CN110414562B - X光片的分类方法、装置、终端及存储介质 - Google Patents
X光片的分类方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN110414562B CN110414562B CN201910563462.7A CN201910563462A CN110414562B CN 110414562 B CN110414562 B CN 110414562B CN 201910563462 A CN201910563462 A CN 201910563462A CN 110414562 B CN110414562 B CN 110414562B
- Authority
- CN
- China
- Prior art keywords
- ray film
- label
- classification
- information
- sample 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013145 classification model Methods 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000003062 neural network model Methods 0.000 claims abstract description 36
- 230000009467 reduction Effects 0.000 claims abstract description 31
- 238000011176 pooling Methods 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 25
- 238000012795 verification Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000036541 health Effects 0.000 claims description 6
- 210000000056 organ Anatomy 0.000 claims description 4
- 230000001575 pathological effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000011976 chest X-ray Methods 0.000 description 7
- 208000035478 Interatrial communication Diseases 0.000 description 6
- 201000007100 Pharyngitis Diseases 0.000 description 6
- 208000013914 atrial heart septal defect Diseases 0.000 description 6
- 206010003664 atrial septal defect Diseases 0.000 description 6
- 208000001910 Ventricular Heart Septal Defects Diseases 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 201000003130 ventricular septal defect Diseases 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 208000002330 Congenital Heart Defects Diseases 0.000 description 2
- 208000020128 Mitral stenosis Diseases 0.000 description 2
- 206010039101 Rhinorrhoea Diseases 0.000 description 2
- 208000028831 congenital heart disease Diseases 0.000 description 2
- 238000005202 decontamination Methods 0.000 description 2
- 230000003588 decontaminative effect Effects 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
- 208000018578 heart valve disease Diseases 0.000 description 2
- 208000006887 mitral valve stenosis Diseases 0.000 description 2
- 208000010753 nasal discharge Diseases 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010035664 Pneumonia Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及神经网络技术领域,提供了一种X光片的分类方法、装置、终端及存储介质。所述X光片的分类方法包括:获取X光片样本集,从降噪处理后的X光片中提取出多个标签信息;计算X光片中两两标签信息之间的关联度,并将大于设定阈值的关联度及该关联度对应的两个标签信息形成标签样本,多个标签样本形成标签样本集;构建X光片的神经网络模型,根据标签样本集对神经网络模型进行训练,获得X光片分类模型;获取待分类的目标X光片,提取目标X光片中的所有标签信息,将标签信息输入X光片分类模型进行分类识别,获得分类结果。本发明充分利用了各标签信息之间的关联信息,提高分类的准确性。
Description
技术领域
本发明涉及神经网络技术领域,尤其涉及一种X光片的分类方法、装置、终端及存储介质。
背景技术
X光片是最常用的医疗影像检查工具,一张X光片可以检测出多种疾病,在对涵盖肺炎在内的疾病进行筛查诊断和管理的过程中占据着至关重要的地位。
随着人工智能和机器学习的发展,深度学习技术可以有效解决对X光片进行分类的问题。但现有的X光片的分类方法,通常采用X光片中一个标签信息得到一个目标结果的方式,各标签信息之间相互独立,分类的准确性较低,分类效果较差。
发明内容
本发明提供一种X光片的分类方法、装置、终端及存储介质,以解决当前X光片的分类方法,无法充分利用X光片的各标签信息的关系,分类的准确性较低,分类效果较差的问题。
为解决上述问题,本发明采用如下技术方案:
本发明提供一种X光片的分类方法,包括如下步骤:
获取X光片样本集,对所述X光片样本集中的X光片进行降噪处理,通过定位方式从降噪处理后的所述X光片的关键信息区域中提取出多个标签信息;
计算所述X光片中两两标签信息之间的关联度,将大于设定阈值的关联度及所述关联度对应的两个标签信息形成标签样本,多个标签样本形成标签样本集;
构建X光片的神经网络模型,根据所述标签样本集对所述神经网络模型进行训练,获得X光片分类模型;
获取待分类的目标X光片,提取所述目标X光片中的所有标签信息,将所述标签信息输入所述X光片分类模型进行分类识别,获得分类结果。
在一实施例中,所述构建X光片的神经网络模型,根据所述标签样本集对所述神经网络模型进行训练,获得X光片分类模型的步骤,包括:
构建第一分类器和第二分类器;其中,所述第二分类器采用MSML损失函数;
将所述标签样本集的标签信息输入第一分类器中,得到第一分类结果;
将第一分类结果及标签样本集的关联度输入第二分类器中,得到目标训练结果;
当目标训练结果满足预设要求时,得到X光片分类模型。
在一实施例中,所述将第一分类结果及标签样本集的关联度输入第二分类器中,得到目标训练结果的步骤,包括:
利用标签样本集的关联度对所述第一分类结果进行调整,得到第二分类结果;
将第一分类结果和第二分类器分类得到的第二分类结果进行双线性池化处理,得到双线性池化处理结果;
将双线性池化处理结果进行卷积处理,得到目标训练结果。
在一实施例中,所述双线性池化处理的步骤中,包括如下公式:
其中,是第一分类器中池化层的局部特征,/>是第二分类器中池化层的局部特征,Pi,j是对局部特征进行向量化的结果,Vec是向量化操作处理。
在一实施例中,所述MSML损失函数为:
其中,l和k表示标签样本,Yi表示标签样本集中的正样本,表示标签样本集的负样本,|Yi|为归一化的基数,/>为标签样本集的特征。
在一实施例中,所述获得X光片分类模型之后,还包括:
获取X光片验证集;
将所述X光片验证集输入所述X光片分类模型中,得到验证结果;
当验证结果满足预设条件时,生成验证成功的X光片分类模型。
在一实施例中,所述生成验证成功的X光片分类模型之后,还包括:
获取X光片测试集;
利用所述X光片测试集对所述验证成功的X光片分类模型进行测试,当测试结果合格时,得到测试合格的X光片分类模型。
本发明提供的一种X光片的分类装置,包括:
获取模块,用于获取X光片样本集,对所述X光片样本集中的X光片进行降噪处理,通过定位方式从降噪处理后的所述X光片的关键信息区域中提取出多个标签信息;
计算模块,用于计算所述X光片中两两标签信息之间的关联度,将大于设定阈值的关联度及所述关联度对应的两个标签信息形成标签样本,多个标签样本形成标签样本集;
构建模块,用于构建X光片的神经网络模型,根据所述标签样本集对所述神经网络模型进行训练,获得X光片分类模型;
分类识别模块,用于获取待分类的目标X光片,提取所述目标X光片中的所有标签信息,将所述标签信息输入所述X光片分类模型进行分类识别,获得分类结果。
本发明提供一种终端,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如上任一项所述的X光片的分类方法的步骤。
本发明提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上任一项所述的X光片的分类方法。
相对于现有技术,本发明的技术方案至少具备如下优点:
本发明提供的X光片的分类方法,首先通过获取X光片样本集,对所述X光片样本集中的X光片进行降噪处理,以将获取到的X光片中的干扰信息尽量去除;并通过定位方式从降噪处理后的所述X光片的关键信息区域中提取出多个标签信息;计算所述X光片中两两标签信息之间的关联度,并将大于设定阈值的关联度及所述关联度对应的两个标签信息形成标签样本,多个标签样本形成标签样本集;然后构建X光片的神经网络模型,根据所述标签样本集对所述神经网络模型进行训练,获得X光片分类模型;最后获取待分类的目标X光片,提取所述目标X光片中的所有标签信息,将所述标签信息输入所述X光片分类模型进行分类识别,获得分类结果。本发明根据X光片各标签信息之间的关联度进行分类时,以充分利用各标签信息之间的关联信息,提高分类的准确性。
附图说明
图1为本发明一个实施例中提供的X光片的分类方法的实施环境图;
图2为本发明X光片的分类方法一种实施例流程框图;
图3为本发明X光片的分类装置一种实施例模块框图;
图4为本发明一个实施例中终端的内部结构框图。
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
为了使本技术领域的人员更好地理解本发明方案,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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如S11、S12等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
本领域普通技术人员可以理解,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。
本领域普通技术人员可以理解,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,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。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,本领域技术人员在没有作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。
图1为一个实施例中提供的X光片的分类方法的实施环境图,如图1所示,在该实施环境中,包括服务器110、终端120。终端120通过网络与服务器连接,所述终端120上安装有客户端或浏览器,用户可通过客户端或浏览器上传目标X光片至服务器110,经服务器110分类处理后,将得到的分类结果返回给终端120。其中,上述网络可以包括因特网、2G/3G/4G、wifi等。
需要说明的是,服务器110可以是独立的物理服务器或终端,也可以是多个物理服务器构成的服务器集群,可以是提供云服务器、云数据库、云存储和CDN等基础云计算服务的云服务器。
终端120可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能手表等,但并不局限于此。
请参阅图2,本发明所提供的一种X光片的分类方法,以解决当前X光片的分类方法,无法充分利用X光片的各标签信息的关系,分类的准确性较低,分类效果较差的问题。其中一种实施方式中,包括如下步骤:
S21、获取X光片样本集,对所述X光片样本集中的X光片进行降噪处理,通过定位方式从降噪处理后的所述X光片的关键信息区域中提取出多个标签信息;
在本实施例中,可通过网络下载图片集,从图片集中筛选出若干张X光片作为X光片样本集,然后对所述X光片样本集中的X光片进行降噪处理,以将获取到的X光片中的干扰信息尽量去除,提高后续对X光片中的标签信息识别的准确率。并通过定位方式分别从降噪处理后的每张X光片的关键信息区域中提取出多个标签信息。其中,所述标签信息包括人体器官信息及人体器官信息反映的健康生理信息或病理信息。此外,X光片样本集还可通过其他方式获取,以胸部X光片为例,可将NIH(National Institutes of Health,美国国立卫生研究院)提供的胸部X光片数据集ChestX-ray14作为胸部X光片样本集。
在一实施例中,对X光片进行降噪处理时,可利用近邻取样插值算法对所述X光片进行自动缩放处理;利用图像去污算法对自动缩放处理后的X光片进行去除污点和划痕处理;然后利用角度检测算法和图像快速旋转算法进行角度处理和反光处理。其中,所述角度检测算法是通过数学计算在图像上发现角度特征的一种算法,而且其具有旋转不变性的特质。
通过上述降噪处理,以将获取到的X光片中的干扰信息尽量去除,提高后续对X光片中的标签信息识别的准确率。
在一实施例中,通过定位方式从降噪处理后的所述X光片的关键信息区域中提取出多个标签信息时,可通过对X光片中反映人体组织的轮廓区域进行定位,并在轮廓区域上设置若干位置坐标,然后以该位置坐标为中心提取出预定范围内的标签信息,从而得到X光片中关键信息区域的标签信息。
提取标签信息时,还可预先对待提取的标签信息进行分类,当需要提取某一类型的标签信息时,先确定该标签信息的类型,然后获取该标签信息类型对应的位置坐标,提取出以所述位置坐标为中心的预定范围内的标签信息,以得到所需类型的标签信息,从而减少了无关信息的提取,以提高后续对神经网络模型训练的效率及准确性。
S22、计算所述X光片中两两标签信息之间的关联度,将大于设定阈值的关联度及所述关联度对应的两个标签信息形成标签样本,多个标签样本形成标签样本集;
在本实施例中,所述标签信息可包括文字信息,计算X光片中两两标签信息之间的关联度时,可根据文字信息中关键词的历史搭配频率计算,如先天性心脏病对应的标签信息包括:房间隔缺损、室间隔缺损、动脉导管未闭等等;心脏瓣膜病对应的标签信息则包括:二尖瓣狭窄和关闭不全、主动脉瓣狭窄和关闭不全等等,计算标签信息之间的关联度时,则房间隔缺损与室间隔缺损的关联度较高,而房间隔缺损与二尖瓣狭窄的关联度比较低,依此类推,得到每两个标签信息之间的关联度,然后筛选出数值大于设定阈值的关联度及所述关联度对应的两个标签信息,以形成标签样本,并将多个标签样本形成标签样本集,即该标签样本集中包括多个标签信息及每两个标签信息之间的关联度。
S23、构建X光片的神经网络模型,根据所述标签样本集对所述神经网络模型进行训练,获得X光片分类模型;
本实施例可构建卷积神经网络模型,将标签样本集输入所述卷积神经网络模型中进行训练,直至卷积神经网络模型收敛时,得到训练合格的X光片分类模型。在本实施例中,当标签样本集中标签信息的数量越多,则训练得到的X光片分类模型的分类效果越好,因此,在对卷积神经网络模型进行训练前,尽可能获取更多的标签信息。
S24、获取待分类的目标X光片,提取所述目标X光片中的所有标签信息,将所述标签信息输入所述X光片分类模型进行分类识别,获得分类结果。
本实施例从待分类的目标X光片中提取出所有标签信息,并将所述标签信息输入训练得到的X光片分类模型中进行分类识别,X光片分类模型通过计算目标X光片中每两个标签信息之间的关联度,并根据关联度及标签信息对目标X光片进行分类,得到分类结果。
为了更好地理解本技术方案,下面以感冒为例进行说明:
当标签信息为喉咙发炎时,则对应的分类结果可能是上火也可能是感冒,在进行分类时,还需结合其他标签信息,将与喉咙发炎关联度比较高的多个标签信息,形成标签样本集,将标签集合输入分类模型进行分类,得到分类结果,如除了喉咙发炎这一标签信息时,还伴有流鼻涕等标签信息,则可以得到最终分类结果为感冒,而非上火,从而提高分类准确率。
本发明提供的X光片的分类方法,首先通过获取X光片样本集,对所述X光片样本集中的X光片进行降噪处理,以将获取到的X光片中的干扰信息尽量去除;并通过定位方式从降噪处理后的所述X光片的关键信息区域中提取出多个标签信息;计算所述X光片中两两标签信息之间的关联度,并将大于设定阈值的关联度及所述关联度对应的两个标签信息形成标签样本,多个标签样本形成标签样本集;然后构建X光片的神经网络模型,根据所述标签样本集对所述神经网络模型进行训练,获得X光片分类模型;最后获取待分类的目标X光片,提取所述目标X光片中的所有标签信息,将所述标签信息输入所述X光片分类模型进行分类识别,获得分类结果。本发明根据X光片各标签信息之间的关联度进行分类时,以充分利用各标签信息之间的关联信息,提高分类的准确性。
在一实施例中,所述构建X光片的神经网络模型,根据所述标签样本集对所述神经网络模型进行训练,获得X光片分类模型的步骤,可具体包括:
构建第一分类器和第二分类器;其中,所述第二分类器采用MSML损失函数;
将所述标签样本集的标签信息输入第一分类器中,得到第一分类结果;
将第一分类结果及标签样本集的关联度输入第二分类器中,得到目标训练结果;
当目标训练结果满足预设要求时,得到X光片分类模型。
在本实施例中,分类器是数据挖掘中对样本进行分类的方法的统称,包含决策树、逻辑回归、朴素贝叶斯、神经网络等算法。损失函数(loss function)是用来估量你模型的预测值f(x)与真实值Y的不一致程度,它是一个非负实值函数,通常使用L(Y,f(x))来表示,损失函数的结果越小,神经网络模型的鲁棒性就越好。因此,可通过损失函数判断X光片分类模型的分类效果。MSML损失函数为边界样本挖掘损失函数,可把正负样本的边界推开,其同时兼顾相对距离和绝对距离并引入了难样本采样思想的度量学习方法。
本实施例的神经网络模型构建了两个分类器:第一分类器和第二分类器。对神经网络模型进行训练时,先将标签样本集的标签信息输入第一分类器中,得到第一分类结果,再对第一分类结果进一步分类,结合每两个标签信息之间的关联度,将第一分类结果及标签样本集的关联度输入第二分类器中,得到满足预设要求的目标分类结果,进而得到X光片分类模型。其中,第二分类器使用了MSML损失函数,可用来学习不同标签之间的关系,以提高分类的准确性。
在一实施例中,所述第一分类器采用第一分类函数,所述第一分类损失函数为:
其中,表示第i个输入X光片的特征属于c类的预测概率;/>表示第i个输入X光片的特征属于c类的标签信息。
在一实施例中,所述MSML损失函数为:
其中,l和k表示标签样本,Yi表示标签样本集中的正样本,表示标签样本集的负样本,|Yi|为归一化的基数,/>为标签样本集的特征。
在一实施例中,所述将第一分类结果及标签样本集的关联度输入第二分类器中,得到目标训练结果的步骤,可具体包括:
利用标签样本集的关联度对所述第一分类结果进行调整,得到第二分类结果;
将第一分类结果和第二分类器分类得到的第二分类结果进行双线性池化处理,得到双线性池化处理结果;
将双线性池化处理结果进行卷积处理,得到目标训练结果。
第一分类器分类后,只是对标签信息进行简单的分类,各标签信息相互独立,并未考虑标签信息之间的关联信息。因此,本实施例利用第二分类器结合标签样本集的关联度对第一分类结果进行调整,得到第二分类结果,以考虑各独立的标签信息之间的关联信息,对第一分类器分类后的第一分类结果进行校准,提高分类的准确性。
其中,双线性池化处理可以把两个分类器分类得到的特征汇合起来,汇合的过程可以得到两个分类器的特征图成对的相关关系,使两个分类器的特征结合起来使用,进而充分考虑标签信息之间的关系,这样使用更丰富的特征可以得到更好的分类效果。
在一实施例中,所述当目标训练结果满足预设要求时,得到X光片分类模型的步骤,可具体包括:
利用细粒度交叉熵损失函数计算经过训练后的X光片的神经网络模型的总损失;
判断所述总损失是否低于预设值;
当所述总损失低于预设值时,得到X光片分类模型。
本实施例可将两个分类器的分类结果经过双线性池化操作和卷积处理后,然后使用细粒度交叉熵损失函数计算X光片的神经网络模型的总损失,并判断所述总损失是否低于预设值;若是,则得到X光片分类模型;否则调整两个分类器的相关参数,继续对两个分类器进行训练,直至X光片的神经网络模型训练合格。
在一实施例中,所述总损失的公式如下:
Etotal=α(EMSML+ECE)+βEFCE;
其中,所述Etotal表示总损失;所述ECE表示第一损失函数;所述EMSML表示MSML损失函数;所述EFCE表示细粒度交叉熵损失函数。
本实施例计算X光片分类模型的总损失时,结合了第一分类器及第二分类器的损失计算结果,以得到训练效果更佳的X光片分类模型。
在一实施例中,所述双线性池化处理的步骤中,可包括如下公式:
其中,是第一分类器中池化层的局部特征,/>是第二分类器中池化层的局部特征,Pi,j是对局部特征进行向量化的结果,Vec是向量化操作处理。
在本实施例中,为了产生二阶局部特征的统计差异,一个池化层的输出结合了两个分类器的结果,从而提高X光片分类模型的分类准确性。
在一实施例中,所述获得X光片分类模型之后,还可包括:
获取X光片验证集;
将所述X光片验证集输入所述X光片分类模型中,得到验证结果;
当验证结果满足预设条件时,生成验证成功的X光片分类模型。
在本实施例中,我们可使用由NIH提供的胸部X光片数据集ChestX-ray14。它总共包含112120个正面胸部X光片,共包含14种病。每个图像大小为1024×1024。我们可将整个数据集分成3个部分。第一部分含有数据集中70%的X光片,作为训练集;10%的X光片用于验证;最后20%的X光片用于测试。对原始数据进行三个集合的划分,是为了能够选出效果最好的、泛化能力最佳的X光片分类模型。
其中,训练集的作用是用来拟合X光片分类模型,通过设置X光片分类中分类器的参数,训练X光片分类模型。后续结合验证集作用时,会选出同一参数的不同取值,拟合出分类器。
所述验证集是用来当通过训练集训练出多个分类模型后,为了能找出效果最佳的X光片分类模型,使用各个模型对验证集数据进行预测,并记录模型准确率。选出效果最佳的模型所对应的参数,即用来调整模型参数。当然,测试集、训练集和验证集三者之间的比例,还可根据实际分类效果,进行设定。
在一实施例中,所述生成验证成功的X光片分类模型之后,还包括:
获取X光片测试集;
利用所述X光片测试集对所述验证成功的X光片分类模型进行测试,当测试结果合格时,得到测试合格的X光片分类模型。
在本实施例中,所述测试集是用来最终评估模式识别系统的性能和分类能力。即可以把测试集当做从来不存在的数据集,当已经确定模型参数后,可以使用测试集进行模型预测并评估模型的性能。
请参考图3,本发明的实施例还提供一种X光片的分类装置,一种本实施例中,包括获取模块31、计算模块32、构建模块33及分类识别模块34。其中,
获取模块31,用于获取X光片样本集,对所述X光片样本集中的X光片进行降噪处理,通过定位方式从降噪处理后的所述X光片的关键信息区域中提取出多个标签信息;
在本实施例中,可通过网络下载图片集,从图片集中筛选出若干张X光片作为X光片样本集,然后对所述X光片样本集中的X光片进行降噪处理,以将获取到的X光片中的干扰信息尽量去除,提高后续对X光片中的标签信息识别的准确率。并通过定位方式分别从降噪处理后的每张X光片的关键信息区域中提取出多个标签信息。其中,所述标签信息包括人体器官信息及人体器官信息反映的健康生理信息或病理信息。此外,X光片样本集还可通过其他方式获取,以胸部X光片为例,可将NIH(National Institutes of Health,美国国立卫生研究院)提供的胸部X光片数据集ChestX-ray14作为胸部X光片样本集。
在一实施例中,对X光片进行降噪处理时,可利用近邻取样插值算法对所述X光片进行自动缩放处理;利用图像去污算法对自动缩放处理后的X光片进行去除污点和划痕处理;然后利用角度检测算法和图像快速旋转算法进行角度处理和反光处理。其中,所述角度检测算法是通过数学计算在图像上发现角度特征的一种算法,而且其具有旋转不变性的特质。
通过上述降噪处理,以将获取到的X光片中的干扰信息尽量去除,提高后续对X光片中的标签信息识别的准确率。
在一实施例中,通过定位方式从降噪处理后的所述X光片的关键信息区域中提取出多个标签信息时,可通过对X光片中反映人体组织的轮廓区域进行定位,并在轮廓区域上设置若干位置坐标,然后以该位置坐标为中心提取出预定范围内的标签信息,从而得到X光片中关键信息区域的标签信息。
提取标签信息时,还可预先对待提取的标签信息进行分类,当需要提取某一类型的标签信息时,先确定该标签信息的类型,然后获取该标签信息类型对应的位置坐标提取出以所述位置坐标为中心的预定范围内的标签信息,以得到所需类型的标签信息,从而减少了无关信息的提取,以提高后续对神经网络模型训练的效率及准确性。
计算模块32,用于计算所述X光片中两两标签信息之间的关联度,将大于设定阈值的关联度及所述关联度对应的两个标签信息形成标签样本,多个标签样本形成标签样本集;
在本实施例中,所述标签信息可包括文字信息,计算X光片中两两标签信息之间的关联度时,可根据文字信息中关键词的历史搭配频率计算,如先天性心脏病对应的标签信息包括:房间隔缺损、室间隔缺损、动脉导管未闭等等;心脏瓣膜病对应的标签信息则包括:二尖瓣狭窄和关闭不全、主动脉瓣狭窄和关闭不全等等,计算标签信息之间的关联度时,则房间隔缺损与室间隔缺损的关联度较高,而房间隔缺损与二尖瓣狭窄的关联度比较低,依此类推,得到每两个标签信息之间的关联度,然后筛选出数值大于设定阈值的关联度及所述关联度对应的两个标签信息,以形成标签样本,并将多个标签样本形成标签样本集,即该标签样本集中包括多个标签信息及每两个标签信息之间的关联度。
构建模块33,用于构建X光片的神经网络模型,根据所述标签样本集对所述神经网络模型进行训练,获得X光片分类模型;
本实施例可构建卷积神经网络模型,将标签样本集输入所述卷积神经网络模型中进行训练,直至卷积神经网络模型收敛时,得到训练合格的X光片分类模型。在本实施例中,当标签样本集中标签信息的数量越多,则训练得到的X光片分类模型的分类效果越好,因此,在对卷积神经网络模型进行训练前,尽可能获取更多的标签信息。
分类识别模块34,用于获取待分类的目标X光片,提取所述目标X光片中的所有标签信息,将所述标签信息输入所述X光片分类模型进行分类识别,获得分类结果。
本实施例从待分类的目标X光片中提取出所有标签信息,并将所述标签信息输入训练得到的X光片分类模型中进行分类识别,X光片分类模型通过计算目标X光片中每两个标签信息之间的关联度,并根据关联度及标签信息对目标X光片进行分类,得到分类结果。
为了更好地理解本技术方案,下面以感冒为例进行说明:
当标签信息为喉咙发炎时,则对应的分类结果可能是上火也可能是感冒,在进行分类时,还需结合其他标签信息,将与喉咙发炎关联度比较高的信息标签集合,形成标签集合,将标签集合输入分类模型进行分类,得到分类结果,如除了喉咙发炎这一标签信息时,还伴有流鼻涕等标签信息,则可以得到最终分类结果为感冒,而非上火,从而提高分类准确率。
本发明提供的X光片的分类装置,首先通过获取X光片样本集,对所述X光片样本集中的X光片进行降噪处理,以将获取到的X光片中的干扰信息尽量去除;并通过定位方式从降噪处理后的所述X光片的关键信息区域中提取出多个标签信息;计算所述X光片中两两标签信息之间的关联度,并将大于设定阈值的关联度及所述关联度对应的两个标签信息形成标签样本,多个标签样本形成标签样本集;然后构建X光片的神经网络模型,根据所述标签样本集对所述神经网络模型进行训练,获得X光片分类模型;最后获取待分类的目标X光片,提取所述目标X光片中的所有标签信息,将所述标签信息输入所述X光片分类模型进行分类识别,获得分类结果。本发明根据X光片各标签信息之间的关联度进行分类时,以充分利用各标签信息之间的关联信息,提高分类的准确性。
在一实施例中,所述构建模块33具体被配置为:
构建第一分类器和第二分类器;其中,所述第二分类器采用MSML损失函数;
将所述标签样本集的标签信息输入第一分类器中,得到第一分类结果;
将第一分类结果及标签样本集的关联度输入第二分类器中,得到目标训练结果;
当目标训练结果满足预设要求时,得到X光片分类模型。
在一实施例中,所述构建模块33还被配置为:
利用标签样本集的关联度对所述第一分类结果进行调整,得到第二分类结果;
将第一分类结果和第二分类器分类得到的第二分类结果进行双线性池化处理,得到双线性池化处理结果;
将双线性池化处理结果进行卷积处理,得到目标训练结果。
在一实施例中,所述双线性池化处理包括如下公式:
其中,是第一分类器中池化层的局部特征,/>是第二分类器中池化层的局部特征,Pi,j是对局部特征进行向量化的结果,Vec是向量化操作处理。
在一实施例中,所述MSML损失函数为:
其中,l和k表示标签样本,Yi表示标签样本集中的正样本,表示标签样本集的负样本,|Yi|为归一化的基数,/>为标签样本集的特征。
在一实施例中,所述分类识别模块34还被配置为:
获取X光片验证集;
将所述X光片验证集输入所述X光片分类模型中,得到验证结果;
当验证结果满足预设条件时,生成验证成功的X光片分类模型。
在一实施例中,所述分类识别模块34还被配置为:
获取X光片测试集;
利用所述X光片测试集对所述验证成功的X光片分类模型进行测试,当测试结果合格时,得到测试合格的X光片分类模型。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本发明提供的一种终端,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如上任一项所述的X光片的分类方法的步骤。
在一实施例中,所述终端为一种计算机设备,如图4所示。本实施例所述的计算机设备可以是服务器、个人计算机以及网络设备等设备。所述计算机设备包括处理器402、存储器403、输入单元404以及显示单元405等器件。本领域技术人员可以理解,图4示出的设备结构器件并不构成对所有设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件。存储器403可用于存储计算机程序401以及各功能模块,处理器402运行存储在存储器403的计算机程序401,从而执行设备的各种功能应用以及数据处理。存储器可以是内存储器或外存储器,或者包括内存储器和外存储器两者。内存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、ZIP盘、U盘、磁带等。本发明所公开的存储器包括但不限于这些类型的存储器。本发明所公开的存储器只作为例子而非作为限定。
输入单元404用于接收信号的输入,以及接收用户输入的关键字。输入单元404可包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作),并根据预先设定的程序驱动相应的连接装置;其它输入设备可以包括但不限于物理键盘、功能键(比如播放控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。显示单元405可用于显示用户输入的信息或提供给用户的信息以及计算机设备的各种菜单。显示单元405可采用液晶显示器、有机发光二极管等形式。处理器402是计算机设备的控制中心,利用各种接口和线路连接整个电脑的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器内的数据,执行各种功能和处理数据。
作为一个实施例,所述计算机设备包括:一个或多个处理器402,存储器403,一个或多个计算机程序401,其中所述一个或多个计算机程序401被存储在存储器403中并被配置为由所述一个或多个处理器402执行,所述一个或多个计算机程序401配置用于执行以上实施例所述的X光片的分类方法。
在一个实施例中,本发明还提出了一种存储有计算机可读指令的存储介质,该计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述X光片的分类方法。例如,所述存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
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,该计算机程序可存储于一存储介质中,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,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(RandomAccess Memory,RAM)等。
综合上述实施例可知,本发明最大的有益效果在于:
本发明提供的X光片的分类方法、装置、终端及存储介质,首先通过获取X光片样本集,对所述X光片样本集中的X光片进行降噪处理,以将获取到的X光片中的干扰信息尽量去除;并通过定位方式从降噪处理后的所述X光片的关键信息区域中提取出多个标签信息;计算所述X光片中两两标签信息之间的关联度,并将大于设定阈值的关联度及所述关联度对应的两个标签信息形成标签样本,多个标签样本形成标签样本集;然后构建X光片的神经网络模型,根据所述标签样本集对所述神经网络模型进行训练,获得X光片分类模型;最后获取待分类的目标X光片,提取所述目标X光片中的所有标签信息,将所述标签信息输入所述X光片分类模型进行分类识别,获得分类结果。本发明根据X光片各标签信息之间的关联度进行分类时,以充分利用各标签信息之间的关联信息,提高分类的准确性。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种X光片的分类方法,其特征在于,包括:
获取X光片样本集,对所述X光片样本集中的X光片进行降噪处理,通过定位方式从降噪处理后的所述X光片的关键信息区域中提取出多个标签信息;其中,所述标签信息包括人体器官信息及人体器官信息反映的健康生理信息或病理信息;
计算所述X光片中两两标签信息之间的关联度,将大于设定阈值的关联度及所述关联度对应的两个标签信息形成标签样本,多个标签样本形成标签样本集;
构建X光片的神经网络模型,根据所述标签样本集对所述神经网络模型进行训练,获得X光片分类模型;
获取待分类的目标X光片,提取所述目标X光片中的所有标签信息,将所述标签信息输入所述X光片分类模型进行分类识别,获得分类结果;
所述计算所述X光片中两两标签信息之间的关联度,包括:
获取所述标签信息中的关键词;
根据所述关键词之间的历史搭配频率,确定两两标签信息之间的关联度。
2.根据权利要求1所述的X光片的分类方法,其特征在于,所述构建X光片的神经网络模型,根据所述标签样本集对所述神经网络模型进行训练,获得X光片分类模型的步骤,包括:
构建第一分类器和第二分类器;其中,所述第二分类器采用MSML损失函数;
将所述标签样本集的标签信息输入第一分类器中,得到第一分类结果;
将第一分类结果及标签样本集的关联度输入第二分类器中,得到目标训练结果;
当目标训练结果满足预设要求时,得到X光片分类模型。
3.根据权利要求2所述的X光片的分类方法,其特征在于,所述将第一分类结果及标签样本集的关联度输入第二分类器中,得到目标训练结果的步骤,包括:
利用标签样本集的关联度对所述第一分类结果进行调整,得到第二分类结果;
将第一分类结果和第二分类器分类得到的第二分类结果进行双线性池化处理,得到双线性池化处理结果;
将双线性池化处理结果进行卷积处理,得到目标训练结果。
4.根据权利要求3所述的X光片的分类方法,其特征在于,所述双线性池化处理的步骤中,包括如下公式:
其中,是第一分类器中池化层的局部特征,/>是第二分类器中池化层的局部特征,Pi,j是对局部特征进行向量化的结果,Vec是向量化操作处理。
5.根据权利要求2所述的X光片的分类方法,其特征在于,所述MSML损失函数为:
其中,l和k表示标签样本,Yi表示标签样本集中的正样本,表示标签样本集的负样本,|Yi|为归一化的基数,/>为标签样本集的特征。
6.根据权利要求1所述的X光片的分类方法,其特征在于,所述获得X光片分类模型之后,还包括:
获取X光片验证集;
将所述X光片验证集输入所述X光片分类模型中,得到验证结果;
当验证结果满足预设条件时,生成验证成功的X光片分类模型。
7.根据权利要求6所述的X光片的分类方法,其特征在于,所述生成验证成功的X光片分类模型之后,还包括:
获取X光片测试集;
利用所述X光片测试集对所述验证成功的X光片分类模型进行测试,当测试结果合格时,得到测试合格的X光片分类模型。
8.一种X光片的分类装置,其特征在于,包括:
获取模块,用于获取X光片样本集,对所述X光片样本集中的X光片进行降噪处理,通过定位方式从降噪处理后的所述X光片的关键信息区域中提取出多个标签信息;其中,所述标签信息包括人体器官信息及人体器官信息反映的健康生理信息或病理信息;
计算模块,用于计算所述X光片中两两标签信息之间的关联度,将大于设定阈值的关联度及所述关联度对应的两个标签信息形成标签样本,多个标签样本形成标签样本集;
构建模块,用于构建X光片的神经网络模型,根据所述标签样本集对所述神经网络模型进行训练,获得X光片分类模型;
分类识别模块,用于获取待分类的目标X光片,提取所述目标X光片中的所有标签信息,将所述标签信息输入所述X光片分类模型进行分类识别,获得分类结果;
所述计算所述X光片中两两标签信息之间的关联度,包括:
获取所述标签信息中的关键词;
根据所述关键词之间的历史搭配频率,确定两两标签信息之间的关联度。
9.一种终端,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述的X光片的分类方法的步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时,实现如权利要求1至7中任一项所述的X光片的分类方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910563462.7A CN110414562B (zh) | 2019-06-26 | 2019-06-26 | X光片的分类方法、装置、终端及存储介质 |
PCT/CN2019/103655 WO2020258507A1 (zh) | 2019-06-26 | 2019-08-30 | X光片的分类方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910563462.7A CN110414562B (zh) | 2019-06-26 | 2019-06-26 | X光片的分类方法、装置、终端及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110414562A CN110414562A (zh) | 2019-11-05 |
CN110414562B true CN110414562B (zh) | 2023-11-24 |
Family
ID=68359749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910563462.7A Active CN110414562B (zh) | 2019-06-26 | 2019-06-26 | X光片的分类方法、装置、终端及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110414562B (zh) |
WO (1) | WO2020258507A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113505655B (zh) * | 2021-06-17 | 2023-10-13 | 电子科技大学 | 面向数字孪生系统的轴承故障智能诊断方法 |
CN115797341B (zh) * | 2023-01-16 | 2023-04-14 | 四川大学 | 一种自动即时判定头颅侧位x光片自然头位的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574859A (zh) * | 2015-12-14 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 一种基于ct图像的肝脏肿瘤分割方法及装置 |
CN106844407A (zh) * | 2015-12-07 | 2017-06-13 | 华为技术有限公司 | 基于数据集相关性的标签网络产生方法和系统 |
CN107145898A (zh) * | 2017-04-14 | 2017-09-08 | 北京航星机器制造有限公司 | 一种基于神经网络的射线图像分类方法 |
CN108830282A (zh) * | 2018-05-29 | 2018-11-16 | 电子科技大学 | 一种乳腺x光图像的乳腺肿块信息提取及分类方法 |
CN109300121A (zh) * | 2018-09-13 | 2019-02-01 | 华南理工大学 | 一种心血管疾病诊断模型的构建方法、系统及该诊断模型 |
CN109685102A (zh) * | 2018-11-13 | 2019-04-26 | 平安科技(深圳)有限公司 | 胸部病灶图像分类方法、装置、计算机设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715259A (zh) * | 2015-01-22 | 2015-06-17 | 苏州工业职业技术学院 | X光乳腺图像的核自适应优化分类方法 |
US10107769B2 (en) * | 2016-01-11 | 2018-10-23 | Carl Zeiss X-Ray Microscopy Inc. | Multimodality mineralogy segmentation system and method |
CN106960219B (zh) * | 2017-03-10 | 2021-04-16 | 百度在线网络技术(北京)有限公司 | 图片识别方法及装置、计算机设备及计算机可读介质 |
US11615879B2 (en) * | 2017-09-08 | 2023-03-28 | The General Hospital Corporation | System and method for automated labeling and annotating unstructured medical datasets |
CN107871316B (zh) * | 2017-10-19 | 2020-10-27 | 浙江工业大学 | 基于深度神经网络的x光片手骨兴趣区域自动提取方法 |
CN109493328B (zh) * | 2018-08-31 | 2020-08-04 | 上海联影智能医疗科技有限公司 | 医学图像显示方法、查看设备以及计算机设备 |
-
2019
- 2019-06-26 CN CN201910563462.7A patent/CN110414562B/zh active Active
- 2019-08-30 WO PCT/CN2019/103655 patent/WO2020258507A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844407A (zh) * | 2015-12-07 | 2017-06-13 | 华为技术有限公司 | 基于数据集相关性的标签网络产生方法和系统 |
CN105574859A (zh) * | 2015-12-14 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 一种基于ct图像的肝脏肿瘤分割方法及装置 |
CN107145898A (zh) * | 2017-04-14 | 2017-09-08 | 北京航星机器制造有限公司 | 一种基于神经网络的射线图像分类方法 |
CN108830282A (zh) * | 2018-05-29 | 2018-11-16 | 电子科技大学 | 一种乳腺x光图像的乳腺肿块信息提取及分类方法 |
CN109300121A (zh) * | 2018-09-13 | 2019-02-01 | 华南理工大学 | 一种心血管疾病诊断模型的构建方法、系统及该诊断模型 |
CN109685102A (zh) * | 2018-11-13 | 2019-04-26 | 平安科技(深圳)有限公司 | 胸部病灶图像分类方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020258507A1 (zh) | 2020-12-30 |
CN110414562A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiong et al. | Identification of cash crop diseases using automatic image segmentation algorithm and deep learning with expanded dataset | |
Zhang et al. | Learning regression and verification networks for robust long-term tracking | |
CN110832499B (zh) | 通过稀疏时间池化网络的弱监督动作定位 | |
CN109817339B (zh) | 基于大数据的患者分组方法和装置 | |
CN113728335A (zh) | 用于3d图像的分类和可视化的方法和系统 | |
Wang et al. | Multi-branching temporal convolutional network for sepsis prediction | |
Zhang et al. | Feature-transfer network and local background suppression for microaneurysm detection | |
Akilandasowmya et al. | Skin cancer diagnosis: Leveraging deep hidden features and ensemble classifiers for early detection and classification | |
CN110414562B (zh) | X光片的分类方法、装置、终端及存储介质 | |
Alfifi et al. | Enhanced artificial intelligence system for diagnosing and predicting breast cancer using deep learning | |
CN114494215A (zh) | 基于Transformer的甲状腺结节检测方法 | |
Nie et al. | Recent advances in diagnosis of skin lesions using dermoscopic images based on deep learning | |
Suganya et al. | Prognosticating various acute covid lung disorders from COVID-19 patient using chest CT Images | |
US11816185B1 (en) | Multi-view image analysis using neural networks | |
Kaya | Feature fusion-based ensemble CNN learning optimization for automated detection of pediatric pneumonia | |
CN113569758B (zh) | 基于动作三元组引导的时序动作定位方法、系统、设备及介质 | |
US20240028831A1 (en) | Apparatus and a method for detecting associations among datasets of different types | |
CN110929877B (zh) | 基于迁移学习的模型建立方法、装置、设备及存储介质 | |
Yasmin et al. | Impact of fuzziness for skin lesion classification with transformer-based model | |
Goundar | Improved deep learning model based on integrated convolutional neural networks and transfer learning for shoeprint image classification | |
CN113657022A (zh) | 一种芯片故障识别方法及相关设备 | |
JP2024500470A (ja) | 医療画像における病変分析方法 | |
CN112086174A (zh) | 一种三维知识诊断模型构建方法和系统 | |
Boumaraf et al. | Conventional Machine Learning versus Deep Learning for Magnification Dependent Histopathological Breast Cancer Image Classification: A Comparative Study with Visual Explanation. Diagnostics, 2021; 11 (3): 528 | |
Chelluboina et al. | CATDSNet: Computer Aided Tongue Diagnosis System for Disease Prediction Using Hybrid Extreme Learning Machine. |
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 |