[发明专利]一种基于深度学习的医疗图像处理方法

说明书

技术领域

本发明属于图像处理技术领域，具体地涉及一种基于深度学习的医疗图像处理方法。

背景技术

前列腺癌变的诊断，可以通过MRI/CT的图像分析进行诊断。目前主要依赖于医生的人工经验作出诊断。这种模式完全依赖于医生资源的分配和供给关系。但是在许多地方场景(无论时间上还是空间上)，医生资源稀缺，严重不足。传统的机器学习模型，效果没有达到专家医生的分析诊断水平。

发明内容

本发明的目的在于针对现有技术的缺陷，提供一种能够提高基于图像分析的前列腺癌变诊断准确度的基于深度学习的医疗图像处理方法。

本发明的技术方案如下：一种基于深度学习的医疗图像处理方法包括如下步骤：

一、选用标注好的医疗训练集图像对迁移的神经网络模型进行训练和适配，获得经过训练的医疗诊断模型；

二、根据所述医疗诊断模型的要求转换医疗图片的图像格式，并对所述医疗图片进行图像增强处理；

三、提取所述医疗图片的瓶颈特征，利用所述医疗诊断模型根据所述瓶颈特征进行影像诊断，并输出诊断结果。

优选地，在步骤一中具体包括如下步骤：

对标注好的医疗训练集图像进行图像增强处理，并提取所述医疗训练集图像的瓶颈特征；

采用所述瓶颈特征对所述神经网络模型进行训练和适配；

判断训练和适配后的神经网络模型是否能够进行医疗诊断，如果否，则重设所述神经网络模型，并返回采用所述瓶颈特征对所述神经网络模型进行训练和适配步骤，对重设的神经网络模型进行训练和适配；

如果是，则判断所述神经网络模型是否能够满足医疗诊断准确度要求，如果否，则返回采用所述瓶颈特征对所述神经网络模型进行训练和适配步骤继续对所述神经网络模型进行训练和适配，如果是，则获得经过训练的医疗诊断模型。

优选地，在步骤一中，采用深度学习的测试验证方法对所述神经网络模型进行测试验证。

优选地，在步骤一中，在所述医疗图片内，针对结构互不相同的至少两个病理区域，分别划分对应的至少两个训练区域，并基于每一所述训练区域训练相对应的一个子神经网络模型，且将不同病理区域对应的子神经网络模型汇总整合形成所述神经网络模型。

优选地，如果在同一病理区域内训练有至少两个子神经网络模型，采用投票或加训一个Ensemble神经网络方式对所述至少两个子神经网络模型进行整合。

优选地，所述图像增强处理操作包括图像数据的平衡操作、旋转操作和平移操作中一个或至少两个的操作。

本发明提供的技术方案具有如下有益效果：

所述基于深度学习的医疗图像处理方法可以完全自动化地处理前列腺病灶区图像的分析诊断，其分析诊断的精度可以达到甚至超过国际专家级医生的水平；

而且，所述基于深度学习的医疗图像处理方法所基于的深度学习模型是通过大量精准的有标记的病例学习而来，并结合了现代人工智能的核心技术，从而获得高精度的医疗图像诊断结果；

此外，由于是计算机分析诊断，其处理能力将大大超过人类人工处理的能力和带宽。

附图说明

图1是本发明实施例提供的基于深度学习的医疗图像处理方法的流程示意图；

图2是图1所示基于深度学习的医疗图像处理方法中训练神经网络模型的流程示意图；

图3是子神经网络模型整合为总模型的示意图；

图4是前列腺癌的诊断中针对不同生理构造区域训练各自的子神经网络模型的选择整合示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

除非上下文另有特定清楚的描述，本发明中的元件和组件，数量既可以单个的形式存在，也可以多个的形式存在，本发明并不对此进行限定。本发明中的步骤虽然用标号进行了排列，但并不用于限定步骤的先后次序，除非明确说明了步骤的次序或者某步骤的执行需要其他步骤作为基础，否则步骤的相对次序是可以调整的。可以理解，本文中所使用的术语“和/或”涉及且涵盖相关联的所列项目中的一者或一者以上的任何和所有可能的组合。

请参阅图1，本发明实施例提供的基于深度学习的医疗图像处理方法具体地包括如下步骤：

一、选用标注好的医疗训练集图像对迁移的神经网络模型进行训练和适配，获得经过训练的医疗诊断模型。

具体地，如图2所示，在步骤一中具体包括如下步骤：