CN108596900A - 甲状腺相关性眼病医学影像数据处理装置、方法、计算机可读存储介质及终端设备 - Google Patents
甲状腺相关性眼病医学影像数据处理装置、方法、计算机可读存储介质及终端设备 Download PDFInfo
- Publication number
- CN108596900A CN108596900A CN201810411596.2A CN201810411596A CN108596900A CN 108596900 A CN108596900 A CN 108596900A CN 201810411596 A CN201810411596 A CN 201810411596A CN 108596900 A CN108596900 A CN 108596900A
- Authority
- CN
- China
- Prior art keywords
- medical image
- network
- convolutional neural
- eye
- data processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012545 processing Methods 0.000 title claims abstract description 69
- 210000001685 thyroid gland Anatomy 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000001537 neural effect Effects 0.000 claims abstract description 69
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000002708 enhancing effect Effects 0.000 claims abstract description 10
- 210000001508 eye Anatomy 0.000 claims description 69
- 230000006870 function Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 9
- 239000003814 drug Substances 0.000 claims description 8
- 230000001965 increasing effect Effects 0.000 claims description 5
- 238000010008 shearing Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 4
- 210000005252 bulbus oculi Anatomy 0.000 claims description 3
- 210000004907 gland Anatomy 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 210000004279 orbit Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 208000030533 eye disease Diseases 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 208000034189 Sclerosis Diseases 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002440 hepatic effect Effects 0.000 description 1
- 206010073071 hepatocellular carcinoma Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/60—Rotation of whole images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Neurology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
公开了一种甲状腺相关性眼病医学影像数据处理装置、方法、计算机可读存储介质及终端设备。其包括：原始眼部医学影像获取模块，用于获取原始眼部医学影像；目标区域选定模块，用于在原始眼部医学影像中选定目标区域；增强处理模块，用于针对目标区域进行增强处理；影像集划分模块，用于得到相应的眼部医学影像集，眼部医学影像集包括训练集；卷积神经子网络模块，包括第一卷积神经子网络、第二卷积神经子网络和第三卷积神经子网络；数据处理模块，在应用训练集中的第一卷积神经子网络、第二卷积神经子网络和第三卷积神经子网络进行系统网格训练后，具备根据再次获取的眼部医学影像输出数据处理结果的能力。其能够提高数据处理的效率和精度。
Description
技术领域
本发明涉及计算机程序技术领域，特别是涉及一种甲状腺相关性眼病医学影像数据处理装置、方法、计算机可读存储介质及终端设备。
背景技术
随着医学影像技术的快速发展，医院信息系统应用范围的不断扩大，存储在医院数据库中的影像数据呈几何级增长。这些数量庞大的医学影像数据来源于各种医学成像设备，如超声、X射线计算机断层摄影(CT)、核磁共振(MRI)、数字血管剪影(DSA)、正电子断层摄影(PET)等，而且对应了不同的人体组织器官，如颅脑、胸、肺、肝等，同时每个组织器官所患的病症也存在很多种可能，如肝部可能患有肝硬化、肝瘤、肝内胆管结石等。庞大的数据量、种类繁多的成像设备，再加上不同的患病部位以及不同的疾病种类，给医学影像数据的高效组织管理和精确识别带来了极大的挑战。
传统的医学影像解读主要依靠医师完成，但有一些问题需要克服，比如主观性，医师的经验和训练不同，在看医学影像时有不同方式的解读与定义；另外医师的经验不同，对同一组资料的解读有较大的差异；而且医师会疲劳，从而导致解读的错误。
传统的医学图像处理方式是由工程师们创造一套规则，其特征提取方法从图像的颜色、纹理和形状3方面来入手，但由于医学图像的多模态性、灰度上的模糊性、局部效应、不确定性等特点，传统方法无法提取到病症的有效特征。其算法根据规则对医学图像进行处理，但由于规则很难穷尽，所以对于现实中多变的情况准确率不高。
发明内容
有鉴于此，本发明提供了一种甲状腺相关性眼病医学影像数据处理装置、方法、计算机可读存储介质及终端设备，其无需人工提取特征，而是通过大数据的训练，自主从数据中学习需要的特征，能够提高数据处理的效率和精度，还可以减少由于人为操作产生的误判，从而更加适于实用。
为了达到上述第一个目的，本发明提供的甲状腺相关性眼病医学影像数据处理装置的技术方案如下：
本发明提供的甲状腺相关性眼病医学影像数据处理装置包括：
原始眼部医学影像获取模块，用于获取原始眼部医学影像，其中，所述原始眼部医学影像根据扫描方向包括水平位图、矢状位图和冠状位图；
目标区域选定模块，用于在所述原始眼部医学影像中选定左眼眶区域和右眼眶区域作为目标区域；
增强处理模块，用于针对所述目标区域进行增强处理，得到增强后的眼部医学影像；
影像集划分模块，用于将所述增强后的眼部医学影像进行划分，得到相应的眼部医学影像集，所述眼部医学影像集包括训练集；
卷积神经子网络模块，包括第一卷积神经子网络、第二卷积神经子网络和第三卷积神经子网络，其中，第一卷积神经子网络对应所述水平位图，第二卷积神经子网络对应所述矢状位图，所述第三卷积神经子网络对应所述冠状位图；
数据处理模块，在应用所述训练集中的第一卷积神经子网络、第二卷积神经子网络和第三卷积神经子网络进行系统网格训练后，具备根据再次获取的眼部医学影像输出数据处理结果的能力。
本发明提供的甲状腺相关性眼病医学影像数据处理装置还可采用以下技术措施进一步实现。
作为优选，所述眼部医学影像集还包括验证集和测试集，所述训练集、验证集和测试集中的所述增强后的眼部医学影像的数量比为4∶ 1∶1，其中，
所述验证集用于验证所述甲状腺相关性眼病医学影像数据处理装置的准确率；
所述测试集中的眼部医学影像为待测试眼部医学影像。
作为优选，所述目标区域选定模块包括：
标准眼位选定模块，用于在所述原始眼部医学影像中选定其中一只眼睛所处的区域作为标准眼位区域；
对称眼位选定模块，用于以人中为对称轴，选定与所述标准眼位区域对称的区域为对称眼位区域。
作为优选，所述增强处理模块对所述目标区域进行增强处理的方法选自旋转、平移、缩放、剪切中的一种或者几种。
作为优选，所述旋转、平移、缩放的随机区间范围为0～10％，所述剪切的随机区间范围为0～20％。
作为优选，
所述第一卷积神经子网络共有3个卷积层和池化层，2个全连接层，卷积层的卷积核数量依层数分别为32、64、128，卷积核大小为 3×3，卷积方式为SAME，全连接层的神经元个数依层数分别为1024、 512；
所述第二卷积神经子网络共有2个卷积层和池化层，1个全连接层，卷积层的卷积核数量依层数分别为32、64，卷积核大小为3×3，卷积方式为VALID，全连接层的神经元个数为1024；
所述第三卷积神经子网络共有2个卷积层和池化层，2个全连接层，卷积层的卷积核数量依层数分别为32、64，卷积核大小为5×5，卷积方式为SAME，全连接层的神经元个数依层数分别为1024、512；
所述池化层均采用2×2最大池化；
所述第一卷积神经子网络、第二卷积神经子网络和第三卷积神经子网络的最后一层为分类层，均采用Sigmoid函数来构造交叉损失函数：
其中，J(θ)标识交叉损失函数，m表示样本数量，hθ(x(i))表示实际输出，y(i)表示理想输出。
作为优选，所述数据处理模块在应用所述训练集中的第一卷积神经子网络、第二卷积神经子网络和第三卷积神经子网络进行系统网格训练的方法具体包括以下步骤：
利用反向传播策略，通过随机梯度下降法更新网络参数，超参数学习率首先设定为0.01，根据训练批次的增多动态调节学习率，其中，所述训练批次≥100。
作为优选，所述数据处理模块在应用所述训练集中的第一卷积神经子网络、第二卷积神经子网络和第三卷积神经子网络进行系统网格训练的方法还包括以下步骤：
跟踪验证集的准确率，以在训练停滞不前的时候动态调节学习率。
作为优选，所述数据处理模块还用于根据投票法对待测试眼部医学影像的水平位图、矢状位图、冠状位图进行整合后得到待输出数据处理结果。
为了达到上述第二个目的，本发明提供的甲状腺相关性眼病医学影像数据处理方法的技术方案如下：
本发明提供的甲状腺相关性眼病医学影像数据处理方法基于本发明提供的甲状腺相关性眼病医学影像数据处理装置而实现。
为了达到上述第三个目的，本发明提供的计算机可读存储介质的技术方案如下：
本发明提供的计算机可读存储介质上配置有本发明提供的甲状腺相关性眼病医学影像数据处理装置中各功能模块。
为了达到上述第四个目的，本发明提供的终端设备的技术方案如下：
本发明提供的终端设备上配置有本发明提供的甲状腺相关性眼病医学影像数据处理装置中各功能模块。
应用本发明提供的甲状腺相关性眼病医学影像数据处理装置、方法、计算机可读存储介质和终端设备对甲状腺相关性眼病医学影像数据进行处理所得的测试结果的准确率能够达到92％以上，与人工测试的结果的准确率相差无几。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明实施例提供的甲状腺相关性眼病医学影像数据处理装置的训练过程示意图。
具体实施方式
本发明为解决现有技术存在的问题，提供一种甲状腺相关性眼病医学影像数据处理装置、方法、计算机可读存储介质及终端设备，其无需人工提取特征，而是通过大数据的训练，自主从数据中学习需要的特征，能够提高数据处理的效率和精度，还可以减少由于人为操作产生的误判，从而更加适于实用。
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例，对依据本发明提出的甲状腺相关性眼病医学影像数据处理装置、计算机可读存储介质及终端设备，其具体实施方式、结构、特征及其功效，详细说明如后。在下述说明中，不同的“一实施例”或“实施例”指的不一定是同一实施例。此外，一或多个实施例中的特征、结构、或特点可由任何合适形式组合。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，具体的理解为：可以同时包含有A与B，可以单独存在A，也可以单独存在B，能够具备上述三种任一种情况。
实施例一
参见附图1，本发明实施例一提供的甲状腺相关性眼病医学影像数据处理装置包括：
原始眼部医学影像获取模块，用于获取原始眼部医学影像，其中，原始眼部医学影像根据扫描方向包括水平位图、矢状位图和冠状位图；
目标区域选定模块，用于在原始眼部医学影像中选定左眼眶区域和右眼眶区域作为目标区域；
增强处理模块，用于针对目标区域进行增强处理，得到增强后的眼部医学影像；
影像集划分模块，用于将增强后的眼部医学影像进行划分，得到相应的眼部医学影像集，眼部医学影像集包括训练集；
卷积神经子网络模块，包括第一卷积神经子网络、第二卷积神经子网络和第三卷积神经子网络，其中，第一卷积神经子网络对应水平位图，第二卷积神经子网络对应矢状位图，第三卷积神经子网络对应冠状位图；
数据处理模块，在应用训练集中的第一卷积神经子网络、第二卷积神经子网络和第三卷积神经子网络进行系统网格训练后，具备根据再次获取的眼部医学影像输出数据处理结果的能力。
应用本发明提供的甲状腺相关性眼病医学影像数据处理装置、方法、计算机可读存储介质和终端设备对甲状腺相关性眼病医学影像数据进行处理所得的测试结果的准确率能够达到92％以上，与人工测试的结果的准确率相差无几。
其中，眼部医学影像集还包括验证集和测试集，训练集、验证集和测试集中的增强后的眼部医学影像的数量比为4∶1∶1，其中，验证集用于验证甲状腺相关性眼病医学影像数据处理装置的准确率；测试集中的眼部医学影像为待测试眼部医学影像。在这种情况下，在应用训练集对本发明实施例一提供的甲状腺相关性眼病医学影像处理装置进行训练后，还能够应用验证集对该训练结果进行验证准确率，提高了本发明实施例一提供的甲状腺相关性眼病医学影像数据处理装置的测试准确率。此处，之所以训练集、验证集和测试集中的增强后的眼部医学影像的数量比为4∶1∶1，是为了尽可能保证训练集的数量，从而，经过更多的样本学习之后，本发明实施例一提供的甲状腺相关性眼病医学影像处理装置的测试能力更强。
其中，目标区域选定模块包括：标准眼位选定模块，用于在原始眼部医学影像中选定其中一只眼睛所处的区域作为标准眼位区域；对称眼位选定模块，用于以人中为对称轴，选定与标准眼位区域对称的区域为对称眼位区域。在这种情况下，能够避免由于操作误差导致的左、右眼位区域不对称。
本实施例中，增强处理模块对目标区域进行增强处理的方法选自旋转、平移、缩放、剪切中的一种或者几种。
本实施例中，旋转、平移、缩放的随机区间范围为0～10％，剪切的随机区间范围为0～20％。
本实施例中，第一卷积神经子网络共有3个卷积层和池化层，2 个全连接层，卷积层的卷积核数量依层数分别为32、64、128，卷积核大小为3×3，卷积方式为SAME，全连接层的神经元个数依层数分别为1024、512；
第二卷积神经子网络共有2个卷积层和池化层，1个全连接层，卷积层的卷积核数量依层数分别为32、64，卷积核大小为3×3，卷积方式为VALID，全连接层的神经元个数为1024；
第三卷积神经子网络共有2个卷积层和池化层，2个全连接层，卷积层的卷积核数量依层数分别为32、64，卷积核大小为5×5，卷积方式为SAME，全连接层的神经元个数依层数分别为1024、512；
池化层均采用2×2最大池化；
第一卷积神经子网络、第二卷积神经子网络和第三卷积神经子网络的最后一层为分类层，均采用Sigmoid函数来构造交叉损失函数：
其中，J(θ)标识交叉损失函数，m表示样本数量，hθ(x(i))表示实际输出，y(i)表示理想输出。
其中，数据处理模块在应用训练集中的第一卷积神经子网络、第二卷积神经子网络和第三卷积神经子网络进行系统网格训练的方法具体包括以下步骤：
利用反向传播策略，通过随机梯度下降法更新网络参数，超参数学习率首先设定为0.01，根据训练批次的增多动态调节学习率，其中，训练批次≥100。
其中，数据处理模块在应用训练集中的第一卷积神经子网络、第二卷积神经子网络和第三卷积神经子网络进行系统网格训练的方法还包括以下步骤：
跟踪验证集的准确率，以在训练停滞不前的时候动态调节学习率。
其中，数据处理模块还用于根据投票法对待测试眼部医学影像的水平位图、矢状位图、冠状位图进行整合后得到待输出数据处理结果。
为了达到上述第二个目的，本发明提供的甲状腺相关性眼病医学影像数据处理方法的技术方案如下：
本发明提供的甲状腺相关性眼病医学影像数据处理方法基于本发明提供的甲状腺相关性眼病医学影像数据处理装置而实现。
实施例三
本发明实施例三提供的计算机可读存储介质上配置有本发明提供的甲状腺相关性眼病医学影像数据处理装置中各功能模块。
实施例四
本发明实施例四提供的终端设备上配置有本发明提供的甲状腺相关性眼病医学影像数据处理装置中各功能模块。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种甲状腺相关性眼病医学影像数据处理装置，其特征在于，包括：
原始眼部医学影像获取模块，用于获取原始眼部医学影像，其中，所述原始眼部医学影像根据扫描方向包括水平位图、矢状位图和冠状位图；
目标区域选定模块，用于在所述原始眼部医学影像中选定左眼眶区域和右眼眶区域作为目标区域；
增强处理模块，用于针对所述目标区域进行增强处理，得到增强后的眼部医学影像；
影像集划分模块，用于将所述增强后的眼部医学影像进行划分，得到相应的眼部医学影像集，所述眼部医学影像集包括训练集；
卷积神经子网络模块，包括第一卷积神经子网络、第二卷积神经子网络和第三卷积神经子网络，其中，第一卷积神经子网络对应所述水平位图，第二卷积神经子网络对应所述矢状位图，所述第三卷积神经子网络对应所述冠状位图；
数据处理模块，在应用所述训练集中的第一卷积神经子网络、第二卷积神经子网络和第三卷积神经子网络进行系统网格训练后，具备根据再次获取的眼部医学影像输出数据处理结果的能力。
2.根据权利要求1所述的甲状腺相关性眼病医学影像数据处理装置，其特征在于，所述眼部医学影像集还包括验证集和测试集，所述训练集、验证集和测试集中的所述增强后的眼部医学影像的数量比为4∶1∶1，其中，
所述验证集用于验证所述甲状腺相关性眼病医学影像数据处理装置的准确率；
所述测试集中的眼部医学影像为待测试眼部医学影像。
3.根据权利要求1所述的甲状腺相关性眼病医学影像数据处理装置，其特征在于，所述目标区域选定模块包括：
标准眼位选定模块，用于在所述原始眼部医学影像中选定其中一只眼睛所处的区域作为标准眼位区域；
对称眼位选定模块，用于以人中为对称轴，选定与所述标准眼位区域对称的区域为对称眼位区域。
4.根据权利要求1所述甲状腺相关性眼病医学影像数据处理装置，其特征在于，所述增强处理模块对所述目标区域进行增强处理的方法选自旋转、平移、缩放、剪切中的一种或者几种。
5.根据权利要求4所述的甲状腺相关性眼病医学影像数据处理装置，其特征在于，所述旋转、平移、缩放的随机区间范围为0～10％，所述剪切的随机区间范围为0～20％。
6.根据权利要求1所述的甲状腺相关性眼病医学影像数据处理装置，其特征在于，
所述第一卷积神经子网络共有3个卷积层和池化层，2个全连接层，卷积层的卷积核数量依层数分别为32、64、128，卷积核大小为3×3，卷积方式为SAME，全连接层的神经元个数依层数分别为1024、512；
所述第二卷积神经子网络共有2个卷积层和池化层，1个全连接层，卷积层的卷积核数量依层数分别为32、64，卷积核大小为3×3，卷积方式为VALID，全连接层的神经元个数为1024；
所述第三卷积神经子网络共有2个卷积层和池化层，2个全连接层，卷积层的卷积核数量依层数分别为32、64，卷积核大小为5×5，卷积方式为SAME，全连接层的神经元个数依层数分别为1024、512；
所述池化层均采用2×2最大池化；
所述第一卷积神经子网络、第二卷积神经子网络和第三卷积神经子网络的最后一层为分类层，均采用Sigmoid函数来构造交叉损失函数：
其中，J(θ)标识交叉损失函数，m表示样本数量，hθ(x(i))表示实际输出，y(i)表示理想输出。
7.根据权利要求2所述的甲状腺相关性眼病医学影像数据处理装置，其特征在于，所述数据处理模块在应用所述训练集中的第一卷积神经子网络、第二卷积神经子网络和第三卷积神经子网络进行系统网格训练的方法具体包括以下步骤：
利用反向传播策略，通过随机梯度下降法更新网络参数，超参数学习率首先设定为0.01，根据训练批次的增多动态调节学习率，其中，所述训练批次≥100；
作为优选，所述数据处理模块在应用所述训练集中的第一卷积神经子网络、第二卷积神经子网络和第三卷积神经子网络进行系统网格训练的方法还包括以下步骤：
跟踪验证集的准确率，以在训练停滞不前的时候动态调节学习率；
作为优选，所述数据处理模块还用于根据投票法对待测试眼部医学影像的水平位图、矢状位图、冠状位图进行整合后得到待输出数据处理结果。
8.一种甲状腺相关性眼病医学影像数据处理方法，其特征在于，所述甲状腺相关性眼病医学影像数据处理方法基于权利要求1-7中任一所述的甲状腺相关性眼病医学影像数据处理装置而实现。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上配置有权利要求1-7中任一所述的甲状腺相关性眼病医学影像数据处理装置中各功能模块。
10.一种终端设备，其特征在于，所述终端设备上配置有权利要求1-7中任一所述的甲状腺相关性眼病医学影像数据处理装置中各功能模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810411596.2A CN108596900B (zh) | 2018-05-02 | 2018-05-02 | 甲状腺相关性眼病医学影像数据处理装置、方法、计算机可读存储介质及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810411596.2A CN108596900B (zh) | 2018-05-02 | 2018-05-02 | 甲状腺相关性眼病医学影像数据处理装置、方法、计算机可读存储介质及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108596900A true CN108596900A (zh) | 2018-09-28 |
| CN108596900B CN108596900B (zh) | 2021-11-30 |
Family
ID=63620571
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810411596.2A Active CN108596900B (zh) | 2018-05-02 | 2018-05-02 | 甲状腺相关性眼病医学影像数据处理装置、方法、计算机可读存储介质及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108596900B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109543728A (zh) * | 2018-11-07 | 2019-03-29 | 湖北工业大学 | 一种基于迁移学习的甲状腺相关性眼病检测方法 |
| CN112434756A (zh) * | 2020-12-15 | 2021-03-02 | 杭州依图医疗技术有限公司 | 医学数据的训练方法、处理方法、装置及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170116497A1 (en) * | 2015-09-16 | 2017-04-27 | Siemens Healthcare Gmbh | Intelligent Multi-scale Medical Image Landmark Detection |
| CN106777953A (zh) * | 2016-12-09 | 2017-05-31 | 江西中科九峰智慧医疗科技有限公司 | 医学影像数据的分析方法及系统 |
| CN107045720A (zh) * | 2017-05-04 | 2017-08-15 | 深圳硅基智能科技有限公司 | 用于识别眼底图像病变的人工神经网络及系统 |
-
2018
- 2018-05-02 CN CN201810411596.2A patent/CN108596900B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170116497A1 (en) * | 2015-09-16 | 2017-04-27 | Siemens Healthcare Gmbh | Intelligent Multi-scale Medical Image Landmark Detection |
| CN106777953A (zh) * | 2016-12-09 | 2017-05-31 | 江西中科九峰智慧医疗科技有限公司 | 医学影像数据的分析方法及系统 |
| CN107045720A (zh) * | 2017-05-04 | 2017-08-15 | 深圳硅基智能科技有限公司 | 用于识别眼底图像病变的人工神经网络及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109543728A (zh) * | 2018-11-07 | 2019-03-29 | 湖北工业大学 | 一种基于迁移学习的甲状腺相关性眼病检测方法 |
| CN112434756A (zh) * | 2020-12-15 | 2021-03-02 | 杭州依图医疗技术有限公司 | 医学数据的训练方法、处理方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108596900B (zh) | 2021-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rouet et al. | Genetic algorithms for a robust 3-D MR-CT registration | |
| CN107909622B (zh) | 模型生成方法、医学成像的扫描规划方法及医学成像系统 | |
| Segars et al. | 4D XCAT phantom for multimodality imaging research | |
| CN111402228A (zh) | 图像检测方法、装置和计算机可读存储介质 | |
| CN107590809A (zh) | 肺分割方法及医学成像系统 | |
| CN111047594A (zh) | 肿瘤mri弱监督学习分析建模方法及其模型 | |
| CN107492097A (zh) | 一种识别mri图像感兴趣区域的方法及装置 | |
| CN110459301A (zh) | 基于热力图和面部关键点的脑部神经外科导航配准方法 | |
| Pluim et al. | The truth is hard to make: Validation of medical image registration | |
| CN111932492B (zh) | 一种医学图像处理方法、装置及计算机可读存储介质 | |
| CN103020976B (zh) | 一种基于带权模糊互信息的三维医学图像配准方法及系统 | |
| Kamiya | Deep learning technique for musculoskeletal analysis | |
| Lv et al. | Automatic segmentation of temporal bone structures from clinical conventional CT using a CNN approach | |
| Zhang et al. | 3D reconstruction for super-resolution CT images in the Internet of health things using deep learning | |
| CN108324244A (zh) | 用于ai+mri影像辅助诊断的自动增广训练样本的构建方法及系统 | |
| Abreu de Souza et al. | 3d multi-modality medical imaging: Combining anatomical and infrared thermal images for 3d reconstruction | |
| CN106127783A (zh) | 一种基于深度学习的医疗影像识别系统 | |
| AlZu'bi et al. | Transferable HMM probability matrices in multi‐orientation geometric medical volumes segmentation | |
| CN103116626A (zh) | 一种医学影像的匹配方法 | |
| CN108596900A (zh) | 甲状腺相关性眼病医学影像数据处理装置、方法、计算机可读存储介质及终端设备 | |
| Badano et al. | The stochastic digital human is now enrolling for in silico imaging trials—methods and tools for generating digital cohorts | |
| CN118279361A (zh) | 基于无监督深度学习和模态转换的多模态医学图像配准方法 | |
| Antico et al. | Deep learning for US image quality assessment based on femoral cartilage boundary detection in autonomous knee arthroscopy | |
| Gao et al. | 3DSRNet: 3D Spine Reconstruction Network Using 2D Orthogonal X-ray Images Based on Deep Learning | |
| CN117911432A (zh) | 图像分割方法、装置及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |