[发明专利]图像处理的方法和装置

说明书

本申请提出一种图像处理的方法与装置，包括以下步骤：获取M张待处理CT图像；将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。本发明目的在于利用计算机深度学习方法对CT图像进行识别，达到计算机快速自动识别CT图像类型的效果。

技术领域

本申请涉及机器人视觉、深度学习技术领域，尤其涉及一种图像处理的方法与装置。

背景技术

随着计算机技术的飞速发展，计算机在图像处理、识别方面的能力越来越强，而在现代生活中，对于图像的处理和分类大部分还是依靠有经验的人员，尤其是在医疗体系中，每天都有大量的CT(Computed Tomography，电子计算机断层扫描)图像需要有经验的医生来识别出图像中的是否有病灶，即占用了大量的人力资源，还会提高了病人的医疗成本。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种图像处理的方法和装置，利用计算机深度学习方法对CT图像信息进行识别，达到计算机快速自动识别CT图像类型的效果。

为达到上述目的，本发明实施例提出了一种图像处理的方法，包括以下步骤：获取M张待处理CT图像；将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。本发明目的在于利用计算机深度学习方法对CT图像信息进行识别，达到计算机快速自动识别CT图像类型的效果。

另外，根据本发明上述实施例的图像处理的方法，还可以具有如下附加的技术特征：

进一步地，在本发明的一个实施例中，将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，得到目标类别的方法可以包括：将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，得到每张CT图像为正类别的概率；其中，R和T小于等于M。

进一步地，在本发明的一个实施例中，在获取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样本图像包括标注类别；将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；根据标注类别和预测类别对深度卷积神经网络进行训练。

进一步地，在本发明的一个实施例中，还包括：按照预先设定的窗宽和窗位组合对N张CT样本图像进行预处理。

进一步地，在本发明的一个实施例中，每一样本图像包含N张图像，将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，将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，得到每张CT样本图像预测为正类别的概率；其中，L和K小于等于N。

进一步地，在本发明的一个实施例中，根据标注类别和预测类别对深度卷积神经网络进行训练，包括通过损失函数计算标注类别和预测类别的损失值；若损失值小于等于预设阈值，则训练结束；若损失值大于预设阈值，调整深度卷积神经网络的网络参数，并再次对深度卷积神经网络进行训练。

为达到上述目的，本发明第二方面实施例提出了一种图像处理的装置，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。

本发明实施例的图像处理的装置，通过获取M张待处理CT图像，然后将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。

另外，根据本发明上述实施例的图像处理的装置，还可以具有如下附加的技术特征：