CN110189323A - 一种基于半监督学习的乳腺超声图像病灶分割方法 - Google Patents
一种基于半监督学习的乳腺超声图像病灶分割方法 Download PDFInfo
- Publication number
- CN110189323A CN110189323A CN201910485090.0A CN201910485090A CN110189323A CN 110189323 A CN110189323 A CN 110189323A CN 201910485090 A CN201910485090 A CN 201910485090A CN 110189323 A CN110189323 A CN 110189323A
- Authority
- CN
- China
- Prior art keywords
- ultrasound image
- breast ultrasound
- neural network
- breast
- image set
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30068—Mammography; Breast
-
- 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
- G06T2207/30096—Tumor; Lesion
Abstract
本发明公开了一种基于半监督学习的乳腺超声图像病灶分割方法,所述方法包括:构建神经网络模型;将待分割的乳腺超声图像输入所述神经网络模型,通过所述神经网络模型对所述乳腺超声图像进行标签以得到携带病灶标记的超声图像。本发明通过采用部分有标签的乳腺超声图像和部分无标签的乳腺超声图像作为样本数据,并基于EM算法构成神经网络模型,通过神经网络模型对乳腺超声图像进行分割,这样一方面减少了样本数据中的标注数据,减少了医生的工作量,另一方面通过EM算法进行反复迭代直到所有样本数据都得到很好的分割效果,从而提高了病灶分割的准确性。
Description
技术领域
本发明涉及智能终端技术领域,特别涉及一种基于半监督学习的乳腺超声图像病灶分割方法。
背景技术
乳腺癌筛查的方法包括临床乳腺检查、乳腺X线摄影、乳腺超声及乳腺磁共振成像等,各种方法的检出效能不一。其中,乳腺超声作为一种常见的诊断方式,其价格较低、适用病人范围更加普遍、对人体没有伤害,且超声图像能够较好地反映出致密性乳腺肿瘤的分布,在乳腺肿瘤筛查和诊断方面应用广泛。
临床应用中,采用机器学习的方法对乳腺全容积超声图像进行病灶分割,所述机器学习需要提取大量的图像特征,并基于提取到的图像特征进行学习,这样一方面需要大量的前期工作,另一方面不能将乳腺超声图像分割出普遍很好的效果。为了解决上述问题,深度学习方法被应用到超声图像病灶分割中,而现有的深度学习的技术需要获取大量医生手动标注的超声图像,并且医学数据的标注又需要专业经验非常深厚的医生,从而增量了医生的工作量且需要花费大量时间。
发明内容
本发明要解决的技术问题在于,针对现有技术的不足,提供一种基于半监督学习的乳腺超声图像病灶分割方法,以解决现有采用深度学习方法存在的需要大量已标注的高质量数据的问题。
为了解决上述技术问题,本发明所采用的技术方案如下:
一种基于半监督学习的乳腺超声图像病灶分割方法,其包括:
构建神经网络模型,其中,所述神经网络模型的训练样本包括有标签的第一乳腺超声图像集及无标签的第二乳腺超声图像集;
将待分割的乳腺超声图像输入所述神经网络模型,通过所述神经网络模型对所述乳腺超声图像进行标签以得到携带病灶标记的超声图像。
所述基于半监督学习的乳腺超声图像病灶分割方法,其中,所述构建神经网络模型具体包括:
获取训练样本,其中,所述训练样本包括有标签的第一乳腺超声图像集以及无标签的第二乳腺超声图像集;
根据具有标签的乳腺超声图像集获取初始神经网络的网络参数;
采用EM算法对网络参数进行训练以得到所述神经网络。
所述基于半监督学习的乳腺超声图像病灶分割方法,其中,所述根据具有标签的乳腺超声图像集获取初始神经网络的网络参数具体包括:
获取所述训练样本携带的第一乳腺超声图像集,并对第一乳腺超声图像集中的各乳腺超声图像进行标准化;
通过所述标准后的第一乳腺超声图像集对所述初始神经网络进行训练,以得到所述初始神经网络的网络参数。
所述基于半监督学习的乳腺超声图像病灶分割方法,其中,所述采用EM算法对网络参数进行训练以得到所述神经网络具体包括:
将第二乳腺超声图像集输入初始神经网络以得第二乳腺超声图像集中各乳腺超声图像对应的超声分割图;
将所述超声分割图作为其对应的乳腺超声图像的标签,以得到第三乳腺超声图像集;
将所述第一乳腺超声图像集和所述第三乳腺超声图像集输入所述初始神经网络,通过反向传播算法更新所述网络参数以得到所述神经网络。
所述基于半监督学习的乳腺超声图像病灶分割方法,其中,所述将所述第一乳腺超声图像集和所述第三乳腺超声图像集输入所述初始神经网络,通过反向传播算法更新所述网络参数以得到所述神经网络具体包括:
将所述第一乳腺超声图像集和所述第三乳腺超声图像集输入所述初始神经网络;
通过反向传播算法更新所述网络参数,并判断所述网络参数的更新次数是否达到预设次数;
当所述更新次数达到预设次数时,根据所述网络参数确定神经网络;
当所述更新次数未达到预设次数时,重复将第二乳腺超声图像集输入初始神经网络的操作。
所述基于半监督学习的乳腺超声图像病灶分割方法,其中,所述将待分割的乳腺超声图像输入所述神经网络模型,通过所述神经网络模型对所述乳腺超声图像进行标签以得到携带病灶标记的超声图像具体包括:
将待分割的乳腺超声图像输入所述神经网络模型得到带有病灶分割标记的掩膜图像;
将所述掩膜图像与分割的乳腺超声图像相加得到带病灶标记的超声图像。
所述的基于半监督学习的乳腺超声图像病灶分割方法,其中,所述神经网络模型的损失函数为:
其中,所述λ为权重参数,θ为网络参数,Yu为无标签的乳腺超声图像,P(yi,j|xi,θ)表示在乳腺超声图像xi上像素j处的softmax概率值,L为第一乳腺超声图像集,U为第二乳腺超声图像集。
所述的基于半监督学习的乳腺超声图像病灶分割方法,其中,所述神经网络模型包括编码器和解码器,所述编码器包括若干Dense基础单元,所述解码器包括上采样以及若干Dense基础单元,所述编码器与所述解码器的对应层相连接。
一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上任一所述的基于半监督学习的乳腺超声图像病灶分割方法中的步骤。
一种应用服务器,其特征在于,包括:处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述通信总线实现处理器和存储器之间的连接通信;
所述处理器执行所述计算机可读程序时实现如上任一所述的基于半监督学习的乳腺超声图像病灶分割方法中的步骤。
有益效果:与现有技术相比,本发明提供了一种基于半监督学习的乳腺超声图像病灶分割方法,所述方法包括:构建神经网络模型;将待分割的乳腺超声图像输入所述神经网络模型,通过所述神经网络模型对所述乳腺超声图像进行标签以得到携带病灶标记的超声图像。本发明通过采用部分有标签的乳腺超声图像和部分无标签的乳腺超声图像作为样本数据,并基于EM算法构成神经网络模型,通过神经网络模型对乳腺超声图像进行分割,这样一方面减少了样本数据中的标注数据,减少了医生的工作量,另一方面通过EM算法进行反复迭代直到所有样本数据都得到很好的分割效果,从而提高了病灶分割的准确性。
附图说明
图1为本发明提供的基于半监督学习的乳腺超声图像病灶分割方法的流程图。
图2为本发明提供的基于半监督学习的乳腺超声图像病灶分割方法中Denseblock基础单元的结构示意图。
图3为本发明提供的基于半监督学习的乳腺超声图像病灶分割方法中编码器的结构示意图。
图4为本发明提供的基于半监督学习的乳腺超声图像病灶分割方法中神经网络模型的结构示意图。
图5为本发明提供的基于半监督学习的乳腺超声图像病灶分割方法中步骤S10的流程图。
图6为本发明提供的一种终端设备的结构原理图。
具体实施方式
本发明提供一种基于半监督学习的乳腺超声图像病灶分割方法,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
下面结合附图1-附图6,通过对实施例的描述,对发明内容作进一步说明。
本实施例提供了一种基于半监督学习的乳腺超声图像病灶分割方法,如图1所示,所述方法包括:
S10、构建神经网络模型,其中,所述神经网络模型的训练样本包括有标签的第一乳腺超声图像集及无标签的第二乳腺超声图像集。
具体地,所述神经网络模型为用于对乳腺超声图像中病灶就那些分割,通过所述神经网络模型可以将携带病灶的乳腺超声图像中的病灶分割出来并进行标记。其中,所述神经网络模型包括编码器和解码器,所述编码器采用DenseNet网络。所述编码器采用密集连接机制,即编码器中所有层互相连接。具体地来说,对于编码器中的各层均接受其前面所有层作为其额外的输入,并且在DenseNet中,各层均与其前面所有层在通道维度上连接在一起,同时作为其下一层的输入。例如,对于一个L层的网络,DenseNet共包含L*(L+1)/2个连接,并且DenseNet直接连接来自不同层的特征图以实现特征重用,从而提升效率。在本实施例中,所述编码器是由至少一个如图2所示的Dense block基础单元构成,所述编码器的网络结构如图3所示。
进一步,所述解码器采用上采样和如图2所示的至少一个Dense block基础单元构成,以将编码器生成的特征图逐步上采样为输入样本大小。同时在上采样过程中,使用Dense block使图像信息更完整。此外,如图4所示,使用跳跃连接将解码器和编码器对应层连接在一起,这使上采样可以借用特征提取过程中低维的特征,从而让分割图像更加精细。
进一步,在一个实施例那个,如图5所示,所述构建神经网络模型具体包括:
S11、获取训练样本,其中,所述训练样本包括有标签的第一乳腺超声图像集以及无标签的第二乳腺超声图像集;
S12、根据具有标签的乳腺超声图像集获取初始神经网络的网络参数;
S13、采用EM算法对网络参数进行训练以得到所述神经网络。
具体地,所述训练样本用于训练所述神经网络模型,所述训练样本包括第一乳腺超声图像集和第二乳腺超声图像集。所述第一乳腺超声图像集中包含有若干第一乳腺超声图像,并且各第一乳腺超声图像均携带标签;所述第二乳腺超声图像集包含有若干第二乳腺超声图像,并且各第二乳腺超声图像均未携带标签。在本实施例中,第一乳腺超声图像集记为数据集合SL={XL,YL},第二乳腺超声图像集记为数据集合SU={XU,YU},并且所述第二乳腺超声图像集包含的数据量大于第一乳腺超声图像集的数据量。在所述数据集合SL={XL,YL}中,所述YL为已知,是乳腺超声图像XL的标签(人工标注的分割图);在所述数据集合SU={XU,YU}中,所述YU为未知,是乳腺超声图像XU的标签,在数据集合SU={XU,YU}中YU为空集。
此外,所述初始神经网络为预先建立,其与神经网络模型结构相同,所述神经网络模型是通过对所述初始神经网络训练得到,所述网络参数为初始神经网络初始配置的网络参数,而在对所述初始神经网络进行训练的过程中,对所述网络参数进行训练以训练所述初始神经网络。相应的,所述根据具有标签的乳腺超声图像集获取初始神经网络的网络参数具体包括:
获取所述训练样本携带的第一乳腺超声图像集,并对第一乳腺超声图像集中的各乳腺超声图像进行标准化;
通过所述标准后的第一乳腺超声图像集对所述初始神经网络进行训练,以得到所述初始神经网络的网络参数。
具体地,所述标准化包括图像大小缩放、灰度去均值实现中心化以及灰度归一化处理,其中,所述图像大小缩放指的是将第一乳腺超声图像集中的各乳腺超声图像缩放至大小相同。在对获取到标准化后的第一乳腺超声图像集后,根据所述第一乳腺超声图像集对所述初始神经网络件训练。也就是说,采用全监督方式对所述初始神经网络进行训练以得到网络参数。在本实施例中,所述全监督训练初始神经网络的次数优选为500轮次。在本实施例中,初始神经网络训练所需超参数分别为:对于随机梯度下降优化算法,设置小批次处理的容量为20,学习率为0.002。
进一步,所述初始神经网络使用的损失函数为:
其中,所述λ为权重参数,θ为网络参数,Yu为无标签的乳腺超声图像,P(yi,j|xi,θ)表示在乳腺超声图像xi上像素j处的softmax概率值,L为第一乳腺超声图像集,U为第二乳腺超声图像集。
进一步,在一个实施例中,所述采用EM算法对网络参数进行训练以得到所述神经网络具体包括:
将第二乳腺超声图像集输入初始神经网络以得第二乳腺超声图像集中各乳腺超声图像对应的超声分割图;
将所述超声分割图作为其对应的乳腺超声图像的标签,以得到第三乳腺超声图像集;
将所述第一乳腺超声图像集和第三乳腺超声图像集输入初始神经网络,通过反向传播算法更新所述网络参数以得到所述神经网络。
具体地,所述初始神经网络的网络参数是根据第一乳腺超声图像集获取得到的网络参数,这里记为第一网络参数。在获取到第一网络参数后,将所述第一网络参数固定不变,将所述第二乳腺超声图像集作为初始神经网的输入项输入初始神经网络,通过初始神经网络可以获取到第二乳腺超声图像集包含的各乳腺超声图像对应的超声分割图,将所述超声分割图作为其对应的乳腺超声图像的标签,以得到第三乳腺超声图像集,并且可以通过第三乳腺超声图像集对损失函数进行的第二项进行更新。此外,通过第三乳腺超声图像集对损失函数进行更新后,将第一乳腺超声图像集和第二乳腺超声图像集作为初始神经网络的输入项,输入初始神经网络以对初始神经网络的损失函数的第一项和第二项同步更新,以对所述初始神经网络进行训练,并且通过反向传播算法更新网络参数。
进一步,在一个实施例中,所述将所述第一乳腺超声图像集和第三乳腺超声图像集输入初始神经网络,通过反向传播算法更新所述网络参数以得到所述神经网络具体包括:
将所述第一乳腺超声图像集和所述第三乳腺超声图像集输入所述初始神经网络;
通过反向传播算法更新所述网络参数,并判断所述网络参数的更新次数是否达到预设次数;
当所述更新次数达到预设次数时,根据所述网络参数确定神经网络;
当所述更新次数未达到预设次数时,重复将第二乳腺超声图像集输入初始神经网络的操作。
具体地,在更新网络参数后,可以获取更新后网络参数对应的损失函数的收敛性,当所述损失函数收敛时,则停止对网络参数的更新。当损失函数不收敛时,获取网络参数的更新次数,并将所述更新次数与预设次数进行比较,当所述更新次数达到预设次数时,根据所述网络参数确定神经网络,这样可以避免训练进入死循环,从而提高了训练的成功率。在本实施例中,所述预设次数优选为200次。
S20、将待分割的乳腺超声图像输入所述神经网络模型,通过所述神经网络模型对所述乳腺超声图像进行标签以得到携带病灶标记的超声图像。
具体地,所述神经网络模型为步骤S10获取得到的用于分割病灶的神经网络模型。在获取待分割的乳腺超声图像时,可以通过所述神经网络模型对所述待分割的乳腺超声图像进行分割。其中,所述神经网络模型采用标准化的乳腺超声图像进行训练的,从而在对所述待分割的乳腺超声图像后,可以首先将所述待分割的乳腺超声图像进行标准化,在输入所述神经网络模型。相应的,所述将待分割的乳腺超声图像输入所述神经网络模型,通过所述神经网络模型对所述乳腺超声图像进行标签以得到携带病灶标记的超声图像具体包括:
将待分割的乳腺超声图像输入所述神经网络模型得到带有病灶分割标记的掩膜图像;
将所述掩膜图像与分割的乳腺超声图像相加得到带病灶标记的超声图像。
具体地,所述输入所述神经网络模型的待分割的乳腺超声图像为标准后的乳腺超声图像,即在将输入所述神经网络模型前将所述待分割的超声图像进行标准化处理,即将所述待分割图像缩放至预设图像大小,并进行灰度去均值实现中心化以及灰度归一化处理。其中,所述预先图像大小为训练所述神经网络模型的训练样本初始后的图像大小。此外,在所述神经网络模型对待分割的乳腺超声图进行识别时,待分割的乳腺超声图像先经过编码器再经过解码器得到并输出带有病灶分割标记的掩膜图像,将掩膜图像与原乳腺超声图像相加得到最终标记病灶的乳腺超声图像。在本实施例中,为了提供病灶分割的精细度,在经过解码器后,再将解码器得到的图像经过条件随机场精修以得到带有病灶分割标记的掩膜图像。当然,在实际应用中,所述条件随机场约束替换为马尔可夫随机场约束。
基于上述的基于半监督学习的乳腺超声图像病灶分割方法,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述实施例所述的基于半监督学习的乳腺超声图像病灶分割方法中的步骤。
基于上述的基于半监督学习的乳腺超声图像病灶分割方法,本发明还提供了一种终端设备,如图6所示,其包括至少一个处理器(processor)20;显示屏21;以及存储器(memory)22,还可以包括通信接口(Communications Interface)23和总线24。其中,处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令,以执行上述实施例中的方法。
此外,上述的存储器22中的逻辑指令可以通过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。
存储器22作为一种计算机可读存储介质,可设置为存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块,从而执行功能应用以及数据处理,即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器。例如,U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
此外,上述存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明,在这里就不再一一陈述。
最后应说明的是:以上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。
Claims (10)
1.一种基于半监督学习的乳腺超声图像病灶分割方法,其特征在于,其包括:
构建神经网络模型,其中,所述神经网络模型的训练样本包括有标签的第一乳腺超声图像集及无标签的第二乳腺超声图像集;
将待分割的乳腺超声图像输入所述神经网络模型,通过所述神经网络模型对所述乳腺超声图像进行标签以得到携带病灶标记的超声图像。
2.根据权利要求1所述基于半监督学习的乳腺超声图像病灶分割方法,其特征在于,所述构建神经网络模型具体包括:
获取训练样本,其中,所述训练样本包括有标签的第一乳腺超声图像集以及无标签的第二乳腺超声图像集;
根据具有标签的乳腺超声图像集获取初始神经网络的网络参数;
采用EM算法对网络参数进行训练以得到所述神经网络。
3.根据权利要求2所述基于半监督学习的乳腺超声图像病灶分割方法,其特征在于,所述根据具有标签的乳腺超声图像集获取初始神经网络的网络参数具体包括:
获取所述训练样本携带的第一乳腺超声图像集,并对第一乳腺超声图像集中的各乳腺超声图像进行标准化;
通过所述标准后的第一乳腺超声图像集对所述初始神经网络进行训练,以得到所述初始神经网络的网络参数。
4.根据权利要求2所述基于半监督学习的乳腺超声图像病灶分割方法,其特征在于,所述采用EM算法对网络参数进行训练以得到所述神经网络具体包括:
将第二乳腺超声图像集输入初始神经网络以得第二乳腺超声图像集中各乳腺超声图像对应的超声分割图;
将所述超声分割图作为其对应的乳腺超声图像的标签,以得到第三乳腺超声图像集;
将所述第一乳腺超声图像集和所述第三乳腺超声图像集输入所述初始神经网络,通过反向传播算法更新所述网络参数以得到所述神经网络。
5.根据权利要求4所述所述基于半监督学习的乳腺超声图像病灶分割方法,其特征在于,所述将所述第一乳腺超声图像集和所述第三乳腺超声图像集输入所述初始神经网络,通过反向传播算法更新所述网络参数以得到所述神经网络具体包括:
将所述第一乳腺超声图像集和所述第三乳腺超声图像集输入所述初始神经网络;
通过反向传播算法更新所述网络参数,并判断所述网络参数的更新次数是否达到预设次数;
当所述更新次数达到预设次数时,根据所述网络参数确定神经网络;
当所述更新次数未达到预设次数时,重复将第二乳腺超声图像集输入初始神经网络的操作。
6.根据权利要求1所述的基于半监督学习的乳腺超声图像病灶分割方法,其特征在于,所述将待分割的乳腺超声图像输入所述神经网络模型,通过所述神经网络模型对所述乳腺超声图像进行标签以得到携带病灶标记的超声图像具体包括:
将待分割的乳腺超声图像输入所述神经网络模型得到带有病灶分割标记的掩膜图像;
将所述掩膜图像与分割的乳腺超声图像相加得到带病灶标记的超声图像。
7.根据权利要求1-6任一所述的基于半监督学习的乳腺超声图像病灶分割方法,其特征在于,所述神经网络模型的损失函数为:
其中,所述λ为权重参数,θ为网络参数,Yu为无标签的乳腺超声图像,P(yi,j|xi,θ)表示在乳腺超声图像xi上像素j处的softmax概率值,L为第一乳腺超声图像集,U为第二乳腺超声图像集。
8.根据权利要求1-6任一所述的基于半监督学习的乳腺超声图像病灶分割方法,其特征在于,所述神经网络模型包括编码器和解码器,所述编码器包括若干Dense基础单元,所述解码器包括上采样以及若干Dense基础单元,所述编码器与所述解码器的对应层相连接。
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存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1~8任意一项所述的基于半监督学习的乳腺超声图像病灶分割方法中的步骤。
10.一种应用服务器,其特征在于,包括:处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述通信总线实现处理器和存储器之间的连接通信;
所述处理器执行所述计算机可读程序时实现如权利要求1-8任意一项所述的基于半监督学习的乳腺超声图像病灶分割方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910485090.0A CN110189323B (zh) | 2019-06-05 | 2019-06-05 | 一种基于半监督学习的乳腺超声图像病灶分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910485090.0A CN110189323B (zh) | 2019-06-05 | 2019-06-05 | 一种基于半监督学习的乳腺超声图像病灶分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110189323A true CN110189323A (zh) | 2019-08-30 |
CN110189323B CN110189323B (zh) | 2022-12-13 |
Family
ID=67720532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910485090.0A Active CN110189323B (zh) | 2019-06-05 | 2019-06-05 | 一种基于半监督学习的乳腺超声图像病灶分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110189323B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751621A (zh) * | 2019-09-05 | 2020-02-04 | 五邑大学 | 基于深度卷积神经网络的乳腺癌辅助诊断方法及装置 |
CN110766652A (zh) * | 2019-09-06 | 2020-02-07 | 上海联影智能医疗科技有限公司 | 网络训练方法、装置、分割方法、计算机设备和存储介质 |
CN111062935A (zh) * | 2019-12-27 | 2020-04-24 | 深圳大学 | 一种乳腺肿瘤检测方法、存储介质及终端设备 |
CN111145147A (zh) * | 2019-12-14 | 2020-05-12 | 中国科学院深圳先进技术研究院 | 多模态医学图像的分割方法及终端设备 |
CN111179227A (zh) * | 2019-12-16 | 2020-05-19 | 西北工业大学 | 基于辅助诊断和主观美学的乳腺超声图像质量评价方法 |
CN111563897A (zh) * | 2020-04-13 | 2020-08-21 | 北京理工大学 | 基于弱监督学习的乳腺核磁影像肿瘤分割的方法及装置 |
CN112603368A (zh) * | 2020-12-25 | 2021-04-06 | 上海深博医疗器械有限公司 | 一种乳腺超声导航及诊断的系统和方法 |
CN113139974A (zh) * | 2021-04-13 | 2021-07-20 | 广东工业大学 | 基于半监督学习的病灶分割模型训练、应用方法 |
CN113349810A (zh) * | 2021-05-27 | 2021-09-07 | 北京安德医智科技有限公司 | 脑出血病灶识别及血肿扩大预测方法及装置 |
CN113662573A (zh) * | 2021-09-10 | 2021-11-19 | 上海联影医疗科技股份有限公司 | 乳腺病灶定位方法、装置、计算机设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170213339A1 (en) * | 2016-01-21 | 2017-07-27 | Impac Medical Systems, Inc. | Systems and methods for segmentation of intra-patient medical images |
CN108416370A (zh) * | 2018-02-07 | 2018-08-17 | 深圳大学 | 基于半监督深度学习的图像分类方法、装置和存储介质 |
CN109344833A (zh) * | 2018-09-04 | 2019-02-15 | 中国科学院深圳先进技术研究院 | 医学图像分割方法、分割系统及计算机可读存储介质 |
CN109410167A (zh) * | 2018-08-31 | 2019-03-01 | 深圳大学 | 一种3d乳腺图像的分析方法及相关产品 |
CN109522973A (zh) * | 2019-01-17 | 2019-03-26 | 云南大学 | 基于生成式对抗网络与半监督学习的医疗大数据分类方法及系统 |
US20190105009A1 (en) * | 2017-10-10 | 2019-04-11 | Holo Surgical Inc. | Automated segmentation of three dimensional bony structure images |
CN109727243A (zh) * | 2018-12-29 | 2019-05-07 | 无锡祥生医疗科技股份有限公司 | 乳腺超声图像识别分析方法及系统 |
-
2019
- 2019-06-05 CN CN201910485090.0A patent/CN110189323B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170213339A1 (en) * | 2016-01-21 | 2017-07-27 | Impac Medical Systems, Inc. | Systems and methods for segmentation of intra-patient medical images |
US20190105009A1 (en) * | 2017-10-10 | 2019-04-11 | Holo Surgical Inc. | Automated segmentation of three dimensional bony structure images |
CN108416370A (zh) * | 2018-02-07 | 2018-08-17 | 深圳大学 | 基于半监督深度学习的图像分类方法、装置和存储介质 |
CN109410167A (zh) * | 2018-08-31 | 2019-03-01 | 深圳大学 | 一种3d乳腺图像的分析方法及相关产品 |
CN109344833A (zh) * | 2018-09-04 | 2019-02-15 | 中国科学院深圳先进技术研究院 | 医学图像分割方法、分割系统及计算机可读存储介质 |
CN109727243A (zh) * | 2018-12-29 | 2019-05-07 | 无锡祥生医疗科技股份有限公司 | 乳腺超声图像识别分析方法及系统 |
CN109522973A (zh) * | 2019-01-17 | 2019-03-26 | 云南大学 | 基于生成式对抗网络与半监督学习的医疗大数据分类方法及系统 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751621A (zh) * | 2019-09-05 | 2020-02-04 | 五邑大学 | 基于深度卷积神经网络的乳腺癌辅助诊断方法及装置 |
CN110751621B (zh) * | 2019-09-05 | 2023-07-21 | 五邑大学 | 基于深度卷积神经网络的乳腺癌辅助诊断方法及装置 |
CN110766652B (zh) * | 2019-09-06 | 2022-12-20 | 上海联影智能医疗科技有限公司 | 网络训练方法、装置、分割方法、计算机设备和存储介质 |
CN110766652A (zh) * | 2019-09-06 | 2020-02-07 | 上海联影智能医疗科技有限公司 | 网络训练方法、装置、分割方法、计算机设备和存储介质 |
CN111145147B (zh) * | 2019-12-14 | 2023-08-22 | 中国科学院深圳先进技术研究院 | 多模态医学图像的分割方法及终端设备 |
CN111145147A (zh) * | 2019-12-14 | 2020-05-12 | 中国科学院深圳先进技术研究院 | 多模态医学图像的分割方法及终端设备 |
CN111179227A (zh) * | 2019-12-16 | 2020-05-19 | 西北工业大学 | 基于辅助诊断和主观美学的乳腺超声图像质量评价方法 |
CN111179227B (zh) * | 2019-12-16 | 2022-04-05 | 西北工业大学 | 基于辅助诊断和主观美学的乳腺超声图像质量评价方法 |
CN111062935A (zh) * | 2019-12-27 | 2020-04-24 | 深圳大学 | 一种乳腺肿瘤检测方法、存储介质及终端设备 |
CN111062935B (zh) * | 2019-12-27 | 2023-10-20 | 深圳大学 | 一种乳腺肿瘤检测方法、存储介质及终端设备 |
CN111563897A (zh) * | 2020-04-13 | 2020-08-21 | 北京理工大学 | 基于弱监督学习的乳腺核磁影像肿瘤分割的方法及装置 |
CN111563897B (zh) * | 2020-04-13 | 2024-01-05 | 北京理工大学 | 基于弱监督学习的乳腺核磁影像肿瘤分割的方法及装置 |
CN112603368A (zh) * | 2020-12-25 | 2021-04-06 | 上海深博医疗器械有限公司 | 一种乳腺超声导航及诊断的系统和方法 |
CN113139974A (zh) * | 2021-04-13 | 2021-07-20 | 广东工业大学 | 基于半监督学习的病灶分割模型训练、应用方法 |
CN113139974B (zh) * | 2021-04-13 | 2023-08-22 | 广东工业大学 | 基于半监督学习的病灶分割模型训练、应用方法 |
CN113349810A (zh) * | 2021-05-27 | 2021-09-07 | 北京安德医智科技有限公司 | 脑出血病灶识别及血肿扩大预测方法及装置 |
CN113349810B (zh) * | 2021-05-27 | 2022-03-01 | 北京安德医智科技有限公司 | 脑出血病灶识别及血肿扩大预测系统及装置 |
CN113662573A (zh) * | 2021-09-10 | 2021-11-19 | 上海联影医疗科技股份有限公司 | 乳腺病灶定位方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110189323B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110189323A (zh) | 一种基于半监督学习的乳腺超声图像病灶分割方法 | |
CN107492099B (zh) | 医学图像分析方法、医学图像分析系统以及存储介质 | |
JP6522161B2 (ja) | ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー | |
CN110475505A (zh) | 利用全卷积网络的自动分割 | |
Gull et al. | Artificial intelligence in brain tumor detection through MRI scans: advancements and challenges | |
Neelapu et al. | Deep learning based conventional neural network architecture for medical image classification | |
US11341632B2 (en) | Method for obtaining at least one feature of interest | |
CN110363772B (zh) | 基于对抗网络的心脏mri分割方法及系统 | |
Civit-Masot et al. | A study on the use of Edge TPUs for eye fundus image segmentation | |
CN110246109A (zh) | 融合ct影像和个性化信息的分析系统、方法、装置及介质 | |
Lan et al. | Multi-view convolutional neural network with leader and long-tail particle swarm optimizer for enhancing heart disease and breast cancer detection | |
CN112884729A (zh) | 基于双模态深度学习的眼底疾病辅助诊断方法和装置 | |
Singha et al. | Deep learning applications in medical image analysis | |
Singh et al. | Deep-learning based system for effective and automatic blood vessel segmentation from Retinal fundus images | |
Banerjee et al. | A CADe system for gliomas in brain MRI using convolutional neural networks | |
Singh et al. | Classification of first trimester ultrasound images using deep convolutional neural network | |
Khattar et al. | Computer assisted diagnosis of skin cancer: a survey and future recommendations | |
CN113705595A (zh) | 异常细胞转移程度的预测方法、装置和存储介质 | |
Nazarudin et al. | Performance analysis of a novel hybrid segmentation method for polycystic ovarian syndrome monitoring | |
US11804020B2 (en) | Systems and methods for rendering models based on medical imaging data | |
Corral et al. | Energy efficiency in edge TPU vs. embedded GPU for computer-aided medical imaging segmentation and classification | |
CN113850796A (zh) | 基于ct数据的肺部疾病识别方法及装置、介质和电子设备 | |
ISAKA et al. | Development of a web based image annotation tool for lung immunofluorescent confocal images | |
Kalra et al. | An approach for lung cancer detection using deep learning | |
Dhimmar et al. | Breast Cancer Detection Using Classification Algorithms |
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 |