System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及医学图像识别,具体为一种基于cnn的医学图像识别的方法、装置、设备和存储介质。
技术介绍
1、近年来,乳腺癌已成为女性较常见的致命疾病之一,原因是乳腺组织中的恶性肿瘤细胞进一步恶化。医生在治疗乳腺癌时往往需要通过医学图像来判断乳腺癌类型,但是乳腺癌早期症状不明显,并且乳腺癌患者的临床症状、乳房外观、以及乳腺癌的病理形态、分子分型亚型等都可能存在着多种变异,因此疾病表现并不典型,并且乳腺癌分子分型的判断需要丰富的临床实践和经验,对于缺乏经验的新手医生而言判断乳腺癌类型尤其是阅读乳腺癌的医学图像上是一个难题。在培养新手医生上,医学教育和培训资源的产出和管理都需要大量的投资,具有长周期和高成本的特征,但是医学教育的教学方法和效果不同,培训实践不充分,因此需要医疗机构制定出实际可行的综合培训体系来帮助医生快速扩展自身技能和知识量。而对于新手医生进行辅助判断乳腺癌类型,缺少一种辅助训练系统,通过辅助训练系统可以帮助新手医生对乳腺癌类型进行预测并逐步具备乳腺癌医学图像的阅读能力。
2、为此,提出一种基于cnn的医学图像识别的方法、装置、设备和存储介质。
技术实现思路
1、本专利技术的目的在于提供基于cnn的医学图像识别的方法、装置、设备和存储介质。
2、根据本公开的第一方面,提供了一种基于cnn的医学图像识别方法,包括:
3、获取乳腺的医学图像,并对所述医学图像进行预处理得到识别图像;
4、将所述识别图像输入至预先训练生成的乳腺图像
5、构建核心征象向量集、主要征象向量集和次要征象向量集;构建乳腺癌种类集;
6、根据所述乳腺特征向量集与核心征象向量集进行比较判断,若所述乳腺特征向量集含有核心征象向量集中的元素,则输出存在癌症风险,并与乳腺癌种类集进行匹配,输出可能的几种乳腺癌类型;若不含有则进行下一步;
7、根据所述乳腺特征向量集与主要征象向量集进行比较判断,若所述乳腺特征向量集含有至少两个所述主要征象向量集中的元素,则输出存在癌症风险,并与乳腺癌种类集进行匹配,输出可能的几种乳腺癌类型;若只包含一个所述主要征象向量集中的元素,则进行下一步;若不包含所述主要征象向量集中的元素,则输出待观察;
8、根据所述乳腺特征向量集与次要征象向量集进行比较判断,若所述乳腺特征向量集含有至少两个所述次要征象向量集中的元素,则输出存在癌症风险,并与乳腺癌种类集进行匹配,输出可能的几种乳腺癌类型;若包含至多一个所述主要征象向量集中的元素,输出可能存在风险。
9、根据本公开的第二方面,提供了一种基于cnn的医学图像识别装置,包括:
10、获取模块:用于获取乳腺的医学图像,并对所述医学图像进行预处理得到识别图像;
11、生成模块:用于将所述识别图像输入至预先训练生成的乳腺图像卷积神经网络模型,生成乳腺特征向量集;
12、构建模块:用于构建核心征象向量集,主要征象向量集,次要征象向量集和乳腺癌种类集;
13、第一判断模块:用于根据所述乳腺特征向量集与核心征象向量集进行比较判断,若所述乳腺特征向量集含有核心征象向量集中的元素,则输出存在癌症风险,并与乳腺癌种类集进行匹配,输出可能的几种乳腺癌类型;若不含有则进行下一步;
14、第二判断模块:用于根据所述乳腺特征向量集与主要征象向量集进行比较判断,若所述乳腺特征向量集含有至少两个所述主要征象向量集中的元素,则输出存在癌症风险,并与乳腺癌种类集进行匹配,输出可能的几种乳腺癌类型;若只包含一个所述主要征象向量集中的元素,则进行下一步;若不包含所述主要征象向量集中的元素,则输出待观察;
15、第三判断模块:用于根据所述乳腺特征向量集与次要征象向量集进行比较判断,若所述乳腺特征向量集含有至少两个所述次要征象向量集中的元素,则输出存在癌症风险,并与乳腺癌种类集进行匹配,输出可能的几种乳腺癌类型;若包含至多一个所述次要征象向量集中的元素,输出可能存在风险。
16、本公开第三方面实施例提出了一种计算机设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如本公开第一方面实施例提出的方法。
17、本公开第四方面实施例提出了一种非临时性计算机可读存储介质,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本公开第一方面实施例提出的方法。
18、本公开第五方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时,执行本公开第一方面实施例提出的方法。
19、本公开所提供的基于cnn的医学图像识别的方法、装置、设备和存储介质,至少存在以下有益效果:
20、本公开实施例中,首先获取乳腺的医学图像,再对所述乳腺医学图像进行预处理得到识别图像。然后将识别图像输入至预先训练生成的乳腺图像卷积神经网络模型,生成乳腺特征向量集。再构建核心征象向量集、主要征象向量集和次要征象向量集,构建乳腺癌种类集。其次根据所述乳腺特征向量集与核心征象向量集进行比较判断,若所述乳腺特征向量集含有核心征象向量集中的元素,则输出存在癌症风险,并与乳腺癌种类集进行匹配,输出可能的几种乳腺癌类型;若不含有则进行下一步。再然后根据所述乳腺特征向量集与主要征象向量集进行比较判断,若所述乳腺特征向量集含有至少两个所述主要征象向量集中的元素,则输出存在癌症风险,并与乳腺癌种类集进行匹配,输出可能的几种乳腺癌类型;若只包含一个所述主要征象向量集中的元素,则进行下一步;若不包含所述主要征象向量集中的元素,则输出待观察。最后,根据所述乳腺特征向量集与次要征象向量集进行比较判断,若所述乳腺特征向量集含有至少两个所述次要征象向量集中的元素,则输出存在癌症风险,并与乳腺癌种类集进行匹配,输出可能的几种乳腺癌类型;若包含至多一个所述次要征象向量集中的元素,输出可能存在风险。由此通过将乳腺医学图像输入至预先训练生成的乳腺图像卷积神经网络模型,生成乳腺特征向量集,再与核心征象向量集、主要征象向量集和次要征象向量集进行比较判断,与乳腺癌种类集进行匹配输出可能的几种乳腺癌类型。乳腺医学图像输入乳腺图像卷积神经网络模型后可以被放大局部特征,有利于新手医生对局部特征的观察。而构建的核心征象向量集、主要征象向量集和次要征象向量集分别概括了乳腺癌的核心征象、主要征象和次要征象,便于新手医生更加直观的观察到图像识别后的数据,辅助医生进行训练。用乳腺特征向量集与乳腺癌种类库进行匹配输出可能的几种乳腺癌类型,可以给新手医生提供参考,辅助新手医生对乳腺癌的种类进行判断。使得输出的可能的几种乳腺癌类型可以辅助新手医学进行训练,并使得新手医生逐步具备乳腺癌医学图像的阅读能力。
21、应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
本文档来自技高网...【技术保护点】
1.一种基于CNN的医学图像识别的方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,步骤200,具体包括:
3.据权利要求2所述的方法,其特征在于,步骤220,具体包括:
4.根据权利要求1所述的方法,其特征在于,步骤300,具体还包括:
5.一种基于CNN的医学图像识别的装置,其特征在于:
6.根据权利要求5所述的装置,其特征在于,所述生成模块,具体用于:
7.根据权利要求5所述的装置,其特征在于,所述生成模块,具体还用于:
8.根据权利要求5所述的装置,其特征在于,所述构建装置,还用于:
9.一种基于CNN的医学图像识别的设备,包括存储器及处理器,所述存储器上存储有可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种基于CNN的医学图像识别的存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
【技术特征摘要】
1.一种基于cnn的医学图像识别的方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,步骤200,具体包括:
3.据权利要求2所述的方法,其特征在于,步骤220,具体包括:
4.根据权利要求1所述的方法,其特征在于,步骤300,具体还包括:
5.一种基于cnn的医学图像识别的装置,其特征在于:
6.根据权利要求5所述的装置,其特征在于,所述生成模块,具体用于:
7.根据权利要求5所述的装置,其特...
【专利技术属性】
技术研发人员:陈书英,
申请(专利权)人:安徽康之辉生物科技有限公司,
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。