本申请提供一种医疗影像的图像检测方法，包括：获取待检测医疗影像；利用深度学习模型拟合所述待检测医疗影像和对应类别标签的映射关系得到中间诊断结果，对所述中间诊断结果中大于预设确定性阈值的结果进行诊断，得到诊断结果；利用基于不确定估计算法的诊断模型对不大于所述预设确定性阈值的结果进行诊断，得到所述诊断结果。本申请在基于深度学习模型得到诊断结果的基础上，对于不大于预设确定性阈值的结果采用不确定估计算法的诊断模型进行评估，提高最终诊断结果的可靠程度，避免仅利用深度学习模型进行图像检测所容易出现的过度自信现象。本申请还提供一种医疗影像的图像检测系统、计算机可读存储介质和电子设备，具有上述有益效果。有上述有益效果。有上述有益效果。
【技术实现步骤摘要】
一种医疗影像的图像检测方法、系统及相关装置
[0001]本申请涉及图像检测领域，特别涉及一种医疗影像的图像检测方法、系统及相关装置。
技术介绍
[0002]由于医学本身是一种模糊科学，使得医学领域的诸多检测存在较大不确定性。疾病的良恶很多时候并不存在明显的界限(存在一些中间状态，如：良性肿瘤也会有恶化的可能)，且良性疾病或者恶性疾病类内也存在较大差距，如：恶性乳腺癌也存在小叶原位癌、导管原位癌、浸润性癌等。因此，基于深度学习或是机器学习等数据驱动的算法训练明确几分类网络往往不是很合理，所得到的识别结果容易存在偏差。
技术实现思路
[0003]本申请的目的是提供一种医疗影像的图像检测方法、系统、计算机可读存储介质和电子设备，通过双重诊断机制提高对于医疗影像的识别准确度。
[0004]为解决上述技术问题，本申请提供一种医疗影像的图像检测方法，具体技术方案如下：
[0005]获取待检测医疗影像；
[0006]利用深度学习模型拟合所述待检测医疗影像和对应类别标签的映射关系得到中间诊断结果，对所述中间诊断结果中大于预设确定性阈值的结果进行诊断，得到诊断结果；
[0007]利用基于不确定估计算法的诊断模型对不大于所述预设确定性阈值的结果进行诊断，得到所述诊断结果。
[0008]可选的，利用深度学习模型拟合所述待检测医疗影像和对应类别标签的映射关系得到中间诊断结果之前，还包括：
[0009]利用包含若干医疗影像的训练集进行深度学习训练，得到所述深度学习模型。
[0010]可选的，利用包含若干医疗影像的训练集进行深度学习训练，得到所述深度学习模型时，还包括：
[0011]根据所述医疗影像的类型训练对应的深度学习分类模型；所述深度学习模型由各类型医疗影像对应的所述深度学习分类模型构成。
[0012]可选的，利用包含若干医疗影像的训练集进行深度学习训练，得到所述深度学习模型时，还包括：
[0013]将所述医疗影像作为矩阵，所述医疗影像中的每个像素对应所述矩阵中的一个神经元；
[0014]按照设定概率对网络模型中的部分神经元失活得到多种不同结构的网络模型；所述深度学习模型由不同结构的网络模型构成。
[0015]可选的，利用包含若干医疗影像的训练集进行深度学习训练，得到所述深度学习模型时，还包括：
[0016]在每次迭代训练过程中采用抽样方法从所述训练集中选择不同的医疗影像作为真实训练集，并利用所述真实训练集进行深度学习训练得到若干深度学习子模型；所述深度学习模型由所述深度学习子模型构成。
[0017]可选的，利用深度学习模型拟合所述待检测医疗影像和对应类别标签的映射关系得到中间诊断结果包括：
[0018]利用深度学习模型拟合所述待检测医疗影像和对应类别标签的映射关系，得到若干所述待检测医疗图像的良恶性概率。
[0019]可选的，对所述中间诊断结果中大于预设确定性阈值的结果进行诊断，得到诊断结果包括：
[0020]计算所述良恶性概率的方差；其中，所述方差与所述深度学习类模型对于所述待检测医疗模型所属类别的确信程度呈负相关；
[0021]根据所述网络模型对于训练集数据的样本检测正确率，确定方差阈值；
[0022]若所述方差小于所述方差阈值，确定所述中间诊断结果大于所述预设确定性阈值，并将各所述良恶性概率的均值作为待检测医疗影像的诊断结果。
[0023]本申请还提供一种医疗影像的图像检测系统，包括：
[0024]数据获取模块，用于获取待检测医疗影像；
[0025]第一诊断模块，用于利用深度学习模型拟合所述待检测医疗影像和对应类别标签的映射关系得到中间诊断结果，对所述中间诊断结果中大于预设确定性阈值的结果进行诊断，得到诊断结果；
[0026]第二诊断模块，用于利用基于不确定估计算法的诊断模型对不大于所述预设确定性阈值的结果进行诊断，得到所述诊断结果。
[0027]本申请还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如上所述的方法的步骤。
[0028]本申请还提供一种电子设备，包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如上所述的方法的步骤。
[0029]本申请提供一种医疗影像的图像检测方法，包括：获取待检测医疗影像；利用深度学习模型拟合所述待检测医疗影像和对应类别标签的映射关系得到中间诊断结果，对所述中间诊断结果中大于预设确定性阈值的结果进行诊断，得到诊断结果；利用基于不确定估计算法的诊断模型对不大于所述预设确定性阈值的结果进行诊断，得到所述诊断结果。
[0030]本申请在基于深度学习模型得到诊断结果的基础上，对于不大于预设确定性阈值的结果采用不确定估计算法的诊断模型进行评估，提高最终诊断结果的可靠程度，避免仅利用深度学习模型进行图像检测所容易出现的过度自信现象。同时使得基于深度学习模型的良恶二分类拓展至良、恶和不确定三分类算法，并基于不确定估计算法的诊断模型对深度学习模型不确定的待检测医疗影像做进一步评估诊断，更贴近医学的模糊科学的特点，契合实际医学决策过程。
[0031]本申请还提供一种医疗影像的图像检测系统、计算机可读存储介质和电子设备，具有上述有益效果，此处不再赘述。
附图说明
[0032]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。
[0033]图1为本申请实施例所提供的一种医疗影像的图像检测方法的流程图；
[0034]图2为本申请实施例所提供的粗糙集理论示意图；
[0035]图3为本申请实施例所提供的一种医疗影像的图像检测系统的结构示意图。
具体实施方式
[0036]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0037]请参考图1，图1为本申请实施例所提供的一种医疗影像的图像检测方法的流程图，该图像检测方法包括：
[0038]S101：获取待检测医疗影像；
[0039]S102：利用深度学习模型拟合所述待检测医疗影像和对应类别标签的映射关系得到中间诊断结果，对所述中间诊断结果中大于预设确定性阈值的结果进行诊断，得到诊断结果；
[0040]S103：利用基于不确定估计算法的诊断模型对不大于所述预设确定性阈值的结果进行诊断，得到所述诊断结果。
[0041]待检测医疗影像中可以包含多种类型的数本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种医疗影像的图像检测方法，其特征在于，包括：获取待检测医疗影像；利用深度学习模型拟合所述待检测医疗影像和对应类别标签的映射关系得到中间诊断结果，对所述中间诊断结果中大于预设确定性阈值的结果进行诊断，得到诊断结果；利用基于不确定估计算法的诊断模型对不大于所述预设确定性阈值的结果进行诊断，得到所述诊断结果。2.根据权利要求1所述的图像检测方法，其特征在于，利用深度学习模型拟合所述待检测医疗影像和对应类别标签的映射关系得到中间诊断结果之前，还包括：利用包含若干医疗影像的训练集进行深度学习训练，得到所述深度学习模型。3.根据权利要求2所述的图像检测方法，其特征在于，利用包含若干医疗影像的训练集进行深度学习训练，得到所述深度学习模型时，还包括：根据所述医疗影像的类型训练对应的深度学习分类模型；所述深度学习模型由各类型医疗影像对应的所述深度学习分类模型构成。4.根据权利要求2所述的图像检测方法，其特征在于，利用包含若干医疗影像的训练集进行深度学习训练，得到所述深度学习模型时，还包括：将所述医疗影像作为矩阵，所述医疗影像中的每个像素对应所述矩阵中的一个神经元；按照设定概率对网络模型中的部分神经元失活得到多种不同结构的网络模型；所述深度学习模型由不同结构的网络模型构成。5.根据权利要求2所述的图像检测方法，其特征在于，利用包含若干医疗影像的训练集进行深度学习训练，得到所述深度学习模型时，还包括：在每次迭代训练过程中采用抽样方法从所述训练集中选择不同的医疗影像作为真实训练集，并利用所述真实训练集进行深度学习训练得到若干深度学习子模型；所述深度学习模型由所述深度学习子模型构成。6.根据权利要求3
‑
...
【专利技术属性】
技术研发人员：顾焱，厉莹，容若文，张国旺，
申请(专利权)人：浙江杜比医疗科技有限公司，
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。