技术摘要：
本发明公开了一种医疗影像中特殊标记的检测与去除方法，包含以下步骤：步骤一：对输入的数据进行预处理与模型学习，使得网络可以识别出医疗标记；步骤二：对医疗影像进行学习，使得网络可以修复医疗影像，并且修复结果中不可出现明显的人工痕迹；步骤三：用Faster R‑C  全部
背景技术：
卷积神经网络是深度学习中重要的一个分支，通过多次的卷积提取特征，经过反 向传播等机器学习方法学习到卷积的权重，抽取出整张图像的feature  map用于其他问题 的处理。使用得到的feature  map以及其提取方法可以进行图像识别算法的拓展研究，同时 也可以使用feature  map进行图像修复。可以说卷积神经网络是深度学习中重要的一个分 支。 Faster  R-CNN是当下准确率极高的一个目标检测网络。它使用resnet架构作为基 础的特征提取架构，然后使用RPN作为辅助网络提取边框，在目标检测上有很好的表现。 NVDIA公司提出的部分卷积修复图像的方法同样是使用resnet作为特征提取架构，使用深 度学习完善反卷积过程，将图像由feature  map重新复原为原始图像由此达到图像修复的 目的。 目前在机器学习时获得的大部分数据都是经过医生处理过的，这是在早起开发的 医疗系统遗留下的弊病。当下面临的一个课题就是将医疗标记进行去除处理。
技术实现要素：
本发明的目的在于提供一种医疗影像中特殊标记的检测与去除方法，用于将目前 数据集中含有医疗标记的图像处理为原始的图像。本方法使用将两种方法聚合的方法去除 医疗标记，以此来获取接近于医疗影像原始数据的图像。 为实现本发明的目的，本发明提供的一种医疗影像中特殊标记的检测与去除方 法，包含以下步骤： 步骤一：对输入的数据进行预处理与模型学习，对医疗标记进行学习，使得网络可 以识别出医疗标记； 步骤二：对医疗影像进行学习，使得网络可以修复医疗影像，并且修复结果中不可 出现明显的人工痕迹； 步骤三：用Faster  R-CNN目标检测算法检测出图像中的医疗标记； 步骤四：将检测出的掩码制作为二进制掩码； 步骤五：使用部分卷积去修复带有掩码的医疗影像。 其中，步骤一具体包括如下步骤：在得到包含医疗标记的数据后，首先需要从数据 中挑选出质量较高的数据，然后使用标记软件LabelImg制作为VOC标准数据集，同时搭建 Faster  R-CNN网络，将制作出的数据集使用网络进行训练，直到网络可以分割出大于75％ 的医疗标记。 其中，步骤二具体包括如下步骤：首先使用随机方法生成掩码，搭建一个部分卷积 3 CN 111724314 A 说　明　书 2/4 页 修复图像的网络，使用原图像和掩码对网络进行训练，在Loss已经低于0.03时停止训练，同 时需要保证修复的图像中无法看出明显的人工痕迹。 其中，步骤三具体包括如下步骤：将图像输入至神经网络，使用网络对图像进行识 别，输出所有的医疗标记的位置，如果在步骤三中的结果过差，则此时需要返回步骤一，重 新对网络进行训练，直到保证步骤三可标记出的图像在80％之上。 其中，步骤四具体包括如下步骤：在获得图像的医疗标记标注后，使用python读取 原图以及输出的标注点，将图像中标注边框的位置都使用255置位，获得原医疗标记的掩 码。 其中，步骤五中具体包括如下步骤：将获得的掩码和原图像放入基于部分卷积的 图像修复网络中，获得修复成果；如果此步骤发现修复成果无法达到预期成果，则需要重新 进行步骤二，重新对网络训练，直到修复结果中无明显人工痕迹。 与现有技术相比，本发明的有益效果为， 在本申请中，使用了两个神经网络分别对医疗标记进行识别和修复工作。 通过实验可以看出，使用本方法的实验效果达到了可使用结果，识别区域准确并 且无明显的修复痕迹。图像中很难看到鱼鳞状修复区域或者网格状修复区域。同时网络可 以理解结节信息，使得修复部位符合结节的特征。 在实验中，Faster  R-CNN网络的最终Loss为0.02，在测试时网络的识别率可以达 到76.3％，可以认为Faster  R-CNN网络能够识别出大部分的医疗标记的位置信息。同时，部 分卷积网络的Loss降低为0.003。本项目在制定损失函数时针对医疗图像有所改进，保证了 在识别时由更好的效果。其次，使用Faster  R-CNN来代替传统方法对目标特征进行提取保 证了更高的识别准确率。这两方面的改进保证了本项目相对于其他修复方法有更加优良的 特性。 附图说明 图1所示为本申请的方法流程图。 图2所示为原图与使用本申请修复后的效果对比图。