[發(fā)明專利]醫(yī)學(xué)影像圖片分析方法、裝置、電子設(shè)備及可讀存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202011003181.5
• 申請日: 2020-09-22
• 公開（公告）號: CN111932534B
• 公開（公告）日: 2021-07-06
• 發(fā)明（設(shè)計(jì)）人: 魏文琦;王健宗;賈雪麗;程寧
• 申請（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06K9/62
• 代理公司: 深圳市沃德知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44347
• 代理人: 高杰;于志光

1.一種醫(yī)學(xué)影像圖片分析方法，其特征在于，所述方法包括：

獲取預(yù)設(shè)部位疾病歷史圖片集，利用所述預(yù)設(shè)部位疾病歷史圖片集訓(xùn)練預(yù)構(gòu)建的深度學(xué)習(xí)網(wǎng)絡(luò)模型得到疾病識別模型，所述深度學(xué)習(xí)網(wǎng)絡(luò)模型為全卷積神經(jīng)網(wǎng)絡(luò)模型，所述利用所述預(yù)設(shè)部位疾病歷史圖片集訓(xùn)練預(yù)構(gòu)建的深度學(xué)習(xí)網(wǎng)絡(luò)模型得到疾病識別模型，包括：

將所述預(yù)設(shè)部位疾病歷史圖片集確定為訓(xùn)練集；

對所述預(yù)設(shè)部位疾病歷史圖片集進(jìn)行疾病類型標(biāo)記得到標(biāo)簽集；

利用所述訓(xùn)練集及所述標(biāo)簽集訓(xùn)練所述深度學(xué)習(xí)網(wǎng)絡(luò)模型，得到所述疾病識別模型；

所述利用所述訓(xùn)練集及所述標(biāo)簽集訓(xùn)練所述深度學(xué)習(xí)網(wǎng)絡(luò)模型，得到所述疾病識別模型，包括：

降維步驟：根據(jù)預(yù)設(shè)的卷積池化次數(shù)，對所述訓(xùn)練集進(jìn)行卷積池化操作，得到降維數(shù)據(jù)集，所述卷積操作為：

其中，G為卷積數(shù)據(jù)集，ω為所述訓(xùn)練集，k為預(yù)設(shè)卷積核的大小，f為預(yù)設(shè)卷積操作的步幅，p為預(yù)設(shè)數(shù)據(jù)補(bǔ)零矩陣；

激活函數(shù)包括：

其中，μ_t表示預(yù)測值，s表示升維數(shù)據(jù)集中的數(shù)據(jù)；

預(yù)構(gòu)建的損失函數(shù)包括：

其中，T表示損失值，z為所述訓(xùn)練集的數(shù)據(jù)數(shù)目，t為正整數(shù)，b_t 為標(biāo)簽值；

升維步驟：根據(jù)預(yù)設(shè)的反卷積次數(shù)，對所述降維數(shù)據(jù)集進(jìn)行反卷積操作，得到升維數(shù)據(jù)集；

損失值計(jì)算步驟：利用預(yù)設(shè)的激活函數(shù)對所述升維數(shù)據(jù)集進(jìn)行計(jì)算得到預(yù)測值，根據(jù)所述預(yù)測值和所述標(biāo)簽集包含的標(biāo)簽值，利用預(yù)構(gòu)建的損失函數(shù)的輸入?yún)?shù)計(jì)算得到損失值；

損失值對比步驟：對比所述損失值與預(yù)設(shè)的損失閾值的大小，若所述損失值大于或等于所述損失閾值，返回所述降維步驟；若所述損失值小于所述損失閾值，停止訓(xùn)練，得到所述疾病識別模型；

根據(jù)所述疾病識別模型與預(yù)構(gòu)建的初始診斷模型構(gòu)建蒸餾損失函數(shù)，所述初始診斷模型為ResNet-8模型；

根據(jù)所述蒸餾損失函數(shù)對所述初始診斷模型進(jìn)行蒸餾訓(xùn)練，得到第一診斷模型；

根據(jù)預(yù)設(shè)的診斷目標(biāo)對所述第一診斷模型進(jìn)行訓(xùn)練及輸出調(diào)整，得到目標(biāo)診斷模型；

當(dāng)接收到待分析醫(yī)學(xué)影像圖片時(shí)，利用所述目標(biāo)診斷模型對所述待分析醫(yī)學(xué)影像圖片進(jìn)行分析，得到分析結(jié)果。

2.如權(quán)利要求1所述的醫(yī)學(xué)影像圖片分析方法，其特征在于，所述根據(jù)所述疾病識別模型與預(yù)構(gòu)建的初始診斷模型構(gòu)建蒸餾損失函數(shù)，包括：

對所述疾病識別模型中包含的第一特征層的特征信息進(jìn)行歸一化指數(shù)處理，得到疾病識別模型概率分布函數(shù)；

對所述初始診斷模型中包含的第二特征層的特征信息進(jìn)行歸一化指數(shù)處理，得到初始診斷模型概率分布函數(shù)；

根據(jù)所述疾病識別模型概率分布函數(shù)與所述初始診斷模型概率分布函數(shù)進(jìn)行最大均值差異計(jì)算，得到所述蒸餾損失函數(shù)。

3.如權(quán)利要求2所述的醫(yī)學(xué)影像圖片分析方法，其特征在于，所述根據(jù)所述蒸餾損失函數(shù)對所述初始診斷模型進(jìn)行蒸餾訓(xùn)練，得到第一診斷模型，包括：

利用所述第一特征層作為訓(xùn)練目標(biāo)，不斷更迭所述初始診斷模型的參數(shù)，當(dāng)計(jì)算所述蒸餾損失函數(shù)得到的蒸餾損失值小于預(yù)設(shè)閾值時(shí)，停止訓(xùn)練，得到所述第一診斷模型。

4.如權(quán)利要求1所述的醫(yī)學(xué)影像圖片分析方法，其特征在于，所述根據(jù)預(yù)設(shè)的診斷目標(biāo)對所述第一診斷模型進(jìn)行訓(xùn)練及輸出調(diào)整，得到目標(biāo)診斷模型，包括：

判斷所述診斷目標(biāo)是否為新增診斷目標(biāo)；

當(dāng)所述診斷目標(biāo)不為新增診斷目標(biāo)時(shí)，對所述第一診斷模型進(jìn)行輸出調(diào)整，得到所述目標(biāo)診斷模型；或者

當(dāng)所述診斷目標(biāo)為新增診斷目標(biāo)時(shí)，調(diào)整并訓(xùn)練所述第一診斷模型，得到所述目標(biāo)診斷模型。