CN110399907A - 基于诱导注意力的胸腔病症检测方法及装置、存储介质 - Google Patents

基于诱导注意力的胸腔病症检测方法及装置、存储介质 Download PDF

Info

Publication number
CN110399907A
CN110399907A CN201910595459.3A CN201910595459A CN110399907A CN 110399907 A CN110399907 A CN 110399907A CN 201910595459 A CN201910595459 A CN 201910595459A CN 110399907 A CN110399907 A CN 110399907A
Authority
CN
China
Prior art keywords
positive sample
attention
sample
feature map
positive
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
Application number
CN201910595459.3A
Other languages
English (en)
Other versions
CN110399907B (zh
Inventor
刘敬禹
赵刚明
俞益洲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Shenrui Bolian Technology Co Ltd
Beijing Shenrui Bolian Technology Co Ltd
Original Assignee
Hangzhou Shenrui Bolian Technology Co Ltd
Beijing Shenrui Bolian Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Shenrui Bolian Technology Co Ltd, Beijing Shenrui Bolian Technology Co Ltd filed Critical Hangzhou Shenrui Bolian Technology Co Ltd
Priority to CN201910595459.3A priority Critical patent/CN110399907B/zh
Publication of CN110399907A publication Critical patent/CN110399907A/zh
Application granted granted Critical
Publication of CN110399907B publication Critical patent/CN110399907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例公开一种基于诱导注意力的胸腔病症检测方法及装置、存储介质，其中方法包括如下步骤：提取所输入的正样本的正样本特征图，识别正样本中疾病的类型和区域，采用诱导注意力网络对正样本和随机采用的负样本进行诱导注意力提取，得到对应的注意力权重图，根据正样本特征图和注意力权重图计算正样本中疾病预测概率。采用本发明，利用不同胸部X光片图像的高度结构相似性，提炼正负样本件的注意力权重，据此引导预测正样本中的疾病，可以提升模型识别胸腔疾病的正确率。

Description

基于诱导注意力的胸腔病症检测方法及装置、存储介质
技术领域
本发明涉及胸腔部位疾病判别技术领域，尤其涉及一种基于诱导注意力的胸腔病症检测方法及装置、存储介质。
背景技术
胸腔容易受到不同疾病的影响，其中呼吸内科主要针对肺癌、肺结核、肺炎等疾病作治疗诊断，而心胸外科是针对肺部和心脏等器官外部结构的诊断治疗。及时的判断胸腔疾病类型对防止病情恶化有着很重要的作用。比如肺癌早期的发现可以极大地改善病人生存状态。肺癌可以直接由肺组织引起，也可以由身体其他部位的转移引起。对应CT扫描来说，胸部X光片的获取更为便捷，早期先对胸部X光片作预期筛查可以缓解资源紧张的压力并能有效地发现问题，利用深度学习工具自动化的定位识别胸部X光片症状，再使用CT扫描和组织样本(活检)等方式进一步判别不仅可以节约医疗资源，也能提升对疑似患者筛选的效率。美国等发达国家建议需要不定期地对高危人群进行胸腔部位疾病筛查以缓解其对民众的影响。因此自动化的判别胸腔部位疾病对医护人员意义重大。但胸腔部位疾病的多样性和易与周围组织混淆的特性对计算机算法的要求很高。
发明内容
本发明实施例提供一种基于诱导注意力的胸腔病症检测方法及装置、存储介质，利用不同胸部X光片图像的高度结构相似性，提炼正负样本件的注意力权重，据此引导识别正样本中的疾病，可以提升模型识别胸腔疾病的正确率。
本发明实施例第一方面提供了一种基于诱导注意力的胸腔病症检测方法，可包括：
提取所输入的正样本的正样本特征图，识别正样本中疾病的类型和区域；
采用诱导注意力网络对正样本和随机采用的负样本进行诱导注意力提取，得到对应的注意力权重图；
根据正样本特征图和注意力权重图计算正样本中疾病预测概率；
其中，正样本为需要识别是否有疾病的胸部X光片，负样本为随机采样的正常胸部X光片。
进一步的，上述正样本特征图为16*16大小的特征图。
进一步的，上述方法还包括：
当正样本特征图中存在区域标签时，采用第一损失函数计算正样本的损失；
当正样本特征图中存在图像级别的标签时，采用第二损失函数计算正样本的损失；
第一损失函数为:
其中，k，i，和j分别是类别、样本、16*16上点的索引，代表每个点的目标，代表每个点的预测值；
第二损失函数为:
其中，代表正样本的预测目标值。
进一步的，上述方法还包括：
基于第一损失函数和第二损失函数综合确定正样本的损失。
进一步的，上述采用诱导注意力网络对正样本和随机采用的负样本进行诱导注意力提取，得到对应的注意力权重图，包括：
提取随机采用的负样本的负样本特征图；
采用诱导注意力网络对正样本特征图和负样本特征图进行诱导注意力提取；
采用归一化指数函数对提取后的诱导注意力特征图进行绝对值归一化处理，得到注意力权重图。
本发明实施例第二方面提供了一种基于诱导注意力的胸腔病症检测装置，可包括：
正样本处理模块，用于提取所输入的正样本的正样本特征图，识别正样本中疾病的类型和区域；
诱导注意力处理模块，用于采用诱导注意力网络对正样本和随机采用的负样本进行诱导注意力提取，得到对应的注意力权重图；
疾病概率预测模块，用于根据正样本特征图和注意力权重图计算正样本中疾病预测概率；
其中，正样本为需要识别是否有疾病的胸部X光片，负样本为随机采样的正常胸部X光片。
进一步的，上述正样本特征图为16*16大小的特征图。
进一步的，上述装置还包括：
第一损失计算模块，用于当正样本特征图中存在区域标签时，采用第一损失函数计算正样本的损失；
第二损失计算模块，用于当正样本特征图中存在图像级别的标签时，采用第二损失函数计算正样本的损失；
第一损失函数为:
其中，k，i，和j分别是类别、样本、16*16上点的索引，代表每个点的目标，代表每个点的预测值；
第二损失函数为:
其中，代表正样本的预测目标值。
进一步的，上述装置还包括：
正样本损失计算模块，用于基于第一损失函数和第二损失函数综合确定正样本的损失。
进一步的，上述诱导注意力处理模块包括：
负样本处理单元，用于提取随机采用的负样本的负样本特征图；
诱导注意力提取单元，用于采用诱导注意力网络对正样本特征图和负样本特征图进行诱导注意力提取；
注意力权重确定单元，用于采用归一化指数函数对提取后的诱导注意力特征图进行绝对值归一化处理，得到注意力权重图。
本发明实施例第三方面提供了一种计算机存储介质，计算机存储介质存储有多条指令，指令适于由处理器加载并执行以下步骤：
提取所输入的正样本的正样本特征图，识别正样本中疾病的类型和区域；
采用诱导注意力网络对正样本和随机采用的负样本进行诱导注意力提取，得到对应的注意力权重图；
根据正样本特征图和注意力权重图计算正样本中疾病预测概率；
其中，正样本为需要识别是否有疾病的胸部X光片，负样本为随机采样的正常胸部X光片。
在本发明实施例中，通过提取所输入的正样本的正样本特征图，识别正样本中疾病的类型和区域，采用诱导注意力网络对正样本和随机采用的负样本进行诱导注意力提取，得到对应的注意力权重图，根据正样本特征图和注意力权重图计算正样本中疾病预测概率。利用不同胸部X光片图像的高度结构相似性，提炼正负样本件的注意力权重，据此引导预测正样本中的疾病，提升了模型识别胸腔疾病的正确率。
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获得其他的附图。
图1是本发明实施例提供的一种基于诱导注意力的胸腔病症检测方法的流程示意图；
图2是本发明实施例提供的注意力诱导架构示意图；
图3是本发明实施例提供的一种基于诱导注意力的胸腔病症检测装置的结构示意图；
图4是本发明实施例提供的诱导注意力处理模块的结构示意图；
图5是本发明实施例提供的另一种基于诱导注意力的胸腔病症检测装置的结构示意图。
具体实施方式
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，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含，术语“第一”和“第二”仅是为了区别命名，并不代表数字的大小或者排序。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
本发明实施例涉及的基于诱导注意力的胸腔病症检测装置可以是PC端或者是具备数据分析处理能力的其他医疗设备。
如图1所示，基于诱导注意力的胸腔病症检测方法至少可以包括以下几个步骤：
S101，提取所输入的正样本的正样本特征图，识别正样本中疾病的类型和区域。
需要说明的是，上述正样本可以是需要识别是否有疾病的胸部X光片，如图2所示，上述装置可以采用卷积神经网络提取正样本的主要特征图即正样本特征图，进一步的，可以基于该特征图进行初步识别疾病类型并定位疾病区域。可以理解的是，在进行上述操作所采用的网络结构可以是ResNet50，ResNet可以由多个相同的bottleneckblock组成。Bottleneckblock中的卷积部分为(f(x))：CONV-BN-ReLU-CONV-BN-ReLU-CONV-BN-ReLU，然后输出值为f(x)+x。其中CONV代表卷积层，而BN(Batch Normalization)层和线性整流单元(ReLU)会在CONV后做相应处理。
在可选实施例中，上述正样本特征图可以是16*16大小的特征图，需要说明的是，当正样本特征图中存在区域标签时，上述装置可以采用第一损失函数计算正样本的损失，例如，该函数可以是交叉熵损失函数：
其中，k，i，和j分别是类别、样本、16*16上点的索引，代表每个点的目标，代表每个点的预测值；当正样本特征图中存在图像级别的标签时，可以采用第二损失函数计算正样本的损失，此时的损失认为只要特征图上有一个点是正样本其就可以被判定为此类，具体的损失函数可以是：
其中，代表所述正样本的预测目标值。进一步的，上述装置可以基于第一损失函数和第二损失函数综合确定正样本的损失，例如可以总结为如下公式：
其中，这里如果为1代表此样本含有目标框的标注，否则只有图像级别的标注。另外βB的设置是为了均衡两种情况的损失以获取更好的性能。需要说明的是，在输入正样本时，可以输入相应的疾病标记。
S102，采用诱导注意力网络对所述正样本和随机采用的负样本进行诱导注意力提取，得到对应的注意力权重图。
需要说明的是，如图2所示的第二部分特征提取网络即诱导注意力网络也可以是卷积神经网络ResNet50，其输入由两部分组成，一是需要判断是否有疾病的正样本，另一个是随机采样的正常胸部X光片即负样本。具体实现中，上述装置可以采用诱导注意力网络对所述正样本和随机采用的负样本进行诱导注意力提取，得到对应的注意力权重图。
在可选实施例中，上述装置可以提取随机采用的负样本的负样本特征图，然后采用诱导注意力网络对正样本特征图和负样本特征图进行诱导注意力提取，再采用归一化指数函数softmax函数对提取后的诱导注意力特征图进行绝对值归一化处理，得到注意力权重图，可以理解的是，归一化操作可以是由softmax函数操作后乘以特征图的元素个数以防止信息的丢失。
S103，根据正样本特征图和注意力权重图计算正样本中疾病预测概率。
需要说明的是，如图2所示的第三部分，装置可以根据定位识别分支提取出的正样本特征图和注意力权重图计算正样本中疾病预测概率，例如，可以将二者结合在一起后，进过两层全卷积和激活函数去获得疾病预测概率。可选的，装置还可以对疾病位置进行标注，将概率预测与标注信息结合做损失，来不断优化更新诱导注意力网络。
可选的，上述装置可以采用训练好的诱导注意力网络对输入的待检测的图像进行处理，得到注意力特征图，然后经过如图2第三部分所示的处理得到预测概率值，优选的，当该概率值大于阈值0.5时，可以判断为有疾病。
在本发明实施例中，通过提取所输入的正样本的正样本特征图，识别正样本中疾病的类型和区域，采用诱导注意力网络对正样本和随机采用的负样本进行诱导注意力提取，得到对应的注意力权重图，根据正样本特征图和注意力权重图计算正样本中疾病预测概率。利用不同胸部X光片图像的高度结构相似性，提炼正负样本件的注意力权重，据此引导预测正样本中的疾病，提升了模型识别胸腔疾病的正确率。
下面将结合附图3和附图4，对本发明实施例提供的基于诱导注意力的胸腔病症检测装置进行详细介绍。需要说明的是，附图3和附图4所示的基于诱导注意力的胸腔病症检测装置，用于执行本发明图1和图2所示实施例的方法，为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明图1和图2所示的实施例。
请参见图3，为本发明实施例提供了一种基于诱导注意力的胸腔病症检测装置的结构示意图。如图3所示，本发明实施例的病症检测装置10可以包括：正样本处理模块101、诱导注意力处理模块102、疾病概率预测模块103、第一损失计算模块104、第二损失计算模块105和正样本损失计算模块106。其中，诱导注意力处理模块102如图4所示，包括负样本处理单元1021、诱导注意力提取单元1022和注意力权重确定单元1023。
正样本处理模块101，用于提取所输入的正样本的正样本特征图，识别正样本中疾病的类型和区域。
可以理解的是，上述正样本特征图可以为16*16大小的特征图。
诱导注意力处理模块102，用于采用诱导注意力网络对正样本和随机采用的负样本进行诱导注意力提取，得到对应的注意力权重图。
需要说明的是，诱导注意力处理模块102可以包括以下单元：
负样本处理单元1021，用于提取随机采用的负样本的负样本特征图。
诱导注意力提取单元1022，用于采用诱导注意力网络对正样本特征图和负样本特征图进行诱导注意力提取。
注意力权重确定单元1023，用于采用归一化指数函数对提取后的诱导注意力特征图进行绝对值归一化处理，得到注意力权重图。
疾病概率预测模块103，用于根据正样本特征图和注意力权重图计算正样本中疾病预测概率。
其中，正样本为需要识别是否有疾病的胸部X光片，负样本为随机采样的正常胸部X光片。
在可选实施例中，第一损失计算模块104，用于当正样本特征图中存在区域标签时，采用第一损失函数计算正样本的损失。
第二损失计算模块105，用于当正样本特征图中存在图像级别的标签时，采用第二损失函数计算正样本的损失。
例如，第一损失函数为:
其中，k，i，和j分别是类别、样本、16*16上点的索引，代表每个点的目标，代表每个点的预测值；
第二损失函数为:
其中，代表正样本的预测目标值。
正样本损失计算模块106，用于基于第一损失函数和第二损失函数综合确定正样本的损失，例如，可以用下式代表样正样本损失：
其中，这里如果为1代表此样本含有目标框的标注，否则只有图像级别的标注。另外βB的设置是为了均衡两种情况的损失以获取更好的性能。
需要说明的是，本发明实施例的具体实现方式可以参见上述方法实施例的详细描述，此处不再赘述。
在本发明实施例中，通过提取所输入的正样本的正样本特征图，识别正样本中疾病的类型和区域，采用诱导注意力网络对正样本和随机采用的负样本进行诱导注意力提取，得到对应的注意力权重图，根据正样本特征图和注意力权重图计算正样本中疾病预测概率。利用不同胸部X光片图像的高度结构相似性，提炼正负样本件的注意力权重，据此引导预测正样本中的疾病，提升了模型识别胸腔疾病的正确率。
本发明实施例还提供了一种计算机存储介质，所述计算机存储介质可以存储有多条指令，所述指令适于由处理器加载并执行如上述图1和图2所示实施例的方法步骤，具体执行过程可以参见图1和图2所示实施例的具体说明，在此不进行赘述。
本申请实施例还提供了另外一种基于诱导注意力的胸腔病症检测装置。如图5所示，基于诱导注意力的胸腔病症检测装置5可以包括：至少一个处理器201，例如CPU，至少一个网络接口204，用户接口203，存储器205，至少一个通信总线202，可选地，还可以包括显示屏206。其中，通信总线202用于实现这些组件之间的连接通信。其中，用户接口203可以包括触摸屏、键盘或鼠标等等。网络接口204可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通过网络接口204可以与服务器建立通信连接。存储器205可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器，存储器205包括本发明实施例中的flash。存储器205可选的还可以是至少一个位于远离前述处理器201的存储系统。如图5所示，作为一种计算机存储介质的存储器205中可以包括操作系统、网络通信模块、用户接口模块以及程序指令。
需要说明的是，网络接口204可以连接接收器、发射器或其他通信模块，其他通信模块可以包括但不限于WiFi模块、蓝牙模块等，可以理解，本发明实施例中基于诱导注意力的胸腔病症检测装置也可以包括接收器、发射器和其他通信模块等。
处理器201可以用于调用存储器205中存储的程序指令，并使基于诱导注意力的胸腔病症检测装置20执行以下操作：
提取所输入的正样本的正样本特征图，识别正样本中疾病的类型和区域；
采用诱导注意力网络对正样本和随机采用的负样本进行诱导注意力提取，得到对应的注意力权重图；
根据正样本特征图和注意力权重图计算正样本中疾病预测概率；
其中，正样本为需要识别是否有疾病的胸部X光片，负样本为随机采样的正常胸部X光片。
在一些实施例中，正样本特征图为16*16大小的特征图。
在一些实施例中，装置20还用于当正样本特征图中存在区域标签时，采用第一损失函数计算正样本的损失；
当正样本特征图中存在图像级别的标签时，采用第二损失函数计算正样本的损失；
其中，第一损失函数为:
其中，k，i，和j分别是类别、样本、16*16上点的索引，代表每个点的目标，代表每个点的预测值；
第二损失函数为:
其中，代表正样本的预测目标值。
在一些实施例中，装置20还用于基于第一损失函数和第二损失函数综合确定正样本的损失。
在一些实施例中，装置20采用诱导注意力网络对正样本和随机采用的负样本进行诱导注意力提取，得到对应的注意力权重图时，具体执行以下操作：
提取随机采用的负样本的负样本特征图；
采用诱导注意力网络对正样本特征图和负样本特征图进行诱导注意力提取；
采用归一化指数函数对提取后的诱导注意力特征图进行绝对值归一化处理，得到注意力权重图。
在本发明实施例中，通过提取所输入的正样本的正样本特征图，识别正样本中疾病的类型和区域，采用诱导注意力网络对正样本和随机采用的负样本进行诱导注意力提取，得到对应的注意力权重图，根据正样本特征图和注意力权重图计算正样本中疾病预测概率。利用不同胸部X光片图像的高度结构相似性，提炼正负样本件的注意力权重，据此引导预测正样本中的疾病，提升了模型识别胸腔疾病的正确率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种基于诱导注意力的胸腔病症检测方法，其特征在于，包括：
提取所输入的正样本的正样本特征图，识别所述正样本中疾病的类型和区域；
采用诱导注意力网络对所述正样本和随机采用的负样本进行诱导注意力提取，得到对应的注意力权重图；
根据所述正样本特征图和所述注意力权重图计算所述正样本中疾病预测概率；
其中，所述正样本为需要识别是否有疾病的胸部X光片，所述负样本为随机采样的正常胸部X光片。
2.根据权利要求1所述的方法，其特征在于：
所述正样本特征图为16*16大小的特征图。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
当所述正样本特征图中存在区域标签时，采用第一损失函数计算所述正样本的损失；
当所述正样本特征图中存在图像级别的标签时，采用第二损失函数计算所述正样本的损失；
所述第一损失函数为:
其中，k，i，和j分别是类别、样本、16*16上点的索引，代表每个点的目标，代表每个点的预测值；
所述第二损失函数为:
其中，代表所述正样本的预测目标值。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
基于所述第一损失函数和所述第二损失函数综合确定所述正样本的损失。
5.根据权利要求1所述的方法，其特征在于，所述采用诱导注意力网络对所述正样本和随机采用的负样本进行诱导注意力提取，得到对应的注意力权重图，包括：
提取随机采用的负样本的负样本特征图；
采用诱导注意力网络对所述正样本特征图和所述负样本特征图进行诱导注意力提取；
采用归一化指数函数对提取后的诱导注意力特征图进行绝对值归一化处理，得到注意力权重图。
6.一种基于诱导注意力的胸腔病症检测装置，其特征在于，包括：
正样本处理模块，用于提取所输入的正样本的正样本特征图，识别所述正样本中疾病的类型和区域；
诱导注意力处理模块，用于采用诱导注意力网络对所述正样本和随机采用的负样本进行诱导注意力提取，得到对应的注意力权重图；
疾病概率预测模块，用于根据所述正样本特征图和所述注意力权重图计算所述正样本中疾病预测概率；
其中，所述正样本为需要识别是否有疾病的胸部X光片，所述负样本为随机采样的正常胸部X光片。
7.根据权利要求6所述的装置，其特征在于：
所述正样本特征图为16*16大小的特征图。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
第一损失计算模块，用于当所述正样本特征图中存在区域标签时，采用第一损失函数计算所述正样本的损失；
第二损失计算模块，用于当所述正样本特征图中存在图像级别的标签时，采用第二损失函数计算所述正样本的损失；
所述第一损失函数为:
其中，k，i，和j分别是类别、样本、16*16上点的索引，代表每个点的目标，代表每个点的预测值；
所述第二损失函数为:
其中，代表所述正样本的预测目标值。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括：
正样本损失计算模块，用于基于所述第一损失函数和所述第二损失函数综合确定所述正样本的损失。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行以下步骤：
提取所输入的正样本的正样本特征图，识别所述正样本中疾病的类型和区域；
采用诱导注意力网络对所述正样本和随机采用的负样本进行诱导注意力提取，得到对应的注意力权重图；
根据所述正样本特征图和所述注意力权重图计算所述正样本中疾病预测概率；
其中，所述正样本为需要识别是否有疾病的胸部X光片，所述负样本为随机采样的正常胸部X光片。
CN201910595459.3A 2019-07-03 2019-07-03 基于诱导注意力的胸腔病症检测方法及装置、存储介质 Active CN110399907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910595459.3A CN110399907B (zh) 2019-07-03 2019-07-03 基于诱导注意力的胸腔病症检测方法及装置、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910595459.3A CN110399907B (zh) 2019-07-03 2019-07-03 基于诱导注意力的胸腔病症检测方法及装置、存储介质

Publications (2)

Publication Number Publication Date
CN110399907A true CN110399907A (zh) 2019-11-01
CN110399907B CN110399907B (zh) 2021-12-03

Family

ID=68323683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910595459.3A Active CN110399907B (zh) 2019-07-03 2019-07-03 基于诱导注意力的胸腔病症检测方法及装置、存储介质

Country Status (1)

Country Link
CN (1) CN110399907B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028173A (zh) * 2019-12-10 2020-04-17 北京百度网讯科技有限公司 图像增强方法、装置、电子设备及可读存储介质
CN111814895A (zh) * 2020-07-17 2020-10-23 大连理工大学人工智能大连研究院 基于绝对和相对深度诱导网络的显著性目标检测方法
CN114742773A (zh) * 2022-03-25 2022-07-12 华中科技大学 一种基于正样本诱导的不平衡异常图像检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107833219A (zh) * 2017-11-28 2018-03-23 腾讯科技（深圳）有限公司 图像识别方法及装置
US20180181592A1 (en) * 2016-12-27 2018-06-28 Adobe Systems Incorporate Multi-modal image ranking using neural networks
EP3404578A1 (en) * 2017-05-17 2018-11-21 Samsung Electronics Co., Ltd. Sensor transformation attention network (stan) model
CN109102502A (zh) * 2018-08-03 2018-12-28 西北工业大学 基于三维卷积神经网络的肺结节检测方法
US10198671B1 (en) * 2016-11-10 2019-02-05 Snap Inc. Dense captioning with joint interference and visual context

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10198671B1 (en) * 2016-11-10 2019-02-05 Snap Inc. Dense captioning with joint interference and visual context
US20180181592A1 (en) * 2016-12-27 2018-06-28 Adobe Systems Incorporate Multi-modal image ranking using neural networks
EP3404578A1 (en) * 2017-05-17 2018-11-21 Samsung Electronics Co., Ltd. Sensor transformation attention network (stan) model
CN107833219A (zh) * 2017-11-28 2018-03-23 腾讯科技（深圳）有限公司 图像识别方法及装置
CN109102502A (zh) * 2018-08-03 2018-12-28 西北工业大学 基于三维卷积神经网络的肺结节检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
EMANUELE PESCE等: "Learning to detect chest radiographs containing pulmonary lesions using visual attention networks", 《ARXIV:1712.00996V3》 *
JINGYU LIU 等: "Align, Attend and Locate: Chest X-ray Diagnosis via Contrast Induced Attention Network with Limited Supervision", 《CVF INTERNATIONAL CONFERENCE ON COMPUTER VISION(ICCV)》 *
QINGJI GUAN 等: "Diagnose like a Radiologist: Attention Guided Convolutional Neural Network for Thorax Disease Classification", 《ARXIV:1801.09927V1》 *
王伟伟: "基于多维属性探索深度学习的多尺度疾病诊断预测研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111028173A (zh) * 2019-12-10 2020-04-17 北京百度网讯科技有限公司 图像增强方法、装置、电子设备及可读存储介质
CN111028173B (zh) * 2019-12-10 2023-11-17 北京百度网讯科技有限公司 图像增强方法、装置、电子设备及可读存储介质
CN111814895A (zh) * 2020-07-17 2020-10-23 大连理工大学人工智能大连研究院 基于绝对和相对深度诱导网络的显著性目标检测方法
CN114742773A (zh) * 2022-03-25 2022-07-12 华中科技大学 一种基于正样本诱导的不平衡异常图像检测方法
CN114742773B (zh) * 2022-03-25 2024-09-06 华中科技大学 一种基于正样本诱导的不平衡异常图像检测方法

Also Published As

Publication number Publication date
CN110399907B (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
CN108229509B (zh) 用于识别物体类别的方法及装置、电子设备
CN110399907B (zh) 基于诱导注意力的胸腔病症检测方法及装置、存储介质
CN109741312B (zh) 一种肺结节鉴别方法、装置、设备及介质
US9383347B2 (en) Pathological diagnosis results assessment system, pathological diagnosis results assessment method, and pathological diagnosis results assessment device
CN111564223B (zh) 传染病生存概率的预测方法、预测模型的训练方法及装置
Sahin et al. Detection and classification of COVID-19 by using faster R-CNN and mask R-CNN on CT images
JP2013192624A (ja) 医用画像診断支援装置、医用画像診断支援方法ならびにコンピュータプログラム
CN110705565A (zh) 淋巴结肿瘤区域识别方法与装置
CN111476290A (zh) 检测模型训练方法、淋巴结检测方法、装置、设备及介质
CN110717894B (zh) 癌症靶向治疗疗效评估方法及装置、设备、存储介质
KR20230029004A (ko) 흉부 자동 분할 영상을 이용한 폐암 최종 병기 예측 시스템 및 방법
CN112560993A (zh) 数据筛选方法、装置、电子设备及存储介质
CN113362314B (zh) 医学图像识别方法、识别模型训练方法及装置
CN110969623A (zh) 一种肺部ct多征象自动检测方法、系统、终端及存储介质
CN110648318A (zh) 用于皮肤病的辅助分析方法及装置、电子设备、存储介质
CN108875549A (zh) 图像识别方法、装置、系统及计算机存储介质
CN111028940A (zh) 肺结节多尺度检测方法、装置、设备及介质
EP3467770B1 (en) Method for analysing a medical imaging data set, system for analysing a medical imaging data set, computer program product and a computer-readable medium
EP4354322A1 (en) Information processing device, information processing method, medical image identification device, and non-transitory computer-readable medium in which program is stored
CN111062193A (zh) 医疗数据标注方法及装置、存储介质、电子设备
CN114155589B (zh) 一种图像处理方法、装置、设备以及存储介质
CN115830470A (zh) 一种遥感图像弱强度小尺度目标的检测方法、装置、设备
CN116052225A (zh) 掌纹识别方法、电子设备、存储介质及计算机程序产品
WO2021246013A1 (ja) 画像診断方法、画像診断支援装置、及び計算機システム
CN110443782B (zh) 胸部x光片模型对齐方法及装置、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