[发明专利]基于深度学习的医疗影像识别方法、装置、设备及介质

权利要求书

1.一种基于深度学习的医疗影像识别方法，其特征在于，所述方法包括：

获取医疗影像设备采集到的目标用户的医疗影像集，所述医疗影像集包括所述目标用户的至少两张序列影像；

根据所述序列影像的特征将至少两张所述序列影像划分为主序列影像与辅序列影像；

对至少两张所述序列影像进行分组，得到至少两组序列影像集，每组序列影像集中包括至少一张主序列影像和至多一张辅序列影像；

将至少两组所述序列影像集分别输入至基于深度学习的网络模型进行识别处理，得到各组所述序列影像集对应的识别结果；

将各组所述序列影像集对应的识别结果进行汇总融合处理，得到所述目标用户的医疗影像识别结果。

2.如权利要求1所述的基于深度学习的医疗影像识别方法，其特征在于，所述序列影像为CT影像或MRI影像，所述根据所述序列影像的特征将至少两张所述序列影像划分为主序列影像与辅序列影像之后，所述方法还包括：

获取预设灰度变换函数；

将所述主序列影像的像素值输入至所述预设灰度变换函数，利用所述灰度变换函数输出的增强像素值重构所述主序列影像。

3.如权利要求1所述的基于深度学习的医疗影像识别方法，其特征在于，所述根据所述序列影像的特征将至少两张所述序列影像划分为主序列影像与辅序列影像，包括：

根据所述序列影像的名称识别至少两张所述序列影像中的主序列影像；

确定所述主序列影像以外的序列影像为辅序列影像。

4.如权利要求3所述的基于深度学习的医疗影像识别方法，其特征在于，所述根据所述序列影像的名称识别至少两张所述序列影像中的主序列影像，包括：

获取名称与预设主序列名称相匹配的序列影像的数量；

若名称与预设主序列名称相匹配的序列影像的数量大于第一数量，随机选取小于所述第一数量的与预设主序列名称相匹配的序列影像为主序列影像；

若名称与预设主序列名称相匹配的序列影像的数量小于第一数量，确定与所述预设主序列名称相匹配的名称对应的序列影像为主序列影像。

5.如权利要求1至4中任一项所述的基于深度学习的医疗影像识别方法，其特征在于，所述将各组所述序列影像集对应的识别结果进行汇总融合处理，包括：

识别所述辅序列影像的伪重影度；

当所述辅序列影像的数量为至少两个时，根据各个所述辅序列影像的伪重影度确定各组所述序列影像集对应的识别结果的融合权重；

根据所述融合权重对各组所述序列影像集对应的识别结果进行加权计算。

6.如权利要求1至4中任一项所述的基于深度学习的医疗影像识别方法，其特征在于，所述基于深度学习的网络模型为Densenet模型。

7.如权利要求1至4中任一项所述的基于深度学习的医疗影像识别方法，其特征在于，所述基于深度学习的网络模型用于识别是否存在病灶，所述得到所述目标用户的医疗影像识别结果之后，所述方法还包括：

若所述用户的医疗影像识别结果为存在病灶，提取所述主序列影像和所述辅序列影像中的感兴趣区域，根据所述感兴趣区域确定病灶的类型信息。

8.一种基于深度学习的医疗影像识别装置，其特征在于，所述装置包括：

影像获取模块，用于获取医疗影像设备采集到的目标用户的医疗影像集，所述医疗影像集包括所述目标用户的至少两张序列影像；

影像类型划分模块，用于根据所述序列影像的特征将至少两张所述序列影像划分为主序列影像与辅序列影像；

影像分组模块，用于对至少两张所述序列影像进行分组，得到至少两组序列影像集，每组序列影像集中包括至少一张主序列影像和至多一张辅序列影像；

影像识别模块，用于将至少两组所述序列影像集分别输入至基于深度学习的网络模型进行识别处理，得到各组所述序列影像集对应的识别结果；

结果融合模块，用于将各组所述序列影像集对应的识别结果进行汇总融合处理，得到所述目标用户的医疗影像识别结果。