肺部CT图像的多标签智能检测方法、装置、设备和介质制造方法及图纸

本申请公开了一种肺部CT图像的多标签智能检测方法、装置、设备和介质，获取逐层输入的目标图像，所述目标图像为肺部CT图像；将所述目标图像输入至训练好的多类别分割模型中，得到多类别分割图像和单一类别分割图像，所述多类别分割图像用于指示所述目标图像中至少一部分区域的所属类型标签，所述单一类别分割图像用于指示所述目标图像中包含的感兴趣区域；利用所述单一类别分割图像对所述多类别分割图像进行筛选，得到所述目标图像中感兴趣区域的所属类型标签，在不损失特征的情况下，有效提高图像处理速度。提高图像处理速度。提高图像处理速度。

【技术实现步骤摘要】
肺部CT图像的多标签智能检测方法、装置、设备和介质


[0001]本公开一般涉及图像处理领域，具体涉及医疗图像处理领域，尤其涉及一种肺部CT图像的多标签智能检测方法、装置、电子设备和存储介质。

技术介绍

[0002]在医疗领域内，由相关医疗专业人员人工检测肺部CT图像这一传统方式十分的费时费力，近年兴起的基于深度神经网络的机器视觉算法可以有效地解决这一问题。

技术实现思路

[0003]鉴于现有技术中的上述缺陷或不足，期望提供一种肺部CT图像的多标签智能检测方法、装置、电子设备和存储介质，在不损失特征的情况下，有效提高图像处理速度。
[0004]第一方面，本申请提出一种肺部CT图像的多标签智能检测方法，包括：
[0005]获取逐层输入的目标图像；
[0006]将所述目标图像输入至训练好的多类别分割模型中，得到多类别分割图像和单一类别分割图像，所述多类别分割图像用于指示所述目标图像中至少一部分区域的所属类型标签，所述单一类别分割图像用于指示所述目标图像中包含的感兴趣区域；
[0007]利用所述单一类别分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肺部CT图像的多标签智能检测方法，其特征在于，包括：获取逐层输入的目标图像，所述目标图像为肺部CT图像；将所述目标图像输入至训练好的多类别分割模型中，得到多类别分割图像和单一类别分割图像，所述多类别分割图像用于指示所述目标图像中至少一部分区域的所属类型标签，所述单一类别分割图像用于指示所述目标图像中包含的感兴趣区域；利用所述单一类别分割图像对所述多类别分割图像进行筛选，得到所述目标图像中感兴趣区域的所属类型标签。2.根据权利要求1所述的肺部CT图像的多标签智能检测方法，其特征在于，所述多类别分割模型包括收缩模块、膨胀模块和分割模块，该方法包括：利用所述收缩模块对所述目标图像进行三次下采样，得到下采样图像；利用所述膨胀模块对所述下采样图像进行三次上采样，得到上采样图像；利用所述分割模块对所述上采样图像进行多类别分割和单一类别分割，得到所述多类别分割图像和所述单一类别分割图像。3.根据权利要求2所述的肺部CT图像的多标签智能检测方法，其特征在于，所述收缩模块包括两个第一收缩单元和第一归一化层，所述两个第一收缩单元依次连接，所述第一收缩单元包括第一卷积层和第一非线性层，所述第一归一化层设置于第二个所述第一收缩单元的所述第一卷积层和所述第一非线性层之间；所述膨胀模块包括两个第一膨胀单元和第二归一化层，所述两个第一膨胀单元依次连接，所述第一膨胀单元包括第二卷积层和第二非线性层，所述第二归一化层设置于第二个所述第一膨胀单元的所述第二卷积层和所述第二非线性层之间。4.根据权利要求2所述的肺部CT图像的多标签智能检测方法，其特征在于，还包括：在所述所属类型标签满足预设条件时，利用含有残差连接的收缩模块对所述目标图像进行三次下采样，得到所述下采样图像，以及利用含有残差连接的膨胀模块对所述下采样图像进行三次上采样，得到所述上采样图像。5.根据权利要求4所述的肺部CT图像的多标签智能检测方法，其特征在于，所述含有残差连接的收缩模块包括两个第二收缩单元、第三归一化层和第一残差连接层，所述两个第二收缩单元依次连接，所述第二收缩单元包括第三卷积层和第三非线性层，所述第三归一化层和所述第一残差连接层设置于第二个所述第二收缩单元的所述第三卷积层和所述第三非线性层之间，所述第一残差连接层用于将输入至第一个所述第二收缩单元的特征...

【专利技术属性】
技术研发人员：何昆仑，邢宁，聂永康，管希周，马林，刘盼，郭华源，王文君，钟琴，郭桦，丁俊谕，李宗任，刘博罕，赵诚辉，张培芳，
申请(专利权)人：北京安德医智科技有限公司，
类型：发明
国别省市：