一种基于卷积神经网络的肾脏图像处理方法和系统技术方案

本发明专利技术请求保护一种基于卷积神经网络的肾脏图像处理方法和系统，通过获取医疗大数据库中相关肾脏疾病图像与待检测肾脏图像有关的关联度信息，根据与待检测肾脏图像有关的关联度信息和像素数据进行关联度待检测肾脏图像处理建模，根据关联度待检测肾脏图像处理模型获得处理中待检测肾脏图像规范的关系名称，针对关联度数据，基于滑动窗口的深度神经网络像素组合识别方法进行病灶像素组合识别，进行病灶像素组合间的关系分类，形成不同待检测肾脏图像像素组合之间的三元组，组合构建待检测肾脏图像关系知识图谱。本发明专利技术可以有效处理肾脏图像，准确地对肾脏图像进行规范化处理，得到便于后续肾脏情况分析的处理结果。到便于后续肾脏情况分析的处理结果。到便于后续肾脏情况分析的处理结果。

【技术实现步骤摘要】
一种基于卷积神经网络的肾脏图像处理方法和系统


[0001]本专利技术属于图像处理
，尤其涉及一种基于卷积神经网络的肾脏图像处理方法和系统。

技术介绍

[0002]肾脏CT序列图像处理是进行肾脏疾病定量分析的重要前提，对病情诊疗有着支撑作用，同时也是计算机辅助诊断中器官组织图像的三维可视化、虚拟手术、生物系统仿真的重要手段。由于腹部CT图像各器官的灰度相近，相邻器官之间具有连接性以及受部分容积效应的影响，另一方面，肾脏组织结构复杂且形状多样，相关疾病也会导致肾脏形态发生大幅变化，因此肾脏图像的自动处理成为医学图像处理中的难点。
[0003]利用图像处理网络对肾脏CT图像进行处理，以辅助诊断糖尿病肾病，是减轻医疗负担的有效途径。但是受到设备性能和诊疗费用各方面的限制，实际获取的CT图像质量普遍比较低，这限制了图像处理模型处理的准确率。

技术实现思路

[0004]为了解决当前肾脏图像处理效率不高，准确率低的问题，本专利技术请求保护一种基于卷积神经网络的肾脏图像处理方法和系统。
[0005]根据本专利技术第一方面，本专利技术请求保护一种基于卷积神经网络的肾脏图像处理方法，其特征在于，包括：获取医疗大数据库中相关肾脏疾病图像与待检测肾脏图像有关的关联度信息；分析关联度中的关联度值和关联特征，根据所述与待检测肾脏图像有关的关联度信息和像素数据进行关联度待检测肾脏图像处理建模；针对像素数据，对有重复像素组合的数据队列进行规范化；将包含第一关联度的两个像素组合数据队列，分别通过队列名和主键，根据关联度待检测肾脏图像处理模型，进行各队列与处理类和关系的对应；将包含第二关联度的关系队列与两个像素组合数据队列根据关键字段进行关联，根据关联度待检测肾脏图像处理模型，进行处理类关系的自动像素映射，获得处理中待检测肾脏图像规范的关系名称；针对关联度数据，基于滑动窗口的深度神经网络像素组合识别方法进行病灶像素组合识别；基于像素组合位置特征的卷积神经网络关系抽取方法进行病灶像素组合间的关系分类；形成不同待检测肾脏图像像素组合之间的三元组；根据像素组合关系抽取结果，组合构建待检测肾脏图像关系知识图谱。
[0006]进一步地，所述分析关联度中的关联度值和关联特征，根据所述与待检测肾脏图像有关的关联度信息和像素数据进行关联度待检测肾脏图像处理建模，具体包括：获取多个肾脏病理历史图像，对所述肾脏病理历史图像进行像素组合标注，得到肾脏标注历史图像集合；对所述肾脏标注历史图像集合进行关联帧判断预处理，将关联帧进行图像结构化
和数据增强操作，得到肾脏训练历史图像集合；将所述肾脏训练历史图像集合输入关联度待检测肾脏图像处理模型中进行迭代训练，得到修正关联度待检测肾脏图像处理模型。
[0007]进一步地，所述将所述肾脏训练历史图像集合输入关联度待检测肾脏图像处理模型中进行迭代训练，得到修正关联度待检测肾脏图像处理模型，具体包括：采用历史关联处理方法，将所述肾脏训练历史图像集合中的每个像素分配到不同的对象历史中，得到肾脏训练历史关联处理像素集；采取主干网络mainbone，将所述肾脏训练历史关联处理像素集输入到比对框以及关联候选区域中，其中，关联候选区域头结构对产生的所述比对框进行微调标准化，完成比对框分类以及目标位置检测；采用查询对象检测器，基于多头自注意力模块和动态卷积获取每个肾脏训练历史关联处理像素集的特征，使用三个并行的动态掩码头，将不同分支的掩码头进行共享并相互利用高级像素特征；采用历史关联处理方法，将所述肾脏训练历史图像集合中的每个像素分配到不同的对象历史中，得到肾脏训练历史关联处理像素集，具体包括：将640
×
640大小的肾脏训练历史图像输入第一关联修正，获取第一肾脏训练历史关联处理像素集，所述第一肾脏训练历史关联处理像素集大小为240
×
240，包括肾脏训练历史图像的底层肾脏肾小球中的肾小球特征；将所述第一肾脏训练历史关联处理像素集输入第二关联修正，获取第二肾脏训练历史关联处理像素集，所述第二肾脏训练历史关联处理像素集大小为100
×
100，包括肾脏训练历史图像的肾脏中的光线区域的高亮突出显示；将所述第二肾脏训练历史关联处理像素集输入第三关联修正和第四关联修正，获取第三肾脏训练历史关联处理像素集和第四肾脏训练历史关联处理像素集，所述第三肾脏训练历史关联处理像素集和第四肾脏训练历史关联处理像素集的大小为50
×
50和15
×
15，包括肾脏训练历史图像的肾脏中的高级像素特征目标高亮像素进行关联处理区域；neck使用FPN特征金字塔，将所述第四关联修正所生成的第四肾脏训练历史关联处理像素集进行融合训练后，与所述第三关联修正的第三肾脏训练历史关联处理像素集进行1
×
1卷积标准化后进行特征拼接，得到第五肾脏训练历史关联处理像素集f5；将f5进行融合训练，与第二关联修正的第二肾脏训练历史关联处理像素集进行1
×
1卷积标准化后进行特征拼接，整合颜色、亮度特征，得到第六肾脏训练历史关联处理像素集f6；将f6进行融合训练，与第一关联修正的第一肾脏训练历史关联处理像素集进行1
×
1卷积标准化后进行特征拼接，整合肾脏高亮像素边界信息，得到第七肾脏训练历史关联处理像素集f7；提取所述第七肾脏训练历史关联处理像素集的多个比对框，初始化N个compare框，得到每个compare框与所述比对框的交并比；设置无效像素分离预设阈值，若所述交并比大于所述无效像素分离预设阈值，则所述比对框的区域为有效像素，否则为无效像素；将所述比对框输入到关联候选区域中，并给定一个查询Q
t
，将Q
t
输入到多头自注意
力模块得到特征增强查询Q
t*
，将Q
t*
和所述比对框作为线索，在动态卷积下微调标准化特征，作为下一关联修正的线索指导，在关联处理头下生成第一高亮像素的关联处理区域；重复给定查询并输入多头自注意力模块的步骤，得到第二高亮像素的关联处理区域和第三高亮像素的关联处理区域；对所述第一高亮像素的关联处理区域、第二高亮像素的关联处理区域和第三高亮像素的关联处理区域进行融合，得到肾脏高亮像素历史关联处理结果；依据所述肾脏高亮像素历史关联处理结果对所述关联度待检测肾脏图像处理模型进行修正，得到修正关联度待检测肾脏图像处理模型。
[0008]进一步地，所述针对关联度数据，基于滑动窗口的深度神经网络像素组合识别方法进行病灶像素组合识别；基于像素组合位置特征的卷积神经网络关系抽取方法进行病灶像素组合间的关系分类；形成不同待检测肾脏图像像素组合之间的三元组，具体包括：将历史病灶像素数据的病灶像素特征信息进行组合、处理和特征提取，获取待处理病灶像素特征信息；基于所述待处理病灶像素特征信息中的实际病变开始时间和实际病变结束时间，计算病灶像素的病变开始持续时间并划分持续等级；采用肾脏患者病理的唯一标识为主键，筛选满足多级病灶像素队列条件的病灶像素，融合组成三元组形式的单条病灶本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的肾脏图像处理方法，其特征在于，包括：获取医疗大数据库中相关肾脏疾病图像与待检测肾脏图像有关的关联度信息；分析关联度中的关联度值和关联特征，根据所述与待检测肾脏图像有关的关联度信息和像素数据进行关联度待检测肾脏图像处理建模；针对像素数据，对有重复像素组合的数据队列进行规范化；将包含第一关联度的两个像素组合数据队列，分别通过队列名和主键，根据关联度待检测肾脏图像处理模型，进行各队列与处理类和关系的对应；将包含第二关联度的关系队列与两个像素组合数据队列根据关键字段进行关联，根据关联度待检测肾脏图像处理模型，进行处理类关系的自动像素映射，获得处理中待检测肾脏图像规范的关系名称；针对关联度数据，基于滑动窗口的深度神经网络像素组合识别方法进行病灶像素组合识别；基于像素组合位置特征的卷积神经网络关系抽取方法进行病灶像素组合间的关系分类；形成不同待检测肾脏图像像素组合之间的三元组；根据像素组合关系抽取结果，组合构建待检测肾脏图像关系知识图谱。2.如权利要求1所述的一种基于卷积神经网络的肾脏图像处理方法，其特征在于，所述分析关联度中的关联度值和关联特征，根据所述与待检测肾脏图像有关的关联度信息和像素数据进行关联度待检测肾脏图像处理建模，具体包括：获取多个肾脏病理历史图像，对所述肾脏病理历史图像进行像素组合标注，得到肾脏标注历史图像集合；对所述肾脏标注历史图像集合进行关联帧判断预处理，将关联帧进行图像结构化和数据增强操作，得到肾脏训练历史图像集合；将所述肾脏训练历史图像集合输入关联度待检测肾脏图像处理模型中进行迭代训练，得到修正关联度待检测肾脏图像处理模型。3.如权利要求2所述的一种基于卷积神经网络的肾脏图像处理方法，其特征在于，所述将所述肾脏训练历史图像集合输入关联度待检测肾脏图像处理模型中进行迭代训练，得到修正关联度待检测肾脏图像处理模型，具体包括：采用历史关联处理方法，将所述肾脏训练历史图像集合中的每个像素分配到不同的对象历史中，得到肾脏训练历史关联处理像素集；采取主干网络mainbone，将所述肾脏训练历史关联处理像素集输入到比对框以及关联候选区域中，其中，关联候选区域头结构对产生的所述比对框进行微调标准化，完成比对框分类以及目标位置检测；采用查询对象检测器，基于多头自注意力模块和动态卷积获取每个肾脏训练历史关联处理像素集的特征，使用三个并行的动态掩码头，将不同分支的掩码头进行共享并相互利用高级像素特征；采用历史关联处理方法，将所述肾脏训练历史图像集合中的每个像素分配到不同的对象历史中，得到肾脏训练历史关联处理像素集，具体包括：将640
×
640大小的肾脏训练历史图像输入第一关联修正，获取第一肾脏训练历史关联处理像素集，所述第一肾脏训练历史关联处理像素集大小为240
×
240，包括肾脏训练历史图像的底层肾脏肾小球中的肾小球特征；将所述第一肾脏训练历史关联处理像素集输入第二关联修正，获取第二肾脏训练历史
关联处理像素集，所述第二肾脏训练历史关联处理像素集大小为100
×
100，包括肾脏训练历史图像的肾脏中的光线区域的高亮突出显示；将所述第二肾脏训练历史关联处理像素集输入第三关联修正和第四关联修正，获取第三肾脏训练历史关联处理像素集和第四肾脏训练历史关联处理像素集，所述第三肾脏训练历史关联处理像素集和第四肾脏训练历史关联处理像素集的大小为50
×
50和15
×
15，包括肾脏训练历史图像的肾脏中的高级像素特征目标高亮像素进行关联处理区域；neck使用FPN特征金字塔，将所述第四关联修正所生成的第四肾脏训练历史关联处理像素集进行融合训练后，与所述第三关联修正的第三肾脏训练历史关联处理像素集进行1
×
1卷积标准化后进行特征拼接，得到第五肾脏训练历史关联处理像素集f5；将f5进行融合训练，与第二关联修正的第二肾脏训练历史关联处理像素集进行1
×
1卷积标准化后进行特征拼接，整合颜色、亮度特征，得到第六肾脏训练历史关联处理像素集f6；将f6进行融合训练，与第一关联修正的第一肾脏训练历史关联处理像素集进行1
×
1卷积标准化后进行特征拼接，整合肾脏高亮像素边界信息，得到第七肾脏训练历史关联处理像素集f7；提取所述第七肾脏训练历史关联处理像素集的多个比对框，初始化N个compare框，得到每个compare框与所述比对框的交并比；设置无效像素分离预设阈值，若所述交并比大于所述无效像素分离预设阈值，则所述比对框的区域为有效像素，否则为无效像素；将所述比对框输入到关联候选区域中，并给定一个查询Q
t
，将Q
t
输入到多头自注意力模块得到特征增强查询Q
t*
，将Q
t*
和所述比对框作为线索，在动态卷积下微调标准化特征，作为下一关联修正的线索指导，在关联处理头下生成第一高亮像素的关联处理区域；重复给定查询并输入多头自注意力模块的步骤，得到第二高亮像素的关联处理区域和第三高亮像素的关联处理区域；对所述第一高亮像素的关联处理区域、第二高亮像素的关联处理区域和第三高亮像素的关联处理区域进行融合，得到肾脏高亮像素历史关联处理结果；依据所述肾脏高亮像素历史关联处理结果对所述关联度待检测肾脏图像处理模型进行修正，得到修正关联度待检测肾脏图像处理模型。4.如权利要求2所述的一种基于卷积神经网络的肾脏图像处理方法，其特征在于，所述针对关联度数据，基于滑动窗口的深度神经网络像素组合识别方法进行病灶像素组合识别；基于像素组合位置特征的卷积神经网络关系抽取方法进行病灶像素组合间的关系分类；形成不同待检测肾脏图像像素组合之间的三元组，具体包括：将历史病灶像素数据的病灶像素特征信息进行组合、处理和特征提取，获取待处理病灶像素特征信息；基于所述待处理病灶像素特征信息中的实际病变开始时间和实际病变结束时间，计算病灶像素的病变开始持续时间并划分持续等级；采用肾脏患者病理的唯一标识为主键，筛选满足多级病灶像素队列条件的病灶像素，融合组成三元组形式的单条病灶像素队列，再连续筛选组成病灶像素队列数据集；对所述病灶像素队列数据集的特征信息进行赋值，其中，单点式特征数据进行GBM赋
值，连续型特征数据进行归一化赋值。5.一种基于卷积神经网络的肾脏图像处理系统，其特征在于，包括...

【专利技术属性】
技术研发人员：巨学明，
申请(专利权)人：四川省医学科学院，
类型：发明
国别省市：