一种图像异常检测方法及存储介质技术

本发明专利技术提供一种图像异常检测方法及存储介质，本发明专利技术通过采用的深度学习算法，通过对心脏疾病图片进行数据采集，接着进行特征提取，并通过海量的图片数据进行模型的训练，最后搭建好数据模型。本发明专利技术还可以通过对测试的图片影像进行对搭建好的数据模型进行验证，并可以通过自反馈对数据模型进行不断的优化，将医学影像的预测率提高。本发明专利技术最后可以集成到医院系统中，可以进行同步批量处理，为医院工作人员提供帮助，可以提高工作效率。

【技术实现步骤摘要】
一种图像异常检测方法及存储介质
本专利技术涉医学影像处理领域，特别涉及一种图像异常检测方法及存储介质。
技术介绍
先天性心脏病(congenitalheartdisease,CHD，以下简称先心病)是最常见的先天性出生缺陷，其中室间隔缺损(ventricularseptaldefect,VSD)、房间隔缺损(atrialseptaldefect,ASD)是最常见的非紫绀型先心病，其发病率约占先心病的25％～35％。目前临床上常用的先心病影像诊断方法包括胸片、超声心动图(echocardiography,ECHO)、计算机断层(computedtomography,CT)、磁共振(magneticresonanceimaging,MRI)及心导管造影(angiocardiography,CAG)。ECHO是目前临床最常用的先心病筛查方法。心脏磁共振(cardiovascularmagneticresonance,CMR)检查时间长，镇静要求高，空间分辨率略低以及检查费用相对高，目前在亚洲地区先心病术前诊断中应用较少。随着CT快速发展，低辐射、高空间和时间分辨率、低镇静要求(甚至可以非镇静状态下扫描)，在儿童先心病诊断中逐渐应用广泛。由于ECHO对于心外结构的显示不如心脏CT(cardiacCT,CCT)和CMR。目前临床术前诊断先心病往往ECHO结合CCT，两者互为补充，提供更为有效、全面的先心病诊断信息。CCT完成扫描后需要专科影像医师进行后处理，人工分割并重建图像，最后根据重建的图像进行诊断，每个病例的后处理时间普通胸部CT增强要长，诊断效率较低；另外目前高端CT仪器较为普遍，二级医院都拥有64层以上的螺旋CT或双源CT，但是先心病诊断专业性强，非专科医院影像医师的误诊和漏诊率较高。目前人工智能尤其是深度学习技术结合影像数据，被越来越多地应用到病灶分割、疾病检测、辅助诊断等各种医疗影像分析任务中。是否可以应用人工智能方法进行心脏疾病自动识别，是本文的研究目的所在。
技术实现思路
本研究提出一种基于深度学习的心脏影像的分类方法，旨在实现非专科医院的影像医师对心脏疾病的快速准确诊断，以初步达到人工智能辅助诊断简单先心病的目的。为达到上述目的，本专利技术提供一种心脏影像的分类方法，包括如下步骤：获取步骤，获取多个患者心脏影像以及正常心脏影像的数据化样本，每一数据化样本包括一心脏影像被数据化处理后获得的一组影像数据；样本标签步骤，将所述心脏影像标注标签，所述标签为所述心脏影像的疾病类别；样本分类步骤，将所述数据化样本分成训练样本及测试样本两类；数据模型构建步骤，利用所述训练样本的影像数据及组别标签构建并训练初级数据模型；验证步骤，根据至少一测试样本的影像数据对所述初级数据模型进行交叉验证处理；数据模型优化步骤，根据交叉验证的结果构建优化数据模型；被检测样本采集步骤，采集一被检测样本，其为一被检测人的心脏图像的数据化样本，包括该被检测人的心脏图像被数据化处理后获得的一组影像数据；以及疾病判断步骤，将所述待检测样本录入至所述优化数据模型，所述优化数据模型获取所述待检测样本的组别标签，判断所述被检测人的心脏状态。进一步地，所述获取步骤，包括如下步骤：影像获取步骤，采用CT机拍摄患者的心脏；样本预处理步骤，对所述影像图进行深度学习的数据化处理，获取两组以上影像数据，每一组影像数据包括至少一特征数据；数据化样本生成步骤，生成两个以上数据化样本，每一数据化样本包括一该患者心脏图像数据化处理后获得的一组影像数据。进一步地，所述样本预处理步骤，包括如下步骤：分区步骤，将每一心脏图像分成两个以上特征区域；以及特征提取步骤，对每一特征区域进行卷积池化处理，提取每一特征区域的特征数据；所有特征区域的特征数据的集合即为所述影像数据。进一步的，所述初级数据模型包括RPN网络与FastR-CNN网络，所述RPN网络与FastR-CNN网络共享底层卷积层，底层卷积层包括五层卷积层，底层卷积层后包括第六卷积层，第六卷积层连接两个卷积分支，通过两个卷积分支分别输出初始区域分类得分与边界框，构成RPN网络，通过RPN网络提取目标骨骼的初始兴趣区域；所述底层卷积层通过ROI池化层连接第一全连接层和第二全连接层，所述第一全连接层和第二全连接层根据所述初始兴趣区域分别输出分类得分与边界框位置坐标。进一步的，所述验证步骤，包括如下步骤：测试样本的组别标签预估步骤，将一测试样本的一组影像数据与所述初级数据模型相乘，对其乘积进行四舍五入处理，获取该测试样本的组别标签预估值；或者，将一测试样本的两组以上质谱数据与所述数据模型相乘，将其乘积按照数值大小排成数列，对其中位值进行四舍五入处理，获取该测试样本的组别标签预估值；测试样本的组别标签对比步骤，将该测试样本的组别标签预估值与其组别标签对比，判断所述初级数据模型的准确率。进一步地，在所述数据模型优化步骤中，当所述初级数据模型的准确率小于一预设阈值时，返回所述样本分组步骤，重新选择训练样本。进一步地，所述被检测样本采集步骤，包括如下步骤：被检测影像获取步骤，采用CT机拍摄一被检测人的心脏影像图；被检测样本预处理步骤，对所述心脏影像图进行数据化处理，获取一组被检测影像数据，包括至少一被检测特征数据；被检测数据化样本生成步骤，生成一被检测数据化样本，包括所述被检测影像数据。进一步地，所述被检测样本预处理步骤，包括如下步骤：被检测样本分区步骤，将所述被检测人的心脏影像图分成两个以上特征区域；以及被检测样本特征提取步骤，对每一特征区域进行卷积池化处理，提取每一特征区域的特征数据；所有特征区域的特征数据的集合即为所述被检测影像数据。进一步地，所述验证步骤中，所述交叉验证为十字交叉验证。本专利技术还提供一种存储介质，该介质上存储有计算机程序，在处理器执行所述计算机程序时可实现权利要求任一项所述的方法。本专利技术的有益效果是：本专利技术提出心脏影像的分类方法及存储介质，本专利技术通过采用的深度学习算法，通过对心脏疾病图片进行数据采集，接着进行特征提取，并通过海量的图片数据进行模型的训练，最后搭建好数据模型。本专利技术还可以通过对测试的图片影像进行对搭建好的数据模型进行验证，并可以通过自反馈对数据模型进行不断的优化，将医学影像的预测率提高。本专利技术最后可以集成到医院系统中，可以进行同步批量处理，为医院工作人员提供帮助，可以提高工作效率。附图说明下面结合附图和实施例对本专利技术作进一步的描述。图1为本专利技术提供的心脏影像的分类方法的流程图；图2为本专利技术所述获取步骤的流程图；图3为本专利技术样本预处理步骤的流程图；图4为本专利技术验证步骤的流程图；图5为本专利技术被检测样本采集步骤的流程图。具体实施方式以下是各实施例的说明是参考附加的图式，用以例示本专利技术可以用湿湿的特定实施例。本专利技术所提到的方向用语，例如上、下、前、后、左、右、内、外、侧等，仅是参考附图式的方向。本专利技术提到的元件名称，例如第一、第二等，仅是区分不同的元部件本文档来自技高网...

【技术保护点】
1.一种图像异常检测方法，其特征在于，包括如下步骤：/n获取步骤，获取多个患者心脏影像以及正常心脏影像的数据化样本，每一数据化样本包括一心脏影像被数据化处理后获得的一组影像数据；/n样本标签步骤，将所述心脏影像标注标签，所述标签为所述心脏影像的疾病类别；/n样本分类步骤，将所述数据化样本分成训练样本及测试样本两类；/n数据模型构建步骤，利用所述训练样本的影像数据及组别标签构建并训练初级数据模型；/n验证步骤，根据至少一测试样本的影像数据对所述初级数据模型进行交叉验证处理；/n数据模型优化步骤，根据交叉验证的结果构建优化数据模型；/n被检测样本采集步骤，采集一被检测样本，其为一被检测人的心脏图像的数据化样本，包括该被检测人的心脏图像被数据化处理后获得的一组影像数据；以及/n判断步骤，将所述待检测样本录入至所述优化数据模型，所述优化数据模型获取所述待检测样本的组别标签，输出所述被检测人的标签类别。/n

【技术特征摘要】
1.一种图像异常检测方法，其特征在于，包括如下步骤：
获取步骤，获取多个患者心脏影像以及正常心脏影像的数据化样本，每一数据化样本包括一心脏影像被数据化处理后获得的一组影像数据；
样本标签步骤，将所述心脏影像标注标签，所述标签为所述心脏影像的疾病类别；
样本分类步骤，将所述数据化样本分成训练样本及测试样本两类；
数据模型构建步骤，利用所述训练样本的影像数据及组别标签构建并训练初级数据模型；
验证步骤，根据至少一测试样本的影像数据对所述初级数据模型进行交叉验证处理；
数据模型优化步骤，根据交叉验证的结果构建优化数据模型；
被检测样本采集步骤，采集一被检测样本，其为一被检测人的心脏图像的数据化样本，包括该被检测人的心脏图像被数据化处理后获得的一组影像数据；以及
判断步骤，将所述待检测样本录入至所述优化数据模型，所述优化数据模型获取所述待检测样本的组别标签，输出所述被检测人的标签类别。


2.如权利要求1所述的图像异常检测方法，其特征在于，
所述获取步骤，包括如下步骤：
影像获取步骤，采用CT机拍摄患者的心脏；
样本预处理步骤，对心脏影像图进行深度学习的数据化处理，获取两组以上影像数据，每一组影像数据包括至少一特征数据；
数据化样本生成步骤，生成两个以上数据化样本，每一数据化样本包括一该患者心脏图像数据化处理后获得的一组影像数据。


3.如权利要求2所述的图像异常检测方法，其特征在于，
所述样本预处理步骤，包括如下步骤：
分区步骤，将每一心脏图像分成两个以上特征区域；以及
特征提取步骤，对每一特征区域进行卷积池化处理，提取每一特征区域的特征数据；所有特征区域的特征数据的集合即为所述影像数据。


4.如权利要求1所述的图像异常检测方法，其特征在于，
所述初级数据模型包括RPN网络与FastR-CNN网络，
所述RPN网络与FastR-CNN网络共享底层卷积层，底层卷积层包括五层卷积层，
底层卷积层后包括第六卷积层，第六卷积层连接两个卷积分支，通过两个卷积分支分别输出初始区域分类得分与边界框，构成RPN网络，通过RPN...

【专利技术属性】
技术研发人员：王乾，郭宇宇，魏冬铭，宣锴，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31