【技术实现步骤摘要】
本申请涉及图像识别，具体涉及一种用于识别医学图像的神经网络的训练方法及系统、识别医学图像的系统、医疗设备、计算机可读存储介质、以及计算机程序产品。
技术介绍
1、在传统的临床诊断中，由于患者在拍摄x光图像时受到的辐射量比拍摄ct图像时受到的辐射量小，即拍摄x光图像对患者身体的影响较小，所以医生通常根据患者的x光图像和自己的经验判断患者是否患有相关疾病(例如肺部疾病)。但是，医生在实际的阅片过程中，手动阅片耗时较长，同时对医生的资质和经验也有较高要求，如果医生资质和经验不足往往会导致不必要的过度诊断，例如在误诊后患者需要进一步的侵入性的活检、穿刺等。
2、因此，亟需一种可进行自动检测预设疾病的图像特征的模型，能够直接利用x光图像来准确高效地确定x光图像中是否包括预设疾病的图像特征，以提高疾病识别的准确率和效率，进而降低医生的工作量以及降低对医生的资质和经验的要求。所以，如何训练得到能准确高效地识别出x光图像中是否具有预设疾病的图像特征的神经网络模型是亟待解决的技术问题。
技术实现思路
1、鉴于以上所述相关技术的缺点，本申请的目的在于提供一种用于识别医学图像的神经网络的训练方法及系统、识别医学图像的系统、医疗设备、计算机可读存储介质、以及计算机程序产品，以解决如何训练得到能准确高效地识别出x光图像中是否具有预设疾病的图像特征的神经网络模型的技术问题。
2、为实现上述目的及其他相关目的，本申请第一方面提供一种用于识别医学图像的神经网络的训练方法，所述训练方法包括以
3、本申请第二方面提供一种用于识别医学图像的神经网络的训练系统，包括：融合模块，用于将x光样本图像和ct样本图像输入一图像增强网络得到特征增强图像；其中，所述特征增强图像包括所述ct样本图像的图像信息和所述x光样本图像的图像信息；所述ct样本图像是根据与所述x光样本图像对应的ct三维数据得到的；检测模块，用于将所述特征增强图像输入一分类网络以得到识别结果；调整模块，用于根据所述识别结果和所述x光样本图像中的预设标签，调整所述神经网络的模型参数，直至达到训练停止条件。
4、本申请第三方面提供一种识别医学图像的系统，所述识别系统包括：获取模块，用于获取待识别的x光图像；识别模块，用于将所述待识别的x光图像输入由本申请第一方面公开的任一实施例所述的神经网络的训练方法训练得到的神经网络中，以得到所述神经网络输出的识别结果。
5、本申请第四方面提供一种医疗设备，包括：读取模块，用于读取待识别的x光图像；存储模块，用于存储由本申请第一方面公开的任一实施例所述的神经网络的训练方法训练得到的神经网络；识别模块，与所述读取模块及存储模块相连，用于将读取的所述待识别的x光图像输入所述神经网络中，以得到所述神经网络输出的识别结果；输出模块，与所述识别模块相连，用于向外输出所述识别结果。
6、本申请第五方面提供一种计算机设备，包括：存储装置，用于存储至少一个程序；处理装置，与所述存储装置相连，用于自所述存储装置中调用所述至少一个程序并执行时实现如本申请第一方面公开的任一实施例所述的神经网络的训练方法。
7、本申请第六方面提供一种计算机可读存储介质，存储至少一种程序，所述至少一种程序在被调用时执行并实现如本申请第一方面公开的任一实施例所述的神经网络的训练方法。
8、本申请第七方面提供一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行如本申请第一方面公开的任一实施例所述的神经网络的训练方法。
9、综上所述，本申请提供的用于识别医学图像的神经网络的训练方法及系统、识别医学图像的系统、医疗设备、计算机可读存储介质、以及计算机程序产品，通过设计串联的图像特征增强网络和分类网络，使得在神经网络的训练过程中可以先利用图像特征增强网络得到通过ct图像特征增强的特征增强图像，进而利用特征增强图像来训练分类网络对x光样本图像的分类。如此，可以使得训练完成的神经网络仅利用待识别的x光图像即可准确高效地识别出待识别的x光图像中是否存在预设疾病的图像特征，既提高了识别的准确率又降低了对患者身体的影响。
本文档来自技高网...【技术保护点】
1.一种用于识别医学图像的神经网络的训练方法，其特征在于，所述训练方法包括以下步骤：
2.根据权利要求1所述的训练方法，其特征在于，所述图像增强网络包括通过输入所述CT样本图像以得到所述CT样本图像的特征图像的CT图像特征提取网络；以及通过输入所述X光样本图像以得到所述X光样本图像的特征图像的X光图像特征提取网络。
3.根据权利要求2所述的训练方法，其特征在于，所述特征增强图像是基于所述X光样本图像的特征图像和所述CT样本图像的特征图像得到的。
4.根据权利要求1所述的训练方法，其特征在于，所述图像增强网络包括CT图像特征提取网络，得到特征增强图像的步骤包括：将所述CT样本图像输入所述CT图像特征提取网络，得到所述CT样本图像的特征图像；并基于所述X光样本图像和所述CT样本图像的特征图像得到所述特征增强图像。
5.根据权利要求2或4所述的训练方法，其特征在于，所述CT样本图像的特征图像为热力图。
6.根据权利要求2或4所述的训练方法，其特征在于，将所述特征增强图像输入一分类网络，得到识别结果的步骤包括：将所述特征增强图像
7.根据权利要求1所述的训练方法，其特征在于，输入所述图像增强网络的X光样本图像和CT样本图像的数量分别为多个，调整所述神经网络的模型参数的步骤包括：根据多个X光样本图像和多个CT样本图像所对应的多个识别结果和多个识别结果对应的多个X光样本图像中的预设标签，调整所述神经网络的模型参数。
8.根据权利要求7所述的训练方法，其特征在于，根据所述识别结果和所述X光样本图像中的预设标签，调整所述神经网络的模型参数的步骤包括：根据所述多个识别结果和所述多个X光样本图像中的预设标签计算一损失，基于所述损失调整所述神经网络的模型参数。
9.根据权利要求8所述的训练方法，其特征在于，所述损失为分类交叉熵损失，所述训练停止条件为所述分类交叉熵损失实现收敛。
10.根据权利要求1所述的训练方法，其特征在于，所述图像增强网络和分类网络是预训练的网络模型。
11.根据权利要求1所述的训练方法，其特征在于，所述CT样本图像为CT二维切片或CT二维透视图。
12.根据权利要求11所述的训练方法，其特征在于，所述CT三维数据为基于平扫扫描获得的CT三维数据或者基于增强扫描获得的CT三维数据。
13.根据权利要求12所述的训练方法，其特征在于，根据所述CT三维数据得到所述CT二维透视图的步骤包括：
14.根据权利要求13所述的训练方法，其特征在于，所述CT值范围为-100HU至400HU。
15.根据权利要求13所述的训练方法，其特征在于，基于预设的CT值范围和所述透视光线的步进值，得到一透视光线对应的用于计算像素值的CT值包括：
16.根据权利要求1所述的训练方法，其特征在于，所述医学图像为用于检测肺结核的X光图像。
17.一种用于识别医学图像的神经网络的训练系统，其特征在于，包括：
18.一种识别医学图像的系统，其特征在于，包括：
19.一种医疗设备，其特征在于，包括：
20.一种计算机设备，其特征在于，包括：
21.一种计算机可读存储介质，其特征在于，存储至少一种程序，所述至少一种程序在被调用时执行并实现如权利要求1-16任一所述的神经网络的训练方法。
22.一种计算机程序产品，其特征在于，当所述计算机程序产品在计算机上运行时，使得所述计算机执行如权利要求1-16任一所述的神经网络的训练方法。
...【技术特征摘要】
1.一种用于识别医学图像的神经网络的训练方法，其特征在于，所述训练方法包括以下步骤：
2.根据权利要求1所述的训练方法，其特征在于，所述图像增强网络包括通过输入所述ct样本图像以得到所述ct样本图像的特征图像的ct图像特征提取网络；以及通过输入所述x光样本图像以得到所述x光样本图像的特征图像的x光图像特征提取网络。
3.根据权利要求2所述的训练方法，其特征在于，所述特征增强图像是基于所述x光样本图像的特征图像和所述ct样本图像的特征图像得到的。
4.根据权利要求1所述的训练方法，其特征在于，所述图像增强网络包括ct图像特征提取网络，得到特征增强图像的步骤包括：将所述ct样本图像输入所述ct图像特征提取网络，得到所述ct样本图像的特征图像；并基于所述x光样本图像和所述ct样本图像的特征图像得到所述特征增强图像。
5.根据权利要求2或4所述的训练方法，其特征在于，所述ct样本图像的特征图像为热力图。
6.根据权利要求2或4所述的训练方法，其特征在于，将所述特征增强图像输入一分类网络，得到识别结果的步骤包括：将所述特征增强图像和所述x光样本图像输入所述分类网络，得到所述识别结果。
7.根据权利要求1所述的训练方法，其特征在于，输入所述图像增强网络的x光样本图像和ct样本图像的数量分别为多个，调整所述神经网络的模型参数的步骤包括：根据多个x光样本图像和多个ct样本图像所对应的多个识别结果和多个识别结果对应的多个x光样本图像中的预设标签，调整所述神经网络的模型参数。
8.根据权利要求7所述的训练方法，其特征在于，根据所述识别结果和所述x光样本图像中的预设标签，调整所述神经网络的模型参数的步骤包括：根据所述多个识别结果和所述多个x光样本图像中的预设标签计算一损失，基于所述损失...
【专利技术属性】
技术研发人员：汪轶平，张琳，
申请(专利权)人：常州锦瑟医疗信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。