CN110659690A - 神经网络的构建方法及装置、电子设备和存储介质 - Google Patents
神经网络的构建方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110659690A CN110659690A CN201910912493.9A CN201910912493A CN110659690A CN 110659690 A CN110659690 A CN 110659690A CN 201910912493 A CN201910912493 A CN 201910912493A CN 110659690 A CN110659690 A CN 110659690A
- Authority
- CN
- China
- Prior art keywords
- medical image
- network
- feature extractor
- classifier
- network corresponding
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 91
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000010276 construction Methods 0.000 title claims description 15
- 238000012549 training Methods 0.000 claims abstract description 181
- 238000010191 image analysis Methods 0.000 claims abstract description 91
- 238000000034 method Methods 0.000 claims abstract description 66
- 238000005070 sampling Methods 0.000 claims description 141
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 51
- 201000010099 disease Diseases 0.000 description 45
- 238000010586 diagram Methods 0.000 description 37
- 230000006835 compression Effects 0.000 description 27
- 238000007906 compression Methods 0.000 description 27
- 238000012545 processing Methods 0.000 description 26
- 238000003703 image analysis method Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000010200 validation analysis Methods 0.000 description 10
- 238000012795 verification Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 230000010339 dilation Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 4
- 230000007170 pathology Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本公开涉及一种神经网络的构建方法及装置、电子设备和存储介质。方法包括:基于医学图像训练数据,对特征提取器进行神经网络结构搜索,得到特征提取器对应的最优网络;基于特征提取器对应的最优网络提取的医学图像训练数据的特征,对分类器进行神经网络结构搜索,得到分类器对应的最优网络;至少根据医学图像训练数据中的候选区域的特征之间的关联权重,以及分类器对应的最优网络获得的医学图像训练数据中的候选区域对应的分类信息,训练得到特征更新网络;至少根据特征提取器对应的最优网络、分类器对应的最优网络以及特征更新网络,构建神经网络。采用本公开实施例构建得到的用于医学图像分析的神经网络能够提高医学图像分析的准确率。
Description
技术领域
本公开涉及计算机视觉技术领域,尤其涉及一种用于医学图像分析的神经网络的构建方法及装置、医学图像分析装置、电子设备和存储介质。
背景技术
计算机视觉是人工智能的重要组成部分,而目标检测是计算机视觉的基础。目前相对比较成熟的目标检测网络主要是基于RGB(Red,红;Green,绿;Blue,蓝)图像进行设计的。相比于RGB图像,CT(Computed Tomography,计算机体层摄影)图像等医学图像存在更加复杂的场景,例如:病症区域与非病症区域在医学图像上表现十分相似;病症区域在整张医学图像中一般是比较小的一个区域,难以准确定位;已有的医学图像数据中,病症类别存在严重不均衡的问题等。如何提高医学图像分析的准确率,是亟待解决的问题。
发明内容
本公开提出了一种医学图像分析技术方案。
根据本公开的一方面,提供了一种用于医学图像分析的神经网络的构建方法,包括:
基于医学图像训练数据,对特征提取器进行神经网络结构搜索,得到所述特征提取器对应的最优网络;
基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,对分类器进行神经网络结构搜索,得到所述分类器对应的最优网络;
至少根据所述医学图像训练数据中的候选区域的特征之间的关联权重,以及所述分类器对应的最优网络获得的所述医学图像训练数据中的候选区域对应的分类信息,训练得到特征更新网络;
至少根据所述特征提取器对应的最优网络、所述分类器对应的最优网络以及所述特征更新网络,构建用于医学图像分析的神经网络。
在一种可能的实现方式中,所述基于医学图像训练数据,对特征提取器进行神经网络结构搜索,得到所述特征提取器对应的最优网络,包括:
在所述特征提取器对应的搜索空间中进行搜索,得到所述特征提取器对应的采样网络;
基于医学图像训练数据训练所述特征提取器对应的采样网络,得到所述特征提取器对应的最优网络。
在一种可能的实现方式中,所述在所述特征提取器对应的搜索空间中进行搜索,得到所述特征提取器对应的采样网络,包括:
确定所述特征提取器对应的元模块;
根据所述特征提取器对应的元模块,确定所述特征提取器对应的初始化网络结构;
基于所述特征提取器对应的初始化网络结构,在所述特征提取器对应的搜索空间中进行搜索,得到所述特征提取器对应的采样网络。
在一种可能的实现方式中,所述特征提取器对应的元模块包括普通单元和压缩单元。
在一种可能的实现方式中,所述基于医学图像训练数据训练所述特征提取器对应的采样网络,得到所述特征提取器对应的最优网络,包括:
固定所述特征提取器对应的采样网络的网络结构参数,基于所述医学图像训练数据更新所述特征提取器对应的采样网络的网络权重参数;
固定所述特征提取器对应的采样网络的网络权重参数,基于所述医学图像训练数据更新所述特征提取器对应的采样网络的网络结构参数;
重复迭代更新,直至所述特征提取器对应的采样网络的网络结构参数和网络权重参数收敛,得到所述特征提取器对应的最优网络。
在一种可能的实现方式中,所述医学图像训练数据包括训练数据集和验证数据集;
所述固定所述特征提取器对应的采样网络的网络结构参数,基于所述医学图像训练数据更新所述特征提取器对应的采样网络的网络权重参数包括:固定所述特征提取器对应的采样网络的网络结构参数,基于所述训练数据集更新所述特征提取器对应的采样网络的网络权重参数;
所述固定所述特征提取器对应的采样网络的网络权重参数,基于所述医学图像训练数据更新所述特征提取器对应的采样网络的网络结构参数包括:固定所述特征提取器对应的采样网络的网络权重参数,基于所述验证数据集更新所述特征提取器对应的采样网络的网络结构参数。
在一种可能的实现方式中,所述基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,对分类器进行神经网络结构搜索,得到所述分类器对应的最优网络,包括:
在所述分类器对应的搜索空间中进行搜索,得到所述分类器对应的采样网络;
基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,训练所述分类器对应的采样网络,得到所述分类器对应的最优网络。
在一种可能的实现方式中,所述在所述分类器对应的搜索空间中进行搜索,得到所述分类器对应的采样网络,包括:
确定所述分类器对应的元模块;
根据所述分类器对应的元模块,确定所述分类器对应的初始化网络结构;
基于所述分类器对应的初始化网络结构,在所述分类器对应的搜索空间中进行搜索,得到所述分类器对应的采样网络。
在一种可能的实现方式中,所述分类器对应的元模块包括基本单元和压缩单元。
在一种可能的实现方式中,所述基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,训练所述分类器对应的采样网络,得到所述分类器对应的最优网络,包括:
固定所述分类器对应的采样网络的网络结构参数,基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,更新所述分类器对应的采样网络的网络权重参数;
固定所述分类器对应的采样网络的网络权重参数,基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,更新所述分类器对应的采样网络的网络结构参数;
重复迭代更新,直至所述分类器对应的采样网络的网络结构参数和网络权重参数收敛,得到所述特征提取器对应的最优网络。
在一种可能的实现方式中,所述医学图像训练数据包括训练数据集和验证数据集;
所述固定所述分类器对应的采样网络的网络结构参数,基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,更新所述分类器对应的采样网络的网络权重参数包括:固定所述分类器对应的采样网络的网络结构参数,基于所述特征提取器对应的最优网络提取的所述训练数据集的特征,更新所述分类器对应的采样网络的网络权重参数;
所述固定所述分类器对应的采样网络的网络权重参数,基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,更新所述分类器对应的采样网络的网络结构参数包括:固定所述分类器对应的采样网络的网络权重参数,基于所述特征提取器对应的最优网络提取的所述验证数据集的特征,更新所述分类器对应的采样网络的网络结构参数。
在一种可能的实现方式中,所述分类器包括第一分类器和第二分类器;
所述至少根据所述特征提取器对应的最优网络、所述分类器对应的最优网络以及所述特征更新网络,构建用于医学图像分析的神经网络,包括:至少根据所述特征提取器对应的最优网络、所述第一分类器对应的最优网络、所述特征更新网络和所述第二分类器对应的最优网络,构建用于医学图像分析的神经网络。
在一种可能的实现方式中,所述至少根据所述医学图像训练数据中的候选区域的特征之间的关联权重,以及所述分类器对应的最优网络获得的所述医学图像训练数据中的候选区域对应的分类信息,训练得到特征更新网络,包括:
通过所述特征更新网络根据所述第一分类器对应的最优网络获得的所述医学图像训练数据中的候选区域对应的分类信息,确定属于同一病症类别的候选区域;
通过所述特征更新网络根据所述医学图像训练数据中的候选区域的特征,确定属于同一病症类别的任意两个候选区域的特征之间的关联权重;
通过所述特征更新网络根据所述医学图像训练数据中的候选区域的特征之间的关联权重,更新所述医学图像训练数据中的候选区域的特征;
通过所述第二分类器对应的最优网络根据所述医学图像训练数据中的候选区域的更新后的特征,获得所述医学图像训练数据对应的分类结果;
根据所述医学图像训练数据对应的分类结果,更新所述特征更新网络的参数。
在一种可能的实现方式中,所述至少根据所述特征提取器对应的最优网络、所述第一分类器对应的最优网络、所述特征更新网络和所述第二分类器对应的最优网络,构建用于医学图像分析的神经网络包括:
根据所述特征提取器对应的最优网络、区域候选网络、候选区域特征提取网络、第一分类器对应的最优网络、所述特征更新网络、所述第二分类器对应的最优网络和回归器,构建用于医学图像分析的神经网络。
根据本公开的另一方面提供了一种用于医学图像分析的神经网络的构建装置,包括:
第一结构搜索模块,用于基于医学图像训练数据,对特征提取器进行神经网络结构搜索,得到所述特征提取器对应的最优网络;
第二结构搜索模块,用于基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,对分类器进行神经网络结构搜索,得到所述分类器对应的最优网络;
训练模块,用于至少根据所述医学图像训练数据中的候选区域的特征之间的关联权重,以及所述分类器对应的最优网络获得的所述医学图像训练数据中的候选区域对应的分类信息,训练得到特征更新网络;
构建模块,用于至少根据所述特征提取器对应的最优网络、所述分类器对应的最优网络以及所述特征更新网络,构建用于医学图像分析的神经网络。
在一种可能的实现方式中,所述第一结构搜索模块包括:
第一搜索子模块,用于在所述特征提取器对应的搜索空间中进行搜索,得到所述特征提取器对应的采样网络;
第一训练子模块,用于基于医学图像训练数据训练所述特征提取器对应的采样网络,得到所述特征提取器对应的最优网络。
在一种可能的实现方式中,所述第一搜索子模块用于:
确定所述特征提取器对应的元模块;
根据所述特征提取器对应的元模块,确定所述特征提取器对应的初始化网络结构;
基于所述特征提取器对应的初始化网络结构,在所述特征提取器对应的搜索空间中进行搜索,得到所述特征提取器对应的采样网络。
在一种可能的实现方式中,所述特征提取器对应的元模块包括普通单元和压缩单元。
在一种可能的实现方式中,所述第一训练子模块用于:
固定所述特征提取器对应的采样网络的网络结构参数,基于所述医学图像训练数据更新所述特征提取器对应的采样网络的网络权重参数;
固定所述特征提取器对应的采样网络的网络权重参数,基于所述医学图像训练数据更新所述特征提取器对应的采样网络的网络结构参数;
重复迭代更新,直至所述特征提取器对应的采样网络的网络结构参数和网络权重参数收敛,得到所述特征提取器对应的最优网络。
在一种可能的实现方式中,所述医学图像训练数据包括训练数据集和验证数据集;
所述第一训练子模块用于:固定所述特征提取器对应的采样网络的网络结构参数,基于所述训练数据集更新所述特征提取器对应的采样网络的网络权重参数;
固定所述特征提取器对应的采样网络的网络权重参数,基于所述验证数据集更新所述特征提取器对应的采样网络的网络结构参数。
在一种可能的实现方式中,所述第二结构搜索模块包括:
第二搜索子模块,用于在所述分类器对应的搜索空间中进行搜索,得到所述分类器对应的采样网络;
第二训练子模块,用于基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,训练所述分类器对应的采样网络,得到所述分类器对应的最优网络。
在一种可能的实现方式中,所述第二搜索子模块用于:
确定所述分类器对应的元模块;
根据所述分类器对应的元模块,确定所述分类器对应的初始化网络结构;
基于所述分类器对应的初始化网络结构,在所述分类器对应的搜索空间中进行搜索,得到所述分类器对应的采样网络。
在一种可能的实现方式中,所述分类器对应的元模块包括基本单元和压缩单元。
在一种可能的实现方式中,所述第二训练子模块用于:
固定所述分类器对应的采样网络的网络结构参数,基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,更新所述分类器对应的采样网络的网络权重参数;
固定所述分类器对应的采样网络的网络权重参数,基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,更新所述分类器对应的采样网络的网络结构参数;
重复迭代更新,直至所述分类器对应的采样网络的网络结构参数和网络权重参数收敛,得到所述特征提取器对应的最优网络。
在一种可能的实现方式中,所述医学图像训练数据包括训练数据集和验证数据集;
所述第二训练子模块用于:固定所述分类器对应的采样网络的网络结构参数,基于所述特征提取器对应的最优网络提取的所述训练数据集的特征,更新所述分类器对应的采样网络的网络权重参数;
固定所述分类器对应的采样网络的网络权重参数,基于所述特征提取器对应的最优网络提取的所述验证数据集的特征,更新所述分类器对应的采样网络的网络结构参数。
在一种可能的实现方式中,所述分类器包括第一分类器和第二分类器;
所述构建模块用于:至少根据所述特征提取器对应的最优网络、所述第一分类器对应的最优网络、所述特征更新网络和所述第二分类器对应的最优网络,构建用于医学图像分析的神经网络。
在一种可能的实现方式中,所述训练模块包括:
第一确定子模块,用于通过所述特征更新网络根据所述第一分类器对应的最优网络获得的所述医学图像训练数据中的候选区域对应的分类信息,确定属于同一病症类别的候选区域;
第二确定子模块,用于通过所述特征更新网络根据所述医学图像训练数据中的候选区域的特征,确定属于同一病症类别的任意两个候选区域的特征之间的关联权重;
第一更新子模块,用于通过所述特征更新网络根据所述医学图像训练数据中的候选区域的特征之间的关联权重,更新所述医学图像训练数据中的候选区域的特征;
获得子模块,用于通过所述第二分类器对应的最优网络根据所述医学图像训练数据中的候选区域的更新后的特征,获得所述医学图像训练数据对应的分类结果;
第二更新子模块,用于根据所述医学图像训练数据对应的分类结果,更新所述特征更新网络的参数。
在一种可能的实现方式中,所述构建模块用于:
根据所述特征提取器对应的最优网络、区域候选网络、候选区域特征提取网络、第一分类器对应的最优网络、所述特征更新网络、所述第二分类器对应的最优网络和回归器,构建用于医学图像分析的神经网络。
根据本公开的另一方面,提供了一种医学图像分析方法,所述医学图像分析方法采用上述任意一项所述的用于医学图像分析的神经网络的构建方法或用于医学图像分析的神经网络的构建装置构建得到的用于医学图像分析的神经网络进行医学图像分析,所述医学图像分析方法包括:
通过所述特征提取器对应的最优网络提取请求分析的医学图像的特征;
根据所述请求分析的医学图像的特征,确定所述请求分析的医学图像中的候选区域的特征;
通过所述分类器对应的最优网络和所述特征更新网络,根据所述请求分析的医学图像中的候选区域的特征,确定所述请求分析的医学图像对应的分类结果。
在一种可能的实现方式中,所述分类器包括第一分类器和第二分类器;
所述通过所述分类器对应的最优网络和所述特征更新网络,根据所述请求分析的医学图像中的候选区域的特征,确定所述请求分析的医学图像对应的分类结果,包括:
通过第一分类器对应的最优网络,确定所述请求分析的医学图像中的候选区域对应的分类信息;
通过所述特征更新网络根据所述请求分析的医学图像中的候选区域的特征,以及所述请求分析的医学图像中的候选区域对应的分类信息,更新所述请求分析的医学图像中的候选区域的特征;
通过所述第二分类器对应的最优网络根据所述请求分析的医学图像中的候选区域的更新后的特征,确定所述请求分析的医学图像对应的分类结果。
在一种可能的实现方式中,还包括:
根据所述请求分析的医学图像的特征,确定所述请求分析的医学图像中的候选区域的位置信息;
根据所述请求分析的医学图像中的候选区域的位置信息,以及所述请求分析的医学图像中的候选区域的更新后的特征,进行回归处理,得到所述请求分析的医学图像中的病症区域的边界框;
在所述请求分析的医学图像上输出所述病症区域的边界框。
在一种可能的实现方式中,还包括:
在所述请求分析的医学图像上输出与所述病症区域的关联权重大于第一阈值的区域的边界框。
在一种可能的实现方式中,还包括:
根据所述病症区域和与所述病症区域的关联权重大于第一阈值的区域之间的关联权重,在所述请求分析的医学图像上输出所述病症区域的边界框和与所述病症区域的关联权重大于第一阈值的区域的边界框之间的连线。
根据本公开的另一方面,提供了一种医学图像分析装置,所述医学图像分析装置采用上述任意一项所述的用于医学图像分析的神经网络的构建方法或用于医学图像分析的神经网络的构建装置构建得到的用于医学图像分析的神经网络进行医学图像分析,所述医学图像分析装置包括:
特征提取模块,用于通过所述特征提取器对应的最优网络提取请求分析的医学图像的特征;
第一确定模块,用于根据所述请求分析的医学图像的特征,确定所述请求分析的医学图像中的候选区域的特征;
第二确定模块,用于通过所述分类器对应的最优网络和所述特征更新网络,根据所述请求分析的医学图像中的候选区域的特征,确定所述请求分析的医学图像对应的分类结果。
在一种可能的实现方式中,所述分类器包括第一分类器和第二分类器;
所述第二确定模块包括:
第一分类子模块,用于通过第一分类器对应的最优网络,确定所述请求分析的医学图像中的候选区域对应的分类信息;
特征更新子模块,用于通过所述特征更新网络根据所述请求分析的医学图像中的候选区域的特征,以及所述请求分析的医学图像中的候选区域对应的分类信息,更新所述请求分析的医学图像中的候选区域的特征;
第二分类子模块,用于通过所述第二分类器对应的最优网络根据所述请求分析的医学图像中的候选区域的更新后的特征,确定所述请求分析的医学图像对应的分类结果。
在一种可能的实现方式中,还包括:
第三确定模块,用于根据所述请求分析的医学图像的特征,确定所述请求分析的医学图像中的候选区域的位置信息;
回归模块,用于根据所述请求分析的医学图像中的候选区域的位置信息,以及所述请求分析的医学图像中的候选区域的更新后的特征,进行回归处理,得到所述请求分析的医学图像中的病症区域的边界框;
第一输出模块,用于在所述请求分析的医学图像上输出所述病症区域的边界框。
在一种可能的实现方式中,还包括:
第二输出模块,用于在所述请求分析的医学图像上输出与所述病症区域的关联权重大于第一阈值的区域的边界框。
在一种可能的实现方式中,还包括:
第三输出模块,用于根据所述病症区域和与所述病症区域的关联权重大于第一阈值的区域之间的关联权重,在所述请求分析的医学图像上输出所述病症区域的边界框和与所述病症区域的关联权重大于第一阈值的区域的边界框之间的连线。
根据本公开的另一方面,提供了一种电子设备,包括:
一个或多个处理器;
与所述一个或多个处理器关联的存储器,所述存储器用于存储可执行指令,所述可执行指令在被所述一个或多个处理器读取执行时,执行上述方法。
根据本公开的另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,通过基于医学图像训练数据,对特征提取器进行神经网络结构搜索,得到所述特征提取器对应的最优网络,基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,对分类器进行神经网络结构搜索,得到所述分类器对应的最优网络,至少根据所述医学图像训练数据中的候选区域的特征之间的关联权重,以及所述分类器对应的最优网络获得的所述医学图像训练数据中的候选区域对应的分类信息,训练得到特征更新网络,并至少根据所述特征提取器对应的最优网络、所述分类器对应的最优网络以及所述特征更新网络,构建用于医学图像分析的神经网络,由此构建得到的用于医学图像分析的神经网络能够提高医学图像分析的准确率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出本公开实施例提供的用于医学图像分析的神经网络的构建方法的流程图。
图2示出本公开实施例提供的用于医学图像分析的神经网络的构建方法中特征提取器的示意图。
图3示出本公开实施例提供的用于医学图像分析的神经网络的构建方法中特征提取器对应的元模块中的普通单元和压缩单元的示意图。
图4示出本公开实施例提供的用于医学图像分析的神经网络的构建方法中分类器的示意图。
图5示出本公开实施例提供的用于医学图像分析的神经网络的构建方法中分类器对应的元模块中的普通单元的示意图。
图6示出本公开实施例提供的用于医学图像分析的神经网络的构建方法中分类器对应的元模块中的压缩单元的示意图。
图7示出本公开实施例提供的用于医学图像分析的神经网络的构建方法中的关系图的示意图。
图8示出本公开实施例提供的用于医学图像分析的神经网络的示意图。
图9示出本公开实施例提供的医学图像分析方法的流程图。
图10a至图10c示出本公开实施例提供的医学图像分析方法中输出图像的示意图。
图11示出本公开实施例提供的用于医学图像分析的神经网络的构建装置的框图。
图12示出本公开实施例提供的医学图像分析装置的框图。
图13示出本公开实施例提供的一种电子设备800的框图。
图14示出本公开实施例提供的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
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,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
相关技术中的医学图像分析主要有两种方式。一种方式是基于已有的针对RGB图像进行设计的目标检测网络进行细小的改动,即,将已有的针对RGB图像进行设计的目标检测网络(如Faster RNN)直接迁移到医学图像的分析任务中,然后人工地改变分类器和一些其他的卷积核设置。第二种方式是在输入数据的格式上进行改动,把医学图像的通道数改成大于三通道的深度医学图像,然后还是基于已有的针对RGB图像进行设计的目标检测网络进行医学图像分析。
在相关技术中的医学图像分析方法中,首先,需要人工不断尝试不同的结构来找到适合医学图像分析的网络结构,整个过程十分依赖人工的专家成本,应用门槛高,自动化程度低。其次,由于RGB图像与医学图像之间的数据分布、特点有很大的差别,因此将目前已有的针对RGB图像进行设计的目标检测网络直接迁移到医学图像的分析任务上,并不能很好地发挥网络性能,也不一定适合医学图像分析。再次,相关技术中的基于医学图像的分析任务存在类别不均衡的问题,相关技术在基于医学图像进行分析时,单独地检测出医学图像中每个区域,并分开判断各个区域是否存在病症,导致分析的准确率较低。
为了解决类似于上文所述的技术问题,本公开实施例提供了一种用于医学图像分析的神经网络的构建方法及装置、医学图像分析装置、电子设备和存储介质,能够提高医学图像分析的准确率。
图1示出本公开实施例提供的用于医学图像分析的神经网络的构建方法的流程图。所述用于医学图像分析的神经网络的构建方法的执行主体可以是用于医学图像分析的神经网络的构建装置。例如,所述用于医学图像分析的神经网络的构建方法可以由终端设备或服务器或其它处理设备执行。其中,终端设备可以是用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal DigitalAssistant,PDA)、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中,所述用于医学图像分析的神经网络的构建方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示,所述用于医学图像分析的神经网络的构建方法包括步骤S11至步骤S14。
在步骤S11中,基于医学图像训练数据,对特征提取器进行神经网络结构搜索(Neural Architecture Search,NAS),得到所述特征提取器对应的最优网络。
本公开实施例中的医学图像可以是CT(Computed Tomography,计算机体层摄影)图像等任意类型的医学图像。
在一种可能的实现方式中,所述基于医学图像训练数据,对特征提取器进行神经网络结构搜索,得到所述特征提取器对应的最优网络,包括:在所述特征提取器对应的搜索空间中进行搜索,得到所述特征提取器对应的采样网络;基于医学图像训练数据训练所述特征提取器对应的采样网络,得到所述特征提取器对应的最优网络。
在该实现方式中,所述医学图像训练数据可以医学图像、医学图像对应的标注的病症类别和医学图像中的标注的病症区域。
在该实现方式中,所述特征提取器对应的搜索空间中可以包括多种操作。例如,所述特征提取器对应的搜索空间中可以包括空(none)、3×3卷积(膨胀系数为1)、3×3深度可分离(depthwise-separable)卷积、跳跃连接(skip connection)、5×5因子分解(factorized)卷积、具有4种尺度的3×3Res2卷积、3×3卷积(膨胀系数为2)和3×3卷积(膨胀系数为3)等操作中的多种。
作为该实现方式的一个示例,所述在所述特征提取器对应的搜索空间中进行搜索,得到所述特征提取器对应的采样网络,包括:确定所述特征提取器对应的元模块;根据所述特征提取器对应的元模块,确定所述特征提取器对应的初始化网络结构;基于所述特征提取器对应的初始化网络结构,在所述特征提取器对应的搜索空间中进行搜索,得到所述特征提取器对应的采样网络。例如,根据所述特征提取器对应的元模块,确定所述特征提取器对应的初始化网络结构,可以包括:采用所述特征提取器对应的3个元模块,构成所述特征提取器对应的初始化网络结构;初始化所述特征提取器对应的网络权重参数,使所述特征提取器对应的网络权重参数符合正太分布。
作为该实现方式的一个示例,特征提取器可以采用ResNet50的前两个构造块(building block),并采用所述特征提取器对应的元模块替换ResNet50的剩下的构造块。
图2示出本公开实施例提供的用于医学图像分析的神经网络的构建方法中特征提取器的示意图。在图2所示的示例中,特征提取器包括3个元模块。当然,所述特征提取器中的元模块的数量可以根据实际应用场景需求确定,本公开实施例对此不作限定。
在该示例中,所述特征提取器对应的元模块可以包括普通单元和压缩单元,或者,所述特征提取器对应的元模块可以仅包括普通单元,或者,所述特征提取器对应的元模块可以仅包括压缩单元。例如,所述特征提取器对应的元模块可以包括3个普通单元和1个压缩单元。当然,所述特征提取器对应的元模块中的普通单元和压缩单元的数量可以根据实际应用场景需求确定,本公开实施例对此不作限定。图3示出本公开实施例提供的用于医学图像分析的神经网络的构建方法中特征提取器对应的元模块中的普通单元和压缩单元的示意图。其中,所述特征提取器对应的元模块中的压缩单元与所述特征提取器对应的元模块中的普通单元的区别可以在于,所述特征提取器对应的元模块中的压缩单元对最后输出的特征层的长宽进行压缩操作(例如对最后输出的特征层的长宽进行减半操作),而所述特征提取器对应的元模块中的普通单元不进行该操作。在图3中,c_{k-2}和c_{k-1}表示所述特征提取器对应的元模块中的普通单元和压缩单元的输入层特征,0、1、2和3表示所述特征提取器对应的元模块中的普通单元和压缩单元的中间层特征,c_{k}表示所述特征提取器对应的元模块中的普通单元和压缩单元的的输出层特征。
作为该实现方式的一个示例,所述基于医学图像训练数据训练所述特征提取器对应的采样网络,得到所述特征提取器对应的最优网络,包括:固定所述特征提取器对应的采样网络的网络结构参数,基于所述医学图像训练数据更新所述特征提取器对应的采样网络的网络权重参数;固定所述特征提取器对应的采样网络的网络权重参数,基于所述医学图像训练数据更新所述特征提取器对应的采样网络的网络结构参数;重复迭代更新,直至所述特征提取器对应的采样网络的网络结构参数和网络权重参数收敛,得到所述特征提取器对应的最优网络。在该示例中,在训练所述特征提取器对应的采样网络、得到所述特征提取器对应的最优网络的过程中,可以在所述特征提取器之后分别连接分类器和回归器,其中,分类器和回归器可以分别通过全连接层来实现。在该示例中,所述特征提取器对应的采样网络的网络权重参数可以包括所述特征提取器对应的采样网络的层数以及每层对应的操作,所述特征提取器对应的采样网络的网络权重参数可以包括所述特征提取器对应的采样网络的每层的超参数。
在该示例中,所述医学图像训练数据可以包括训练数据集和验证数据集;所述固定所述特征提取器对应的采样网络的网络结构参数,基于所述医学图像训练数据更新所述特征提取器对应的采样网络的网络权重参数可以包括:固定所述特征提取器对应的采样网络的网络结构参数,基于所述训练数据集更新所述特征提取器对应的采样网络的网络权重参数;所述固定所述特征提取器对应的采样网络的网络权重参数,基于所述医学图像训练数据更新所述特征提取器对应的采样网络的网络结构参数可以包括:固定所述特征提取器对应的采样网络的网络权重参数,基于所述验证数据集更新所述特征提取器对应的采样网络的网络结构参数。
其中,用于得到特征提取器对应的最优网络的目标函数可以表示为:
其中,表示所述特征提取器对应的最优网络的网络结构参数,αbone表示所述特征提取器对应的采样网络的网络结构参数,Lval表示所述验证数据集对应的损失,表示所述特征提取器对应的采样网络中的元模块对应的网络权重参数,Ltrain表示所述训练数据集对应的损失,w表示所述特征提取器对应的采样网络对应的网络权重参数。
在步骤S12中,基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,对分类器进行神经网络结构搜索,得到所述分类器对应的最优网络。
在一种可能的实现方式中,所述基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,对分类器进行神经网络结构搜索,得到所述分类器对应的最优网络,包括:在所述分类器对应的搜索空间中进行搜索,得到所述分类器对应的采样网络;基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,训练所述分类器对应的采样网络,得到所述分类器对应的最优网络。
在该实现方式中,所述分类器对应的搜索空间中可以包括多种操作。例如,所述分类器对应的搜索空间中可以包括空、3×3卷积(膨胀系数为1)、3×3深度可分离卷积、跳跃连接、5×5因子分解卷积、5×5深度可分离卷积、3×3卷积(膨胀系数为2)、3×3卷积(膨胀系数为3)、3×3平均池化、具有4种尺度的3×3Res2卷积、非局部(non-local)、3×3最大池化和挤压和激励(Squeeze-and-excitation)等操作中的多种。其中,非局部操作和挤压和激励操作对语义特征更友好,因此有利于构建输入具有高层语义特征的分类器,从而有利于提高分类器的准确性。
作为该实现方式的一个示例,所述在所述分类器对应的搜索空间中进行搜索,得到所述分类器对应的采样网络,包括:确定所述分类器对应的元模块;根据所述分类器对应的元模块,确定所述分类器对应的初始化网络结构;基于所述分类器对应的初始化网络结构,在所述分类器对应的搜索空间中进行搜索,得到所述分类器对应的采样网络。在该示例中,根据所述分类器对应的元模块,确定所述分类器对应的初始化网络结构,可以包括:采用所述分类器对应的一个元模块,构成分类器对应的初始化网络结构;初始化所述分类器对应的网络权重参数,使所述分类器对应的网络权重参数符合正太分布。
在该示例中,分类器可以包括一个元模块。当然,所述分类器中的元模块的数量可以根据实际应用场景需求确定,本公开实施例对此不作限定。
在该示例中,所述分类器对应的元模块可以包括基本单元和压缩单元,或者,所述分类器对应的元模块可以仅包括普通单元,或者,所述分类器对应的元模块可以仅包括压缩单元。图4示出本公开实施例提供的用于医学图像分析的神经网络的构建方法中分类器的示意图。在图4所示的示例中,所述分类器包括一个元模块,所述分类器对应的元模块可以包括3个普通单元(Normal Cell)和1个压缩单元(Reduction Cell)。当然,所述分类器对应的元模块中的普通单元和压缩单元的数量可以根据实际应用场景需求确定,本公开实施例对此不作限定。图5示出本公开实施例提供的用于医学图像分析的神经网络的构建方法中分类器对应的元模块中的普通单元的示意图。在图5中,c_{k-2}和c_{k-1}表示所述分类器对应的元模块中的普通单元的输入层特征,0、1、2和3表示所述分类器对应的元模块中的普通单元的中间层特征,c_{k}表示所述分类器对应的元模块中的普通单元的输出层特征。图6示出本公开实施例提供的用于医学图像分析的神经网络的构建方法中分类器对应的元模块中的压缩单元的示意图。在图6中,c_{k-2}和c_{k-1}表示所述分类器对应的元模块中的压缩单元的输入层特征,0、1、2和3表示所述分类器对应的元模块中的压缩单元的中间层特征,c_{k}表示所述分类器对应的元模块中的压缩单元的输出层特征。
作为该实现方式的一个示例,所述基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,训练所述分类器对应的采样网络,得到所述分类器对应的最优网络,包括:固定所述分类器对应的采样网络的网络结构参数,基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,更新所述分类器对应的采样网络的网络权重参数;固定所述分类器对应的采样网络的网络权重参数,基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,更新所述分类器对应的采样网络的网络结构参数;重复迭代更新,直至所述分类器对应的采样网络的网络结构参数和网络权重参数收敛,得到所述特征提取器对应的最优网络。在该示例中,所述分类器对应的采样网络的网络权重参数可以包括所述分类器对应的采样网络的层数以及每层对应的操作,所述分类器对应的采样网络的网络权重参数可以包括所述分类器对应的采样网络的每层的超参数。
在该示例中,所述医学图像训练数据可以包括训练数据集和验证数据集;所述固定所述分类器对应的采样网络的网络结构参数,基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,更新所述分类器对应的采样网络的网络权重参数可以包括:固定所述分类器对应的采样网络的网络结构参数,基于所述特征提取器对应的最优网络提取的所述训练数据集的特征,更新所述分类器对应的采样网络的网络权重参数;所述固定所述分类器对应的采样网络的网络权重参数,基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,更新所述分类器对应的采样网络的网络结构参数可以包括:固定所述分类器对应的采样网络的网络权重参数,基于所述特征提取器对应的最优网络提取的所述验证数据集的特征,更新所述分类器对应的采样网络的网络结构参数。
其中,用于得到分类器对应的最优网络的目标函数可以表示为:
其中,αhead表示所述分类器对应的采样网络的网络结构参数,表示所述验证数据集对应的损失,表示所述分类器对应的最优网络的网络权重参数,whead表示所述分类器对应的采样网络的网络权重参数,表示所述训练数据集对应的损失。
在一种可能的实现方式中,所述分类器包括第一分类器和第二分类器。在一个示例中,第一分类器和第二分类器的网络结构参数和网络权重参数可以相同。当然,在其他可能的示例中,第一分类器和第二分类器的网络结构参数和/或网络权重参数可以不同。
在步骤S13中,至少根据所述医学图像训练数据中的候选区域的特征之间的关联权重,以及所述分类器对应的最优网络获得的所述医学图像训练数据中的候选区域对应的分类信息,训练得到特征更新网络。
在本公开实施例中,可以将所述医学图像训练数据中的候选区域的特征作为图中的节点,进行关系图建模,训练特征更新网络。
在一种可能的实现方式中,所述至少根据所述医学图像训练数据中的候选区域的特征之间的关联权重,以及所述分类器对应的最优网络获得的所述医学图像训练数据中的候选区域对应的分类信息,训练得到特征更新网络,包括:通过所述特征更新网络根据所述第一分类器对应的最优网络获得的所述医学图像训练数据中的候选区域对应的分类信息,确定属于同一病症类别的候选区域;通过所述特征更新网络根据所述医学图像训练数据中的候选区域的特征,确定属于同一病症类别的任意两个候选区域的特征之间的关联权重;通过所述特征更新网络根据所述医学图像训练数据中的候选区域的特征之间的关联权重,更新所述医学图像训练数据中的候选区域的特征;通过所述第二分类器对应的最优网络根据所述医学图像训练数据中的候选区域的更新后的特征,获得所述医学图像训练数据对应的分类结果;根据所述医学图像训练数据对应的分类结果,更新所述特征更新网络的参数。
图7示出本公开实施例提供的用于医学图像分析的神经网络的构建方法中的关系图的示意图。
在该实现方式中,所述医学图像训练数据中的候选区域对应的分类信息可以包括所述医学图像训练数据中的候选区域属于各个病症类别的概率。在一个示例中,若某一候选区域属于某一病症类别的概率大于第二阈值,则可以判定该候选区域属于该病症类别。其中,任一候选区域可能属于多个病症类别。
作为该实现方式的一个示例,通过所述特征更新网络根据所述医学图像训练数据中的候选区域的特征,确定属于同一病症类别的任意两个候选区域的特征之间的关联权重,可以包括:通过所述特征更新网络,对属于同一病症类别的任意两个候选区域的特征进行内积操作,得到该两个候选区域的特征之间的关联权重。例如,内积操作可以表示为A=XXT。
在该实现方式中,特征更新网络能够根据医学图像中的候选区域的特征之间的关联权重,更新医学图像中的候选区域的特征,由此能够结合医学图像中的不同的候选区域来进一步提高医学图像分析的准确率,即,能够进一步提高病症识别的准确率。
在步骤S14中,至少根据所述特征提取器对应的最优网络、所述分类器对应的最优网络以及所述特征更新网络,构建用于医学图像分析的神经网络。
在一种可能的实现方式中,所述至少根据所述特征提取器对应的最优网络、所述分类器对应的最优网络以及所述特征更新网络,构建用于医学图像分析的神经网络,包括:至少根据所述特征提取器对应的最优网络、所述第一分类器对应的最优网络、所述特征更新网络和所述第二分类器对应的最优网络,构建用于医学图像分析的神经网络。
作为该实现方式的一个示例,所述至少根据所述特征提取器对应的最优网络、所述第一分类器对应的最优网络、所述特征更新网络和所述第二分类器对应的最优网络,构建用于医学图像分析的神经网络包括:根据所述特征提取器对应的最优网络、区域候选网络(Region Proposal Network,RPN)、候选区域特征提取网络、第一分类器对应的最优网络、所述特征更新网络、所述第二分类器对应的最优网络和回归器,构建用于医学图像分析的神经网络。图8示出本公开实施例提供的用于医学图像分析的神经网络的示意图。其中,所述特征提取器对应的最优网络可以用于提取医学图像训练数据的特征,区域候选网络可以用于确定医学图像训练数据中的候选区域。在区域候选网络确定医学图像训练数据中的候选区域之后,可以提取候选区域的特征,例如,可以通过ROI Alignment等提取候选区域的特征。第一分类器对应的最优网络可以根据候选区域的特征,获得候选区域属于各个病症类别的概率。特征图更新网络可以根据候选区域的特征以及候选区域属于各个病症类别的概率,更新候选区域的特征。第二分类器可以根据候选区域的更新后的特征,重新确定候选区域属于各个病症类别的概率。
图9示出本公开实施例提供的医学图像分析方法的流程图。所述医学图像分析方法的执行主体可以是医学图像分析装置。例如,所述医学图像分析方法可以由终端设备或服务器或其它处理设备执行。其中,终端设备可以是用户设备、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理、手持设备、计算设备、车载设备或者可穿戴设备等。所述医学图像分析方法采用上述用于医学图像分析的神经网络的构建方法或者用于医学图像分析的神经网络的构建装置构建得到的用于医学图像分析的神经网络进行医学图像分析。在一些可能的实现方式中,所述医学图像分析方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图9所示,所述医学图像分析方法包括步骤S21至步骤S23。
在步骤S21中,通过所述特征提取器对应的最优网络提取请求分析的医学图像的特征。
在步骤S22中,根据所述请求分析的医学图像的特征,确定所述请求分析的医学图像中的候选区域的特征。
在步骤S23中,通过所述分类器对应的最优网络和所述特征更新网络,根据所述请求分析的医学图像中的候选区域的特征,确定所述请求分析的医学图像对应的分类结果。
在一种可能的实现方式中,所述分类器包括第一分类器和第二分类器;所述通过所述分类器对应的最优网络和所述特征更新网络,根据所述请求分析的医学图像中的候选区域的特征,确定所述请求分析的医学图像对应的分类结果,包括:通过第一分类器对应的最优网络,确定所述请求分析的医学图像中的候选区域对应的分类信息;通过所述特征更新网络根据所述请求分析的医学图像中的候选区域的特征,以及所述请求分析的医学图像中的候选区域对应的分类信息,更新所述请求分析的医学图像中的候选区域的特征;通过所述第二分类器对应的最优网络根据所述请求分析的医学图像中的候选区域的更新后的特征,确定所述请求分析的医学图像对应的分类结果。
在一种可能的实现方式中,还包括:根据所述请求分析的医学图像的特征,确定所述请求分析的医学图像中的候选区域的位置信息;根据所述请求分析的医学图像中的候选区域的位置信息,以及所述请求分析的医学图像中的候选区域的更新后的特征,进行回归处理,得到所述请求分析的医学图像中的病症区域的边界框;在所述请求分析的医学图像上输出所述病症区域的边界框。
在一种可能的实现方式中,还包括:在所述请求分析的医学图像上输出与所述病症区域的关联权重大于第一阈值的区域的边界框。
在一种可能的实现方式中,还包括:根据所述病症区域和与所述病症区域的关联权重大于第一阈值的区域之间的关联权重,在所述请求分析的医学图像上输出所述病症区域的边界框和与所述病症区域的关联权重大于第一阈值的区域的边界框之间的连线。
图10a至图10c示出本公开实施例提供的医学图像分析方法中输出图像的示意图。如图10a至图10c所示,可以在所述请求分析的医学图像上输出所述病症区域的边界框,在所述请求分析的医学图像上输出与所述病症区域的关联权重大于第一阈值的区域的边界框,并在所述请求分析的医学图像上输出所述病症区域的边界框和与所述病症区域的关联权重大于第一阈值的区域的边界框之间的连线。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了用于医学图像分析的神经网络的构建装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种用于医学图像分析的神经网络的构建方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图11示出本公开实施例提供的用于医学图像分析的神经网络的构建装置的框图。如图11所示,该装置包括:第一结构搜索模块31,用于基于医学图像训练数据,对特征提取器进行神经网络结构搜索,得到所述特征提取器对应的最优网络;第二结构搜索模块32,用于基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,对分类器进行神经网络结构搜索,得到所述分类器对应的最优网络;训练模块33,用于至少根据所述医学图像训练数据中的候选区域的特征之间的关联权重,以及所述分类器对应的最优网络获得的所述医学图像训练数据中的候选区域对应的分类信息,训练得到特征更新网络;构建模块34,用于至少根据所述特征提取器对应的最优网络、所述分类器对应的最优网络以及所述特征更新网络,构建用于医学图像分析的神经网络。
在一种可能的实现方式中,所述第一结构搜索模块31包括:第一搜索子模块,用于在所述特征提取器对应的搜索空间中进行搜索,得到所述特征提取器对应的采样网络;第一训练子模块,用于基于医学图像训练数据训练所述特征提取器对应的采样网络,得到所述特征提取器对应的最优网络。
在一种可能的实现方式中,所述第一搜索子模块用于:确定所述特征提取器对应的元模块;根据所述特征提取器对应的元模块,确定所述特征提取器对应的初始化网络结构;基于所述特征提取器对应的初始化网络结构,在所述特征提取器对应的搜索空间中进行搜索,得到所述特征提取器对应的采样网络。
在一种可能的实现方式中,所述特征提取器对应的元模块包括普通单元和压缩单元。
在一种可能的实现方式中,所述第一训练子模块用于:固定所述特征提取器对应的采样网络的网络结构参数,基于所述医学图像训练数据更新所述特征提取器对应的采样网络的网络权重参数;固定所述特征提取器对应的采样网络的网络权重参数,基于所述医学图像训练数据更新所述特征提取器对应的采样网络的网络结构参数;重复迭代更新,直至所述特征提取器对应的采样网络的网络结构参数和网络权重参数收敛,得到所述特征提取器对应的最优网络。
在一种可能的实现方式中,所述医学图像训练数据包括训练数据集和验证数据集;所述第一训练子模块用于:固定所述特征提取器对应的采样网络的网络结构参数,基于所述训练数据集更新所述特征提取器对应的采样网络的网络权重参数;固定所述特征提取器对应的采样网络的网络权重参数,基于所述验证数据集更新所述特征提取器对应的采样网络的网络结构参数。
在一种可能的实现方式中,所述第二结构搜索模块32包括:第二搜索子模块,用于在所述分类器对应的搜索空间中进行搜索,得到所述分类器对应的采样网络;第二训练子模块,用于基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,训练所述分类器对应的采样网络,得到所述分类器对应的最优网络。
在一种可能的实现方式中,所述第二搜索子模块用于:确定所述分类器对应的元模块;根据所述分类器对应的元模块,确定所述分类器对应的初始化网络结构;基于所述分类器对应的初始化网络结构,在所述分类器对应的搜索空间中进行搜索,得到所述分类器对应的采样网络。
在一种可能的实现方式中,所述分类器对应的元模块包括基本单元和压缩单元。
在一种可能的实现方式中,所述第二训练子模块用于:固定所述分类器对应的采样网络的网络结构参数,基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,更新所述分类器对应的采样网络的网络权重参数;固定所述分类器对应的采样网络的网络权重参数,基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,更新所述分类器对应的采样网络的网络结构参数;重复迭代更新,直至所述分类器对应的采样网络的网络结构参数和网络权重参数收敛,得到所述特征提取器对应的最优网络。
在一种可能的实现方式中,所述医学图像训练数据包括训练数据集和验证数据集;所述第二训练子模块用于:固定所述分类器对应的采样网络的网络结构参数,基于所述特征提取器对应的最优网络提取的所述训练数据集的特征,更新所述分类器对应的采样网络的网络权重参数;固定所述分类器对应的采样网络的网络权重参数,基于所述特征提取器对应的最优网络提取的所述验证数据集的特征,更新所述分类器对应的采样网络的网络结构参数。
在一种可能的实现方式中,所述分类器包括第一分类器和第二分类器;所述构建模块34用于:至少根据所述特征提取器对应的最优网络、所述第一分类器对应的最优网络、所述特征更新网络和所述第二分类器对应的最优网络,构建用于医学图像分析的神经网络。
在一种可能的实现方式中,所述训练模块33包括:第一确定子模块,用于通过所述特征更新网络根据所述第一分类器对应的最优网络获得的所述医学图像训练数据中的候选区域对应的分类信息,确定属于同一病症类别的候选区域;第二确定子模块,用于通过所述特征更新网络根据所述医学图像训练数据中的候选区域的特征,确定属于同一病症类别的任意两个候选区域的特征之间的关联权重;第一更新子模块,用于通过所述特征更新网络根据所述医学图像训练数据中的候选区域的特征之间的关联权重,更新所述医学图像训练数据中的候选区域的特征;获得子模块,用于通过所述第二分类器对应的最优网络根据所述医学图像训练数据中的候选区域的更新后的特征,获得所述医学图像训练数据对应的分类结果;第二更新子模块,用于根据所述医学图像训练数据对应的分类结果,更新所述特征更新网络的参数。
在一种可能的实现方式中,所述构建模块34用于:根据所述特征提取器对应的最优网络、区域候选网络、候选区域特征提取网络、第一分类器对应的最优网络、所述特征更新网络、所述第二分类器对应的最优网络和回归器,构建用于医学图像分析的神经网络。
图12示出本公开实施例提供的医学图像分析装置的框图,所述医学图像分析装置采用上述用于医学图像分析的神经网络的构建方法或者用于医学图像分析的神经网络的构建装置构建得到的用于医学图像分析的神经网络进行医学图像分析。如图12所示,所述医学图像分析装置包括:特征提取模块41,用于通过所述特征提取器对应的最优网络提取请求分析的医学图像的特征;第一确定模块42,用于根据所述请求分析的医学图像的特征,确定所述请求分析的医学图像中的候选区域的特征;第二确定模块43,用于通过所述分类器对应的最优网络和所述特征更新网络,根据所述请求分析的医学图像中的候选区域的特征,确定所述请求分析的医学图像对应的分类结果。
在一种可能的实现方式中,所述分类器包括第一分类器和第二分类器;所述第二确定模块43包括:第一分类子模块,用于通过第一分类器对应的最优网络,确定所述请求分析的医学图像中的候选区域对应的分类信息;特征更新子模块,用于通过所述特征更新网络根据所述请求分析的医学图像中的候选区域的特征,以及所述请求分析的医学图像中的候选区域对应的分类信息,更新所述请求分析的医学图像中的候选区域的特征;第二分类子模块,用于通过所述第二分类器对应的最优网络根据所述请求分析的医学图像中的候选区域的更新后的特征,确定所述请求分析的医学图像对应的分类结果。
在一种可能的实现方式中,还包括:第三确定模块,用于根据所述请求分析的医学图像的特征,确定所述请求分析的医学图像中的候选区域的位置信息;回归模块,用于根据所述请求分析的医学图像中的候选区域的位置信息,以及所述请求分析的医学图像中的候选区域的更新后的特征,进行回归处理,得到所述请求分析的医学图像中的病症区域的边界框;第一输出模块,用于在所述请求分析的医学图像上输出所述病症区域的边界框。
在一种可能的实现方式中,还包括:第二输出模块,用于在所述请求分析的医学图像上输出与所述病症区域的关联权重大于第一阈值的区域的边界框。
在一种可能的实现方式中,还包括:第三输出模块,用于根据所述病症区域和与所述病症区域的关联权重大于第一阈值的区域之间的关联权重,在所述请求分析的医学图像上输出所述病症区域的边界框和与所述病症区域的关联权重大于第一阈值的区域的边界框之间的连线。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。所述计算机可读存储介质可以是非易失性计算机可读存储介质,也可以是易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:一个或多个处理器;与所述一个或多个处理器关联的存储器,所述存储器用于存储可执行指令,所述可执行指令在被所述一个或多个处理器读取执行时,执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图13示出本公开实施例提供的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图13,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图14示出本公开实施例提供的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图14,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种用于医学图像分析的神经网络的构建方法,其特征在于,包括:
基于医学图像训练数据,对特征提取器进行神经网络结构搜索,得到所述特征提取器对应的最优网络;
基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,对分类器进行神经网络结构搜索,得到所述分类器对应的最优网络;
至少根据所述医学图像训练数据中的候选区域的特征之间的关联权重,以及所述分类器对应的最优网络获得的所述医学图像训练数据中的候选区域对应的分类信息,训练得到特征更新网络;
至少根据所述特征提取器对应的最优网络、所述分类器对应的最优网络以及所述特征更新网络,构建用于医学图像分析的神经网络。
2.根据权利要求1所述的方法,其特征在于,所述基于医学图像训练数据,对特征提取器进行神经网络结构搜索,得到所述特征提取器对应的最优网络,包括:
在所述特征提取器对应的搜索空间中进行搜索,得到所述特征提取器对应的采样网络;
基于医学图像训练数据训练所述特征提取器对应的采样网络,得到所述特征提取器对应的最优网络。
3.根据权利要求2所述的方法,其特征在于,所述在所述特征提取器对应的搜索空间中进行搜索,得到所述特征提取器对应的采样网络,包括:
确定所述特征提取器对应的元模块;
根据所述特征提取器对应的元模块,确定所述特征提取器对应的初始化网络结构;
基于所述特征提取器对应的初始化网络结构,在所述特征提取器对应的搜索空间中进行搜索,得到所述特征提取器对应的采样网络。
4.一种用于医学图像分析的神经网络的构建装置,其特征在于,包括:
第一结构搜索模块,用于基于医学图像训练数据,对特征提取器进行神经网络结构搜索,得到所述特征提取器对应的最优网络;
第二结构搜索模块,用于基于所述特征提取器对应的最优网络提取的所述医学图像训练数据的特征,对分类器进行神经网络结构搜索,得到所述分类器对应的最优网络;
训练模块,用于至少根据所述医学图像训练数据中的候选区域的特征之间的关联权重,以及所述分类器对应的最优网络获得的所述医学图像训练数据中的候选区域对应的分类信息,训练得到特征更新网络;
构建模块,用于至少根据所述特征提取器对应的最优网络、所述分类器对应的最优网络以及所述特征更新网络,构建用于医学图像分析的神经网络。
5.根据权利要求4所述的装置,其特征在于,所述第一结构搜索模块包括:
第一搜索子模块,用于在所述特征提取器对应的搜索空间中进行搜索,得到所述特征提取器对应的采样网络;
第一训练子模块,用于基于医学图像训练数据训练所述特征提取器对应的采样网络,得到所述特征提取器对应的最优网络。
6.根据权利要求5所述的装置,其特征在于,所述第一搜索子模块用于:
确定所述特征提取器对应的元模块;
根据所述特征提取器对应的元模块,确定所述特征提取器对应的初始化网络结构;
基于所述特征提取器对应的初始化网络结构,在所述特征提取器对应的搜索空间中进行搜索,得到所述特征提取器对应的采样网络。
7.一种采用权利要求1至6中任意一项构建得到的用于医学图像分析的神经网络进行医学图像分析的方法,其特征在于,包括:
通过所述特征提取器对应的最优网络提取请求分析的医学图像的特征;
根据所述请求分析的医学图像的特征,确定所述请求分析的医学图像中的候选区域的特征;
通过所述分类器对应的最优网络和所述特征更新网络,根据所述请求分析的医学图像中的候选区域的特征,确定所述请求分析的医学图像对应的分类结果。
8.一种采用权利要求1至6中任意一项构建得到的用于医学图像分析的神经网络进行医学图像分析的装置,其特征在于,包括:
特征提取模块,用于通过所述特征提取器对应的最优网络提取请求分析的医学图像的特征;
第一确定模块,用于根据所述请求分析的医学图像的特征,确定所述请求分析的医学图像中的候选区域的特征;
第二确定模块,用于通过所述分类器对应的最优网络和所述特征更新网络,根据所述请求分析的医学图像中的候选区域的特征,确定所述请求分析的医学图像对应的分类结果。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
与所述一个或多个处理器关联的存储器,所述存储器用于存储可执行指令,所述可执行指令在被所述一个或多个处理器读取执行时,执行权利要求1至3、7中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至3、7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910912493.9A CN110659690B (zh) | 2019-09-25 | 2019-09-25 | 神经网络的构建方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910912493.9A CN110659690B (zh) | 2019-09-25 | 2019-09-25 | 神经网络的构建方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110659690A true CN110659690A (zh) | 2020-01-07 |
CN110659690B CN110659690B (zh) | 2022-04-05 |
Family
ID=69039127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910912493.9A Active CN110659690B (zh) | 2019-09-25 | 2019-09-25 | 神经网络的构建方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110659690B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709906A (zh) * | 2020-04-13 | 2020-09-25 | 北京深睿博联科技有限责任公司 | 医学图像的质量评估方法和装置 |
CN112149691A (zh) * | 2020-10-10 | 2020-12-29 | 上海鹰瞳医疗科技有限公司 | 用于双目视觉匹配的神经网络搜索方法及设备 |
CN113034472A (zh) * | 2021-03-25 | 2021-06-25 | 中山大学 | 一种基于梯度网络架构搜索的空域隐写分析方法及系统 |
CN113221871A (zh) * | 2021-05-31 | 2021-08-06 | 支付宝(杭州)信息技术有限公司 | 一种文字识别方法、装置、设备及介质 |
CN114360008A (zh) * | 2021-12-23 | 2022-04-15 | 上海清鹤科技股份有限公司 | 人脸认证模型的生成方法、认证方法、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875833A (zh) * | 2018-06-22 | 2018-11-23 | 北京智能管家科技有限公司 | 神经网络的训练方法、人脸识别方法及装置 |
CN108985386A (zh) * | 2018-08-07 | 2018-12-11 | 北京旷视科技有限公司 | 获得图像处理模型的方法、图像处理方法及对应装置 |
CN109598332A (zh) * | 2018-11-14 | 2019-04-09 | 北京市商汤科技开发有限公司 | 神经网络生成方法及装置、电子设备和存储介质 |
CN109615073A (zh) * | 2018-12-03 | 2019-04-12 | 郑州云海信息技术有限公司 | 一种神经网络模型的构建方法、设备以及存储介质 |
WO2019084560A1 (en) * | 2017-10-27 | 2019-05-02 | Google Llc | SEARCH FOR NEURONAL ARCHITECTURES |
CN109858614A (zh) * | 2019-01-31 | 2019-06-07 | 北京市商汤科技开发有限公司 | 神经网络训练方法及装置、电子设备和存储介质 |
CN109948795A (zh) * | 2019-03-11 | 2019-06-28 | 驭势科技(北京)有限公司 | 一种确定网络结构精度和延时优化点的方法和装置 |
CN110020667A (zh) * | 2019-02-21 | 2019-07-16 | 广州视源电子科技股份有限公司 | 神经网络结构的搜索方法、系统、存储介质以及设备 |
-
2019
- 2019-09-25 CN CN201910912493.9A patent/CN110659690B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019084560A1 (en) * | 2017-10-27 | 2019-05-02 | Google Llc | SEARCH FOR NEURONAL ARCHITECTURES |
CN108875833A (zh) * | 2018-06-22 | 2018-11-23 | 北京智能管家科技有限公司 | 神经网络的训练方法、人脸识别方法及装置 |
CN108985386A (zh) * | 2018-08-07 | 2018-12-11 | 北京旷视科技有限公司 | 获得图像处理模型的方法、图像处理方法及对应装置 |
CN109598332A (zh) * | 2018-11-14 | 2019-04-09 | 北京市商汤科技开发有限公司 | 神经网络生成方法及装置、电子设备和存储介质 |
CN109615073A (zh) * | 2018-12-03 | 2019-04-12 | 郑州云海信息技术有限公司 | 一种神经网络模型的构建方法、设备以及存储介质 |
CN109858614A (zh) * | 2019-01-31 | 2019-06-07 | 北京市商汤科技开发有限公司 | 神经网络训练方法及装置、电子设备和存储介质 |
CN110020667A (zh) * | 2019-02-21 | 2019-07-16 | 广州视源电子科技股份有限公司 | 神经网络结构的搜索方法、系统、存储介质以及设备 |
CN109948795A (zh) * | 2019-03-11 | 2019-06-28 | 驭势科技(北京)有限公司 | 一种确定网络结构精度和延时优化点的方法和装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709906A (zh) * | 2020-04-13 | 2020-09-25 | 北京深睿博联科技有限责任公司 | 医学图像的质量评估方法和装置 |
CN112149691A (zh) * | 2020-10-10 | 2020-12-29 | 上海鹰瞳医疗科技有限公司 | 用于双目视觉匹配的神经网络搜索方法及设备 |
CN112149691B (zh) * | 2020-10-10 | 2021-10-15 | 北京鹰瞳科技发展股份有限公司 | 用于双目视觉匹配的神经网络搜索方法及设备 |
CN113034472A (zh) * | 2021-03-25 | 2021-06-25 | 中山大学 | 一种基于梯度网络架构搜索的空域隐写分析方法及系统 |
CN113034472B (zh) * | 2021-03-25 | 2023-02-07 | 中山大学 | 一种基于梯度网络架构搜索的空域隐写分析方法及系统 |
CN113221871A (zh) * | 2021-05-31 | 2021-08-06 | 支付宝(杭州)信息技术有限公司 | 一种文字识别方法、装置、设备及介质 |
CN113221871B (zh) * | 2021-05-31 | 2024-02-02 | 支付宝(杭州)信息技术有限公司 | 一种文字识别方法、装置、设备及介质 |
CN114360008A (zh) * | 2021-12-23 | 2022-04-15 | 上海清鹤科技股份有限公司 | 人脸认证模型的生成方法、认证方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110659690B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210535B (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
TWI747325B (zh) | 目標對象匹配方法及目標對象匹配裝置、電子設備和電腦可讀儲存媒介 | |
CN110659690B (zh) | 神经网络的构建方法及装置、电子设备和存储介质 | |
CN109089133B (zh) | 视频处理方法及装置、电子设备和存储介质 | |
TWI766286B (zh) | 圖像處理方法及圖像處理裝置、電子設備和電腦可讀儲存媒介 | |
WO2021196401A1 (zh) | 图像重建方法及装置、电子设备和存储介质 | |
CN110837761B (zh) | 多模型知识蒸馏方法及装置、电子设备和存储介质 | |
KR20200113195A (ko) | 이미지 클러스터링 방법 및 장치, 전자 기기 및 저장 매체 | |
CN110009090B (zh) | 神经网络训练与图像处理方法及装置 | |
TW202022561A (zh) | 圖像的描述語句定位方法及裝置、電子設備和儲存介質 | |
CN110458218B (zh) | 图像分类方法及装置、分类网络训练方法及装置 | |
US20220019772A1 (en) | Image Processing Method and Device, and Storage Medium | |
CN110532956B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109934275B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
KR20210114511A (ko) | 얼굴 이미지 인식 방법 및 장치, 전자 기기 및 저장 매체 | |
JP2022522551A (ja) | 画像処理方法及び装置、電子機器並びに記憶媒体 | |
CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN111242303B (zh) | 网络训练方法及装置、图像处理方法及装置 | |
CN111259967B (zh) | 图像分类及神经网络训练方法、装置、设备及存储介质 | |
WO2020192113A1 (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111582383A (zh) | 属性识别方法及装置、电子设备和存储介质 | |
CN110633715B (zh) | 图像处理方法、网络训练方法及装置、和电子设备 | |
CN109447258B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN110781975B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111062407B (zh) | 图像处理方法及装置、电子设备和存储介质 |
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 |