本发明涉及数据处理技术领域，具体而言，涉及一种肺结核识别模型的获取方法及装置、存储介质、处理器。
背景技术：
目前，x线胸透是肺结核筛查的主要手段，医生可以通过x胸片来进行肺结核的诊断，诊断的效率和准确度都依赖于医生的经验水平。但是，由于凭借经验水平进行诊断，很难保证诊断的效率和准确度。
另外，肺结核并有各种x线表现，根据临床研究，多种症状经常一起出现。这就给医生带来了很大的挑战。
针对上述相关技术中用于进行肺结核识别的方式可靠性较低的问题，目前尚未提出有效的解决方案。
技术实现要素：
本发明实施例提供了一种肺结核识别模型的获取方法及装置、存储介质、处理器，以至少解决相关技术中用于进行肺结核识别的方式可靠性较低的技术问题。
根据本发明实施例的一个方面，提供了一种肺结核识别模型的获取方法，包括：采集预定数量的医学影像图像，其中，所述预定数量的医学影像图像中的每一张图像均包括：肺结核病灶标识区域；对所述预定数量的医学影像图像进行预处理，得到预处理后的医学影像图像，并将所述预处理后的医学影像数据的一部分作为训练图像；将所述训练图像输入至预定网络模型，以利用所述预处理后的医学影像图像对所述预定网络模型进行训练，得到肺结核识别模型。
可选地，所述对所述预定数量的医学影像图像进行预处理，得到预处理后的医学影像图像，包括：将所述预定数量的医学影像图像进行格式转换，得到所述预定数量的医学影像图像对应的灰度图；通过二值化处理方式对所述灰度图进行二值化处理，得到标准化的灰度图；对所述标准化的灰度图进行腐蚀和膨胀处理，以过滤掉所述标准化的图像中的干扰点，得到过滤后的灰度图。
可选地，在所述将所述训练图像输入至预定网络模型之后，所述肺结核识别模型的获取方法还包括：在所述预定网络模型中对所述训练图像进行预处理；其中，所述在所述预定网络模型中对所述训练图像进行预处理，包括以下至少之一：对所述训练图像进行随机旋转；对所述训练图像进行镜像处理；利用预定去噪方式对所述训练图像进行去噪处理。
可选地，所述将所述训练图像输入至预定网络模型，以利用所述预处理后的医学影像图像对所述预定网络模型进行训练，包括：利用卷积神经网络对所述预处理后的训练图像进行卷积化处理，得到卷积化处理结果；将所述卷积化处理结果输入至区域候选网络，提取出所述卷积化处理结果中的图像特征区域；根据所述图像特征区域生成预定尺寸的图像特征区域，并将所述预定尺寸的图像特征区域输入至预定残差网络，得到所述预定残差网络的输出结果，其中，所述预定残差网络为基于inception结构的resnet-v2网络。
可选地，在所述将所述预定尺寸的图像特征区域输入至预定残差网络之后，所述肺结核识别模型的获取方法还包括：在所述预定残差网络中对所述预定尺寸的图像特征区域进行处理，得到所述预定网络模型对应的函数的参数。
可选地，所述将所述训练图像输入至预定网络模型，以利用所述预处理后的医学影像图像对所述预定网络模型进行训练，得到肺结核识别模型，包括：将所述预处理后的医学影像数据的另一部分作为测试图像；将所述预定残差网络的输出结果转换为参照图像；将所述参照图像与所述测试图像进行比较，得到图像偏差数据；判断所述图像偏差数据是否小于预定偏差数据，得到判断结果；在所述判断结果为是的情况下，终止对所述预定网络模型训练；在所述判断结果为否的情况下，基于所述图像偏差数据对所述预定网络模型对应的函数进行参数调整，利用所述预处理后的医学影像图像对调整参数后的所述预定网络模型进行训练，直到基于所述预定网络模型的输出转换得到的参照图像与所述测试图像的图像偏差数据小于预定偏差数据。
根据本发明实施例的另外一个方面，还提供了一种肺结核识别模型的获取装置，包括：采集单元，用于采集预定数量的医学影像图像，其中，所述预定数量的医学影像图像中的每一张图像均包括：肺结核病灶标识区域；第一预处理单元，用于对所述预定数量的医学影像图像进行预处理，得到预处理后的医学影像图像，并将所述预处理后的医学影像数据的一部分作为训练图像；训练单元，用于将所述训练图像输入至预定网络模型，以利用所述预处理后的医学影像图像对所述预定网络模型进行训练，得到肺结核识别模型。
可选地，所述第一预处理单元，包括：第一转换模块，用于将所述预定数量的医学影像图像进行格式转换，得到所述预定数量的医学影像图像对应的灰度图；二值化处理模块，用于通过二值化处理方式对所述灰度图进行二值化处理，得到标准化的灰度图；过滤模块，用于对所述标准化的灰度图进行腐蚀和膨胀处理，以过滤掉所述标准化的图像中的干扰点，得到过滤后的灰度图。
可选地，所述装置还包括：第二预处理单元，用于在所述将所述训练图像输入至预定网络模型之后，在所述预定网络模型中对所述训练图像进行预处理；其中，所述第二预处理单元，包括以下至少之一：旋转模块，用于对所述训练图像进行随机旋转；镜像处理模块，用于对所述训练图像进行镜像处理；去噪模块，用于利用预定去噪方式对所述训练图像进行去噪处理。
可选地，所述肺结核识别模型的获取装置包括：卷积化处理模块，用于利用卷积神经网络对所述预处理后的训练图像进行卷积化处理，得到卷积化处理结果；提取模块，用于将所述卷积化处理结果输入至区域候选网络，提取出所述卷积化处理结果中的图像特征区域；获取模块，用于根据所述图像特征区域生成预定尺寸的图像特征区域，并将所述预定尺寸的图像特征区域输入至预定残差网络，得到所述预定残差网络的输出结果，其中，所述预定残差网络为基于inception结构的resnet-v2网络。
可选地，所述装置还包括：处理模块，用于在所述将所述预定尺寸的图像特征区域输入至预定残差网络之后，在所述预定残差网络中对所述预定尺寸的图像特征区域进行处理，得到所述预定网络模型对应的函数的参数。
可选地，所述训练单元，包括：确定模块，用于将所述预处理后的医学影像数据的另一部分作为测试图像；第二转换模块，用于将所述预定残差网络的输出结果转换为参照图像；比较模块，用于将所述参照图像与所述测试图像进行比较，得到图像偏差数据；判断模块，用于判断所述图像偏差数据是否小于预定偏差数据，得到判断结果；终止模块，用于在所述判断结果为是的情况下，终止对所述预定网络模型训练；训练模块，用于在所述判断结果为否的情况下，基于所述图像偏差数据对所述预定网络模型对应的函数进行参数调整，利用所述预处理后的医学影像图像对调整参数后的所述预定网络模型进行训练，直到基于所述预定网络模型的输出转换得到的参照图像与所述测试图像的图像偏差数据小于预定偏差数据。
根据本发明实施例的另外一个方面，还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行中任意一项所述的肺结核识别模型的获取方法。
根据本发明实施例的另外一个方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的肺结核识别模型的获取方法。
在本发明实施例中，采用采集预定数量的医学影像图像，其中，预定数量的医学影像图像中的每一张图像均包括：肺结核病灶标识区域；对预定数量的医学影像图像进行预处理，得到预处理后的医学影像图像，并将预处理后的医学影像数据的一部分作为训练图像；将训练图像输入至预定网络模型，以利用预处理后的医学影像图像对预定网络模型进行训练，得到肺结核识别模型，通过本发明实施例提供的肺结核识别模型的获取方法，实现了通过预先标注有肺结核病灶标识区域的医学影像数据结合预定网络模型，训练得到肺结核识别模型的目的，达到了提高肺结核识别模型的可靠性的技术效果，进而解决了相关技术中用于进行肺结核识别的方式可靠性较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的肺结核识别模型的获取方法的流程图；
图2是根据本发明实施例的肺结核识别模型的获取装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种肺结核识别模型的获取方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的肺结核识别模型的获取方法的流程图，如图1所示，该肺结核识别模型的获取方法包括如下步骤：
步骤s102，采集预定数量的医学影像图像，其中，预定数量的医学影像图像中的每一张图像均包括：肺结核病灶标识区域。
可选的，上述每一张图像均包括与正常肺的图像相异的图像标识区域。
可选的，在本发明实施例中的医学影像图像为胸部三维图像，相对于现有的用于胸部x线平片识别的平台识别对象为胸部x线平片，没有空间定位、灵敏度、特异度较低，本发明实施例中的胸部三维图像，定位准确，基于ct的肺结核识别模型的灵敏度、特异度要远远高于胸片。
上述肺结核病灶标识区域是综合临床经验，总结出肺结核ct影像中的19中病灶体征，并在上述医学影像图像中标识出来的区域。
步骤s104，对预定数量的医学影像图像进行预处理，得到预处理后的医学影像图像，并将预处理后的医学影像数据的一部分作为训练图像。
可选的，在本发明实施例中，对预定数量的图像影像数据进行预处理，可以包括对肺结核ct特征提取和分类。
例如，浸润型肺结核，病灶多在锁骨上下，呈片状或絮状，边界模糊，病灶可呈干酪样坏死灶，引发较重的毒性症状，而成干酪性(结核性)肺炎，坏死灶被纤维包裹后形成结核球。经过适当治疗的病灶，炎症吸收消散，遗留小干酪灶，钙化后残留小结节病灶，呈现纤维硬结病灶或临床痊愈。有空洞者，也可经治疗吸收缩小或闭合，有不闭合者，也无存活的病菌，称为“空洞开放愈合”。
空洞型肺结核，结核空洞部位多发生于上叶尖后段、下叶背段和后基底段。炎性空洞多发生在中下肺野，可发生于任何肺叶及肺段，结核性空洞以干酪壁为主者呈厚壁空洞，壁的密度不高。炎性空洞先出现浓密云絮状阴影，于阴影中出现透亮区，洞壁多不规则。结核性空洞壁有厚壁空洞、薄壁空洞、张力空洞等，洞壁可有钙化。结核性空洞壁有厚壁空洞、薄壁空洞、张力空洞等，洞壁可有钙化。而炎性空洞壁多较厚，一般多超过3mm，少数可达10mm。
结核性胸膜炎伴胸膜增厚，两层的胸膜粘着在一起。这种病变是由肺结核、胸膜炎以及胸部损伤后引发的。
肺干酪性结核，带有大量结核菌的干酪样物质进入肺组织即可造成干酪性肺炎。最多见为支气管淋巴结干酪样物质破溃入支气管引起；有时可能为原发灶液化崩溃进一步扩散而成；肺内新鲜的血行播散性结核病变可迅速融合溶解变成小叶性干酪性肺炎；此外在续发性肺结核浸润性病变可呈现大量干酪样坏死变成干酪性肺炎，但较少见。
步骤s106，将训练图像输入至预定网络模型，以利用预处理后的医学影像图像对预定网络模型进行训练，得到肺结核识别模型。
由上述可知，在本发明实施例中，可以采集预定数量的医学影像图像，其中，预定数量的医学影像图像中的每一张图像均包括：肺结核病灶标识区域；对预定数量的医学影像图像进行预处理，得到预处理后的医学影像图像，并将预处理后的医学影像数据的一部分作为训练图像；将训练图像输入至预定网络模型，以利用预处理后的医学影像图像对预定网络模型进行训练，得到肺结核识别模型，实现了通过预先标注有肺结核病灶标识区域的医学影像数据结合预定网络模型，训练得到肺结核识别模型的目的。
容易注意到，由于在本发明实施例中，可以预先采集大量的标注有肺结核病灶标识区域的医学影像图像，并对采集得到的医学影像图像进行预处理，并利用预处理后的医学影像图像对预定网络模型进行训练，进而得到肺结核识别模型，实现了通过预先标注有肺结核病灶标识区域的医学影像数据结合预定网络模型，训练得到肺结核识别模型的目的，达到了提高肺结核识别模型的可靠性的技术效果。
通过本发明实施例提供的肺结核识别模型的获取方法，解决了相关技术中用于进行肺结核识别的方式可靠性较低的技术问题。
在一种可选的实施例中，对预定数量的医学影像图像进行预处理，得到预处理后的医学影像图像，包括：将预定数量的医学影像图像进行格式转换，得到预定数量的医学影像图像对应的灰度图；通过二值化处理方式对灰度图进行二值化处理，得到标准化的灰度图；对标准化的灰度图进行腐蚀和膨胀处理，以过滤掉标准化的图像中的干扰点，得到过滤后的灰度图。
在上述实施例中，通过将医学影像图像进行格式转换，得到医学影像图像对应的灰度图，可以便于后续进行kmeans运算；通过对得到的灰度图进行二值化处理，可以得到标准化的医学影像图像的灰度图；通过腐蚀和膨胀操作去除肺实质外部干扰点，得到过滤后的灰度图。
另外，在本发明实施例中，可以通过聚类运算以及聚类中心结合二值化处理对医学影像图像进行前景和背景的处理。
另外，在将训练图像输入至预定网络模型之后，肺结核识别模型的获取方法还包括：在预定网络模型中对训练图像进行预处理；其中，在预定网络模型中对训练图像进行预处理，包括以下至少之一：对训练图像进行随机旋转；对训练图像进行镜像处理；利用预定去噪方式对训练图像进行去噪处理。
在上述实施例中，可以在将训练图像输入至预定网络模型之后，可以在预定网络模型中对训练图像进行随机旋转处理、镜像处理等以扩充训练图像，提高得到的肺结核识别模型的可靠性。
其中，将训练图像输入至预定网络模型，以利用预处理后的医学影像图像对预定网络模型进行训练，包括：利用卷积神经网络对预处理后的训练图像进行卷积化处理，得到卷积化处理结果；将卷积化处理结果输入至区域候选网络，提取出卷积化处理结果中的图像特征区域；根据图像特征区域生成预定尺寸的图像特征区域，并将预定尺寸的图像特征区域输入至预定残差网络，得到预定残差网络的输出结果，其中，预定残差网络为基于inception结构的resnet-v2网络。
即，在本发明实施例中，预定网络模型是基于深度学习卷积神经网络的人工智能平台，该模型的骨干网络是基于inception结构的resnet-v2网络，是inception结构与residualnet(残差网络)的结合，网络深度为164层。
在一种可选的实施例中，在将预定尺寸的图像特征区域输入至预定残差网络之后，肺结核识别模型的获取方法还包括：在预定残差网络中对预定尺寸的图像特征区域进行处理，得到预定网络模型对应的函数的参数。
在另一种可选的实施例中，将训练图像输入至预定网络模型，以利用预处理后的医学影像图像对预定网络模型进行训练，得到肺结核识别模型，包括：将预处理后的医学影像数据的另一部分作为测试图像；将预定残差网络的输出结果转换为参照图像；将参照图像与测试图像进行比较，得到图像偏差数据；判断图像偏差数据是否小于预定偏差数据，得到判断结果；在判断结果为是的情况下，终止对预定网络模型训练；在判断结果为否的情况下，基于图像偏差数据对预定网络模型对应的函数进行参数调整，利用预处理后的医学影像图像对调整参数后的预定网络模型进行训练，直到基于预定网络模型的输出转换得到的参照图像与测试图像的图像偏差数据小于预定偏差数据。
通过本发明实施例提供的肺结核识别模型的获取方法，可以将建模过程分为：图像预处理、肺结核ct特征提取和分类、主动学习三部分。在将预定数量的医学影像图像输入后，通过随机旋转、水平镜像处理和高斯噪声等方式对其进行预处理，以扩增对预定网络模型进行训练的训练图像，进而提高训练数据的利用率；随后卷积神经网络将图像信息进行卷积化处理，通将卷积化处理后的图像输入至区域候选网络中获取图像特征区域，根据每一个图像特征区域生成预定尺寸(例如，299*299*3)的图像，进入inceptionresnet-v2网络后，roi图像(即，图像特征区域)被分类、定位、分割，得到损失函数(即，预定网络模型对应的函数)各相关参数；通过大量图像的训练，不断与医师标注区域对照、调整参数，得到最终的诊断模型。
另外，在本发明实施例中，在得到肺结核识别模型之后，还可以利用预定数量的医学影像图像对肺结核识别模型进行测试。需要说明的是，在本发明实施例中，也可以从预定数量的医学影像图像中随机选择部分医学影像图像对肺结核识别模型进行测试，提高了肺结核识别模型的可靠性。
例如，可以预先后级胸部高分辨率ct平扫检查的患者1764例，由4名影像科医师对含病变的191671副ct图像进行分类标注，得到影像特征，以此对cnn模型进行训练，构建肺结核ct图像ai识别模型，从已标注图像中随机抽取302副图像进行测试，以2名高级职称医师的诊断为“黄金标准”，比较ai识别模型和医师在肺结核ct识别中灵敏度和准确率的差异，统计ai识别模型分类错误的类型、数量，并绘制出自由响应受试者工作特征曲线。
通过本发明实施例提供的肺结核识别模型的获取方法，实现了对医学影像数据进行有效数据应用处理，同时对测试出的ai肺结核影像识别模型进行专业筛查，以提供肺结核识别模型的灵敏度和准确率。
实施例2
根据本发明实施例的另外一个方面，还提供了一种肺结核识别模型的获取装置，图2是根据本发明实施例的肺结核识别模型的获取装置的示意图，如图2所示，该肺结核识别模型的获取装置包括：采集单元21，第一预处理单元23以及训练单元25。下面对该肺结核识别模型的获取装置进行详细说明。
采集单元21，用于采集预定数量的医学影像图像，其中，预定数量的医学影像图像中的每一张图像均包括：肺结核病灶标识区域。
第一预处理单元23，用于对预定数量的医学影像图像进行预处理，得到预处理后的医学影像图像，并将预处理后的医学影像数据的一部分作为训练图像。
训练单元25，用于将训练图像输入至预定网络模型，以利用预处理后的医学影像图像对预定网络模型进行训练，得到肺结核识别模型。
此处需要说明的是，上述采集单元21，第一预处理单元23以及训练单元25对应于实施例1中的步骤s102至s106，上述单元与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述单元作为装置的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
由上可知，在本申请上述实施例中，利用采集单元采集预定数量的医学影像图像，其中，预定数量的医学影像图像中的每一张图像均包括：肺结核病灶标识区域；并利用第一预处理单元对预定数量的医学影像图像进行预处理，得到预处理后的医学影像图像，并将预处理后的医学影像数据的一部分作为训练图像；以及利用训练单元将训练图像输入至预定网络模型，以利用预处理后的医学影像图像对预定网络模型进行训练，得到肺结核识别模型。通过本发明实施例提供的肺结核识别模型的获取装置，实现了通过预先标注有肺结核病灶标识区域的医学影像数据结合预定网络模型，训练得到肺结核识别模型的目的，达到了提高肺结核识别模型的可靠性的技术效果，进而解决了相关技术中用于进行肺结核识别的方式可靠性较低的技术问题。
在一种可选的实施例中，第一预处理单元，包括：第一转换模块，用于将预定数量的医学影像图像进行格式转换，得到预定数量的医学影像图像对应的灰度图；二值化处理模块，用于通过二值化处理方式对灰度图进行二值化处理，得到标准化的灰度图；过滤模块，用于对标准化的灰度图进行腐蚀和膨胀处理，以过滤掉标准化的图像中的干扰点，得到过滤后的灰度图。
在一种可选的实施例中，装置还包括：第二预处理单元，用于在将训练图像输入至预定网络模型之后，在预定网络模型中对训练图像进行预处理；其中，第二预处理单元，包括以下至少之一：旋转模块，用于对训练图像进行随机旋转；镜像处理模块，用于对训练图像进行镜像处理；去噪模块，用于利用预定去噪方式对训练图像进行去噪处理。
在一种可选的实施例中，肺结核识别模型的获取装置包括：卷积化处理模块，用于利用卷积神经网络对预处理后的训练图像进行卷积化处理，得到卷积化处理结果；提取模块，用于将卷积化处理结果输入至区域候选网络，提取出卷积化处理结果中的图像特征区域；获取模块，用于根据图像特征区域生成预定尺寸的图像特征区域，并将预定尺寸的图像特征区域输入至预定残差网络，得到预定残差网络的输出结果，其中，预定残差网络为基于inception结构的resnet-v2网络。
在一种可选的实施例中，装置还包括：处理模块，用于在将预定尺寸的图像特征区域输入至预定残差网络之后，在预定残差网络中对预定尺寸的图像特征区域进行处理，得到预定网络模型对应的函数的参数。
在一种可选的实施例中，训练单元，包括：确定模块，用于将预处理后的医学影像数据的另一部分作为测试图像；第二转换模块，用于将预定残差网络的输出结果转换为参照图像；比较模块，用于将参照图像与测试图像进行比较，得到图像偏差数据；判断模块，用于判断图像偏差数据是否小于预定偏差数据，得到判断结果；终止模块，用于在判断结果为是的情况下，终止对预定网络模型训练；训练模块，用于在判断结果为否的情况下，基于图像偏差数据对预定网络模型对应的函数进行参数调整，利用预处理后的医学影像图像对调整参数后的预定网络模型进行训练，直到基于预定网络模型的输出转换得到的参照图像与测试图像的图像偏差数据小于预定偏差数据。
实施例3
根据本发明实施例的另外一个方面，还提供了一种存储介质，存储介质包括存储的程序，其中，程序执行中任意一项的肺结核识别模型的获取方法。
实施例4
根据本发明实施例的另外一个方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项的肺结核识别模型的获取方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
1.一种肺结核识别模型的获取方法，其特征在于，包括：
采集预定数量的医学影像图像，其中，所述预定数量的医学影像图像中的每一张图像均包括：肺结核病灶标识区域；
对所述预定数量的医学影像图像进行预处理，得到预处理后的医学影像图像，并将所述预处理后的医学影像数据的一部分作为训练图像；
将所述训练图像输入至预定网络模型，以利用所述预处理后的医学影像图像对所述预定网络模型进行训练，得到肺结核识别模型。
2.根据权利要求1所述的方法，其特征在于，所述对所述预定数量的医学影像图像进行预处理，得到预处理后的医学影像图像，包括：
将所述预定数量的医学影像图像进行格式转换，得到所述预定数量的医学影像图像对应的灰度图；
通过二值化处理方式对所述灰度图进行二值化处理，得到标准化的灰度图；
对所述标准化的灰度图进行腐蚀和膨胀处理，以过滤掉所述标准化的图像中的干扰点，得到过滤后的灰度图。
3.根据权利要求1所述的方法，其特征在于，在所述将所述训练图像输入至预定网络模型之后，所述方法还包括：在所述预定网络模型中对所述训练图像进行预处理；
其中，所述在所述预定网络模型中对所述训练图像进行预处理，包括以下至少之一：
对所述训练图像进行随机旋转；
对所述训练图像进行镜像处理；
利用预定去噪方式对所述训练图像进行去噪处理。
4.根据权利要求3所述的方法，其特征在于，所述将所述训练图像输入至预定网络模型，以利用所述预处理后的医学影像图像对所述预定网络模型进行训练，包括：
利用卷积神经网络对所述预处理后的训练图像进行卷积化处理，得到卷积化处理结果；
将所述卷积化处理结果输入至区域候选网络，提取出所述卷积化处理结果中的图像特征区域；
根据所述图像特征区域生成预定尺寸的图像特征区域，并将所述预定尺寸的图像特征区域输入至预定残差网络，得到所述预定残差网络的输出结果，其中，所述预定残差网络为基于inception结构的resnet-v2网络。
5.根据权利要求4所述的方法，其特征在于，在所述将所述预定尺寸的图像特征区域输入至预定残差网络之后，所述方法还包括：
在所述预定残差网络中对所述预定尺寸的图像特征区域进行处理，得到所述预定网络模型对应的函数的参数。
6.根据权利要求5所述的方法，其特征在于，所述将所述训练图像输入至预定网络模型，以利用所述预处理后的医学影像图像对所述预定网络模型进行训练，得到肺结核识别模型，包括：
将所述预处理后的医学影像数据的另一部分作为测试图像；
将所述预定残差网络的输出结果转换为参照图像；
将所述参照图像与所述测试图像进行比较，得到图像偏差数据；
判断所述图像偏差数据是否小于预定偏差数据，得到判断结果；
在所述判断结果为是的情况下，终止对所述预定网络模型训练；
在所述判断结果为否的情况下，基于所述图像偏差数据对所述预定网络模型对应的函数进行参数调整，利用所述预处理后的医学影像图像对调整参数后的所述预定网络模型进行训练，直到基于所述预定网络模型的输出转换得到的参照图像与所述测试图像的图像偏差数据小于预定偏差数据。
7.一种肺结核识别模型的获取装置，其特征在于，包括：
采集单元，用于采集预定数量的医学影像图像，其中，所述预定数量的医学影像图像中的每一张图像均包括：肺结核病灶标识区域；
第一预处理单元，用于对所述预定数量的医学影像图像进行预处理，得到预处理后的医学影像图像，并将所述预处理后的医学影像数据的一部分作为训练图像；
训练单元，用于将所述训练图像输入至预定网络模型，以利用所述预处理后的医学影像图像对所述预定网络模型进行训练，得到肺结核识别模型。
8.根据权利要求7所述的装置，其特征在于，所述第一预处理单元，包括：
第一转换模块，用于将所述预定数量的医学影像图像进行格式转换，得到所述预定数量的医学影像图像对应的灰度图；
二值化处理模块，用于通过二值化处理方式对所述灰度图进行二值化处理，得到标准化的灰度图；
过滤模块，用于对所述标准化的灰度图进行腐蚀和膨胀处理，以过滤掉所述标准化的图像中的干扰点，得到过滤后的灰度图。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行权利要求1至6中任意一项所述的肺结核识别模型的获取方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至6中任意一项所述的肺结核识别模型的获取方法。
技术总结