[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

说明书

本发明涉及智能决策技术领域，揭露了一种基于深度学习的医疗影像识别方法，包括：获取目标用户的至少两张序列影像；将至少两张序列影像划分为主序列影像与辅序列影像；对至少两张序列影像进行分组，得到至少两组序列影像集；将至少两组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，得到各组序列影像集对应的识别结果；将各组序列影像集对应的识别结果进行汇总融合处理，得到目标用户的医疗影像识别结果。本发明还涉及区块链技术，医疗影像集可存储于区块链节点中。本发明还提出了一种基于深度学习的医疗影像识别装置、设备及计算机可读存储介质。本发明可以提高医疗影像识别的准确率。

技术领域

本发明涉及智能决策领域，尤其涉及一种基于深度学习的医疗影像识别方法、装置、电子设备及计算机可读存储介质。

背景技术

随着计算机技术的发展，医疗人工智能技术逐渐发展，由于医疗影像具有多模态、多序列的特性，现有技术中，通常将不同医疗影像的特征进行融合，再通过模型对融合得到的影像进行识别处理。然而，这种方式对模型的要求程度比较高，需要具有能够在各种特定序列组合都能识别的能力，而在实际应用中，往往无法预先穷尽每种特定的序列组合，这就导致通过此种方式进行医疗影像识别的准确率较低。

发明内容

本发明提供一种基于深度学习的医疗影像识别方法、装置、电子设备及计算机可读存储介质，目的在于提高医疗影像识别的准确率。

为实现上述目的，本发明提供的一种基于深度学习的医疗影像识别方法，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。

可选的，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。

可选的，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。

可选的，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。

可选的，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；