医学图像分析方法、医学图像分析系统以及存储介质技术方案

一种医学图像分析方法、医学图像分析系统以及存储介质。该医学图像分析方法包括：获取医学图像；使用神经网络处理所述医学图像，确定所述医学图像的分类结果；将所述医学图像输入到与所述分类结果相对应的辅助诊断装置中。该医学图像分析方法可以将各种类型的医学图像辅助诊断装置进行融合，实现多类医学图像的自动分析，缓解医疗资源稀缺且不均衡的现象。

Medical image analysis method, medical image analysis system and storage medium

A medical image analysis method, a medical image analysis system and a storage medium. The medical image analysis method includes acquiring medical images, processing the medical images with neural network, determining the classification results of the medical images, and inputting the medical images into the auxiliary diagnostic devices corresponding to the classification results. The medical image analysis method can integrate all kinds of medical image aided diagnosis devices, realize the automatic analysis of many kinds of medical images, and alleviate the phenomenon that medical resources are scarce and unbalanced.

【技术实现步骤摘要】
医学图像分析方法、医学图像分析系统以及存储介质
本公开的实施例涉及一种医学图像分析方法、医学图像分析系统以及存储介质。
技术介绍
深度学习是机器学习的一种，其可以对数据进行表征学习。深度学习可以采用非监督式或半监督式的特征学习和分层特征提取算法获取特征。深度学习的基本结构是深度学习神经网络。深度学习神经网络是一种具备至少一个隐含层的人工神经网络，其可以通过组合低层特征形成更加抽象的高层的表示属性类别的特征，以发现数据的分布式特征表示。
技术实现思路
本公开至少一实施例提供一种医学图像分析方法，其包括：获取医学图像；使用神经网络处理所述医学图像，确定所述医学图像的分类结果；将所述医学图像输入到与所述分类结果相对应的辅助诊断装置中。例如，在本公开至少一个实施例提供的医学图像分析方法中，使用所述神经网络处理所述医学图像，确定所述医学图像的分类结果，包括：通过所述神经网络提取所述医学图像的特征；以及基于所述医学图像的特征，通过分类器对所述医学图像进行分类以得到所述分类结果。例如，在本公开至少一个实施例提供的医学图像分析方法中，基于所述医学图像的特征，通过所述分类器对所述医学图像进行分类以得到所述分类结果，包括：基于所述医学图像的特征，通过所述分类器计算所述医学图像针对多个不同类别的多个得分数；根据所述多个得分数的排序确定所述医学图像的分类结果。例如，在本公开至少一个实施例提供的医学图像分析方法中，所述多个得分数为多个预测概率，所述分类结果与所述多个预测概率中的最大预测概率相对应。例如，在本公开至少一个实施例提供的医学图像分析方法中，所述辅助诊断装置被配置为分析与所述分类结果对应的医学图像的特征，所述辅助诊断装置为辅助诊断装置组的一部分，所述辅助诊断装置组的各辅助诊断装置被配置为分析不同类别的医学图像的特征。例如，在本公开至少一个实施例提供的医学图像分析方法中，所述辅助诊断装置组中的辅助诊断装置的数量与所述多个得分数的数量相同。例如，在本公开至少一个实施例提供的医学图像分析方法中，在获取所述医学图像前，所述医学图像分析方法还包括：在训练阶段，利用医学图像库中的样本图像训练所述神经网络，以生成所述神经网络的参数。例如，在本公开至少一个实施例提供的医学图像分析方法中，所述训练阶段的损失函数为对数似然损失函数，所述对数似然损失函数表示为：C＝-lnay其中，C表示所述对数似然损失函数，y表示所述医学图像的类别，ay表示y对应的预测概率。本公开至少一实施例还提供一种医学图像分析系统，其与辅助诊断装置连接。该医学图像分析系统包括：神经网络和图像采集装置，所述神经网络包括输入层和输出层，所述图像采集装置与所述神经网络的输入层连接，所述辅助诊断装置与所述神经网络的输出层连接。所述图像采集装置被配置为获取医学图像。所述神经网络被配置为：接收并处理所述医学图像，确定所述医学图像的分类结果；以及根据所述分类结果将所述医学图像输入到所述辅助诊断装置中。所述辅助诊断装置被配置为对所述医学图像进行分析。例如，在本公开至少一个实施例提供的医学图像分析系统中，所述神经网络包括分类器，所述神经网络被配置为提取所述医学图像的特征，所述分类器被配置为基于所述医学图像的特征，对所述医学图像进行分类以得到所述分类结果。例如，在本公开至少一个实施例提供的医学图像分析系统中，所述分类器包括SVM分类器和SoftMax分类器中的至少之一。例如，在本公开至少一个实施例提供的医学图像分析系统中，所述分类器被配置为：基于所述医学图像的特征计算所述医学图像针对多个不同类别的多个得分数；以及根据所述多个得分数的排序确定所述医学图像的分类结果。例如，在本公开至少一个实施例提供的医学图像分析系统中，所述多个得分数为多个预测概率，所述分类结果与所述多个预测概率中的最大预测概率相对应。例如，在本公开至少一个实施例提供的医学图像分析系统中，所述辅助诊断装置被配置为分析与所述分类结果对应的医学图像的特征，所述辅助诊断装置为辅助诊断装置组的一部分，所述辅助诊断装置组的各辅助诊断装置被配置为分析不同类别的医学图像的特征。例如，在本公开至少一个实施例提供的医学图像分析系统中，所述辅助诊断装置组中的辅助诊断装置的数量与所述多个得分数的数量相同。例如，在本公开至少一个实施例提供的医学图像分析系统中，所述神经网络为卷积神经网络。本公开至少一实施例还提供一种存储介质，存储有适于由处理器运行的计算机指令，所述计算机指令被处理器运行时可以执行上述任一所述的医学图像分析方法。附图说明为了更清楚地说明本公开实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本公开的一些实施例，而非对本公开的限制。图1是本公开一实施例提供的一种医学图像分析方法的示意性流程图；图2是卷积神经网络的一种示例性的构型；图3是本公开一实施例提供的一种医学图像分析系统的示意性框图；图4是本公开一实施例提供的一种医学图像分析系统的另一示意性框图；以及图5是本公开另一实施例提供一种医学图像分析系统的示意性框图。具体实施方式为了使得本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。除非另外定义，本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。为了保持本公开实施例的以下说明清楚且简明，本公开省略了已知功能和已知部件的详细说明。深度学习神经网络可以应用于图片、视频以及语音识别等方面，其可以提升识别的准确性，减少抽取特征的时间，提高计算效率。由于人工神经网络结构的加深、算法的提升，以及图像处理器(GraphicsProcessingUnit，简称GPU)带来的计算能力的提升和训练数据的增多等因素，深度学习神经网络逐渐应用于文本处理、自然语言理解、人脸识别、医疗诊断、人机对话以及情感计算等各方面。在下述中，所称的辅助诊断装置，又称为计算辅助诊断装置(CAD)，是一种对医学图像进行辅助解读的计算机系统，其可以根据医学图像的内容提供有关医学图像的内容的参数或状态描述，医生等可以基于这些参数或状态描述，结合临床检查、活检等得到的数据并结合个人医疗经验，诊断患者的疾病。本公开的实施例提供一种医学图像分析方法、医学图像分析系统以及存储介质，其可以将各种类型的医学图像辅助诊断装置进行融合，实现多类医学图像的自动分析，提高计算机辅助诊断系统(CAD)的运本文档来自技高网...

【技术保护点】
一种医学图像分析方法，包括：获取医学图像；使用神经网络处理所述医学图像，确定所述医学图像的分类结果；将所述医学图像输入到与所述分类结果相对应的辅助诊断装置中。

【技术特征摘要】
1.一种医学图像分析方法，包括：获取医学图像；使用神经网络处理所述医学图像，确定所述医学图像的分类结果；将所述医学图像输入到与所述分类结果相对应的辅助诊断装置中。2.根据权利要求1所述的医学图像分析方法，其中，使用所述神经网络处理所述医学图像，确定所述医学图像的分类结果，包括：通过所述神经网络提取所述医学图像的特征；以及基于所述医学图像的特征，通过分类器对所述医学图像进行分类以得到所述分类结果。3.根据权利要求2所述的医学图像分析方法，其中，基于所述医学图像的特征，通过分类器对所述医学图像进行分类以得到所述分类结果，包括：基于所述医学图像的特征，通过所述分类器计算所述医学图像针对多个不同类别的多个得分数；根据所述多个得分数的排序确定所述医学图像的分类结果。4.根据权利要求3所述的医学图像分析方法，其中，所述多个得分数为多个预测概率，所述分类结果与所述多个预测概率中的最大预测概率相对应。5.根据权利要求3所述的医学图像分析方法，其中，所述辅助诊断装置被配置为分析与所述分类结果对应的医学图像的特征，所述辅助诊断装置为辅助诊断装置组的一部分，所述辅助诊断装置组的各辅助诊断装置被配置为分析不同类别的医学图像的特征。6.根据权利要求5所述的医学图像分析方法，其中，所述辅助诊断装置组中的辅助诊断装置的数量与所述多个得分数的数量相同。7.根据权利要求1所述的医学图像分析方法，其中，在获取所述医学图像前，所述医学图像分析方法还包括：在训练阶段，利用医学图像库中的样本图像训练所述神经网络，以生成所述神经网络的参数。8.根据权利要求1所述的医学图像分析方法，其中，所述训练阶段的损失函数包括对数似然损失函数，所述对数似然损失函数表示为：C＝-lnay其中，C表示所述对数似然损失函数，y表示所述医学图像的类别，ay表示y对应的预测概率。9.一种医学图像分析系统，与辅助诊断装置连接...

【专利技术属性】
技术研发人员：李莹莹，
申请(专利权)人：京东方科技集团股份有限公司，
类型：发明
国别省市：北京,11