[發(fā)明專利]AI醫(yī)療影像異常檢測方法和裝置、電子設備、存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202210171737.4
• 申請日: 2022-02-24
• 公開（公告）號: CN114677328A
• 公開（公告）日: 2022-06-28
• 發(fā)明（設計）人: 王義
• 申請（專利權）人: 王義
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/82;G06V10/774;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 北京盛詢知識產(chǎn)權代理有限公司 11901
• 代理人: 陳巍

本發(fā)明公開一種AI醫(yī)療影像異常檢測方法和裝置、電子設備、存儲介質(zhì)，包括：步驟S1、基于深度學習構建異常恢復模型；步驟S2、根據(jù)正樣本和構造的異常樣本、對異常恢復模型進行訓練；步驟S3、將待檢測的醫(yī)療影像圖片和正樣本庫中隨機選擇的正樣本一起輸入到訓練后的異常恢復模型，進行異常檢測。采用本發(fā)明的技術方案，通過正樣本來監(jiān)督影像異常恢復過程，能夠較準確地恢復異常影像和定位異常。

技術領域

本發(fā)明屬于圖像處理技術領域，尤其涉及一種AI醫(yī)療影像異常檢測方法和裝置、電子設備、存儲介質(zhì)。

背景技術

目前，醫(yī)生根據(jù)醫(yī)療影像給病人進行診斷時，都是根據(jù)所學知識和經(jīng)驗積累進行判斷，這樣的方法具有主觀性，如果產(chǎn)生誤判、漏判，會給病人帶來痛苦甚至是不可挽回的損失。隨著人工智能的發(fā)展，我們可以利用神經(jīng)網(wǎng)絡構建模型，檢測出醫(yī)學影像中的異常，輔助醫(yī)生進行判斷，減少誤診、漏診的概率。

機器視覺在異常檢測領域的應用中，主要采用兩類方法，一類是傳統(tǒng)的圖像處理方法，另一類是深度學習方法。傳統(tǒng)圖像處理方法準確性不高，對不同類型影像的適配性較差，很多時候需要先驗知識，所以在實際應用中，漸漸地轉(zhuǎn)變?yōu)檩o助性的工具。深度學習方法又有兩個重要的發(fā)展方向，基于監(jiān)督學習的方法和基于自監(jiān)督學習的方法。基于監(jiān)督學習的方法可以取得良好的效果，但受到的限制是在實際工作中很難收集到足夠多的均衡的異常影像樣本，并且進行樣本標注的成本高，而自監(jiān)督學習的方法只需要收集正樣本，不需要問題樣本，不需要人工標注，是目前異常檢測的一個熱點研究方向。

通過恢復異常樣本進而定位異常是自監(jiān)督學習中的一類方法，目前主要是通過訓練Gan、AutoEncoder等模型進行恢復，但目前的方法的普遍效果是異常樣本恢復效果不理想，對醫(yī)學影像這類結構背景較復雜的圖像沒有好的恢復效果，也限制了深度學習在醫(yī)療影像異常檢測領域的應用。

發(fā)明內(nèi)容

本發(fā)明要解決的技術問題是，提供一種AI醫(yī)療影像異常檢測方法和裝置、電子設備、存儲介質(zhì)，通過正樣本來監(jiān)督影像異常恢復過程，能夠較準確地恢復異常影像和定位異常。

為實現(xiàn)上述目的，本發(fā)明采用如下的技術方案：

一種AI醫(yī)療影像異常檢測方法，包括以下步驟：

步驟S1：基于深度學習構建異常恢復模型；

步驟S2：根據(jù)正樣本和構造的異常樣本，對異常恢復模型進行訓練；

步驟S3：將待檢測的醫(yī)療影像圖片和正樣本庫中隨機選擇的正樣本一起輸入到訓練后的異常恢復模型，進行異常檢測。

作為優(yōu)選，步驟S1具體為：將正樣本和構造的異常樣本輸入神經(jīng)網(wǎng)絡，經(jīng)過網(wǎng)絡層的卷積操作、規(guī)范化操作、池化操作、反卷積操作、拼接操作直到輸出恢復圖像，以構建異常恢復模型。

作為優(yōu)選，步驟S2具體為：根據(jù)正樣本P，通過T(D|P)使用P構造出異常樣本D，將D和樣本庫中其他正樣本P’一起輸入異常恢復模型M_R，得到恢復的圖片D～，以實現(xiàn)對異常恢復模型進行訓練。

作為優(yōu)選，步驟S3中，將待檢測醫(yī)療影像圖片SD和樣本庫中其他正樣本SP輸入訓練后的異常恢復模型M_R’，得到恢復的圖片DR；根據(jù)恢復圖DR和待檢測醫(yī)療影像圖片SD進行對比定位異常，得到異常定位圖片。

本發(fā)明提供一種AI醫(yī)療影像異常檢測裝置，包括以下步驟：

構建模塊，用于基于深度學習構建異常恢復模型；

訓練模塊，用于根據(jù)正樣本和構造的異常樣本，對異常恢復模型進行訓練；

檢測模塊，用于將待檢測的醫(yī)療影像圖片和正樣本庫中隨機選擇的正樣本一起輸入到訓練后的異常恢復模型，進行異常檢測。