【技术实现步骤摘要】
本专利技术涉及医学图像处理，尤其涉及一种医学图像处理方法、装置、终端及介质。
技术介绍
1、随着人工智能(ai)技术在医学图像分析领域的快速发展，基于深度学习的图像处理技术在对医疗图像分析方面的应用越来越广泛。特别是在内窥镜成像方面，可以通过深度学习的图像处理ai技术进行高效的图像识别与分析，得到医学图像识别与分析结果。
2、尽管ai技术在其他疾病的图像的识别与分析中已取得显著进展，但在对溃疡性结肠炎(ulcerative colitis，uc)患者结肠组织的医学图像进行图像识别和分析方面，其应用还相对有限。有研究尝试利用卷积神经网络(cnn)识别和分类uc患者结肠组织的医学图像，但是面临着uc患者病变特征差异性大、模型泛化能力受限等挑战。并且传统cnn在处理高分辨率内窥镜图像即uc患者结肠组织的高分辨率医学图像时，往往只能捕获局部信息，难以有效学习和识别微观炎症和组织结构的复杂特征。综上可知，现有的方法无法自动、准确地识别与分析uc患者结肠组织的医学图像。
技术实现思路
1、本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种医学图像处理方法、装置、终端及介质，旨在解决现有的方法无法自动、准确地识别与分析uc患者结肠组织的医学图像的问题。
2、为了解决上述技术问题，本专利技术所采用的技术方案如下：
3、第一方面，本专利技术提供一种医学图像处理方法，其中，所述医学图像处理方法包括：
4、获取目标对象的待测医学图像，所述待测
5、对所述待测医学图像进行图像处理，得到预处理医学图像；
6、获取目标神经网络模型，所述目标神经网络模型为按照预设构建策略构建的神经网络模型，其中，所述目标神经网络模型的各神经网络层交替出现和残差连接；
7、通过所述目标神经网络模型提取和压缩所述预处理医学图像的特征，得到所述待测医学图像的图像处理结果，以便基于所述图像处理结果预测所述目标对象的组织学缓解状态。
8、在一种实现方式中，所述获取目标神经网络模型，包括：
9、获取测试医学图像，所述测试医学图像用于测试新的神经网络模型，以得到目标神经网络模型；
10、将所述测试医学图像输入参考神经网络模型进行医学图像预测，输出参考测试结果；
11、将所述测试医学图像输入所述新的神经网络模型进行医学图像预测，输出目标测试结果；
12、若所述目标测试结果优于所述参考测试结果，则将所述新的神经网络模型作为已训练好的目标神经网络模型。
13、在一种实现方式中，所述将所述测试医学图像输入所述新的神经网络模型进行医学图像预测，输出目标测试结果之前，所述方法还包括：
14、获取训练医学图像，所述训练医学图像包括常规类别医学图像和少数类别医学图像，所述训练医学图像用于对新构建的原始神经网络模型进行训练，其中，所述常规类别医学图像为所述训练医学图像对应的病例对象的图像数量达到比例阈值的医学图像，所述少数类别医学图像为所述病例对象的图像数量未达到所述比例阈值的医学图像；
15、对所述少数类别医学图像进行样本合成处理，得到合成样本的特征向量；
16、按照预设构建策略，对预设的各神经网络层进行连接处理，得到原始神经网络模型；
17、基于所述常规类别医学图像的特征向量和所述合成样本的特征向量，参考所述原始神经网络模型的设计思路，构建新的神经网络模型。
18、在一种实现方式中，所述对所述少数类别医学图像进行样本合成处理，得到合成样本的特征向量，包括；
19、对所述少数类别医学图像进行特征提取，得到所述少数类别医学图像的特征向量；
20、从所述特征向量中确定目标特征向量，将所述目标特征向量作为一个少数类别样本；
21、基于所述特征向量，获取所述少数类别样本的多个邻样本；
22、计算所述少数类别样本和每个邻样本之间的差值；
23、基于预设的比例因子和所述差值，对所述少数类别样本进行融合处理，得到合成样本的特征向量。
24、在一种实现方式中，所述基于所述常规类别医学图像的特征向量和所述合成样本的特征向量，参考所述原始神经网络模型的设计思路，构建新的神经网络模型，包括：
25、获取历史优超参数，所述历史优超参数为历史时间段内实验得到符合预期实验结果用到的训练策略；
26、基于所述常规类别医学图像的特征向量、所述合成样本的特征向量以及所述历史优超参数，对所述原始神经网络模型进行训练，得到训练好的新的神经网络模型。
27、在一种实现方式中，所述若所述目标测试结果优于所述参考测试结果，则将所述新的神经网络模型作为已训练好的目标神经网络模型，包括：
28、获取所述测试医学图像对应的标准预测结果；
29、计算所述参考测试结果与所述标准预测结果之间的相似度，得到第一相似度；
30、计算所述目标测试结果与所述标准预测结果之间的相似度，得到第二相似度；
31、若所述第二相似度大于所述第一相似度，则确定所述目标测试结果优于所述参考测试结果，并将所述新的神经网络模型作为已训练好的目标神经网络模型。
32、在一种实现方式中，所述对所述待测医学图像进行图像处理，得到预处理医学图像，包括：
33、对所述待测医学图像进行旋转、裁剪、翻转以及灰度处理，得到预处理医学图像。
34、第二方面，本专利技术实施例还提供一种医学图像处理装置，其中，所述医学图像处理装置包括：
35、第一获取模块，用于获取目标对象的待测医学图像，所述待测医学图像为所述目标对象的结肠组织医学染色后采集得到的医学图像；
36、图像处理模块，用于对所述待测医学图像进行图像处理，得到预处理医学图像；
37、第二获取模块，用于获取目标神经网络模型，所述目标神经网络模型为按照预设构建策略构建的神经网络模型，其中，所述目标神经网络模型的各神经网络层交替出现和残差连接；
38、图像特征处理模块，用于通过所述目标神经网络模型提取和压缩所述预处理医学图像的特征，得到所述待测医学图像的图像处理结果，以便基于所述图像处理结果预测所述目标对象的组织学缓解状态。
39、第三方面，本专利技术实施例还提供一种终端，其中，所述终端包括存储器、处理器及存储在存储器中并可在处理器上运行的医学图像处理程序，处理器执行医学图像处理程序时，实现上述方案中所述的医学图像处理方法的步骤。
40、第四方面，本专利技术实施例还提供一种计算机可读存储介质，其中，计算机可读存储介质上存储有医学图像处理程序，所述医学图像处理程序被处理器执行时，实现上述方案中所述的医学图像处理方法的步骤。
41、有益效果：与现有技术相比，本专利技术提供了一种医学图像处理方法，该医学图像处理方本文档来自技高网...
【技术保护点】
1.一种医学图像处理方法，其特征在于，包括：
2.根据权利要求1所述的医学图像处理方法，其特征在于，所述获取目标神经网络模型，包括：
3.根据权利要求2所述的医学图像处理方法，其特征在于，所述将所述测试医学图像输入所述新的神经网络模型进行医学图像预测，输出目标测试结果之前，所述方法还包括：
4.根据权利要求3所述的医学图像处理方法，其特征在于，所述对所述少数类别医学图像进行样本合成处理，得到合成样本的特征向量，包括；
5.根据权利要求3所述的医学图像处理方法，其特征在于，所述基于所述常规类别医学图像的特征向量和所述合成样本的特征向量，参考所述原始神经网络模型的设计思路，构建新的神经网络模型，包括：
6.根据权利要求2所述的医学图像处理方法，其特征在于，所述若所述目标测试结果优于所述参考测试结果，则将所述新的神经网络模型作为已训练好的目标神经网络模型，包括：
7.根据权利要求1所述的医学图像处理方法，其特征在于，所述对所述待测医学图像进行图像处理，得到预处理医学图像，包括：
8.一种医学图像处理装置
9.一种终端，其特征在于，所述终端包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的医学图像处理程序，所述处理器执行医学图像处理程序时，实现如权利要求1-7任一项所述的医学图像处理方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有医学图像处理程序，所述医学图像处理程序被处理器执行时，实现如权利要求1-7任一项所述的医学图像处理方法的步骤。
...【技术特征摘要】
1.一种医学图像处理方法，其特征在于，包括：
2.根据权利要求1所述的医学图像处理方法，其特征在于，所述获取目标神经网络模型，包括：
3.根据权利要求2所述的医学图像处理方法，其特征在于，所述将所述测试医学图像输入所述新的神经网络模型进行医学图像预测，输出目标测试结果之前，所述方法还包括：
4.根据权利要求3所述的医学图像处理方法，其特征在于，所述对所述少数类别医学图像进行样本合成处理，得到合成样本的特征向量，包括；
5.根据权利要求3所述的医学图像处理方法，其特征在于，所述基于所述常规类别医学图像的特征向量和所述合成样本的特征向量，参考所述原始神经网络模型的设计思路，构建新的神经网络模型，包括：
6.根据权利要求2所述的医学图像处理方法，其特征在于，所述...
【专利技术属性】
技术研发人员：孟庆虎，王建坤，李业敏，杨洁，
申请(专利权)人：南方科技大学，
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。