一种医学图像识别方法、电子设备、存储介质技术

本发明专利技术涉及人工智能领域，尤其是涉及一种医学图像识别方法、电子设备、存储介质。根据本发明专利技术的医学图像识别方法，包括：获取待识别图像，待识别图像包括待检测目标的医学图像；将待识别图像进行分割处理，生成目标图像块；采用前序编解码预测器对目标图像块进行特征提取，生成特征提取向量；基于特征提取向量对待检测目标进行识别，得到识别结果。本发明专利技术中的医学图像识别方法，利用了前序编解码预测器对待识别图像进行处理，由于前序编解码预测器能够以待识别图像中同类像素点之间的关联性为基础处理图像，因此本发明专利技术中的医学图像识别方法能够提升医学图像识别过程中的准确率。法能够提升医学图像识别过程中的准确率。法能够提升医学图像识别过程中的准确率。

【技术实现步骤摘要】
一种医学图像识别方法、电子设备、存储介质


[0001]本专利技术涉及人工智能领域，尤其是涉及一种医学图像识别方法、电子设备、存储介质。

技术介绍

[0002]前序编解码预测器(Transformer)是一个利用注意力机制来提高训练速度的模型，其中，注意力机制即通过调整对输入权重分配的关注，来提升模型识别准确率的机制。Transformer模型基于注意力机制来编码输入和计算输出，使得模型可以并行化训练以及拥有全局信息，从而有助于提升模型识别准确率。
[0003]近年来，图像处理技术应用在自然图像上已经取得了长足发展，但是在医疗图像的处理上仍然有很多难点难以攻克，例如医学图像所包含的语义信息较为单一，以至于医学图像中的有效信息难以获取。如何以一种更为精确的方法来识别医疗图像，仍是业内人员亟待解决的问题。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种医学图像识别方法、电子设备、存储介质，能够提升医疗图像识别的准确率。
[0005]根据本专利技术的第一方面实施例的医学图像识别方法，包括：
[0006]获取待识别图像，所述待识别图像包括待检测目标的医学图像；
[0007]将所述待识别图像进行分割处理，生成目标图像块；
[0008]采用前序编解码预测器对所述目标图像块进行特征提取，生成特征提取向量；
[0009]基于所述特征提取向量对所述待识别图像中的所述待检测目标进行识别，得到识别结果。
[0010]可选的，根据本专利技术的一些实施例，所述方法还包括：
[0011]通过基础识别模型对无标签预设数据集进行识别，得到伪标签数据集，所述基础识别模型由原始预设模型经过预训练得到；
[0012]以带有预设标签的标准数据集为正样本数据、以所述伪标签数据集为负样本数据，将所述正样本数据与所述负样本数据混合形成输入样本集；
[0013]利用所述输入样本集对所述基础识别模型进行优化训练，得到所述前序编解码预测器。
[0014]可选的，根据本专利技术的一些实施例，所述以带有预设标签的标准数据集为正样本数据、以所述伪标签数据集为负样本数据，将所述正样本数据与所述负样本数据混合形成输入样本集，包括：
[0015]将所述正样本数据、所述负样本数据进行混合，得到混合数据；
[0016]调整所述正样本数据和所述负样本数据在所述混合数据中的占比；
[0017]当所述正样本数据在所述混合数据中的占比大于所述负样本数据在所述混合数
据中的占比，将调整后的所述混合数据作为所述输入样本集。
[0018]可选的，根据本专利技术的一些实施例，所述利用所述输入样本集对所述基础识别模型进行优化训练，得到所述前序编解码预测器，包括：
[0019]将所述输入样本集输入所述基础识别模型进行第一类迭代训练；
[0020]每一轮所述第一类迭代训练后，计算所述基础识别模型的识别准确率并对所述基础识别模型的第一类参数进行更新；
[0021]统计所述识别准确率在每一轮所述第一类迭代训练中的变化情况，当所述识别准确率收敛于第一定值，得到训练好的所述前序编解码预测器。
[0022]可选的，根据本专利技术的一些实施例，所述将所述待识别图像进行分割处理，生成目标图像块，包括：
[0023]对所述待识别图像中所述待检测目标的组织结构特征进行初步判定，并获取与所述组织结构特征匹配的图像分割类型；
[0024]根据所述图像分割类型对所述待识别图像进行分割，生成所述目标图像块。
[0025]可选的，根据本专利技术的一些实施例，所述对所述待识别图像中所述待检测目标的组织结构特征进行初步判定，并获取与所述组织结构特征匹配的图像分割类型，包括：
[0026]获取所述待识别图像中的像素分布，并根据所述像素分布对所述组织结构特征的特征类型进行所述初步判定；
[0027]根据所述组织结构特征的所述特征类型获取所述图像分割类型。
[0028]可选的，根据本专利技术的一些实施例，所述图像分割类型包括条状采样分割，所述对所述待识别图像中所述待检测目标的组织结构特征进行初步判定，并获取与所述组织结构特征匹配的图像分割类型，还包括：
[0029]当所述组织结构特征为层次分布的特征类型，获取所述条状采样分割，以划定分割采样形状，所述分割采样形状的长度大于宽度，且所述分割采样形状的长度方向与所述组织结构层次分界线的延伸方向一致。
[0030]可选的，根据本专利技术的一些实施例，所述根据所述图像分割类型对所述待识别图像进行分割，生成所述目标图像块，包括：
[0031]基于所述条状采样分割划定的所述分割采样形状对所述待识别图像进行分割处理，得到初步图像块；
[0032]通过零值填充将所述初步图像块的尺寸调整至预设尺寸，得到所述目标图像块。
[0033]第二方面，本专利技术实施例提供了一种电子设备，包括：存储器、处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如本专利技术第一方面实施例中任意一项所述的医学图像识别方法。
[0034]第三方面，本专利技术实施例提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如本专利技术第一方面实施例中任意一项所述的医学图像识别方法。
[0035]根据本专利技术实施例的医学图像识别方法、电子设备、存储介质，至少具有如下有益效果：
[0036]本专利技术医学图像识别方法先获取包括待检测目标组织结构的待识别图像，然后将待识别图像进行分割处理，生成目标图像块。进一步，采用前序编解码预测器对目标图像块
进行特征提取，生成特征提取向量，再基于特征提取向量对待检测目标的组织结构进行识别，得到识别结果。本专利技术中的医学图像识别方法，利用了前序编解码预测器对待识别图像进行处理，由于前序编解码预测器能够以待识别图像中同类像素点之间的关联性为基础处理图像，因此本专利技术中的医学图像识别方法能够提升医学图像识别过程中的准确率。
[0037]本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0038]本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0039]图1为本专利技术实施例提供的医学图像识别方法流程图；
[0040]图2为本专利技术实施例提供的另一医学图像识别方法流程图；
[0041]图3为本专利技术实施例提供的另一医学图像识别方法流程图；
[0042]图4为本专利技术实施例提供的另一医学图像识别方法流程图；
[0043]图5为本专利技术实施例提供的另一医学图像识别方法流程图；
[0044]图6为本专利技术实施例提供的另一医学图像识别方法流程图；
[0045]图7为本专利技术实施例提供的另一医学图像识别方法流程图；
[0046]图8为本专利技术实施例提供的另一医本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学图像识别方法，其特征在于，包括：获取待识别图像，所述待识别图像包括待检测目标的医学图像；将所述待识别图像进行分割处理，生成目标图像块；采用前序编解码预测器对所述目标图像块进行特征提取，生成特征提取向量；基于所述特征提取向量对所述待识别图像中的所述待检测目标进行识别，得到识别结果。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：通过基础识别模型对无标签预设数据集进行识别，得到伪标签数据集，所述基础识别模型由原始预设模型经过预训练得到；以带有预设标签的标准数据集为正样本数据、以所述伪标签数据集为负样本数据，将所述正样本数据与所述负样本数据混合形成输入样本集；利用所述输入样本集对所述基础识别模型进行优化训练，得到所述前序编解码预测器。3.根据权利要求2所述的方法，其特征在于，所述以带有预设标签的标准数据集为正样本数据、以所述伪标签数据集为负样本数据，将所述正样本数据与所述负样本数据混合形成输入样本集，包括：将所述正样本数据、所述负样本数据进行混合，得到混合数据；调整所述正样本数据和所述负样本数据在所述混合数据中的占比；当所述正样本数据在所述混合数据中的占比大于所述负样本数据在所述混合数据中的占比，将调整后的所述混合数据作为所述输入样本集。4.根据权利要求2所述的方法，其特征在于，所述利用所述输入样本集对所述基础识别模型进行优化训练，得到所述前序编解码预测器，包括：将所述输入样本集输入所述基础识别模型进行第一类迭代训练；每一轮所述第一类迭代训练后，计算所述基础识别模型的识别准确率并对所述基础识别模型的第一类参数进行更新；统计所述识别准确率在每一轮所述第一类迭代训练中的变化情况，当所述识别准确率收敛于第一定值，得到训练好的所述前序编解码预测器。5.根据权利要求1至4任一项所述的方法，其特...

【专利技术属性】
技术研发人员：司世景，王健宗，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：