[發(fā)明專利]基于時序建模的部位識別方法和裝置

在審

• 申請?zhí)枺?/td>: 202010558638.2
• 申請日: 2020-06-18
• 公開（公告）號: CN111915553A
• 公開（公告）日: 2020-11-10
• 發(fā)明（設(shè)計）人: 張笑;周振;俞益洲;李一鳴
• 申請（專利權(quán)）人: 杭州深睿博聯(lián)科技有限公司;北京深睿博聯(lián)科技有限責任公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 北京天方智力知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11719
• 代理人: 谷成

本申請實施例提供了一種基于時序建模的部位識別方法和裝置，解決了現(xiàn)有基于電子計算機斷層掃描圖像的部位識別方式的準確率低的問題。該基于時序建模的部位識別方法包括：將電子計算機斷層掃描得到的多個斷層掃描圖像輸入二維卷積神經(jīng)網(wǎng)絡(luò)模型進行特征提?。猾@取所述二維卷積神經(jīng)網(wǎng)絡(luò)模型輸出的特征圖序列，其中，所述特征圖序列包括與所述多個斷層掃描圖像分別對應(yīng)的多個特征圖，所述多個特征圖按照電子計算機斷層掃描的時間順序排列；以及將所述特征圖序列輸入循環(huán)神經(jīng)網(wǎng)絡(luò)模型以獲取部位識別結(jié)果。

技術(shù)領(lǐng)域

本申請涉及影像分析技術(shù)領(lǐng)域，具體涉及一種基于時序建模的部位識別方法、裝置、電子設(shè)備和計算機可讀存儲介質(zhì)。

背景技術(shù)

電子計算機斷層掃描(英文全稱:Computed Tomography，簡稱:CT)是醫(yī)院中一種常見的疾病檢查手段，可以對患者的某一部位進行連續(xù)的斷面掃描。在實際的場景中，CT數(shù)據(jù)中關(guān)于部位的標簽(Tag)會存在缺失和錯誤的情況，有時候這些標簽信息往往比較寬泛和模糊。準確的部位標簽會在許多應(yīng)用中帶來便利：1、許多數(shù)據(jù)的整理都依據(jù)影像的部位信息，部位識別有助于對數(shù)據(jù)的管理和分類；2、越來越多的人工智能輔助系統(tǒng)出現(xiàn)，這些系統(tǒng)運行的前提是要準確識別部位。

目前最常見的部位識別算法是對CT中的每一層圖像進行識別，最后把所有的結(jié)果進行綜合。這種算法沒有利用到CT數(shù)據(jù)的時序信息，精度較低。具體而言：1、目前的算法識別精度偏低，很難達到臨床使用的要求；2、目前的部位識別算法都是基于卷積神經(jīng)網(wǎng)絡(luò)，同一份CT中不同序列的識別結(jié)果是相互獨立的，因此在識別時會出現(xiàn)由于識別錯誤而出現(xiàn)的跳幀現(xiàn)象。跳幀現(xiàn)象指的是，對CT進行識別的時候，經(jīng)常會出現(xiàn)在某個連續(xù)的區(qū)域出現(xiàn)一張或幾張圖像被識別為錯誤部位的錯誤識別結(jié)果。出現(xiàn)這種情況的原因是現(xiàn)有的一些算法沒有考慮到不同序列之間的時序信息，最終導致無法得到準確的識別結(jié)果。

由此可見，現(xiàn)有技術(shù)使用卷積神經(jīng)網(wǎng)絡(luò)對CT中每一個序列進行識別，沒有考慮到不同序列之間的關(guān)系，因此錯誤率較高，尤其是在CT連掃情況下，處在不同部位切換層面，經(jīng)常無法準確識別。

發(fā)明內(nèi)容

有鑒于此，本申請實施例提供了一種基于時序建模的部位識別方法和裝置，解決了現(xiàn)有基于電子計算機斷層掃描圖像的部位識別方式的準確率低的問題。

根據(jù)本申請的一個方面，本申請一實施例提供的一種基于時序建模的部位識別方法包括：將電子計算機斷層掃描得到的多個斷層掃描圖像輸入二維卷積神經(jīng)網(wǎng)絡(luò)模型進行特征提??；獲取所述二維卷積神經(jīng)網(wǎng)絡(luò)模型輸出的特征圖序列，其中，所述特征圖序列包括與所述多個斷層掃描圖像分別對應(yīng)的多個特征圖，所述多個特征圖按照電子計算機斷層掃描的時間順序排列；以及將所述特征圖序列輸入循環(huán)神經(jīng)網(wǎng)絡(luò)模型以獲取部位識別結(jié)果。

在本申請一實施例中，所述二維卷積神經(jīng)網(wǎng)絡(luò)模型包括全連接層，其中，在將電子計算機斷層掃描得到的多個斷層掃描圖像輸入二維卷積神經(jīng)網(wǎng)絡(luò)模型進行特征提取后，所述方法進一步包括：獲取所述全連接層輸出的與所述多個斷層掃描圖像分別對應(yīng)的初步部位識別結(jié)果。

在本申請一實施例中，所述二維卷積神經(jīng)網(wǎng)絡(luò)模型通過如下訓練過程建立：將帶有第一部位識別標簽的斷層掃描圖像樣本輸入所述二維卷積神經(jīng)網(wǎng)絡(luò)模型；獲取所述二維卷積神經(jīng)網(wǎng)絡(luò)輸出的第一部位預(yù)測結(jié)果；以及根據(jù)所述第一部位預(yù)測結(jié)果與所述第一部位識別標簽之間的差別調(diào)整所述二維卷積神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)。

在本申請一實施例中，所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型通過如下訓練過程建立：將帶有第二部位識別標簽的圖像特征序列樣本輸入所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型，其中，所述圖像特征序列樣本通過將多個斷層掃描圖像樣本輸入所述二維間距神經(jīng)網(wǎng)絡(luò)獲?。猾@取所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型輸出的第二部位預(yù)測結(jié)果；以及根據(jù)所述第二部位預(yù)測結(jié)果與所述第二部位識別標簽之間的差別調(diào)整所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)。