[發明專利]圖像處理方法、裝置、計算機可讀介質及電子設備

有效

• 申請號: 201811348721.6
• 申請日: 2018-11-13
• 公開（公告）號: CN109523532B
• 公開（公告）日: 2022-05-03
• 發明（設計）人: 尚鴻;孫鐘前;付星輝;楊巍
• 申請（專利權）人: 騰訊醫療健康（深圳）有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 深圳市隆天聯鼎知識產權代理有限公司 44232
• 代理人: 劉抗美

本發明的實施例提供了一種圖像處理方法、裝置、計算機可讀介質及電子設備。所述圖像處理方法包括：輸入待預測醫學圖像至模型，所述模型為多任務深度卷積神經網絡模型，所述模型包括所述圖像輸入層、共享層以及并行的n個任務輸出層；通過所述n個任務輸出層中的任意一個或者多個輸出一種或者多種病灶性質的預測結果；其中，所述模型是通過n種醫學圖像訓練集訓練獲得的；n為大于等于2的正整數。本發明實施例的技術方案通過利用n種醫學圖像訓練集訓練獲得的多任務深度卷積神經網絡模型對輸入的醫學圖像進行病灶性質的預測，從而可以提高預測結果的準確性。

技術領域

本申請涉及計算機技術領域，具體而言，涉及一種圖像處理方法、裝置、計算機可讀介質及電子設備。

背景技術

隨著世界上很多國家的人口老齡化加劇，醫療系統負荷與日俱增，遠超醫護人員的增長速度，造成醫療資源稀缺。并且目前醫療資源的分布很不均衡，主要集中在一線城市的大型三甲醫院。于是，用技術去創造醫療資源成為政府和市場的必然選擇。

其中一個重要的切入點是醫療影像。雖然高質量的醫療成像設備較為普及，但是能夠分析成像結果的醫生有限，并且不斷產生的大量醫療圖像造成醫生的疲勞工作和漏診誤診率的升高。

因此，需要一種新的圖像處理方法、裝置、計算機可讀介質及電子設備。

需要說明的是，在上述背景技術部分公開的信息僅用于加強對本發明的背景的理解，因此可以包括不構成對本領域普通技術人員已知的現有技術的信息。

發明內容

本發明實施例提供一種圖像處理方法、裝置、計算機可讀介質及電子設備，能夠提高病灶性質的預測準確性。

本發明的其他特性和優點將通過下面的詳細描述變得顯然，或部分地通過本發明的實踐而習得。

根據本發明的一個方面，提供一種圖像處理方法，包括：輸入待預測醫學圖像至模型，所述模型為多任務深度卷積神經網絡模型，所述模型包括所述圖像輸入層、共享層以及并行的n個任務輸出層；通過所述n個任務輸出層中的任意一個或者多個輸出一種或者多種病灶性質的預測結果；其中，所述模型是通過n種醫學圖像訓練集訓練獲得的；n為大于等于2的正整數。

在本發明的一種示例性實施例中，還包括模型訓練步驟，所述模型訓練步驟包括：步驟1、獲取n種醫學圖像訓練集；步驟2、依次輸入所述n種醫學圖像訓練集中的選定數量個醫學圖像至所述模型的圖像輸入層，對所述模型進行訓練。

在本發明的一種示例性實施例中，所述步驟1包括：采用醫療成像設備的n種模式采集n種醫學圖像訓練集；根據所述n種醫學圖像訓練集中的各醫學圖像對應的活檢結果標注各醫學圖像，生成所述n種醫學圖像訓練集。

在本發明的一種示例性實施例中，若n等于2，所述n種醫學圖像訓練集包括第一種醫學圖像訓練集和第二種醫學圖像訓練集，所述模型中的2個任務輸出層分別對應第一任務和第二任務，所述第一任務具有第一損失函數和第一優化器，所述第二任務具有第二損失函數和第二優化器；其中，所述步驟2包括：輸入所述第一種醫學圖像訓練集中的m₁個醫學圖像至所述模型的圖像輸入層，根據所述第一損失函數優化所述第一優化器，以更新所述第一任務和所述第二任務的共享參數和所述第一任務的獨立參數；輸入所述第二種醫學圖像訓練集中的m₂個醫學圖像至所述模型的圖像輸入層，根據所述第二損失函數優化所述第二優化器，以更新所述第一任務和所述第二任務的共享參數和所述第二任務的獨立參數；其中，m₁和m₂均為大于等于1的正整數。

在本發明的一種示例性實施例中，所述模型訓練步驟還包括：重復執行所述步驟2，繼續對所述模型進行訓練。

在本發明的一種示例性實施例中，還包括模型預訓練步驟，所述模型預訓練步驟包括：利用自然圖像訓練集預訓練所述模型。