[发明专利]一种图像异常检测方法及存储介质

说明书

本发明提供一种图像异常检测方法及存储介质，本发明通过采用的深度学习算法，通过对心脏疾病图片进行数据采集，接着进行特征提取，并通过海量的图片数据进行模型的训练，最后搭建好数据模型。本发明还可以通过对测试的图片影像进行对搭建好的数据模型进行验证，并可以通过自反馈对数据模型进行不断的优化，将医学影像的预测率提高。本发明最后可以集成到医院系统中，可以进行同步批量处理，为医院工作人员提供帮助，可以提高工作效率。

技术领域

本发明涉医学影像处理领域，特别涉及一种图像异常检测方法及存储介 质。

背景技术

先天性心脏病(congenital heart disease,CHD，以下简称先心病)是最常 见的先天性出生缺陷，其中室间隔缺损(ventricular septal defect,VSD)、房间 隔缺损(atrial septal defect,ASD)是最常见的非紫绀型先心病，其发病率约 占先心病的25％～35％。目前临床上常用的先心病影像诊断方法包括胸片、超 声心动图(echocardiography,ECHO)、计算机断层(computed tomography,CT)、 磁共振(magneticresonance imaging,MRI)及心导管造影(angiocardiography, CAG)。ECHO是目前临床最常用的先心病筛查方法。心脏磁共振 (cardiovascular magnetic resonance,CMR)检查时间长，镇静要求高，空间分 辨率略低以及检查费用相对高，目前在亚洲地区先心病术前诊断中应用较少。 随着CT快速发展，低辐射、高空间和时间分辨率、低镇静要求(甚至可以非 镇静状态下扫描)，在儿童先心病诊断中逐渐应用广泛。由于ECHO对于心 外结构的显示不如心脏CT(cardiac CT,CCT)和CMR。目前临床术前诊断 先心病往往ECHO结合CCT，两者互为补充，提供更为有效、全面的先心病 诊断信息。

CCT完成扫描后需要专科影像医师进行后处理，人工分割并重建图像， 最后根据重建的图像进行诊断，每个病例的后处理时间普通胸部CT增强要长， 诊断效率较低；另外目前高端CT仪器较为普遍，二级医院都拥有64层以上 的螺旋CT或双源CT，但是先心病诊断专业性强，非专科医院影像医师的误 诊和漏诊率较高。目前人工智能尤其是深度学习技术结合影像数据，被越来越 多地应用到病灶分割、疾病检测、辅助诊断等各种医疗影像分析任务中。是否 可以应用人工智能方法进行心脏疾病自动识别，是本文的研究目的所在。

发明内容

本研究提出一种基于深度学习的心脏影像的分类方法，旨在实现非专科医 院的影像医师对心脏疾病的快速准确诊断，以初步达到人工智能辅助诊断简单 先心病的目的。

为达到上述目的，本发明提供一种心脏影像的分类方法，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；以及疾病判断步骤，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，判断所述被检测人的心脏状态。

进一步地，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，对所述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。