医学图像病灶定位显示方法与系统技术方案

本申请实施例属于医学智能技术领域，涉及一种医学图像病灶定位显示方法，方法包括：获取预设医学图像，定位预设医学图像中的病灶，并对病灶进行分割，设置分割后的病灶为训练数据；基于深度学习的循环生成对抗网络，训练训练数据并迭代优化生成模型与判别模型；获取待检测医学图像，输入待检测医学图像至优化后的生成模型与判别模型中，得到生成模型处理后的待检测医学图像对应的待检测伪正常图像、判别模型处理后待检测医学图像对应的分类评分与分类特征映射图。本申请还提供一种医学图像病灶定位显示系统、设备及其存储介质。此外，本申请还涉及区块链技术，医学图像以及诊断病灶数据可存储于区块链中。据可存储于区块链中。据可存储于区块链中。

【技术实现步骤摘要】
医学图像病灶定位显示方法与系统


[0001]本申请涉及医学智能
，尤其涉及一种医学图像病灶定位显示方法、系统、设备及其存储介质。

技术介绍

[0002]医学图像是现代疾病诊断的重要依据，其具有数据量大，标准统一，数字化程度较高等优点。医学图像利用非侵入式手段实现人体内部结构以及微观结构进行显示，作为诊断医生提供重要人体器官、软组织、病变区域的客观可视化呈现，在疾病筛查、诊断、治疗以及预后评估等各个环节起到重要的作用。然而随着现代医学从人口老龄化与各种疾病早筛早诊早治，常规医学图像的诊断与勾画工作异常繁重，仅利用诊断医生实现疾病的早筛诊断，无法实现高效、精确的诊断结果。如何为医学图像工作者(如图像科、放疗科医生)提供有效客观、可控的辅助诊断结果，是研究人员在医学图像辅助诊断相关研究的目标。
[0003]随着计算机技术的发展与人工智能技术的快速迭代，对应计算机辅助诊断(Computer Aided Diagnosis，CAD)研究与应用，已经成为跨学科的研究热点。利用CAD技术提供的客观量化、高效可控的医学图像辅助诊断结果，将降低医疗本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学图像病灶定位显示方法，其特征在于，所述方法包括下述步骤：获取预设医学图像，定位预设医学图像中的病灶，并对病灶进行分割，设置分割后的病灶为训练数据；基于深度学习的循环生成对抗网络，训练训练数据并迭代优化生成模型与判别模型；获取待检测医学图像，输入待检测医学图像至优化后的生成模型与判别模型中，得到生成模型处理后的待检测医学图像对应的待检测伪正常图像、判别模型处理后待检测医学图像对应的分类评分与分类特征映射图；对待检测医学图像与待检测伪正常图像进行图像预处理与邻域差值运算，并基于掩模处理获得候选异常区域定位图；基于分类评分对分类特征映射图进行幅值变换，并与候选异常区域定位图进行基于空间位置的点乘处理，获得疑似病灶定位图的定位结果并显示于待检测医学图像上。2.根据权利要求1所述的医学图像病灶定位显示方法，其特征在于，所述基于深度学习的循环生成对抗网络，训练训练数据并迭代优化生成模型与判别模型的步骤包括：基于深度学习的循环生成对抗网络，将非配对的训练数据进行分组及训练处理后，输入至生成模型转换为伪正常图像以及输入至判别模型进行多任务判别。3.根据权利要求2所述的医学图像病灶定位显示方法，其特征在于，所述基于深度学习的循环生成对抗网络，将非配对的训练数据进行分组及训练处理后，输入至生成模型进行转换伪正常图像以及输入至判别模型进行多任务判别的步骤之后，所述方法还包括：由特征提取器提取预设医学图像与预设伪正常图像的浅层特征；基于相似性匹配与量化差距指标，计算浅层特征的特征约束值，并由特征约束值迭代优化生成模型。4.根据权利要求2所述的医学图像病灶定位显示方法，其特征在于，所述基于深度学习的循环生成对抗网络，将非配对的训练数据进行分组及训练处理后，输入至生成模型进行转换伪正常图像以及输入至判别模型进行多任务判别的步骤之后，所述方法还包括：由分类器分析多任务判别，并获得多任务判别的判别约束值；反馈判别约束值至生成模型中进行迭代训练，反馈判别约束值至判别模型进行迭代调整。5.根据权利要求1所述的医学图像病灶定位显示方法，其特征在于，所述获取待检测医学图像，输入待检测医学图像至优化后的生成模型与判别模型中，得到生成模型处理后的待检测医学图像对应的待检测伪正常图像、判别模型处理后待检测医学图像对应的分类评分与分类特征映射图的步骤包括：获取待检测医学图像；经生成模型对待检测医学图像进行识别，得到分布异常区域或分...

【专利技术属性】
技术研发人员：吴书裕，王琳婧，张全彬，张书旭，梅颖洁，廖煜良，
申请(专利权)人：广州医科大学附属肿瘤医院，
类型：发明
国别省市：