医学图像质控、分类模型训练方法、装置及计算机设备制造方法及图纸

本说明书实施方式提供一种医学图像质控、分类模型训练方法、装置及计算机设备。该方法通过将针对指定医学检查项目的二维医学图像输入至医学图像分类模型中，降低了模型处理对象的复杂度，减少模型的响应时间。并利用医学图像分类模型对所述二维医学图像进行身体部位识别，确定所述二维医学图像对应的身体部位类别，从而根据二维医学图像对应的身体部位类别与所述指定医学检查项目所要求的目标部位生成针对指定医学检查项目的目标医学图像序列的质控结果。列的质控结果。列的质控结果。

【技术实现步骤摘要】
医学图像质控、分类模型训练方法、装置及计算机设备


[0001]本说明书实施方式涉及医学图像处理
，具体涉及一种医学图像质控、分类模型训练方法、装置及计算机设备。

技术介绍

[0002]在肿瘤药物研发过程中需要招募受试者进行药物评估，经过筛选的受试者可以服用研发的药物以辅助研究者执行临床研究试验。在临床研究试验的过程中，通过医学成像设备在不同时期对受试者进行检查和拍摄，得到三维的医学图像序列。进一步地，由于医学检查图像序列作为评估药效的依据，因此需要确保医学图像序列的质量。

技术实现思路

[0003]有鉴于此，本说明书实施方式致力于提供一种医学图像质控、分类模型训练方法、装置及计算机设备，以减少质量控制的响应时间。
[0004]本说明书实施方式提供了一种医学图像序列质控方法，所述方法包括：将针对指定医学检查项目的二维医学图像输入至医学图像分类模型中；其中，所述二维医学图像是将针对所述指定医学检查项目的目标医学图像序列进行投影得到的；所述医学图像分类模型包括主干卷积网络、第一分支卷积网络以及第二分支卷积网络；其中，所述第一分支卷积网络、所述第二分支卷积网络分别连接于所述主干卷积网络；采用所述主干卷积网络对所述二维医学图像进行特征提取，得到主干图像特征；将所述主干图像特征分别输入至所述第一分支卷积网络、所述第二分支卷积网络中，对应得到所述第一分支卷积网络输出的第一类别概率数据、所述第二分支卷积网络输出的第二类别概率数据；基于所述第一类别概率数据、所述第二类别概率数据的融合结果确定所述二维医学图像对应的身体部位类别；根据所述身体部位类别与所述指定医学检查项目所要求的目标部位确定目标医学图像序列的质控结果。
[0005]本说明书实施方式提供一种医学图像分类模型训练方法，所述方法包括：构建医学图像训练样本集；其中，所述医学图像训练样本集包括若干张二维医学图像；利用所述二维医学图像对医学图像分类模型进行训练，直至满足模型停止训练条件；其中，所述医学图像分类模型包括主干卷积网络、第一分支卷积网络以及第二分支卷积网络；其中，所述第一分支卷积网络、所述第二分支卷积网络分别连接于所述主干卷积网络；所述主干卷积网络包括若干密集连接模块；其中，所述主干卷积网络，用于对所述二维医学图像进行特征提取，得到主干图像特征；所述第一分支卷积网络，用于对所述主干图像特征进行处理，得到第一类别概率数据；所述第二分支卷积网络，用于对所述主干图像特征进行处理，得到第二类别概率数据；其中，所述第一类别概率数据以及第二类别概率数据的融合结果，用于确定所述二维医学图像对应的身体部位类别。
[0006]本说明书实施方式提供一种医学图像序列质控装置，所述装置包括：医学图像输入模块，用于将针对指定医学检查项目的二维医学图像输入至医学图像分类模型中；其中，
所述二维医学图像是将针对所述指定医学检查项目的目标医学图像序列进行投影得到的；所述医学图像分类模型包括主干卷积网络、第一分支卷积网络以及第二分支卷积网络；其中，所述第一分支卷积网络、所述第二分支卷积网络分别连接于所述主干卷积网络；主干特征提取模块，用于采用所述主干卷积网络对所述二维医学图像进行特征提取，得到主干图像特征；概率数据生成模块，用于将所述主干图像特征分别输入至所述第一分支卷积网络、所述第二分支卷积网络中，对应得到所述第一分支卷积网络输出的第一类别概率数据、所述第二分支卷积网络输出的第二类别概率数据；部位类别确定模块，用于基于所述第一类别概率数据、所述第二类别概率数据的融合结果确定所述二维医学图像对应的身体部位类别；质控结果确定模块，用于根据所述身体部位类别与所述指定医学检查项目所要求的目标部位确定目标医学图像序列的质控结果。
[0007]本说明书实施方式提供一种医学图像分类模型训练装置，所述装置包括：样本集构建模块，用于构建医学图像训练样本集；其中，所述医学图像训练样本集包括若干张二维医学图像；模型训练模块，用于利用所述二维医学图像对医学图像分类模型进行训练，直至满足模型停止训练条件；其中，所述医学图像分类模型包括主干卷积网络、第一分支卷积网络以及第二分支卷积网络；其中，所述第一分支卷积网络、所述第二分支卷积网络分别连接于所述主干卷积网络；所述主干卷积网络包括若干密集连接模块；其中，所述主干卷积网络，用于对所述二维医学图像进行特征提取，得到主干图像特征；所述第一分支卷积网络，用于对所述主干图像特征进行处理，得到第一类别概率数据；所述第二分支卷积网络，用于对所述主干图像特征进行处理，得到第二类别概率数据；其中，所述第一类别概率数据以及第二类别概率数据的融合结果，用于确定所述二维医学图像对应的身体部位类别。
[0008]本说明书实施方式提供一种计算设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述实施方式中的方法步骤。
[0009]本说明书实施方式提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述实施方式中的方法步骤。
[0010]本说明书实施方式提供一种计算机程序产品，所述计算机程序产品中包括指令，所述指令被计算机设备的处理器执行时，使得所述计算机设备能够执行上述实施方式中的方法步骤。
[0011]本说明书实施方式，通过将针对指定医学检查项目的二维医学图像输入至医学图像分类模型中，降低了模型处理对象的复杂度，减少模型的响应时间。进一步地，利用医学图像分类模型的主干卷积网络对所述二维医学图像进行特征提取，得到主干图像特征；利用医学图像分类模型的第一分支卷积网络对主干图像特征进行特征提取，得到第一类别概率数据；利用医学图像分类模型的第二分支卷积网络对主干图像特征进行特征提取，得到第二类别概率数据；从而可以基于第一类别概率数据、所述第二类别概率数据准确地确定所述二维医学图像对应的身体部位类别，进而生成针对指定医学检查项目的目标医学图像序列的质控结果。
附图说明
[0012]图1a所示为一实施方式提供的场景示例中医学图像质量控制的流程示意图。
[0013]图1b所示为一实施方式提供的场景示例中医学图像质控系统的示意图。
[0014]图1c所示为一实施方式提供的场景示例中医学图像分类模型的框架结构的示意图。
[0015]图1d所示为一实施方式提供的场景示例中身体部位展示表的示意图。
[0016]图1e所示为一实施方式提供的医学图像序列质控方法的应用环境图。
[0017]图2所示为一实施方式提供的医学图像序列质控方法的流程示意图。
[0018]图3所示为一实施方式提供的医学图像序列质控方法的流程示意图。
[0019]图4所示为一实施方式提供的医学图像序列质控方法的流程示意图。
[0020]图5a所示为一实施方式提供的医学图像序列质控方法的流程示意图。
[0021]图5b所示为一实施方式提供的目标图像序列中一个切片的示意图。
[0022]图5c所示为一实施方式提供的二维医学图像的示意图。
...

【技术保护点】

【技术特征摘要】
1.一种医学图像序列质控方法，其特征在于，所述方法包括：将针对指定医学检查项目的二维医学图像输入至医学图像分类模型中；其中，所述二维医学图像是将针对所述指定医学检查项目的目标医学图像序列进行投影得到的；所述医学图像分类模型包括主干卷积网络、第一分支卷积网络以及第二分支卷积网络；其中，所述第一分支卷积网络、所述第二分支卷积网络分别连接于所述主干卷积网络；采用所述主干卷积网络对所述二维医学图像进行特征提取，得到主干图像特征；将所述主干图像特征分别输入至所述第一分支卷积网络、所述第二分支卷积网络中，对应得到所述第一分支卷积网络输出的第一类别概率数据、所述第二分支卷积网络输出的第二类别概率数据；基于所述第一类别概率数据、所述第二类别概率数据的融合结果确定所述二维医学图像对应的身体部位类别；根据所述身体部位类别与所述指定医学检查项目所要求的目标部位确定目标医学图像序列的质控结果。2.根据权利要求1所述的方法，其特征在于，所述主干卷积网络包括若干密集连接模块，所述采用所述主干卷积网络对所述二维医学图像进行特征提取，得到主干图像特征，包括：通过所述密集连接模块中具有膨胀率的卷积核提取所述二维医学图像中的身体部位特征，得到所述主干图像特征。3.根据权利要求1所述的方法，其特征在于，所述第一分支卷积网络包括第一卷积块和第二卷积块；将所述主干图像特征输入至所述第一分支卷积网络，对应得到所述第一分支卷积网络输出的第一类别概率数据，包括：利用所述第一卷积块中第一预设数量的卷积核对所述主干图像特征进行卷积处理，得到第一图像特征；其中，所述第一图像特征用于表示所述二维医学图像中像素间的相互关系；利用所述第二卷积块中第二预设数量的卷积核对所述第一图像特征进行卷积处理，得到第二图像特征；对所述第二图像特征进行平均池化处理，得到所述第一类别概率数据。4.根据权利要求1至3任一项所述的方法，其特征在于，所述第二分支卷积网络包括第三卷积块、池化层以及第四卷积块；将所述主干图像特征输入至所述第二分支卷积网络，对应得到所述第二分支卷积网络输出的第二类别概率数据，包括：利用所述第三卷积块中第一预设数量的卷积核对所述主干图像特征进行特征聚合，得到第三图像特征；利用所述池化层对所述第三图像特征进行最大池化处理，得到图像关键语义特征；利用所述第四卷积块对所述图像关键语义特征进行特征聚合，得到第四图像特征；对所述第四图像特征进行全局平均池化处理，得到所述第二类别概率数据。5.根据权利要求1所述的方法，其特征在于，所述基于所述第一类别概率数据、第二类别概率数据的融合结果确定所述二维医学图像对应的身体部位类别，包括：根据所述第一类别概率数据、第二类别概率数据进行相加处理，得到所述融合结果；在所述融合结果中确定满足预设条件的目标概率值；
将所述目标概率值对应的类别确定为所述身体部位类别。6.根据权利要求1所述的方法，其特征在于，所述根据所述身体部位类别与所述指定医学检查项目所要求的目标部位确定目标医学图像序列的质控结果，包括：在所述身体部位类别与所述目标部位不匹配的情况下，确定所述目标医学图像序列的质量不达标；或者，在所述身体部位类别与所述目标部位匹配的情况下，确定所述目标医学图像序列的质量达标。7.根据权利要求1所述的方法，其特征在于，所述将针对所述指定医学检查项目的目标医学图像序列进行投影，包括：获取目标医学图像序列的切片体素矩阵、斜率标签数据以及截距标签数据；基于所述斜率标签数据以及所述截距标签数据，将所述切片体素矩阵转换为计算内存可处理的目标体素矩阵；根据体素间距以及切片间距对所述目标体素矩...

【专利技术属性】
技术研发人员：张俊杰，霍志敏，
申请(专利权)人：浙江太美医疗科技股份有限公司，
类型：发明
国别省市：