医学图像处理和分析方法、计算机设备、系统和存储介质技术方案

本发明专利技术属于医学图像处理技术领域，具体涉及一种医学图像处理和分析方法、计算机设备、系统和存储介质。本发明专利技术的医学图像处理方法步骤如下：基于初始的已标注医学图像样本训练得到深度学习模型；完成前向传播过程，基于香农定理将预测结果转化为熵图；挑选出不重复信息量总和最高的一批候选医学图像样本；挑选出的候选医学图像样本经过标注后与所有已标注医学图像样本合并，训练得到新的深度学习模型；重复以上步骤，直至遍历所有的候选医学图像样本或模型提前达到某一目标性能。本发明专利技术还提供了一种利用上述深度学习模型进行图像分析的方法。本发明专利技术能够减少对医学图像的标注量降低深度学习模型的使用成本，具有很高的应用价值。值。值。

【技术实现步骤摘要】
医学图像处理和分析方法、计算机设备、系统和存储介质


[0001]本专利技术属于医学图像处理
，具体涉及一种医学图像处理和分析方法、计算机设备、系统和存储介质。

技术介绍

[0002]深度学习是机器学习领域中一个新的研究方向，其是一类模式分析方法的统称。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。
[0003]深度学习在医学图像分析中已经有较多的应用，例如，CN202011259621.3，CN202011618907.6等专利利用深度学习技术实现了计算机辅助诊断。他们利用标注好的数据训练神经网络模型，之后利用训练好的神经网络模型来分析医学图像数据，从而辅助诊断。深度学习在医学图像处理中已经能够实现分类、检测和分隔等多种目的。但是，在深度学习的模型训练过程中，需要使用大量标注数据，而医学数据的标注需要很强的专业知识。因此，深度学习的模型训练往往需要专业医生花费大量时间进行数据标注的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学图像处理方法，其特征在于，包括如下步骤：步骤1，基于初始的已标注医学图像样本训练得到初始的深度学习模型；步骤2，将候选医学图像样本输入前一步骤建立的深度学习模型，完成前向传播过程，基于香农定理将预测结果转化为熵图；步骤3，基于所述预测结果和所述熵图，对所述候选医学图像样本的信息总量和信息重复程度作出评价，挑选出不重复信息量总和最高的一批候选医学图像样本；步骤4，将步骤3挑选出的候选医学图像样本输出以进行标注；步骤5，步骤3挑选出的候选医学图像样本经过标注后与所有已标注医学图像样本合并，形成新的已标注医学图像样本的样本集，利用新的已标注医学图像样本的样本集训练得到中间的深度学习模型；步骤6，重复步骤2
‑
5，直至遍历所有的候选医学图像样本或模型达到目标性能，得到最终的深度学习模型。2.按照权利要求1所述的医学图像处理方法，其特征在于：所述医学图像是CT图像、MRI、超声图像、X光图像、病理切片图像或骨显像图像，所述MRI是T1WI、T2WI、DWI或DTI。3.按照权利要求1所述的医学图像处理方法，其特征在于：步骤1、步骤5和步骤6中，所述初始的深度学习模型、中间的深度学习模型和最终的深度学习模型是医学图像的分类模型、检测模型或分割模型。4.按照权利要求3所述的医学图像处理方法，其特征在于：步骤1、步骤5和步骤6中，所述初始的深度学习模型、中间的深度学习模型和最终的深度学习模型是医学图像的检测模型或分割模型；步骤3中，挑选出不重复信息量总和最高的一批候选医学图像样本后，还通过如下步骤对候选医学图像样本进行进一步挑选：步骤3a，基...

【专利技术属性】
技术研发人员：蒋明丰，周小波，龚昊然，
申请(专利权)人：四川大学华西医院，
类型：发明
国别省市：