[發明專利]一種檢測敏感區域的方法及裝置

在審

• 申請號: 201710666437.2
• 申請日: 2017-08-07
• 公開（公告）號: CN107274406A
• 公開（公告）日: 2017-10-20
• 發明（設計）人: 李一鳴;張番棟;周振;龐亮;張樹;孔明;王洪振
• 申請（專利權）人: 北京深睿博聯科技有限責任公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T3/40
• 代理公司: 北京集佳知識產權代理有限公司11227
• 代理人: 王寶筠

1.一種檢測敏感區域的方法，其特征在于，包括：

獲取醫學圖像；

對所述醫學圖像進行分割處理，得到待檢測區域圖像；

對所述待檢測區域圖像進行預處理；

將預處理后的所述待檢測區域圖像輸入經過訓練的殘差網絡，從所述待檢測區域圖像中提取得到敏感區域候選區域；

將提取得到敏感區域候選區域的所述待檢測區域圖像輸入經過深度學習的3D卷積神經網絡，從所述敏感區域候選區域中提取得到敏感區域。

2.根據權利要求1所述的方法，其特征在于，所述對所述醫學圖像進行分割處理，包括：

將所述醫學圖像輸入經過監督訓練的，具備語義分割功能的圖像分割模型，對所述醫學圖像進行分割處理。

3.根據權利要求1所述的方法，其特征在于，所述對所述待檢測區域圖像進行預處理，包括：

對所述待檢測區域圖像進行雙三次插值運算處理。

4.根據權利要求1所述的方法，其特征在于，對所述殘差網絡的訓練過程，包括：

獲取標注敏感區域的待檢測區域圖像；

將所述待檢測區域圖像劃分成多個與標注的敏感區域大小相同的圖像區域；

從劃分得到的圖像區域中，分別確定正樣本和負樣本；

將所述正樣本和所述負樣本按照1:1的比例輸入殘差網絡，對所述殘差網絡進行訓練。

5.根據權利要求1所述的方法，其特征在于，所述3D卷積神經網絡的深度學習過程，包括：

循環執行以下操作，直到計算得到的交叉熵損失小于設定閾值：

獲取標注敏感區域的敏感區域候選區域圖像；

按照預設的參數，對所述敏感區域候選區域圖像進行層級化的函數運算處理，提取得到敏感區域；

將提取得到的敏感區域與所述敏感區域候選區域圖像中標注的敏感區域進行對比，得到交叉熵損失；

判斷得到的交叉熵損失是否小于設定閾值；

如果得到的交叉熵損失不小于設定閾值，則根據計算得到的交叉熵損失，調整所述進行層級化的函數運算處理的參數。

6.一種檢測敏感區域的裝置，其特征在于，包括：

圖像獲取單元，用于獲取醫學圖像；

分割處理單元，用于對所述醫學圖像進行分割處理，得到待檢測區域圖像；

預處理單元，用于對所述待檢測區域圖像進行預處理；

第一提取單元，用于將預處理后的所述待檢測區域圖像輸入經過訓練的殘差網絡，從所述待檢測區域圖像中提取得到敏感區域候選區域；

第二提取單元，用于將提取得到敏感區域候選區域的所述待檢測區域圖像輸入經過深度學習的3D卷積神經網絡，從所述敏感區域候選區域中提取得到敏感區域。

7.根據權利要求6所述的裝置，其特征在于，所述分割處理單元對所述醫學圖像進行分割處理時，具體用于：

將所述醫學圖像輸入經過監督訓練的，具備語義分割功能的圖像分割模型，對所述醫學圖像進行分割處理。

8.根據權利要求6所述的裝置，其特征在于，所述預處理單元對所述待檢測區域圖像進行預處理時，具體用于：

對所述待檢測區域圖像進行雙三次插值運算處理。

9.根據權利要求6所述的裝置，其特征在于，所述第一提取單元還用于對所述殘差網絡進行訓練；

所述第一提取單元對所述殘差網絡進行訓練時，具體用于：

獲取標注敏感區域的待檢測區域圖像；將所述待檢測區域圖像劃分成多個與標注的敏感區域大小相同的圖像區域；從劃分得到的圖像區域中，分別確定正樣本和負樣本；將所述正樣本和所述負樣本按照1:1的比例輸入殘差網絡，對所述殘差網絡進行訓練。

10.根據權利要求6所述的裝置，其特征在于，所述3D卷積神經網絡進行深度學習時，具體用于：

循環執行以下操作，直到計算得到的交叉熵損失小于設定閾值：

獲取標注敏感區域的敏感區域候選區域圖像；

按照預設的參數，對所述敏感區域候選區域圖像進行層級化的函數運算處理，提取得到敏感區域；

將提取得到的敏感區域與所述敏感區域候選區域圖像中標注的敏感區域進行對比，得到交叉熵損失；

判斷得到的交叉熵損失是否小于設定閾值；

如果得到的交叉熵損失不小于設定閾值，則根據計算得到的交叉熵損失，調整所述進行層級化的函數運算處理的參數。