【技術實現步驟摘要】
本專利技術涉及醫學圖像處理，具體涉及一種基于融合醫學影像學習的圖像檢測方法及系統。
技術介紹
1、醫學圖像檢測的目的是在醫學圖像中檢測出醫學目標，比如病灶所在位置，血管位置等等。目前用于醫學圖像檢測的方法很多，大多是通過深度學習的方法進行圖像識別處理，從而定位出醫學目標的位置信息。為了追求醫學圖像檢測的準確性，會在深度學習中運用較多復雜模型結構，如此雖然能夠有效的保證醫學目標的檢測識別效果，但是復雜模型結構也會造成巨大的運算負擔，造成運算時長長，面對龐大數量的醫學影像更易凸顯效率不足的缺陷。
2、因此，現有技術中高精度的醫學圖像檢測模型由于其復雜模型結構會造成巨大的運算負擔，延長運算時長，面對龐大數量的醫學影像更易凸顯效率不足的缺陷。
技術實現思路
1、本專利技術的目的在于提供一種基于融合醫學影像學習的圖像檢測方法及系統，以解決現有技術中高精度的醫學圖像檢測模型由于其復雜模型結構會造成巨大的運算負擔，延長運算時長，面對龐大數量的醫學影像更易凸顯效率不足的技術問題。
2、為解決上述技術問題，本專利技術具體提供下述技術方案：
3、一種基于融合醫學影像學習的圖像檢測方法，包括以下步驟：
4、獲取醫學影像；
5、基于所述醫學影像，利用深度神經網絡訓練出用于在醫學影像中檢測醫學目標的醫學圖像檢測模型；
6、對醫學圖像檢測模型進行輕量化處理，得到用于在醫學影像中快速檢測醫學目標的醫學圖像檢測輕量化模型。
7、作
8、作為本專利技術的一種優選方案，所述深度神經網絡包括輪廓特征提取層、輪廓特征融合層、輪廓特征池化層和輪廓檢測輸出層；
9、其中，所述輪廓特征提取層用于提取醫學影像中醫學目標的輪廓特征；
10、所述輪廓特征融合層用于增強醫學影像中醫學目標的輪廓特征；
11、所述輪廓特征池化層用于對所述輪廓特征進行池化處理；
12、所述輪廓檢測輸出層用于根據所述輪廓特征輸出醫學影像中的醫學目標輪廓信息。
13、作為本專利技術的一種優選方案，輪廓特征提取層提取所述輪廓特征的方法包括：
14、利用densenet121網絡在醫學影像中獲取多個層次特征；
15、將多個層次特征中最高層次特征經過上采樣處理后和最低層次特征拼接，再進行通道注意力機制處理，得到輪廓特征；
16、所述輪廓特征提取層獲得輪廓特征的提取運算式為：
17、；
18、式中，為輪廓特征，為densenet121網絡在醫學影像中獲取多個層次特征，max為取最大標識符，min為取最小標識符，為多個層次特征中最高層次特征，為多個層次特征中最低層次特征，up為上采樣標識符，cam為通道注意力機制標識符，為醫學影像。
19、作為本專利技術的一種優選方案，輪廓特征融合層增強輪廓特征的方法包括：
20、利用canny算子對醫學圖像進行邊緣檢測，提取出醫學圖像中醫學目標的邊緣像素；
21、將醫學圖像中的邊緣像素進行二值化處理，創建為邊緣掩膜；
22、將輪廓特征經由邊緣掩膜加權后與經過上采樣處理后的最高層次特征進行融合，得到增強后的輪廓特征；
23、所述輪廓特征融合層對輪廓特征的增強運算式為：
24、；
25、式中，為增強后的輪廓特征，為多個層次特征中最高層次特征，up為上采樣標識符，max為取最大標識符，為canny算子標識符，bin為二值化運算標識符，為醫學圖像中醫學目標的邊緣像素，為邊緣掩膜，為輪廓特征，為densenet121網絡在醫學影像中獲取多個層次特征，為醫學影像。
26、作為本專利技術的一種優選方案，輪廓特征池化層的池化處理為最大化池化運算，所述最大池化運算式為：
27、；
28、式中，為池化處理后的輪廓特征，為最大池化運算標識符，為增強后的輪廓特征。
29、作為本專利技術的一種優選方案，輪廓檢測輸出層為1*1卷積層和?relu激活函數組成的全連接層，所述輪廓檢測輸出層對醫學目標輪廓信息的分析運算式為：
30、；
31、式中，為醫學目標輪廓信息，為池化處理后的輪廓特征，為1*1卷積層標識符，為relu激活函數標識符。
32、作為本專利技術的一種優選方案，醫學圖像檢測模型的構建方法包括：
33、選取多個醫學影像，并在多個醫學影像中標注出醫學目標的輪廓信息；
34、將多個醫學特征以及醫學目標的輪廓信息組成的數據集分為訓練集和測試集；
35、利用訓練集，以深度神經網絡的輸出與輪廓信息真值之間的均方誤差mse作為損失函數，訓練深度神經網絡得到醫學圖像檢測模型；
36、利用測試集，對醫學圖像檢測模型進行性能評價。
37、作為本專利技術的一種優選方案，醫學圖像檢測輕量化模型構建方法包括：
38、利用測試集，以醫學圖像檢測模型輸出與醫學圖像檢測輕量化模型輸出之間的均方誤差mse，以及醫學圖像檢測輕量化模型輸出與輪廓信息真值之間的均方誤差mse共同作為損失函數，訓練mobilenet網絡得到醫學圖像檢測輕量化模型；
39、利用測試集，對醫學圖像檢測輕量化模型進行性能評價；
40、所述醫學圖像檢測輕量化模型為：
41、；
42、式中，為醫學圖像檢測輕量化模型輸出的所述輪廓信息，為mobilenet網絡標識符，為醫學影像。
43、作為本專利技術的一種優選方案，本專利技術提供了一種基于融合醫學影像的圖像檢測系統，應用于一種基于融合醫學影像學習的圖像檢測方法，系統包括：
44、數據采集單元，用于獲取醫學影像；
45、模型構建單元，用于基于所述醫學影像，利用深度神經網絡訓練出用于在醫學影像中檢測醫學目標的醫學圖像檢測模型；
46、輕量化單元，用于對醫學圖像檢測模型進行輕量化處理，得到用于在醫學影像中快速檢測醫學目標的醫學圖像檢測輕量化模型；
47、檢測應用單元，用于利用醫學圖像檢測輕量化模型在醫學影像中快速檢測醫學目標，獲得醫學目標的輪廓信息。
48、本專利技術與現有技術相比較具有如下有益效果：
49、本專利技術利用深度神經網絡訓練出用于在醫學影像中檢測醫學目標的醫學圖像檢測模型，能夠獲得高精度的醫學圖像檢測模型，再對醫學圖像檢測模型進行輕量化處理，得到用于在醫學影像中快速檢測醫學目標的醫學圖像檢測輕量化模型，實現有效的保證醫學目標的檢測識別效果的同時，模型結構輕量化，面對龐大數量的醫學影像規避凸顯效率不足的缺陷。
本文檔來自技高網...【技術保護點】
1.一種基于融合醫學影像學習的圖像檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于融合醫學影像學習的圖像檢測方法，其特征在于：所述醫學影像包括MRI影像、CT影像、超聲圖像。
3.根據權利要求1所述的一種基于融合醫學影像學習的圖像檢測方法，其特征在于：所述深度神經網絡包括輪廓特征提取層、輪廓特征融合層、輪廓特征池化層和輪廓檢測輸出層；
4.根據權利要求3所述的一種基于融合醫學影像學習的圖像檢測方法，其特征在于：輪廓特征提取層提取所述輪廓特征的方法包括：
5.根據權利要求4所述的一種基于融合醫學影像學習的圖像檢測方法，其特征在于：輪廓特征融合層增強輪廓特征的方法包括：
6.根據權利要求5所述的一種基于融合醫學影像學習的圖像檢測方法，其特征在于：輪廓特征池化層的池化處理為最大化池化運算，所述最大池化運算式為：
7.根據權利要求6所述的一種基于融合醫學影像學習的圖像檢測方法，其特征在于：輪廓檢測輸出層為1*1卷積層和?ReLU激活函數組成的全連接層，所述輪廓檢測輸出層對醫學目標輪廓信息的分析運
8.根據權利要求7所述的一種基于融合醫學影像學習的圖像檢測方法，其特征在于：醫學圖像檢測模型的構建方法包括：
9.根據權利要求8所述的一種基于融合醫學影像學習的圖像檢測方法，其特征在于：醫學圖像檢測輕量化模型構建方法包括：
10.一種基于融合醫學影像的圖像檢測系統，其特征在于，應用于權利要求1-9任一項所述的一種基于融合醫學影像學習的圖像檢測方法，系統包括：
...【技術特征摘要】
1.一種基于融合醫學影像學習的圖像檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于融合醫學影像學習的圖像檢測方法，其特征在于：所述醫學影像包括mri影像、ct影像、超聲圖像。
3.根據權利要求1所述的一種基于融合醫學影像學習的圖像檢測方法，其特征在于：所述深度神經網絡包括輪廓特征提取層、輪廓特征融合層、輪廓特征池化層和輪廓檢測輸出層；
4.根據權利要求3所述的一種基于融合醫學影像學習的圖像檢測方法，其特征在于：輪廓特征提取層提取所述輪廓特征的方法包括：
5.根據權利要求4所述的一種基于融合醫學影像學習的圖像檢測方法，其特征在于：輪廓特征融合層增強輪廓特征的方法包括：
6.根據權利要求5所述的一種基于融合醫學影像...
【專利技術屬性】
技術研發人員：鄭君芳，陳子鈺，劉文璞，竇錦繡，
申請(專利權)人：首都醫科大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。