[发明专利]医学图像识别方法、医学图像识别装置、终端设备及介质

权利要求书

1.一种医学图像识别方法，其特征在于，包括：

获取包含腺体形状的切片图像；

将所述切片图像输入训练好的多尺度全卷积网络模型；

通过所述训练好的多尺度全卷积网络模型从所述切片图像中提取不同感受野下的特征集合，并对所述特征集合进行特征融合和归一化处理，得到所述切片图像中每个像素点的特征值集合；

基于每个所述像素点的特征值集合，在所述切片图像中标记出腺腔体位置和腺体边缘位置；

所述训练好的多尺度全卷积网络模型包括：骨干网络、多尺度框架、特征采集层以及输出层；所述通过所述训练好的多尺度全卷积网络模型从所述切片图像中提取不同感受野下的特征集合，并对所述特征集合进行特征融合和归一化处理，得到所述切片图像中每个像素点的特征值集合，包括：

通过所述骨干网络和所述多尺度框架，从所述切片图像中提取出不同感受野对应的多个特征信息，并将多个所述特征信息对应传递至所述特征采集层中的多个上采样卷积层；

通过所述特征采集层中的高分辨率分支获取所述切片图像的原始特征；其中，所述原始特征与多个所述特征信息组成所述特征集合；

通过所述输出层对所述特征集合进行特征融合和归一化处理，得到所述切片图像中每个像素点的特征值集合。

2.根据权利要求1所述的医学图像识别方法，其特征在于，所述将所述切片图像输入训练好的多尺度全卷积网络模型的步骤之前，还包括：

获取原始切片图像；

对所述原始切片图像进行特征区域识别，以对所述原始切片图像中的每个像素点配置特征标签，得到训练样本图像；其中，所述特征标签用于区分像素点为背景、腺腔体或者腺体边缘；

利用所述训练样本图像对多尺度全卷积网络模型进行训练，得到训练好的多尺度全卷积网络模型。

3.根据权利要求2所述的医学图像识别方法，其特征在于，所述对所述原始切片图像进行特征区域识别，以对所述原始切片图像中的每个像素点配置特征标签，得到训练样本图像，包括：

从所述原始切片图像中识别出背景区域和腺腔体区域，得到待标记图像；

对所述待标记图像进行二进制化处理，得到二进制图像；

对所述二进制图像分别进行图像膨胀处理和图像腐蚀处理，得到膨胀图像和腐蚀图像；

基于所述膨胀图像和所述腐蚀图像，从所述待标记图像中确定出腺体边缘区域；

根据所述待标记图像中的所述背景区域、所述腺腔体区域以及所述腺体边缘区域，对所述待标记图像中的每个像素点配置相应的特征标签，得到训练样本图像。

4.根据权利要求1所述的医学图像识别方法，其特征在于，所述骨干网络包括：多个瓶颈模块和膨胀瓶颈模块；所述多尺度框架包括：至少两个卷积层、设置在至少两个所述卷积层之间的归一化及修正层，以及设置在多个所述瓶颈模块之间、所述卷积层与所述瓶颈模块之间的多个最大池化层；

所述通过所述骨干网络和所述多尺度框架，从所述切片图像中提取出不同感受野对应的多个特征信息，并将多个所述特征信息对应传递至所述特征采集层中的多个上采样卷积层，包括：

通过多个所述瓶颈模块、所述膨胀瓶颈模块以及所述卷积层，分别从所述切片图像中提取出不同感受野对应的多个特征信息，并将多个所述特征信息对应传递至所述特征采集层中的多个上采样卷积层。

5.根据权利要求4所述的医学图像识别方法，其特征在于，所述瓶颈模块至少包括三个残差瓶颈层，所述残差瓶颈层的由以下方程组定义：

y＝f(x，{W_i})+W_sx (1)

y＝f(x，{W_i})+x (2)

其中，x为残差瓶颈层的输入参数，y为残差瓶颈层的输出参数；W_i和W_s表示权重；函数f＝W₃σ₃(W₂σ₂(W₁σ₁))表示残差映射；σ为修正线性激活函数；公式(1)表示残差瓶颈层的瓶颈部分，权重W_s用于令输入参数x与函数f有相同的通道数；公式(2)表示残差瓶颈层的剩余部分。