CN109933680A - 图像数据筛选方法、装置、计算机设备及其存储介质 - Google Patents
图像数据筛选方法、装置、计算机设备及其存储介质 Download PDFInfo
- Publication number
- CN109933680A CN109933680A CN201910209244.3A CN201910209244A CN109933680A CN 109933680 A CN109933680 A CN 109933680A CN 201910209244 A CN201910209244 A CN 201910209244A CN 109933680 A CN109933680 A CN 109933680A
- Authority
- CN
- China
- Prior art keywords
- image data
- valuable
- image
- model
- similarity
- 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.)
- Pending
Links
Abstract
本发明公开了一种图像数据筛选方法、装置、计算机设备及其存储介质。其中,本发明提供的图像数据筛选方法通过获取第一图像数据,计算所述第一图像数据与预设图像数据的相似度,当所述第一图像数据与所述预设图像数据的相似度达到预设值时,将达到预设值的所述第一图像数据输入AI模型进行计算,以得到所述第一图像数据的有价值的图像数据,将所述有价值的图像数据作为第二图像数据,从而可以筛选出有价值的图像数据来作为AI模型的诊断依据。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种图像数据筛选方法、装置、计算机设备及其存储介质。
背景技术
基于大数据来训练和测试,从而初步得到AI诊断模型后,需要进一步以新的临床影像数据来优化AI模型。这就要求我们从新数据中筛选出有质量、有价值的数据,才能够最有效率地提高AI模型的诊断能力,同时避免数据冗余造成AI模型效率过低等负面影响。新数据的质量是指新数据的图像纹理、对比度、噪声等指标与数据库中的数据相似;新数据的价值是指AI模型当前难以识别,而将新数据加入训练组后将极大提高AI超声诊断模型的识别能力。
因此,我们在采集数据时,必须要首先考虑数据的质量。通过AI模型进行图像数据的诊断需要采用高质量及有价值的数据进行诊断,当AI模型采集的数据将出现系统性的误差或异常,这显然不能直接采用AI模型来进行诊断,因此,需要将图像数据的质量与价值进行图像数据筛选,从而形成优化数据集来作为AI模型的诊断依据。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的第一个目的在于提出一种图像数据筛选方法。
本发明的第二个目的在于提出一种图像数据筛选装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种计算机存储介质。
为实现上述目的,第一方面,根据本发明实施例的图像数据筛选方法,包括:
获取第一图像数据;
计算所述第一图像数据与预设图像数据的相似度;
当所述第一图像数据与所述预设图像数据的相似度达到预设值时,将达到预设值的所述第一图像数据输入AI模型进行计算,以得到所述第一图像数据的有价值的图像数据;
将所述有价值的图像数据作为第二图像数据。
第二方面,根据本发明实施例的图像数据筛选装置,包括:
获取模块,用于获取第一图像数据;
第一计算模块,用于计算所述第一图像数据与预设图像数据的相似度;
第二计算模块,用于当所述第一图像数据与所述预设图像数据的相似度达到预设值时,将达到预设值的所述第一图像数据输入AI模型进行计算,以得到所述第一图像数据的有价值的图像数据;
第一确定模块,用于将所述有价值的图像数据作为第二图像数据。
第三方面,根据本发明实施例图像数据筛选装置,所述装置还包括:
第三计算模块,用于计算检测设备已采集图像数据的性能指标;
对比模块,用于将所述已采集图像数据的性能指标与正常图像的性能指标进行对比,判断所述检测设备是否异常;
第二确定模块,用于在所述检测设备正常的情况下,以通过所述检测设备获取待采集的图像数据。
第三方面,根据本发明实施例的一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的图像数据筛选方法。
第四方面,根据本发明实施例的一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的图像数据筛选方法。
本发明提供的图像数据筛选方法通过获取第一图像数据,计算所述第一图像数据与预设图像数据的相似度,当所述第一图像数据与所述预设图像数据的相似度达到预设值时,将达到预设值的所述第一图像数据输入AI模型进行计算,以得到所述第一图像数据的有价值的图像数据,将所述有价值的图像数据作为第二图像数据,从而可以筛选出有价值的图像数据来作为AI模型的诊断依据。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1是本发明图像数据筛选方法实施例中提供的应用场景图;
图2是本发明图像数据筛选方法实施例中提供的步骤流程图;
图3是本发明图像数据筛选方法实施例中提供的另一应用场景图;
图4是本发明图像数据筛选方法实施例中提供的步骤S40的步骤流程图;
图5是本发明图像数据筛选装置实施例中提供的结构示意图;
图6是本发明图像数据筛选装置实施例中提供的另一结构示意图;
图7是本发明实施例中提供的计算机设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
请参考图1,图1是本发明实施例提供的检测设备与服务器的结构图,如图1所示,包括:检测设备101和服务器102,其中,检测设备可以是超声影像设备、腔内诊断设备、X射线手术影像设备等等;服务器101可以是计算机、手机、平板电脑等等。检测设备101可以向服务器102发送已采集的图像数据,而服务器102可以对检测设备101发送的图像数据进行检测,当检测为正常时,则可以确定检测设备101能够重新采集图像数据,若检测为不正常时,则服务器102可以不采用检测设备101进行采集图像数据。另外,服务器102可以是云端或服务端等。
参照图2所示,图2示出了本发明实施例提供的图像数据筛选方法一个实施例的流程图,为了便于描述,仅示出了与本发明实施例相关的部分。一种图像数据筛选方法,包括:
S10、获取第一图像数据。
其中,第一图像数据可以是超声检测设备所采集的待检测图像数据,待检测的数据中包括各项性能指标,比如半高宽、包络线面、信噪比及相对熵等指标,由上述的指标可以判断第一图像数据是否正常。
S20、计算第一图像数据与预设图像数据的相似度。
其中,在本发明的实施例中,预设图像数据可以是高质量的图像数据,将第一图像数据与高质量的图像数据进行相似检索,从而计算出第一图像数据和预设图像数据的相似度。
S30、当第一图像数据与预设图像数据的相似度达到预设值时,将达到预设值的第一图像数据输入AI模型进行计算,以得到第一图像数据的有价值的图像数据。
其中,在本发明的实施例中,可以基于大量高质量的图像数据的基础上,利用哈希算法来进行计算第一图像数据和预设图像数据的相似度,如果第一图像数据中存在与高质量的图像数据相似度大于0.9的图像,则将第一图像数据中确定的高质量图像数据输入AI模型进行计算,从而得到第一图像数据中的有价值数据。
S40、将有价值的图像数据作为第二图像数据。
其中,在本发明的实施例中,第二图像数据可以是用于临床诊断的图像数据,也可以用于优化并验证AI模型,在上述过程中确定的有价值的图像数据作为临床诊断的图像数据或优化AI模型,可以高效率地扩充数据库以及筛选出更有价值的图像数据。
可选的,上述步骤S10获取第一图像数据的步骤之前包括:
步骤一,计算检测设备已采集图像数据的性能指标;
步骤二,将已采集图像数据的性能指标与正常图像的性能指标进行对比,判断检测设备是否异常;
步骤三,在检测设备正常的情况下,以通过检测设备获取待采集的图像数据。
其中,在本发明的实施例中,上述的检测设备可以是超声检测设备,当医院的超声检测设备存在异常时,在进行图像数据采集时容易产生误差,因此可以将超声检测设备已采集的图像数据进行性能指标检测,比如将已采集的图像数据与正常的图像数据进行对比,可以判断出超声检测设备是否出现故障,并且对出现故障导致的不正常图像能够进行有效的区分。
例如上述的不正常的图像数据可以是:满幅度的刺纹干扰图像、若干条对称分布的暗道图像、有白色竖线图像、有若干条黑色暗线区图像、有固定空白区的图像、存在噪声干扰的图像、清晰度变差远场信号更差的图像、部分无反射波灵敏度低的图像、有缺损图像、出现复影的图像等。
当超声检测设备已采集的图像数据,没有出现上述的不正常图像时,则可以确定超声检测设备正常,可以将该超声检测设备用于采集新的图像数据。
参照图3所示,图3是本发明实施例提供的应用场景图,其中,上述步骤S20计算第一图像数据与预设图像数据的相似度包括:
步骤一,将第一图像数据和预设图像数据分别导入卷积层进行特征提取;
步骤二,将卷积层进行特征提取的两种图像数据导入池化层进行二次特征提取;
步骤三,基于卷积层与池化层的多层次连接,将两种图像数据进行多次特征提取,并将提取的特征结果通过哈希算法进行相似度计算。
在本发明的实施例中,可以采用卷积神经网络算法将第一图像数据和预设图像数据进行特征提取,首先输入图像数据,并采用正则表达式来对图像数据中的特征序列进行特征处理,然后导入卷积神经网络算法中进行多次特征提取,基于卷积层和池化层的多层次连接,可以最大程度将第一图像数据和预设图像数据中的特征提取出来,并进行相似度计算,其中,本实施例中可以是采用哈希算法进行相似度计算,哈希算法可以将图像数据中的每一张图像都转化成一串0~1的编码,从而进行相似度计算。
可选的,上述步骤S30当第一图像数据与预设图像数据的相似度达到预设值时,将达到预设值的第一图像数据输入AI模型进行计算,以得到第一图像数据的有价值图像数据包括:
步骤一,当第一图像数据与预设图像数据的相似度达到预设值时,采用AI模型将第一图像数据的每个图像进行分类。
在本发明的实施例中,通过AI模型将每个图像分类,从而可以将每个图像的价值进行区分,并能够对每个图像进行保留或删除作出选择。
步骤二,将每个图像与预设图像数据进行临界值计算。
在本发明的实施例中,临界值可以是第一图像数据中的每个图像与预设图像数据的差异,比如像素差异、位置差异等等,计算出第一图像数据中的每个图像与预设图像数据的临界值,以确定哪些图像数据为有价值的图像数据。
步骤三,根据每个图像与预设图像数据进行临界值与预设临界值进行对比。
在本发明的实施例中,预设临界值可以是一个确定的临界值P,在计算出每个图像的临界值之后,与预设临界值P进行对比,从而可以用于判断该图像是否有价值。
步骤四,当临界值大于预设临界值时,则排除图像;
步骤五,当临界值小于预设临界值时,则确定图像为有价值的图像数据。
在本发明的实施例中,当某一张图像的临界值大于预设临界值P时,则表示该图像与预设图像的差异性较大,也就作为无价值的图像数据排除,当当某一张图像的临界值小于预设临界值P时,则表示该图像与预设图像的差异性较小,也就确定为有价值的图像数据。
在本发明的其它一些实施例中,还可以是通过AI模型对每个图像进行识别,当计算的临界值大于预设临界值时,表示AI模型能够识别该图像,则作为无价值的数据进行排除,当计算的临界值小于预设临界值时,表示AI模型不能够识别该图像,则作为有价值的数据进行选择。
参照图4所示,上述步骤S40将有价值的图像数据作为第二图像数据包括:
S401,将有价值的图像数据输入信息熵中进行计算,得到计算结果。
在本发明的实施例中,将有价值的图像数据输入信息熵公式中进行计算,其中,信息熵的公式可以是H(X)=-∑x∈xP(x)logP(x),其中,X表示图像数据的结果类型,P(x)表示图像数据结果的概率,通过上述信息熵公式计算有价值的的图像数据,从而以信息熵来表示有价值图像数据的信息价值。其中,图像数据的价值可以是从图像数据中病种的多样性或部位的多样性进行判断,通过信息熵可以计算有价值图像数据中病种的概率或部位的概率,当计算出某一个病种或某一个部位出现的概率更高时,则该图像数据的信息价值则更高。
S402,根据计算结果将有价值的图像数据进行排列。
在本发明的实施例中,可以理解的是,信息熵的计算结果可以表示有价值图像数据中其中一种类型的图像数据出现的概率,将计算结果按照从大到小进行排序,从而确定有价值图像数据中最有价值的图像数据,例如,有价值图像数据中包括乳腺癌、转移癌、淋巴瘤等,通过信息熵计算出淋巴瘤出现的概率大于乳腺癌和转移癌,那么则可以理解为淋巴瘤的图像数据是最有价值的图像数据。
S403,将信息熵最大的图像数据作为第二图像数据。
在本发明的实施例中,将排序好的信息熵结果中选择信息熵最大的图像数据作为第二图像数据,可以理解的是,第二图像数据可以是最有价值的图像数据,信息熵最大表示该图像数据的概率最大,则提供给AI模型可以提高AI模型的诊断能力。
S404,将第二图像数据分成训练组数据及测试组数据。
在本发明的实施例中,为了能够将最有价值的图像数据作为优化AI模型的图像数据,可以将第二图像数据分成训练组数据和测试组数据,以供优化AI模型,比如,第二图像数据有100,则分成的训练组数据和测试组数据的比例可以是75:25。
S405,将训练组数据输入第一AI模型中进行训练,以得到第二AI模型。
在本发明的实施例中,可以将上述比例中的训练组数据输入第一AI模型进行训练,第一AI模型可以是当前时间之前所训练的AI模型,将第二图像数据中选择的训练组数据输入第一AI模型中训练,从而得到第二AI模型,第二AI模型可以是第二图像数据中的训练组数据进行训练之后的AI模型,可以及时更新最有价值的图像数据,以优化第二AI模型的效果。
S406,通过测试组数据测试第二AI模型,以判断第二AI模型的优化效果。
在本发明的实施例中,为了判断第二AI模型的优化效果,通过上述测试组数据进行测试第二AI模型,可以理解的是,通过测试组数据反复对第二AI模型进行测试,从而判断出第二AI模型的优化效果,以便将第二AI模型输入检测设备作为临床诊断疾病的依据。
参照图5所示,本发明还提供了一种图像数据筛选装置50,包括:
获取模块501,用于获取第一图像数据;
第一计算模块502,用于计算第一图像数据与预设图像数据的相似度;
第二计算模块503,用于当第一图像数据与预设图像数据的相似度达到预设值时,将达到预设值的第一图像数据输入AI模型进行计算,以得到第一图像数据的有价值的图像数据;
第一确定模块504,用于将有价值的图像数据作为第二图像数据。
参照图6所示,根据上述的图像数据筛选装置50,上述装置还包括:
第三计算模块505,用于计算检测设备已采集图像数据的性能指标;
对比模块506,用于将已采集图像数据的性能指标与正常图像的性能指标进行对比,判断检测设备是否异常;
第二确定模块507,用于在检测设备正常的情况下,以通过检测设备获取待采集的图像数据。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置或系统类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
参照图7所示,图示出了本发明实施例提供的计算机设备实施例的结构示意图,为了便于描述,仅示出了与本发明实施例相关的部分。具体的,该计算机设备700包括存储器702、处理器701以及存储在所述存储器702中并可在所述处理器701上运行的计算机程序,所述处理器701执行所述计算机程序时实现如上述实施例所述方法的步骤,例如图2所示的S10至S40的步骤、或者,所述处理器701执行所述计算机程序时实现上述实施例所述装置中的各模块/单元的功能,例如图5和图6所示模块501至507的功能。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器702中,并由所述处理器701执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述计算机设备700中的执行过程。例如,所述计算机程序可以被分割成获取模块501、第一计算模块502、第二计算模块503及第一确定模块504。
获取模块501,用于获取第一图像数据;
第一计算模块502,用于计算第一图像数据与预设图像数据的相似度;
第二计算模块503,用于当第一图像数据与预设图像数据的相似度达到预设值时,将达到预设值的第一图像数据输入AI模型进行计算,以得到第一图像数据的有价值的图像数据;
第一确定模块504,用于将有价值的图像数据作为第二图像数据。
所述计算机设备700可包括,但不仅限于处理器701、存储器702。本领域技术人员可以理解,图仅仅是计算机设备700的示例,并不构成对计算机设备700的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述计算机设备700还可以包括输入输出设备、网络接入设备、总线等。
所称处理器701可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器701、数字信号处理器701(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立预设硬件组件等。通用处理器701可以是微处理器701或者该处理器701也可以是任何常规的处理器701等。
所述存储器702可以是所述计算机设备700的内部存储单元,例如计算机设备700的硬盘或内存。所述存储器702也可以是所述计算机设备700的外部存储设备,例如所述计算机设备700上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器702还可以既包括所述计算机设备700的内部存储单元也包括外部存储设备。所述存储器702用于存储所述计算机程序以及所述计算机设备700所需的其他程序和数据。所述存储器702还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器701执行时实现如上述实施例中所述方法中的步骤,例如图2所示的步骤S10至步骤S40。或者,所述计算机程序被处理器701执行时实现上述实施例中所述装置中的各模块/单元的功能。
所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器701执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本发明实施例系统中的模块或单元可以根据实际需要进行合并、划分和删减。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子预设硬件、或者计算机软件和电子预设硬件的结合来实现。这些功能究竟以预设硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
本发明所提供的实施例中,应该理解到,所揭露的装置/计算机设备700和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备700实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
以上所述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精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像数据筛选方法,其特征在于,包括:
获取第一图像数据;
计算所述第一图像数据与预设图像数据的相似度;
当所述第一图像数据与所述预设图像数据的相似度达到预设值时,将达到预设值的所述第一图像数据输入AI模型进行计算,以得到所述第一图像数据的有价值的图像数据;
将所述有价值的图像数据作为第二图像数据。
2.根据权利要求1所述的图像数据筛选方法,其特征在于,所述获取第一图像数据的步骤之前包括:
计算检测设备已采集图像数据的性能指标;
将所述已采集图像数据的性能指标与正常图像的性能指标进行对比,判断所述检测设备是否异常;
在所述检测设备正常的情况下,以通过所述检测设备获取待采集的图像数据。
3.根据权利要求1所述的图像数据筛选方法,其特征在于,所述计算所述第一图像数据与预设图像数据的相似度的步骤包括:
将所述第一图像数据和所述预设图像数据分别导入卷积层进行特征提取;
将所述卷积层进行特征提取的两种图像数据导入池化层进行二次特征提取;
基于卷积层与池化层的多层次连接,将两种所述图像数据进行多次特征提取,并将提取的特征结果通过哈希算法进行相似度计算。
4.根据权利要求1所述的图像数据筛选方法,其特征在于,所述当所述第一图像数据与所述预设图像数据的相似度达到预设值时,将达到预设值的所述第一图像数据输入AI模型进行计算,以得到所述第一图像数据的有价值图像数据的步骤包括:
当所述第一图像数据与所述预设图像数据的相似度达到预设值时,采用AI模型将所述第一图像数据的每个图像进行分类;
计算每个所述图像与预设图像数据的临界值;
将每个所述图像与预设图像数据的临界值与预设临界值进行对比;
当所述临界值大于所述预设临界值时,则排除所述图像;
当所述临界值小于所述预设临界值时,则确定所述图像为有价值的图像数据。
5.根据权利要求4所述的图像数据筛选方法,其特征在于,所述将所述有价值的图像数据作为第二图像数据的步骤包括:
将所述有价值的图像数据输入信息熵中进行计算,得到计算结果;
根据所述计算结果将所述有价值的图像数据进行排列;
将所述信息熵最大的图像数据作为第二图像数据。
6.根据权利要求1所述的图像数据筛选方法,其特征在于,所述根据信息熵最大的图像数据作为第二图像数据之后包括:
将所述第二图像数据分成训练组数据及测试组数据;
将所述训练组数据输入第一AI模型中进行训练,以得到第二AI模型;
通过所述测试组数据测试所述第二AI模型,以判断所述第二AI模型的优化效果。
7.一种图像数据筛选装置,其特征在于,包括:
获取单元,用于获取第一图像数据;
第一计算单元,用于计算所述第一图像数据与预设图像数据的相似度;
第二计算单元,用于当所述第一图像数据与所述预设图像数据的相似度达到预设值时,将达到预设值的所述第一图像数据输入AI模型进行计算,以得到所述第一图像数据的有价值的图像数据;
第一确定单元,用于将所述有价值的图像数据作为第二图像数据。
8.根据权利要求7所述的图像数据筛选装置,其特征在于,所述装置还包括:
第三计算单元,用于计算检测设备已采集图像数据的性能指标;
对比单元,用于将所述已采集图像数据的性能指标与正常图像的性能指标进行对比,判断所述检测设备是否异常;
第二确定单元,用于在所述检测设备正常的情况下,以通过所述检测设备获取待采集的图像数据。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任意一项所述的图像数据筛选方法。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至6任意一项所述的图像数据筛选方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910209244.3A CN109933680A (zh) | 2019-03-19 | 2019-03-19 | 图像数据筛选方法、装置、计算机设备及其存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910209244.3A CN109933680A (zh) | 2019-03-19 | 2019-03-19 | 图像数据筛选方法、装置、计算机设备及其存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109933680A true CN109933680A (zh) | 2019-06-25 |
Family
ID=66987648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910209244.3A Pending CN109933680A (zh) | 2019-03-19 | 2019-03-19 | 图像数据筛选方法、装置、计算机设备及其存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109933680A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334693A (zh) * | 2019-07-17 | 2019-10-15 | 中国电子科技集团公司第五十四研究所 | 一种面向深度学习的遥感图像目标样本生成方法 |
CN113592649A (zh) * | 2021-07-28 | 2021-11-02 | 北京易华录信息技术股份有限公司 | 一种数据资产价值确定方法、装置及电子设备 |
CN113808137A (zh) * | 2021-11-19 | 2021-12-17 | 武汉楚精灵医疗科技有限公司 | 上消化道内镜影像图的筛选方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160104058A1 (en) * | 2014-10-09 | 2016-04-14 | Microsoft Technology Licensing, Llc | Generic object detection in images |
CN107516105A (zh) * | 2017-07-20 | 2017-12-26 | 阿里巴巴集团控股有限公司 | 图像处理方法及装置 |
CN107944458A (zh) * | 2017-12-08 | 2018-04-20 | 北京维大成科技有限公司 | 一种基于卷积神经网络的图像识别方法和装置 |
CN108171272A (zh) * | 2018-01-12 | 2018-06-15 | 上海东软医疗科技有限公司 | 一种医学影像技术的评价方法和装置 |
CN108921023A (zh) * | 2018-05-31 | 2018-11-30 | 上海依图网络科技有限公司 | 一种确定低质量人像数据的方法及装置 |
-
2019
- 2019-03-19 CN CN201910209244.3A patent/CN109933680A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160104058A1 (en) * | 2014-10-09 | 2016-04-14 | Microsoft Technology Licensing, Llc | Generic object detection in images |
CN107516105A (zh) * | 2017-07-20 | 2017-12-26 | 阿里巴巴集团控股有限公司 | 图像处理方法及装置 |
CN107944458A (zh) * | 2017-12-08 | 2018-04-20 | 北京维大成科技有限公司 | 一种基于卷积神经网络的图像识别方法和装置 |
CN108171272A (zh) * | 2018-01-12 | 2018-06-15 | 上海东软医疗科技有限公司 | 一种医学影像技术的评价方法和装置 |
CN108921023A (zh) * | 2018-05-31 | 2018-11-30 | 上海依图网络科技有限公司 | 一种确定低质量人像数据的方法及装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334693A (zh) * | 2019-07-17 | 2019-10-15 | 中国电子科技集团公司第五十四研究所 | 一种面向深度学习的遥感图像目标样本生成方法 |
CN113592649A (zh) * | 2021-07-28 | 2021-11-02 | 北京易华录信息技术股份有限公司 | 一种数据资产价值确定方法、装置及电子设备 |
CN113808137A (zh) * | 2021-11-19 | 2021-12-17 | 武汉楚精灵医疗科技有限公司 | 上消化道内镜影像图的筛选方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446730B (zh) | 一种基于深度学习的ct肺结节检测装置 | |
US20210210177A1 (en) | System and method for fusing clinical and image features for computer-aided diagnosis | |
CN108389201B (zh) | 基于3d卷积神经网络与深度学习的肺结节良恶性分类方法 | |
CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
CN110506278A (zh) | 隐空间中的目标检测 | |
US20180260954A1 (en) | Method and apparatus for providing medical information service on basis of disease model | |
CN109933680A (zh) | 图像数据筛选方法、装置、计算机设备及其存储介质 | |
US20220383661A1 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
CN108986115A (zh) | 医学图像分割方法、装置及智能终端 | |
CN112802046A (zh) | 基于深度学习从多序列mr中生成伪ct的影像生成系统 | |
CN115272295A (zh) | 基于时域-空域联合状态的动态脑功能网络分析方法及系统 | |
Manikandan et al. | Segmentation and Detection of Pneumothorax using Deep Learning | |
CN112690802B (zh) | 一种检测心电信号的方法、装置、终端及存储介质 | |
WO2023198224A1 (zh) | 一种精神障碍类磁共振图像初步筛查模型构建方法 | |
CN113139627B (zh) | 纵隔肿物识别方法、系统及装置 | |
CN113283465B (zh) | 一种弥散张量成像数据分析方法及装置 | |
Wu et al. | Multi-Scale Multi-View Model Based on Ensemble Attention for Benign-Malignant Lung Nodule Classification on Chest CT | |
CN116416452A (zh) | 基于二阶段深度学习模型的肺腺癌浸润性智能分类系统 | |
CN109377477A (zh) | 一种图像分类的方法、装置及计算机可读存储介质 | |
CN108090483B (zh) | 乳腺肿块候选区的检测方法及装置 | |
CN110390671A (zh) | 一种乳腺钙化检出的方法及装置 | |
CN109711467A (zh) | 数据处理装置及方法、计算机系统 | |
CN115424724B (zh) | 一种多模态图森林的肺癌淋巴结转移辅助诊断系统 | |
TWI768483B (zh) | 用於識別腦白質高信號之方法及裝置 | |
CN114972296B (zh) | 一种基于肺图的高分辨ct图像分析方法、设备及系统 |
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 |