本申请涉及医学影像处理技术领域，为一种基于神经网络的医学影像处理方案，具体为一种基于神经网络的多模态医学图像处理方法及装置。采用图像分割技术、感兴趣区域识别技术以及异常特征获取技术实现对于医学图像的自动化处理，提高了现有技术中深度学习算法的通用性以及准确性，适用于不同类型的医学影像识别场景，降低了算法的成本并提高了算法处理的准确性，无需单独对模型进行大量数据的训练。
【技术实现步骤摘要】
本申请涉及医学影像处理，为一种基于神经网络的医学影像处理方案，具体为一种基于神经网络的多模态医学图像处理方法及装置。
技术介绍
1、当今医学影像技术的发展对临床医生的诊断和治疗提供了很大的帮助，但同时也带来了新的挑战，如处理大量的影像数据和信息等问题。传统的医学影像诊断过程中，需要通过医生的经验对医学影像进行读图并确定对应的异常病灶区域，这种方式费时费力，并且依赖医生的经验容易出现疏漏和错误。
2、随着人工智能的发展，基于深度学习的医学影像识别方法逐渐兴起，与传统方法相比，可以大大提高诊断精度。然而，这个领域仍然存在许多问题。一方面，医学图像具有多种成像模式，不同个体的器官信息存在差异；另一方面，针对不同医疗项目关注的病灶重点不同。所以在实际操作中需要针对不同的成像方式以及不同的医疗项目配置对应的深度学习算法，而这种配置需要大量的医学图像数据作为训练基础，标注成本极高，需要耗费大量时间和精力。这些问题为医学图像分割带来了很大的挑战，现有的方法难以完全解决这些问题。
技术实现思路
>1、为了解决现有技本文档来自技高网...
【技术保护点】
1.一种基于神经网络的多模态医学图像处理方法，其特征在于，应用于服务器，所述方法包括：
2.根据权利要求1所述的基于神经网络的多模态医学图像处理方法，其特征在于，所述基于所述复杂度指数和所述图像表现指数得到目标分割尺度，包括：基于分割更新公式对初始分割尺度进行更新得到目标分割尺度，所述分割更新公式基于下式表示：K′＝K·A·B，其中K为初始分割尺度，所述初始分割尺度基于所述第一标签确定，A为复杂度指数，B为图像表现指数。
3.根据权利要求2所述的基于神经网络的多模态医学图像处理方法，其特征在于，所述基于所述医学图像的第三标签获取所述医学图像的图像表现指数，包括：获...
【技术特征摘要】
1.一种基于神经网络的多模态医学图像处理方法，其特征在于，应用于服务器，所述方法包括：
2.根据权利要求1所述的基于神经网络的多模态医学图像处理方法，其特征在于，所述基于所述复杂度指数和所述图像表现指数得到目标分割尺度，包括：基于分割更新公式对初始分割尺度进行更新得到目标分割尺度，所述分割更新公式基于下式表示：k′＝k·a·b，其中k为初始分割尺度，所述初始分割尺度基于所述第一标签确定，a为复杂度指数，b为图像表现指数。
3.根据权利要求2所述的基于神经网络的多模态医学图像处理方法，其特征在于，所述基于所述医学图像的第三标签获取所述医学图像的图像表现指数，包括：获取所述医学图像的当前分辨率，并基于所述第一标签确定基础分辨率，基于所述当前分辨率与所述基础分辨率的比例关系确定所述图像表现指数，基于下式表示：其中ppi′为当前分辨率，ppi为基础分辨率。
4.根据权利要求3所述的基于神经网络的多模态医学图像处理方法，其特征在于，所述初始分割模型包括基础分割模块、注意力模块、特征融合模块和映射模块，所述基础分割模块基于所述目标分割尺度对所述医学图像进行基础分割得到有关所述医学图像的局部特征，所述注意力模块用于获取所述医学图像的全局特征，所述特征融合模块用于将所述局部特征和所述全局特征进行融合得到融合特征，所述映射模块用于将所述融合特征进行映射得到多个所述子图像；所述基础分割模块包括特征提取单元、超像素分割单元和超像素加权单元，所述超像素分割单元中配置有初始分割尺度，所述基于所述目标分割尺度对初始分割模型进行更新得到目标分割模型，包括：将所述初始分割尺度替换为所述目标分割尺度，基于所述目标分割尺度对所述超像素分割单元进行更新，得到更新后的超像素分割单元，基于更新后的超像素分割单元更新得到所述目标分割模型。
5.根据权利要求4所述的基于神经网络的多模态医学图像处理方法，其特征在于，所述特征提取单元对所述医学图像进行特征提取得到第一初始特征图，所述第一初始特征经过所述超像素分割单元基于所述目标分割尺度进行超像素分割得到映射关系以及超像素特征，在所述超像素加权单元中通过将所述映射关系和所述超像素特征进行...
【专利技术属性】
技术研发人员：吴新春，花婷婷，武秀兰，张连花，
申请(专利权)人：新疆医科大学第五附属医院新疆医科大学第五临床医学院，
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。