[发明专利]一种图像异常检测方法及存储介质

权利要求书

1.一种图像异常检测方法，其特征在于，包括如下步骤：

获取步骤，获取多个患者心脏影像以及正常心脏影像的数据化样本，每一数据化样本包括一心脏影像被数据化处理后获得的一组影像数据；

样本标签步骤，将所述心脏影像标注标签，所述标签为所述心脏影像的疾病类别；

样本分类步骤，将所述数据化样本分成训练样本及测试样本两类；

数据模型构建步骤，利用所述训练样本的影像数据及组别标签构建并训练初级数据模型；

验证步骤，根据至少一测试样本的影像数据对所述初级数据模型进行交叉验证处理；

数据模型优化步骤，根据交叉验证的结果构建优化数据模型；

被检测样本采集步骤，采集一被检测样本，其为一被检测人的心脏图像的数据化样本，包括该被检测人的心脏图像被数据化处理后获得的一组影像数据；以及

判断步骤，将所述待检测样本录入至所述优化数据模型，所述优化数据模型获取所述待检测样本的组别标签，输出所述被检测人的标签类别。

2.如权利要求1所述的图像异常检测方法，其特征在于，

所述获取步骤，包括如下步骤：

影像获取步骤，采用CT机拍摄患者的心脏；

样本预处理步骤，对心脏影像图进行深度学习的数据化处理，获取两组以上影像数据，每一组影像数据包括至少一特征数据；

数据化样本生成步骤，生成两个以上数据化样本，每一数据化样本包括一该患者心脏图像数据化处理后获得的一组影像数据。

3.如权利要求2所述的图像异常检测方法，其特征在于，

所述样本预处理步骤，包括如下步骤：

分区步骤，将每一心脏图像分成两个以上特征区域；以及

特征提取步骤，对每一特征区域进行卷积池化处理，提取每一特征区域的特征数据；所有特征区域的特征数据的集合即为所述影像数据。

4.如权利要求1所述的图像异常检测方法，其特征在于，

所述初级数据模型包括RPN网络与Fast R-CNN网络，

所述RPN网络与Fast R-CNN网络共享底层卷积层，底层卷积层包括五层卷积层，

底层卷积层后包括第六卷积层，第六卷积层连接两个卷积分支，通过两个卷积分支分别输出初始区域分类得分与边界框，构成RPN网络，通过RPN网络提取目标骨骼的初始兴趣区域；所述底层卷积层通过ROI池化层连接第一全连接层和第二全连接层，所述第一全连接层和第二全连接层根据所述初始兴趣区域分别输出分类得分与边界框位置坐标。

5.如权利要求1所述的图像异常检测方法，其特征在于，

所述验证步骤，包括如下步骤：

测试样本的组别标签预估步骤，将一测试样本的一组影像数据与所述初级数据模型相乘，对其乘积进行四舍五入处理，获取该测试样本的组别标签预估值；或者，将一测试样本的两组以上质谱数据与所述数据模型相乘，将其乘积按照数值大小排成数列，对其中位值进行四舍五入处理，获取该测试样本的组别标签预估值；

测试样本的组别标签对比步骤，将该测试样本的组别标签预估值与其组别标签对比，判断所述初级数据模型的准确率。

6.如权利要求1所述的图像异常检测方法，其特征在于，

在所述数据模型优化步骤中，

当所述初级数据模型的准确率小于一预设阈值时，

返回所述样本分组步骤，重新选择训练样本。

7.如权利要求1所述的图像异常检测方法，其特征在于，

所述被检测样本采集步骤，包括如下步骤：

被检测影像获取步骤，采用CT机拍摄一被检测人的心脏影像图；

被检测样本预处理步骤，对所述检测的心脏影像图进行数据化处理，获取一组被检测影像数据，包括至少一被检测特征数据；

被检测数据化样本生成步骤，生成一被检测数据化样本，包括所述被检测影像数据。