AI医疗影像异常检测方法和装置、电子设备、存储介质与流程

ai医疗影像异常检测方法和装置、电子设备、存储介质
技术领域
1.本发明属于图像处理技术领域，尤其涉及一种ai医疗影像异常检测方法和装置、电子设备、存储介质。


背景技术：

2.目前，医生根据医疗影像给病人进行诊断时，都是根据所学知识和经验积累进行判断，这样的方法具有主观性，如果产生误判、漏判，会给病人带来痛苦甚至是不可挽回的损失。随着人工智能的发展，我们可以利用神经网络构建模型，检测出医学影像中的异常，辅助医生进行判断，减少误诊、漏诊的概率。
3.机器视觉在异常检测领域的应用中，主要采用两类方法，一类是传统的图像处理方法，另一类是深度学习方法。传统图像处理方法准确性不高，对不同类型影像的适配性较差，很多时候需要先验知识，所以在实际应用中，渐渐地转变为辅助性的工具。深度学习方法又有两个重要的发展方向，基于监督学习的方法和基于自监督学习的方法。基于监督学习的方法可以取得良好的效果，但受到的限制是在实际工作中很难收集到足够多的均衡的异常影像样本，并且进行样本标注的成本高，而自监督学习的方法只需要收集正样本，不需要问题样本，不需要人工标注，是目前异常检测的一个热点研究方向。
4.通过恢复异常样本进而定位异常是自监督学习中的一类方法，目前主要是通过训练gan、autoencoder等模型进行恢复，但目前的方法的普遍效果是异常样本恢复效果不理想，对医学影像这类结构背景较复杂的图像没有好的恢复效果，也限制了深度学习在医疗影像异常检测领域的应用。


技术实现要素：

5.本发明要解决的技术问题是，提供一种ai医疗影像异常检测方法和装置、电子设备、存储介质，通过正样本来监督影像异常恢复过程，能够较准确地恢复异常影像和定位异常。
6.为实现上述目的，本发明采用如下的技术方案：
7.一种ai医疗影像异常检测方法，包括以下步骤：
8.步骤s1：基于深度学习构建异常恢复模型；
9.步骤s2：根据正样本和构造的异常样本，对异常恢复模型进行训练；
10.步骤s3：将待检测的医疗影像图片和正样本库中随机选择的正样本一起输入到训练后的异常恢复模型，进行异常检测。
11.作为优选，步骤s1具体为：将正样本和构造的异常样本输入神经网络，经过网络层的卷积操作、规范化操作、池化操作、反卷积操作、拼接操作直到输出恢复图像，以构建异常恢复模型。
12.作为优选，步骤s2具体为：根据正样本p，通过t(d|p)使用p构造出异常样本d，将d和样本库中其他正样本p’一起输入异常恢复模型mr，得到恢复的图片d～，以实现对异常恢
复模型进行训练。
13.作为优选，步骤s3中，将待检测医疗影像图片sd和样本库中其他正样本sp输入训练后的异常恢复模型m
r’，得到恢复的图片dr；根据恢复图dr和待检测医疗影像图片sd进行对比定位异常，得到异常定位图片。
14.本发明提供一种ai医疗影像异常检测装置，包括以下步骤：
15.构建模块，用于基于深度学习构建异常恢复模型；
16.训练模块，用于根据正样本和构造的异常样本，对异常恢复模型进行训练；
17.检测模块，用于将待检测的医疗影像图片和正样本库中随机选择的正样本一起输入到训练后的异常恢复模型，进行异常检测。
18.作为优选，构建模块用于将正样本和构造的异常样本输入神经网络，经过网络层的卷积操作、规范化操作、池化操作、反卷积操作、拼接操作直到输出恢复图像，以构建异常恢复模型。
19.本发明提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现ai医疗影像异常检测方法。
20.本发明提供一种存储介质，所述存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现ai医疗影像异常检测方法。
21.本发明根据正样本来监督图像中异常的恢复，在异常恢复过程中加入正样本进行监督，让异常样本可以参考正样本进行恢复，可以较准确较清晰地恢复样本，进而定位异常。
附图说明
22.图1为本发明的ai医疗影像异常检测方法示意图；
23.图2为构建异常恢复模型示意图；
24.图3为训练异常恢复模型示意图；
25.图4为异常检测的示意图。
具体实施方式
26.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
27.实施例1：
28.如图1所示，本发明提供一种ai医疗影像异常检测方法包括：
29.步骤s1：基于深度学习构建异常恢复模型；
30.步骤s2：根据正样本和构造的异常样本，对异常恢复模型进行训练；
31.步骤s3：将待检测的医疗影像图片和正样本库中随机选择的正样本一起输入到训练后的异常恢复模型，进行异常检测。
32.作为本实施例的一种实施方式，如图2所示，步骤s1：将正样本和构造的异常样本输入神经网络，经过网络层的卷积操作、规范化操作、池化操作、反卷积操作、拼接操作直到输出恢复图像，以构建异常恢复模型。优选的，将分辨率为3张512*512的异常样本和正样本输入unet网络(图2是改进的u-net模型图，它是异常恢复模型的一种实现形式)，拼接后产生6张特征图的网络层，经过卷积操作后产生64张特征图的网络层，经过池化操作后转变为分辨率为256*256的网络层，后续进行类似操作，并通过逐层反卷积操作，直到输出恢复图像，其中，在同样分辨率的网络层之间需要进行拼接操作。
33.作为本实施例的一种实施方式，如图3所示，p为正样本；t(d|p)为异常样本构造函数，利用正样本p构造出异常样本d；p’为样本库中其他正样本；mr为异常恢复模型。d～为恢复的异常图片；loss计算的是产生异常d的原正常图p和异常恢复图d’之间的误差的l2范数。步骤s2中，根据正样本p，通过t(d|p)使用p构造出异常样本d，将d和p’一起输入异常恢复模型mr，得到恢复的图片d～，进而实现对异常恢复模型进行训练。步骤s2具体包括：
34.步骤21、收集预定数量的正样本p1、p2、p3、......、pm，m大于200。
35.步骤22、建立正样本库pl：通过几何变换，如裁剪、旋转，将步骤1中的正样本扩充为p1、p2、p3、......、pn，n大于20000。
36.步骤23、建立异常样本库dl：通过cutpaste、cutout方式，利用步骤2中的正样本构造出异常样本d1、d2、......、ds，s大于20000。
37.步骤24、利用正样本库pl和异常样本库dl训练异常恢复模型mr。
38.作为本实施例的一种实施方式，如图4所示，sd为待检测的样本；sp为样本库中其他正样本；m
r’为训练后的异常恢复模型。dr为恢复的异常图片；r为待检测医疗影像图片sd和恢复图片dr通过对比算法获得的异常定位图片。其中，对于获取r的对比算法，可以采用计算待检测医疗影像图片sd和恢复图片dr之间的灰度差异或纹理差异方法。步骤s3中，将待检测医疗影像图片sd和sp输入训练后的异常恢复模型m
r’，得到恢复的图片dr，通过对比算法计算sd和dr之间的差异得到r。步骤s3具体包括：
39.步骤31、获取待检测医疗影像图片sd；
40.步骤32、在正样本库pl中随机获取一张正样本sp；
41.步骤33、将sd和sp输入到训练后的异常恢复模型m
r’中，获取恢复图dr；
42.步骤34、根据恢复图dr和待检测医疗影像图片sd进行对比定位异常，得到异常定位图片。
43.实施例2：
44.本发明提供一种ai医疗影像异常检测装置，包括以下步骤：
45.构建模块，用于基于深度学习构建异常恢复模型；
46.训练模块，用于根据正样本和构造的异常样本、对异常恢复模型进行训练；
47.检测模块，用于将待检测的医疗影像图片和正样本库中随机选择的正样本一起输入到训练后的异常恢复模型，进行异常检测。
48.进一步，构建模块用于将正样本和构造的异常样本输入神经网络，经过网络层的卷积操作、规范化操作、池化操作、反卷积操作、拼接操作直到输出恢复图像，以构建异常恢复模型。
49.实施例3：
50.本发明提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现ai医疗影像异常检测方法。
51.实施例4：
52.本发明提供一种存储介质，所述存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现ai医疗影像异常检测方法。
53.最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。