【技术实现步骤摘要】
本公开涉及图像处理，尤其涉及一种肺部图像识别方法、装置、设备及存储介质。
技术介绍
1、近年来，随着深度学习等人工智能技术的飞速发展，其在医学影像诊断领域的应用逐渐深入，尤其在病理学、影像识别等方面展现出了巨大的潜力。深度学习，作为一种数据驱动的学习方法，其核心在于通过模拟人类大脑结构和功能的人工神经网络对大量数据进行特征学习和模式识别。特别是卷积神经网络(convo l ut i ona l neura l network，cnn)等模型，因其卓越的特征提取和图像处理能力，在图像识别任务中取得了显著成果。在医学影像领域，深度学习技术显示提升相关工作处理效率的巨大潜力。
2、以肺部影像研究为例，目前对肺部影像的分析结果差异度很大，准确度不高。而基于深度学习进行肺部影像处理，为优化处理结果提供了新的思路。
技术实现思路
1、为了解决上述提出的至少一个技术问题，本公开提出了一种肺部图像识别方法、装置、设备及存储介质。
2、根据本公开实施例的第一方面，提供一种肺部图像识别方法，包括：
3、获取肺部图像序列，所述肺部图像序列包括按照时间顺序排列的预设数量的图像；
4、提取所述肺部图像序列的每帧图像的深度特征；
5、聚合并编码所述每帧图像的深度特征，得到所述每帧图像的局部聚合描述符特征；
6、基于所述每帧图像的局部聚合描述符特征进行分类预测，得到所述肺部图像序列的第一分类结果；
7、对各帧图像分别对应的局部聚
8、融合所述肺部图像序列的第一分类结果和所述肺部图像序列的第二分类结果，得到所述肺部图像序列的图像识别结果，所述图像识别结果指示存在肺部病灶概率，以及肺部病灶类型。
9、在一个实施例中，所述基于所述每帧图像的局部聚合描述符特征进行分类预测，得到所述肺部图像序列的第一分类结果包括：
10、基于所述每帧图像的局部聚合描述符特征进行分类预测，得到所述每帧图像的肺部病灶类型及概率；
11、聚合所述每帧图像的肺部病灶类型及概率，得到对所述肺部图像序列的第一分类结果。
12、在一个实施例中，所述肺部图像识别方法基于肺部图像识别模型实施，
13、所述提取所述肺部图像序列的每帧图像的深度特征，包括：基于所述肺部图像识别模型内的卷积分类模块中的预设卷积神经网络模型，提取所述肺部图像序列的每帧图像的深度特征；
14、所述聚合并编码所述每帧图像的深度特征，得到所述每帧图像的局部聚合描述符特征，包括：基于所述预设卷积神经网络模型，聚合并编码所述每帧图像的深度特征，得到所述每帧图像的局部聚合描述符特征；
15、所述基于所述每帧图像的局部聚合描述符特征进行分类预测，得到所述肺部图像序列的第一分类结果，包括：由卷积分类模块中的预设分类器，基于所述每帧图像的局部聚合描述符特征进行分类预测，得到所述肺部图像序列的第一分类结果；
16、所述对各帧图像分别对应的局部聚合描述符特征所形成的序列进行基于全连接的分类预测，得到所述肺部图像序列的第二分类结果，包括：基于所述肺部图像识别模型中的时间序列分类模块，对各帧图像分别对应的局部聚合描述符特征所形成的序列进行基于全连接的分类预测，得到所述肺部图像序列的第二分类结果。
17、在一个实施例中，所述时间序列分类模块包括：长短期记忆网络模型和全连接层分类器，所述长短期记忆网络模型用于聚合各帧图像分别对应的局部聚合描述符特征所形成的序列，所述全连接层分类器用于对聚合结果进行基于全连接的分类预测；
18、所述融合所述肺部图像序列的第一分类结果和所述肺部图像序列的第二分类结果，得到所述肺部图像序列的图像识别结果，包括：基于测试集确定所述预设分类器和所述全连接层分类器各自的分类指数；
19、基于各所述分类指数聚合所述第一分类结果和所述第二分类结果，得到所述肺部图像序列的图像识别结果。
20、在一个实施例中，所述基于各所述分类指数聚合所述第一分类结果和所述第二分类结果，得到所述肺部图像序列的图像识别结果，包括：
21、基于所述预设分类器对应的分类指数和所述第一分类结果的乘积，确定第一识别结果；
22、基于所述全连接层分类器对应的分类指数和所述第二分类结果的乘积，确定第二识别结果；
23、融合所述第一识别结果和所述第二识别结果，得到所述肺部图像序列的图像识别结果。
24、在一个实施例中，所述肺部图像识别模型通过下述方法训练得到：
25、获取样本肺部图像序列，所述样本肺部图像序列包括用于指示肺部病灶的标注数据；
26、将所述样本肺部图像序列输入所述肺部图像识别模型，得到所述卷积分类模块输出第一分类预测结果和所述时间序列分类模块输出第二分类预测结果；
27、基于所述标注数据与所述第一分类预测结果的差异，确定第一损失；
28、基于所述标注数据与所述第二分类预测结果的差异，确定第二损失；
29、基于所述第一损失和所述第二损失，调整所述肺部图像识别模型的参数。
30、根据本公开实施例的第二方面，提供一种肺部图像识别装置，包括：
31、获取模块，被配置为获取肺部图像序列，所述肺部图像序列包括按照时间顺序排列的预设数量的图像；
32、提取模块，被配置为提取所述肺部图像序列的每帧图像的深度特征；
33、聚合编码模块，被配置为聚合并编码所述每帧图像的深度特征，得到所述每帧图像的局部聚合描述符特征；
34、第一分类模块，被配置为基于所述每帧图像的局部聚合描述符特征进行分类预测，得到所述肺部图像序列的第一分类结果；
35、第二分类模块，被配置为对各帧图像分别对应的局部聚合描述符特征所形成的序列进行基于全连接的分类预测，得到所述肺部图像序列的第二分类结果；
36、融合模块，融合所述肺部图像序列的第一分类结果和所述肺部图像序列的第二分类结果，得到所述肺部图像序列的图像识别结果，所述图像识别结果指示存在肺部病灶概率，以及肺部病灶类型。
37、根据本公开实施例的第三方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如上述第一方面所述的肺部图像识别方法。
38、根据本公开实施例的第四方面，提供一种电子设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现如上述第一方面所述的肺部图像识别方法。
39、根据本公开实施例的第五方面，提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序存本文档来自技高网...
【技术保护点】
1.一种肺部图像识别方法，其特征在于，包括：
2.根据权利要求1所述的一种肺部图像识别方法，其特征在于，所述基于所述每帧图像的局部聚合描述符特征进行分类预测，得到所述肺部图像序列的第一分类结果包括：
3.根据权利要求1或2所述的一种肺部图像识别方法，其特征在于，所述肺部图像识别方法基于肺部图像识别模型实施，
4.根据权利要求3所述的一种肺部图像识别方法，其特征在于，所述时间序列分类模块包括：长短期记忆网络模型和全连接层分类器，所述长短期记忆网络模型用于聚合各帧图像分别对应的局部聚合描述符特征所形成的序列，所述全连接层分类器用于对聚合结果进行基于全连接的分类预测；
5.根据权利要求4所述的一种肺部图像识别方法，其特征在于，所述基于各所述分类指数聚合所述第一分类结果和所述第二分类结果，得到所述肺部图像序列的图像识别结果，包括：
6.根据权利要求3所述的一种肺部图像识别方法，其特征在于，所述肺部图像识别模型通过下述方法训练得到：
7.一种肺部图像识别装置，其特征在于，包括：
8.一种计算机可读存储介质，
9.一种电子设备，其特征在于，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现如权利要求1-6中任意一项所述的肺部图像识别方法。
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序存储在可读存储介质中，计算机设备的至少一个处理器从所述可读存储介质读取并执行所述计算机程序，使得所述计算机设备执行如权利要求1-6中任意一项所述的肺部图像识别方法。
...【技术特征摘要】
1.一种肺部图像识别方法，其特征在于，包括：
2.根据权利要求1所述的一种肺部图像识别方法，其特征在于，所述基于所述每帧图像的局部聚合描述符特征进行分类预测，得到所述肺部图像序列的第一分类结果包括：
3.根据权利要求1或2所述的一种肺部图像识别方法，其特征在于，所述肺部图像识别方法基于肺部图像识别模型实施，
4.根据权利要求3所述的一种肺部图像识别方法，其特征在于，所述时间序列分类模块包括：长短期记忆网络模型和全连接层分类器，所述长短期记忆网络模型用于聚合各帧图像分别对应的局部聚合描述符特征所形成的序列，所述全连接层分类器用于对聚合结果进行基于全连接的分类预测；
5.根据权利要求4所述的一种肺部图像识别方法，其特征在于，所述基于各所述分类指数聚合所述第一分类结果和所述第二分类结果，得到所述肺部图像序列的图像识别结果，包括：
6.根据权利要求3所述的一种肺部图像识别方法，其特征在...
【专利技术属性】
技术研发人员：秦争舸，闵玲，杨勇，许书菡，陶林，叶萍，
申请(专利权)人：融和医疗科技浙江有限公司，
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。