一种多柱神经网络医学影像分析方法及装置与流程

[0001]
本发明涉及医学影像处理领域，具体涉及一种多柱神经网络医学影像分析方法及装置。


背景技术：

[0002]
医学影像的计算机辅助分析是利用先进的计算机软硬件系统分析处理数字放射图像，以发现并检出病变特征，其结果作为“第二个意见”供诊断医师参考，帮助放射医师提高病灶检出率，可以提高诊断准确性并改良诊断的再现性，缩短读片时间，提高工作效率。


技术实现要素：

[0003]
本发明提供了一种多柱神经网络医学影像分析方法及装置，可以实现医学影像内载的异常区和病灶区的自主快速识别和测量。
[0004]
为实现上述目的，本发明采取的技术方案为：一种多柱神经网络医学影像分析方法，基于hadoop依次运行串联的异常区识别模型、异常区校正模型、病灶区识别模型、病灶区三维重构模型、病灶区三维尺寸测量模型实现医学影像的分析。
[0005]
进一步地，包括如下步骤：s1、基于异常区识别模型实现医学影像内载异常区的识别，并实现异常区图像的抠取；s2、基于异常区校正模型实现异常区图像的去噪、偏转角度校正处理；s3、基于病灶区识别模型实现异常区图像内载病灶区的识别，并实现病灶区的抠取；s4、基于病灶区三维重构模型实现病灶区的三维重构；s5、基于病灶区三维尺寸测量模型实现病灶区三维模型形状的识别和尺寸的测量。
[0006]
进一步地，所述异常区识别模型和病灶区识别模型均采用 dssd_inception_v3模型。
[0007]
进一步地，所述异常区校正模型由自适应全变分图像去噪模型和偏转角度校正模型融合所得。
[0008]
进一步地，所述病灶区三维尺寸测量模型由病灶区三维模型形状识别模型和三维模型尺寸测量模型融合所得，病灶区三维模型形状识别模型采用faster r-cnn 模型。
[0009]
进一步地，相邻两模型之间均设置一唤醒锁定模型，在前一个模型完成工作后，唤醒模型唤醒后一个模型，并锁定前一个模型，从而使该模型处于休眠状态。
[0010]
进一步地，所述步骤s1中，基于异常区识别模型实现医学影像内载异常区及其所在位置的识别，并实现异常区图像的抠取。
[0011]
本发明还提供了一种多柱神经网络医学影像分析装置，其采用上述的分析方法实现医学影像的分析。
[0012]
本发明具有以下有益效果：基于hadoop依次运行串联的异常区识别模型、异常区校正模型、病灶区识别模型、病灶
区三维重构模型、病灶区三维尺寸测量模型实现了医学影像内异常区和病灶区的自主快速识别和测量。
[0013]
相邻两模型之间均配置一唤醒锁定模型，从而可以很好的避免相邻模型之间的干扰。
附图说明
[0014]
图1为本发明实施例一种多柱神经网络医学影像分析方法的流程图。
[0015]
图2为本发明实施例一种多柱神经网络医学影像分析装置的系统框图。
具体实施方式
[0016]
为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0017]
实施例1如图1所示，本发明实施例提供了一种多柱神经网络医学影像分析方法，包括如下步骤：s1、基于hadoop运行异常区识别模型实现医学影像内载异常区及其所在位置的识别，并实现异常区图像的抠取；s2、基于hadoop运行异常区校正模型实现异常区图像的去噪、偏转角度校正处理；s3、基于hadoop运行病灶区识别模型实现异常区图像内载病灶区的识别，并实现病灶区的抠取；s4、基于hadoop运行病灶区三维重构模型实现病灶区的三维重构；s5、基于hadoop运行病灶区三维尺寸测量模型实现病灶区三维模型形状的识别和尺寸的测量。
[0018]
本实施例中，所述异常区识别模型和病灶区识别模型均采用 dssd_inception_v3模型。dssd_inception_v3模型采用dssd目标检测算法，所述异常区识别模型基于异常区图像集训练所得，病灶区识别模型基于病灶区图像集训练所得。
[0019]
本实施例中，所述异常区校正模型由自适应全变分图像去噪模型和偏转角度校正模型融合所得。所述偏转角度校正模型以探头的三维姿态信息为基准实现图像偏转角度的校正。
[0020]
本实施例中，所述病灶区三维尺寸测量模型由病灶区三维模型形状识别模型和三维模型尺寸测量模型融合所得，病灶区三维模型形状识别模型采用faster r-cnn 模型，faster r-cnn 模型基于历史病灶区三维模型及其对应的形状参数训练所得。三维模型尺寸测量模型基于病灶区三维模型形状的识别结果在调用对应的尺寸测量尺和测量算法实现病灶区三维模型尺寸的测量，所述测量算法用于在病灶区三维模型上进行测量点的自动标记，所述尺寸测量尺用于实现测量点之间目标距离的测量。
[0021]
本实施例中，相邻两模型之间均设置一唤醒锁定模型，在前一个模型完成工作后，唤醒模型唤醒后一个模型，并锁定前一个模型，从而使该模型处于休眠状态。
[0022]
实施例2
一种多柱神经网络医学影像分析装置，包括：异常区图像抠取模块，用于基于hadoop运行异常区识别模型实现医学影像内载异常区及其所在位置的识别，并实现异常区图像的抠取；异常区图像校正模块，用于基于hadoop运行异常区校正模型实现异常区图像的去噪、偏转角度校正处理；病灶区抠取模块，用于基于hadoop运行病灶区识别模型实现异常区图像内载病灶区的识别，并实现病灶区的抠取；三维重构模块，用于基于hadoop运行病灶区三维重构模型实现病灶区的三维重构；病灶区形状和尺寸识别模块，用于基于hadoop运行病灶区三维尺寸测量模型实现病灶区三维模型形状的识别和尺寸的测量；所述异常区图像抠取模块、异常区图像校正模块、病灶区抠取模块、三维重构模块、病灶区形状和尺寸识别模块之间均设置一模型唤醒锁定模块，用于基于唤醒锁定模型实现模型的唤醒锁定操作，在前一个模型完成工作后，唤醒模型唤醒后一个模型，并锁定前一个模型，从而使该模型处于休眠状态。
[0023]
本实施例中，所述异常区识别模型和病灶区识别模型均采用 dssd_inception_v3模型。dssd_inception_v3模型采用dssd目标检测算法，所述异常区识别模型基于异常区图像集训练所得，病灶区识别模型基于病灶区图像集训练所得。
[0024]
本实施例中，所述异常区校正模型由自适应全变分图像去噪模型和偏转角度校正模型融合所得。所述偏转角度校正模型以探头的三维姿态信息为基准实现图像偏转角度的校正。
[0025]
本实施例中，所述病灶区三维尺寸测量模型由病灶区三维模型形状识别模型和三维模型尺寸测量模型融合所得，病灶区三维模型形状识别模型采用faster r-cnn 模型，faster r-cnn 模型基于历史病灶区三维模型及其对应的形状参数训练所得。三维模型尺寸测量模型基于病灶区三维模型形状的识别结果在调用对应的尺寸测量尺和测量算法实现病灶区三维模型尺寸的测量，所述测量算法用于在病灶区三维模型上进行测量点的自动标记，所述尺寸测量尺用于实现测量点之间目标距离的测量。
[0026]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。