述预处理后的医学影像数据的一部分作为训练图像；
将所述训练图像输入至预定网络模型，以利用所述预处理后的医学影像图像对所述预定网络模型进行训练，得到肺结核识别模型。


2.根据权利要求1所述的方法，其特征在于，所述对所述预定数量的医学影像图像进行预处理，得到预处理后的医学影像图像，包括：
将所述预定数量的医学影像图像进行格式转换，得到所述预定数量的医学影像图像对应的灰度图；
通过二值化处理方式对所述灰度图进行二值化处理，得到标准化的灰度图；
对所述标准化的灰度图进行腐蚀和膨胀处理，以过滤掉所述标准化的图像中的干扰点，得到过滤后的灰度图。


3.根据权利要求1所述的方法，其特征在于，在所述将所述训练图像输入至预定网络模型之后，所述方法还包括：在所述预定网络模型中对所述训练图像进行预处理；
其中，所述在所述预定网络模型中对所述训练图像进行预处理，包括以下至少之一：
对所述训练图像进行随机旋转；
对所述训练图像进行镜像处理；
利用预定去噪方式对所述训练图像进行去噪处理。


4.根据权利要求3所述的方法，其特征在于，所述将所述训练图像输入至预定网络模型，以利用所述预处理后的医学影像图像对所述预定网络模型进行训练，包括：
利用卷积神经网络对所述预处理后的训练图像进行卷积化处理，得到卷积化处理结果；
将所述卷积化处理结果输入至区域候选网络，提取出所述卷积化处理结果中的图像特征区域；
根据所述图像特征区域生成预定尺寸的图像特征区域，并将所述预定尺寸的图像特征区域输入至预定残差网络，得到所述预定残差网络的输出结果，其中，所述预定残差网络为基于Inception结构的resNet-V2网络。


5.根据权利要求4所述的方法，其特征在于，在所述将所述预定尺寸的图像特征区域输入至预定残差网络之后，所述方法还包括：
在所述预定残差网络中对所述预定尺寸的图像特征区域进行处理，得到所述预定网络模...

【专利技术属性】
技术研发人员：吴树才，曹捷，王新举，章志华，杨永辉，纪俊雨，
申请(专利权)人：河北省胸科医院，天启慧眼北京信息技术有限公司，
类型：发明
国别省市：河北;13