[發明專利]醫學影像圖片分析方法、裝置、電子設備及可讀存儲介質

有效

• 申請號: 202011003181.5
• 申請日: 2020-09-22
• 公開（公告）號: CN111932534B
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 魏文琦;王健宗;賈雪麗;程寧
• 申請（專利權）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: 深圳市沃德知識產權代理事務所(普通合伙) 44347
• 代理人: 高杰;于志光

本發明涉及人工智能，揭露一種醫學影像圖片分析方法，包括：利用預設部位疾病歷史圖片集訓練預構建的深度學習網絡模型得到疾病識別模型；根據疾病識別模型與預構建的初始診斷模型構建蒸餾損失函數；根據蒸餾損失函數對初始診斷模型進行蒸餾訓練，得到第一診斷模型；根據預設的診斷目標對第一診斷模型進行訓練及輸出調整，得到目標診斷模型；當接收到待分析醫學影像圖片時，利用目標診斷模型對待分析醫學影像圖片進行分析，得到分析結果。本發明還涉及一種區塊鏈技術，訓練模型的數據可以存儲在區塊鏈中。本發明還提出一種醫學影像圖片分析裝置、電子設備以及一種計算機可讀存儲介質。利用本發明可以降低醫學影像圖片分析的模型計算資源消耗。

技術領域

本發明涉及人工智能領域，尤其涉及一種醫學影像圖片分析方法、裝置、電子設備及可讀存儲介質。

背景技術

隨著人工智能的發展，利用基于深度學習模型訓練的醫學影像圖片分析的模型對醫學影像圖片進行分析從而輔助疾病診斷已經越來越普遍，但是訓練深度學習模型通常需要很高的硬件門檻，不能遷移到移動端或者計算資源匱乏的地方，若直接訓練輕量化的模型，不僅特征提取能力弱，且準確度低，因此，需要一種保持高準確度的且不需要太多計算資源的醫學影像圖片分析方法。

發明內容

本發明提供一種醫學影像圖片分析方法、裝置、電子設備及計算機可讀存儲介質，其主要目標在于降低醫學影像圖片分析的模型計算資源消耗。

為實現上述目的，本發明提供的一種醫學影像圖片分析方法，包括：

獲取預設部位疾病歷史圖片集，利用所述預設部位疾病歷史圖片集訓練預構建的深度學習網絡模型得到疾病識別模型；

根據所述疾病識別模型與預構建的初始診斷模型構建蒸餾損失函數；

根據所述蒸餾損失函數對所述初始診斷模型進行蒸餾訓練，得到第一診斷模型；

根據預設的診斷目標對所述第一診斷模型進行訓練及輸出調整，得到目標診斷模型；

當接收到待分析醫學影像圖片時，利用所述目標診斷模型對所述待分析醫學影像圖片進行分析，得到分析結果。

可選地，所述利用所述預設部位疾病歷史圖片集訓練預構建的深度學習網絡模型得到疾病識別模型，包括：

將所述預設部位疾病歷史圖片集確定為訓練集；

對所述預設部位疾病歷史圖片集進行疾病類型標記得到標簽集；

利用所述訓練集及所述標簽集訓練所述深度學習網絡模型，得到所述疾病識別模型。

可選地，所述利用所述訓練集及所述標簽集訓練所述深度學習網絡模型，得到所述疾病識別模型，包括：

降維步驟：根據預設的卷積池化次數，對所述訓練集進行卷積池化操作，得到降維數據集；

升維步驟：根據預設的反卷積次數，對所述降維數據集進行反卷積操作，得到升維數據集；

損失值計算步驟：利用預設的激活函數對所述升維數據集進行計算得到預測值，根據所述預測值和所述標簽集包含的標簽值，利用預構建的損失函數的輸入參數計算得到損失值；

損失值對比步驟：對比所述損失值與預設的損失閾值的大小，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，停止訓練，得到所述疾病識別模型。

可選地，所述根據所述蒸餾損失函數對所述初始診斷模型進行蒸餾訓練，得到第一診斷模型，包括：

利用所述第一特征層作為訓練目標，不斷更迭所述初始診斷模型的參數，當計算所述蒸餾損失函數得到的蒸餾損失值小于預設閾值時，停止訓練，得到所述第一診斷模型。