[发明专利]图像处理的方法和装置

权利要求书

1.一种图像处理的方法，其特征在于，包括以下步骤：

获取M张待处理CT图像；

将所述M张待处理CT图像输入训练后的深度卷积神经网络进行处理，得到目标类别，其中，目标类别为M张待处理CT图像所包含内容的类别；

其中，所述将所述M张待处理CT图像输入训练后的深度卷积神经网络进行处理，得到目标类别，包括：

将所述M张待处理CT图像输入训练后的深度卷积神经网络以生成每张CT图像为正类别的概率；

以连续R张图像为一个片段进行平均池化，再取所有M-R+1个片段中分数最高的T个片段进行平均池化，得到所述M张待处理CT图像为正类别的概率；其中，R和T小于等于M。

2.如权利要求1所述的方法，其特征在于，在所述获取M张待处理CT图像之前，还包括：

获取包括标注类别的N张CT样本图像；

将所述N张CT样本图像输入至深度卷积神经网络以生成预测类别；

根据所述标注类别和所述预测类别对所述深度卷积神经网络进行训练。

3.如权利要求2所述的方法，其特征在于，在所述将所述N张CT样本图像输入至深度卷积神经网络以生成预测类别之前，还包括：

按照预先设定的窗宽和窗位组合对所述N张CT样本图像进行预处理。

4.如权利要求2所述的方法，其特征在于，所述将所述N张CT样本图像输入至深度卷积神经网络以生成预测类别，包括：

将所述N张CT样本图像输入深度卷积神经网络以生成每张CT样本图像预测为正类别的概率；

以连续L张CT样本图像为一个片段进行平均池化，再取所有N-L+1个片段中分数最高的K个片段进行平均池化，得到所述N张CT样本图像预测为正类别的概率；其中，L和K小于等于N。

5.如权利要求2所述的方法，其特征在于，所述根据所述标注类别和所述预测类别对所述深度卷积神经网络进行训练，包括：

通过损失函数计算所述标注类别和所述预测类别的损失值；

若所述损失值小于等于预设阈值，则训练结束；

若所述损失值大于预设阈值，调整所述深度卷积神经网络的网络参数，并再次对所述深度卷积神经网络进行训练。

6.一种图像处理的装置，其特征在于，包括：

获取模块，用于获取M张待处理CT图像；

判断模块，用于将所述M张待处理CT图像输入训练后的深度卷积神经网络进行处理，得到目标类别，其中，目标类别为M张待处理CT图像所包含内容的类别；

所述判断模块，具体用于：

将所述M张待处理CT图像输入训练后的深度卷积神经网络以生成每张CT图像为正类别的概率；

以连续R张图像为一个片段进行平均池化，再取所有M-R+1个片段中分数最高的T个片段进行平均池化，得到所述每张CT图像为正类别的概率；其中，R和T小于等于M。

7.如权利要求6所述的装置，其特征在于，还包括：

第二获取模块，用于获取包括标注类别的N张CT样本图像；

第二判断模块，用于将所述N张CT样本图像输入至深度卷积神经网络以生成预测类别；

训练模块，用于根据所述标注类别和所述预测类别对所述深度卷积神经网络进行训练。

8.如权利要求7所述的装置，其特征在于，还包括：

处理模块，用于按照预先设定的窗宽和窗位组合对所述N张CT样本图像进行预处理。