图像处理的方法和装置制造方法及图纸

本申请提出一种图像处理的方法与装置，包括以下步骤：获取M张待处理CT图像；将M张待处理CT图像输入训练后的深度卷积神经网络进行处理，得到目标类别。本发明专利技术目的在于利用计算机深度学习方法对CT图像进行识别，达到计算机快速自动识别CT图像类型的效果。

【技术实现步骤摘要】
图像处理的方法和装置
本申请涉及机器人视觉、深度学习
，尤其涉及一种图像处理的方法与装置。
技术介绍
随着计算机技术的飞速发展，计算机在图像处理、识别方面的能力越来越强，而在现代生活中，对于图像的处理和分类大部分还是依靠有经验的人员，尤其是在医疗体系中，每天都有大量的CT(ComputedTomography，电子计算机断层扫描)图像需要有经验的医生来识别出图像中的是否有病灶，即占用了大量的人力资源，还会提高了病人的医疗成本。
技术实现思路
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种图像处理的方法和装置，利用计算机深度学习方法对CT图像信息进行识别，达到计算机快速自动识别CT图像类型的效果。为达到上述目的，本专利技术实施例提出了一种图像处理的方法，包括以下步骤：获取M张待处理CT图像；将M张待处理CT图像输入训练后的深度卷积神经网络进行处理，得到目标类别。本专利技术目的在于利用计算机深度学习方法对CT图像信息进行识别，达到计算机快速自动识别CT图像类型本文档来自技高网...

【技术保护点】
1.一种图像处理的方法，其特征在于，包括以下步骤：/n获取M张待处理CT图像；/n将所述M张待处理CT图像输入训练后的深度卷积神经网络进行处理，得到目标类别。/n

【技术特征摘要】
1.一种图像处理的方法，其特征在于，包括以下步骤：
获取M张待处理CT图像；
将所述M张待处理CT图像输入训练后的深度卷积神经网络进行处理，得到目标类别。


2.如权利要求1所述的方法，其特征在于，所述将所述M张待处理CT图像输入训练后的深度卷积神经网络进行处理，得到目标类别，包括：
将所述M张待处理CT图像输入训练后的深度卷积神经网络以生成每张CT图像为正类别的概率；
以连续R张图像为一个片段进行平均池化，再取所有M-R+1个片段中分数最高的T个片段进行平均池化，得到所述M张待处理CT图像为正类别的概率；其中，R和T小于等于M。


3.如权利要求1所述的方法，其特征在于，在所述获取M张待处理CT图像之前，还包括：
获取包括标注类别的N张CT样本图像；
将所述N张CT样本图像输入至深度卷积神经网络以生成预测类别；
根据所述标注类别和所述预测类别对所述深度卷积神经网络进行训练。


4.如权利要求3所述的方法，其特征在于，在所述将所述N张CT样本图像输入至深度卷积神经网络以生成预测类别之前，还包括：
按照预先设定的窗宽和窗位组合对所述N张CT样本图像进行预处理。


5.如权利要求3所述的方法，其特征在于，所述将所述N张CT样本图像输入至深度卷积神经网络以生成预测类别，包括：
将所述N张CT样本图像输入深度卷积神经网络以生成每张CT样本图像预测为正类别的概率；
以连续L张CT样本图像为一个片段进行平均池化，再取所有N-L+1个片段中分数最高的K个片段进行平均池化，得到所述...

【专利技术属性】
技术研发人员：徐枫，周展平，郭雨晨，杨东，戴琼海，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11