医学影像检测模型训练方法、医学影像检测方法及装置制造方法及图纸

本发明专利技术涉及一种医学影像检测模型训练方法、医学影像检测方法及装置，获得先验医学影像数据集，根据先验医学影像数据集建立神经网络，以训练神经网络分割模型；进一步地，在神经网络分割模型的卷积网络层中加入多尺度卷积层和残差连接，获得医学影像检测模型。基于此，通过神经网络分割模型对医学影像进行分割，并由多尺度卷积层和残差连接提高影像特征提取的准确度和解决网络退化问题，高效准确地检测医学影像对应的医学信息分类，降低医护工作的负担以利于提高医护工作的效率。

【技术实现步骤摘要】
医学影像检测模型训练方法、医学影像检测方法及装置
本专利技术涉及图像处理
，特别是涉及一种医学影像检测模型训练方法、医学影像检测方法及装置。
技术介绍
医学影像是指为了医疗或医学研究，对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。一般地，医学影像包含以下两个相对独立的研究方向：医学成像系统和医学影像处理。其中，在医院成像系统完成了图像成像后，需要对图像进行进一步处理，以便于后续如医学诊断或数据加工等相关处理。目前，传统的医学影像处理主要是针对图像特性本身的处理，例如对医学影像进行图像增强以便于医护人员观察或对医学影像进行数据压缩以便于跨域传输等。医学影像处理在图像层面上大大便利了医护工作的开展复杂度。但是，医学影像在成像过程中，由于人体个体差异天然导致大量客观干扰因素。以对肺部进行成像胸部X光为例，由于成像对象的个体差异，获取到的肺部图像大小不一，以现有的模板把肺部图像分割出来进行检测可能会由于个体差异导致分割检测不准确。由此可见，在完成医学影像成像后，后续对医学影像的检测仍存在以上的缺陷。专利本文档来自技高网...

【技术保护点】
1.一种医学影像检测模型训练方法，其特征在于，包括步骤：/n获取先验医学影像，以获得先验医学影像数据集；/n根据进行医学信息分类标注后的先验医学影像数据集建立神经网络，以训练神经网络分割模型；/n在所述神经网络分割模型的卷积网络层中加入多尺度卷积层和残差连接，获得医学影像检测模型。/n

【技术特征摘要】
1.一种医学影像检测模型训练方法，其特征在于，包括步骤：
获取先验医学影像，以获得先验医学影像数据集；
根据进行医学信息分类标注后的先验医学影像数据集建立神经网络，以训练神经网络分割模型；
在所述神经网络分割模型的卷积网络层中加入多尺度卷积层和残差连接，获得医学影像检测模型。


2.根据权利要求1所述的医学影像检测模型训练方法，其特征在于，在获取先验医学影像的过程之前，还包括步骤：
对所述先验医学影像进行图像预处理。


3.根据权利要求1所述的医学影像检测模型训练方法，其特征在于，所述获取先验医学影像，以获得先验医学影像数据集的过程，包括步骤：
分割出所述先验医学影像的先验区域影像；
根据所述先验区域影像获得先验医学影像数据集。


4.根据权利要求1所述的医学影像检测模型训练方法，其特征在于，所述根据进行医学信息分类标注后的先验医学影像数据集建立神经网络的过程，包括步骤：
将先验医学影像数据集中的先验医学影像作缩放处理；
将缩放处理后的先验医学影像输入至神经网络，由神经网络内的卷积层进行卷积处理，并计算特征子图；
通过神经网络内的感兴趣区域池化层根据所述特征子图提取特征，以进行全连接处理和逻辑回归网络的分类处理。


5.根据权利要求4所述的医学影像检测模型训练方法，其特征在于，所述逻辑回归网络的损失函数如下：



其中，i表示anchorsindex，pi表示foregroundsoftmaxprobability，代表对应的GTpredict概率，即当第i个anchor与GT间IoU>0.7，认为是该anchor是foreground，反之IoU<0.3时，认为是该anchor是background，至于那些0.3<IoU<0.7的anchor则不参与训练；t代表predictboundingbox，代表对应foregroundanchor对应的GTbox；整个Loss分为以下两部分：
clsloss，即rpn_c...

【专利技术属性】
技术研发人员：潘丹，曾安，魏敢，容华斌，谢锐伟，蔡重芪，
申请(专利权)人：广东中科天机医疗装备有限公司，
类型：发明
国别省市：广东;44