【技术实现步骤摘要】
本专利技术涉及图像识别，具体涉及一种医学图像识别方法、装置、设备及存储介质。
技术介绍
1、随着计算机图像处理技术的发展，计算机辅助诊断系统在医学图像处理中得到了广泛应用，可以实现基于医学图像的分类，具有重要的现实意义和临床研究价值。
2、但由于很多病灶区域的病变位置、大小以及边缘模糊性的差异，现有技术中的医学图像识别模型在精准定位病灶区域并区分正常区域与病灶区域之间的界限时常常遭遇困难。其次，不同类型病灶的病灶区域可能共享相似的表观特征，进一步加大了病灶区域进行准确分类的难度。换言之，现有技术中基于深度学习的医学图像识别技术已展现出一定的识别能力，但在实际应用中，识别准确率较低。
3、亟需提供一种医学图像识别方法、装置、设备及存储介质，准确区分正常区域和病灶区域，并实现对相似的表观特征的病灶类型进行准确区分，以提高对医学图像的识别准确率。
技术实现思路
1、有鉴于此，有必要提供一种医学图像识别方法、装置、设备及存储介质，用以解决现有技术中存在的无法准确区分正常区域和病灶区域，并无法对相似的表观特征的病灶类型进行准确区分的问题，进而导致对医学图像的识别准确率较低的技术问题。
2、一方面，为了解决上述技术问题，本专利技术提供了一种医学图像识别方法，包括：
3、基于无边缘主动轮廓分割模型对医学图像进行分割，获得病灶轮廓曲线；
4、基于所述病灶轮廓曲线确定第一训练图像和第二训练图像，所述第一训练图像仅包括所述病灶轮廓曲线内的病灶
5、基于所述第一训练图像和所述第二训练图像对医学图像识别模型进行训练，获得目标医学图像识别模型；
6、基于所述目标医学图像识别模型对待识别医学图像进行医学图像识别。
7、在一种可能的实现方式中，所述基于所述病灶轮廓曲线确定第一训练图像和第二训练图像，包括：
8、将所述病灶轮廓曲线内的图像作为所述第一训练图像；
9、确定所述病灶轮廓曲线的最小矩形包围区域，将所述最小矩形包围区域作为所述第二训练图像。
10、在一种可能的实现方式中，所述无边缘主动轮廓分割模型为：
11、
12、式中，为病灶轮廓曲线内的病灶图像的能量泛函；为水平集函数；为heaviside函数；为病灶轮廓曲线内的图像平均灰度值；为病灶轮廓曲线外的图像平均灰度值；为图像域；为第一系数；为第二系数；为第三系数；为梯度符号。
13、在一种可能的实现方式中，所述医学图像识别模型包括第一特征提取模块、第二特征提取模块、特征拼接模块和预测模块；
14、所述第一特征提取模块用于提取所述第一训练图像的第一图像特征；
15、所述第二特征提取模块用于提取所述第二训练图像的第二图像特征；
16、所述特征拼接模块用于对所述第一图像特征和所述第二图像特征进行拼接，获得拼接特征；
17、所述预测模块用于对所述拼接特征进行预测，获得医学图像识别结果。
18、在一种可能的实现方式中，所述第一特征提取模块包括依次连接的第一卷积层、多个移动翻转瓶颈卷积模块、第二卷积层以及池化层；所述多个移动翻转瓶颈卷积模块包括多个扩张率为1的多个第一移动翻转瓶颈卷积模块以及多个扩张率为6的多个第二移动翻转瓶颈卷积模块。
19、在一种可能的实现方式中，所述移动翻转瓶颈卷积模块包括依次连接的第三卷积层、可分离卷积层、坐标注意力机制层、第四卷积层、归一化层、丢弃层以及叠加层，所述叠加层用于将所述丢弃层的输出和所述第三卷积层的输入进行叠加。
20、在一种可能的实现方式中，所述方法还包括：
21、获取初始医学图像，并对所述初始医学图像进行预处理，获得所述医学图像，所述预处理包括底帽运算、数据增强和归一化处理。
22、另一方面，本专利技术还提供了一种医学图像识别装置，包括：
23、图像分割单元，用于基于无边缘主动轮廓分割模型对医学图像进行分割，获得病灶轮廓曲线；
24、训练图像确定单元，用于基于所述病灶轮廓曲线确定第一训练图像和第二训练图像，所述第一训练图像仅包括所述病灶轮廓曲线内的病灶区域，第二训练图像包括所述病灶轮廓曲线内的病灶区域和所述病灶轮廓曲线外与所述病灶区域相邻的关联区域；
25、识别模型训练单元，用于基于所述第一训练图像和所述第二训练图像对医学图像识别模型进行训练，获得目标医学图像识别模型；
26、医学图像识别单元，用于基于所述目标医学图像识别模型对待识别医学图像进行医学图像识别。
27、另一方面，本专利技术还提供了一种医学图像识别设备，包括存储器和处理器，其中，
28、所述存储器，用于存储程序；
29、所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述任意一种可能的实现方式中所述的医学图像识别方法中的步骤。
30、另一方面，本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有程序或指令，所述程序或指令被处理器执行时实现上述任意一种可能的实现方式中所述的医学图像识别方法的步骤。
31、本专利技术的有益效果是：本专利技术提供的医学图像识别方法，考虑到病变发生区域的边界通常较模糊，且病灶内部结构和周围正常区域之间的差异可能并非简单地体现在边缘强度上，通过基于无边缘主动轮廓分割模型对医学图像进行分割，突破了传统基于边缘检测的方法对清晰、明显边界条件的依赖，实现了对边界不清晰的医学图像的准确分割，提高了对医学图像中病灶区域和正常区域的分割精度，进而可提高医学图像识别的准确性。其次，还可避免对精确边缘检测的需求，并且能较好地处理由于光照变化、成像设备差异等因素导致的边界不确定性问题，提高了医学图像识别的鲁棒性。
32、进一步地，本专利技术通过基于病灶轮廓曲线确定第一训练图像和第二训练图像训练获得目标医学图像识别模型，第一训练图像为病灶轮廓曲线内的病灶图像，第二训练图像包括所述病灶图像和病灶轮廓曲线外的周边关联图像，即：通过保留了病灶与周边区域交互信息的第二训练图像和仅含有病灶信息的第一训练图像对医学图像识别模型进行训练，可为病灶区域的识别提供更为全面的图像特征表示，进而可进一步提高医学图像识别的准确性。
本文档来自技高网...【技术保护点】
1.一种医学图像识别方法，其特征在于，包括：
2.根据权利要求1所述的医学图像识别方法，其特征在于，所述基于所述病灶轮廓曲线确定第一训练图像和第二训练图像，包括：
3.根据权利要求1所述的医学图像识别方法，其特征在于，所述无边缘主动轮廓分割模型为：
4.根据权利要求1所述的医学图像识别方法，其特征在于，所述医学图像识别模型包括第一特征提取模块、第二特征提取模块、特征拼接模块和预测模块；
5.根据权利要求4所述的医学图像识别方法，其特征在于，所述第一特征提取模块包括依次连接的第一卷积层、多个移动翻转瓶颈卷积模块、第二卷积模块以及池化层；所述多个移动翻转瓶颈卷积模块包括多个扩张率为1的多个第一移动翻转瓶颈卷积模块以及多个扩张率为6的多个第二移动翻转瓶颈卷积模块。
6.根据权利要求5所述的医学图像识别方法，其特征在于，所述移动翻转瓶颈卷积模块包括依次连接的第三卷积层、可分离卷积层、坐标注意力机制层、第四卷积层、归一化层、丢弃层以及叠加层，所述叠加层用于将所述丢弃层的输出和所述第三卷积层的输入进行叠加。
7.根据权利
8.一种医学图像识别装置，其特征在于，包括：
9.一种医学图像识别设备，其特征在于，包括存储器和处理器，其中，
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程序或指令，所述程序或指令被处理器执行时实现上述权利要求1-7中任一项所述的医学图像识别方法的步骤。
...【技术特征摘要】
1.一种医学图像识别方法，其特征在于，包括：
2.根据权利要求1所述的医学图像识别方法，其特征在于，所述基于所述病灶轮廓曲线确定第一训练图像和第二训练图像，包括：
3.根据权利要求1所述的医学图像识别方法，其特征在于，所述无边缘主动轮廓分割模型为：
4.根据权利要求1所述的医学图像识别方法，其特征在于，所述医学图像识别模型包括第一特征提取模块、第二特征提取模块、特征拼接模块和预测模块；
5.根据权利要求4所述的医学图像识别方法，其特征在于，所述第一特征提取模块包括依次连接的第一卷积层、多个移动翻转瓶颈卷积模块、第二卷积模块以及池化层；所述多个移动翻转瓶颈卷积模块包括多个扩张率为1的多个第一移动翻转瓶颈卷积模块以及多个扩张率为6的多个...
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。