本发明专利技术提供了一种病灶图像的识别方法、装置、设备及可读存储介质，涉及医疗器械技术领域，包括获取病灶的磁共振图像样本，得到分割处理后的至少一个的磁共振图像样本；对所述磁共振图像样本进行超像素提取平均灰度值；获取第一信息包括至少两种不同器官组织的标准医疗图像；根据融合之后的特征和所述第一信息,得到分类后的所述磁共振图像样本的分割结果；采用深度学习的卷积神经网络模型，针对所述分割结果进行计算得到所述磁共振图像样本的识别结果。本发明专利技术的有益效果为：协助医生对医疗图像中的潜在病情进行判断，并自动地在医疗图像上进行病灶组织的识别标记，以便提醒医生做进一步的诊断，及时确诊病情，进而能够减轻医生的工作强度。生的工作强度。生的工作强度。
【技术实现步骤摘要】
一种病灶图像的识别方法、装置、设备及可读存储介质
[0001]本专利技术涉及医疗器械
，具体而言，涉及病灶图像的识别方法、装置、设备及可读存储介质。
技术介绍
[0002]目前医疗器械市场上的医疗摄影设备都是可以看到医疗影像的，例如血管摄影图像、心血管造影图像、电脑断层扫描图像、乳房摄影图像、正子发射断层扫描图像等。但是对于病灶的发现或识别，仍是医生凭借专业知识用肉眼去判断是否有发生病变问题，如此在病变初期，由于病灶往往比较微小，很容易被忽略，并且有时需要察看部位比较多，而医生需要每一个部位仔细观察，大大增强了医生的工作强度。因此，如何减轻医生的工作强度并快速及早地发现病情，是一个急需解决的问题。
技术实现思路
[0003]本专利技术的目的在于提供一种病灶图像的识别方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本专利技术采取的技术方案如下：
[0004]第一方面，本申请提供了一种病灶图像的识别方法，包括：
[0005]获取病灶的磁共振图像样本，对所述磁共振图像样本进行图像分割处理，得到分割处理后的至少一个的磁共振图像样本；
[0006]对所述磁共振图像样本进行超像素提取平均灰度值，基于预设的纹理特征和局部灰度特征，对提取后的所述磁共振图像样本进行特征融合，得到融合之后的特征；所述融合特征包括所述磁共振图像样本的轮廓形状特征和灰度图像特征；
[0007]获取第一信息，所述第一信息包括至少两种不同器官组织的标准医疗图像，针对每种器官组织的所述标准医疗图像，分别提取出对应的标准图像轮廓特征；
[0008]根据融合之后的特征和所述第一信息,利用字典训练算法和稀疏表示分类算法SRC,对所述磁共振图像样本进行分类,得到分类后的所述磁共振图像样本的分割结果；
[0009]采用深度学习的卷积神经网络模型，针对所述分割结果进行计算得到所述磁共振图像样本的识别结果。
[0010]第二方面，本申请还提供了一种病灶图像的识别装置，包括获取模块、融合模块、提取模块、分类模块和计算模块，其中：
[0011]获取模块:用于获取病灶的磁共振图像样本，对所述磁共振图像样本进行图像分割处理，得到分割处理后的至少一个的磁共振图像样本；
[0012]融合模块:用于对所述磁共振图像样本进行超像素提取平均灰度值，基于预设的纹理特征和局部灰度特征，对提取后的所述磁共振图像样本进行特征融合，得到融合之后的特征；
[0013]提取模块:用于获取第一信息，所述第一信息包括至少两种不同器官组织的标准医疗图像，针对每种器官组织的所述标准医疗图像，分别提取出对应的标准图像轮廓特征；
[0014]分类模块:用于根据融合之后的特征和所述第一信息,利用字典训练算法和稀疏表示分类算法SRC,对所述磁共振图像样本进行分类,得到分类后的所述磁共振图像样本的分割结果；
[0015]计算模块:用于采用深度学习的卷积神经网络模型，针对所述分割结果进行计算得到所述磁共振图像样本的识别结果。
[0016]第三方面，本申请还提供了一种病灶图像的识别设备，包括：
[0017]存储器，用于存储计算机程序；
[0018]处理器，用于执行所述计算机程序时实现所述病灶图像的识别方法的步骤。
[0019]第四方面，本申请还提供了一种可读存储介质，所述可读存储介质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基于病灶图像的识别方法的步骤。
[0020]本专利技术的有益效果为：本专利技术通过提取平均灰度值和提取标准图像轮廓特征，根据字典训练算法、稀疏表示分类算法SRC和深度学习的卷积神经网络，可以替代医生发现医疗图像中的潜在病情，并自动地在医疗图像上进行病灶组织的识别标记，以便提醒医生做进一步的诊断，及时确诊病情，进而能够减轻医生的工作强度，及时确诊是否有病变发生，避免耽搁病情的治疗时机，尤其有助于早期病变的发现。
[0021]本专利技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术实施例了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
[0022]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0023]图1为本专利技术实施例中所述的病灶图像的识别方法流程示意图；
[0024]图2为本专利技术实施例中所述的病灶图像的识别装置结构示意图；
[0025]图3为本专利技术实施例中所述的病灶图像的识别设备结构示意图。
[0026]图中:701、获取模块；7011、增强单元；7012、分割单元；7013、第一处理单元；702、融合模块；703、提取模块；7031、获取单元；7032、输入单元；7033、匹配单元；7034、确定单元；7035、预测单元；7036、标记单元；7037、输出单元；704、分类模块；705、计算模块；7051、获得单元；7052、锚定单元；7053、第二处理单元；706、读取模块；707、去除模块；708、弱化模块；709、处理模块；800、病灶图像的识别设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
具体实施方式
[0027]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实
施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0028]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本专利技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0029]实施例1：
[0030]本实施例提供了一种病灶图像的识别方法。
[0031]本专利技术的病灶图像处理识别方法可适用于胃部病灶、眼底图像微动脉瘤和脑部病灶等。
[0032]参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300和步骤S400和步骤S500。
[0033]S100、获取病灶的磁共振图像样本，对磁共振图像样本进行图像分割处理，得到分割处理后的至少一个的磁共振图像样本。
[0034]可本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种病灶图像的识别方法，其特征在于，包括：获取病灶的磁共振图像样本，对所述磁共振图像样本进行图像分割处理，得到分割处理后的至少一个的磁共振图像样本；对所述磁共振图像样本进行超像素提取平均灰度值，基于预设的纹理特征和局部灰度特征，对提取后的所述磁共振图像样本进行特征融合，得到融合之后的特征；所述融合特征包括所述磁共振图像样本的轮廓形状特征和灰度图像特征；获取第一信息，所述第一信息包括至少两种不同器官组织的标准医疗图像，针对每种器官组织的所述标准医疗图像，分别提取出对应的标准图像轮廓特征；根据融合之后的特征和所述第一信息,利用字典训练算法和稀疏表示分类算法SRC,对所述磁共振图像样本进行分类,得到分类后的所述磁共振图像样本的分割结果；采用深度学习的卷积神经网络模型，针对所述分割结果进行计算得到所述磁共振图像样本的识别结果。2.根据权利要求1所述的病灶图像的识别方法，其特征在于,所述获取病灶的磁共振图像样本，之后包括：对所述磁共振图像样本进行预处理，所述预处理包括对所述磁共振图像样本中的图像进行缩放，其中包括：对所述磁共振图像样本进行读取，并按预设倍数对所述磁共振图像样本进行缩小处理；针对缩小后的所述磁共振图像样本，去除超过预设比例的背景区域，得到去除背景后的所述磁共振图像样本；利用高斯滤波处理，对所述磁共振图像样本进行噪音弱化；根据边缘损失函数，对弱化后噪音的所述磁共振图像样本进行优化处理，得到优化后的所述磁共振图像样本。3.根据权利要求1所述的病灶图像的识别方法，其特征在于,所述对所述磁共振图像样本进行图像分割处理，其中包括：根据伽马变换原理，对所述磁共振图像样本进行图像增强，得到增强后的所述磁共振图像样本；基于U
‑
net学习模型，对所述磁共振图像样本进行分割，得到分割后的所述磁共振图像样本；对分割后的所述磁共振图像样本进行二值化处理，得到二值磁共振图像样本，并对所述二值磁共振图像样本做相应的平滑处理，得到分割后的所述磁共振图像样本。4.根据权利要求1所述的病灶图像的识别方法，其特征在于,所述获取第一信息，之后包括：获取第二信息，所述第二信息包括每种器官组织的所述标准医疗图像以及每个所述标准医疗图像所对应的图像识别类型，其中，针对各种所述图像识别类型，对应的样本医疗图像的数目不少于2000张；将所述第二信息作为训练样本，输入至预设的病灶检测模型中进行病灶图像识别训练，其中，将所述样本医疗图像作为样本输入数据，将与所述样本医疗图像对应的所述图像识别类型作为样本校验数据；根据训练得到的所述图像识别类型与所述样本校验数据的匹配结果，对所述匹配结果
进行优化，直到完成训练或训练所述图像识别类型与所述样本校验数据的匹配率达到预设的阈值为止。5.一种病灶图像的识别装置，其特征在于，包括：获取模块:用于获取病灶的磁共振图像样本，对所述磁共振图像样本进行图像分割处理，得到分割处理后的至少一个的磁共振图像样本；融合模块:用于对所述磁共振图像样本进行超像素提取平...
【专利技术属性】
技术研发人员：李景荣，
申请(专利权)人：中科微影浙江医疗科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。