CN110751187A - 异常区域图像生成网络的训练方法和相关产品 - Google Patents
异常区域图像生成网络的训练方法和相关产品 Download PDFInfo
- Publication number
- CN110751187A CN110751187A CN201910916745.5A CN201910916745A CN110751187A CN 110751187 A CN110751187 A CN 110751187A CN 201910916745 A CN201910916745 A CN 201910916745A CN 110751187 A CN110751187 A CN 110751187A
- Authority
- CN
- China
- Prior art keywords
- network
- image
- initial
- training
- abnormal area
- 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
Images
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
- 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
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种异常区域图像生成网络的训练方法和相关产品。该方法包括:获取训练样本图像,训练样本图像具有异常区域;将训练样本图像输入初始异常区域图像生成网络,得到初始异常区域图像,以及将初始异常区域图像与训练样本图像进行融合,得到融合图像;其中,融合图像包括预设的仿真标记;将融合图像和真实样本图像输入初始判别网络,得到融合图像的判别结果;采用损失函数计算判别结果与仿真标记之间的损失,根据损失对初始判别网络和初始异常区域图像生成网络进行训练;当损失函数的值达到收敛时,初始异常区域图像生成网络训练完成,得到异常区域图像生成网络。该方法可以提高训练得到的异常区域图像生成网络的精度以及训练效率。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种异常区域图像生成网络的训练方法和相关产品。
背景技术
在医疗领域中,脑部疾病指颅内组织器官(如脑膜血管、大小脑、脑干、颅神经等)的炎症、血管病、肿瘤、病变、畸形、遗传病等的总称,通常情况下,脑部疾病会在脑部医学影像上有所体现,如脑肿瘤、脑出血、帕金森病、阿尔茨海默病等。核磁共振成像(NuclearMagnetic Resonance Imaging,MRI)因其无放射性、对脑结构成像质量高的特点,被广泛应用于脑部疾病的诊断中,计算机辅助诊断(Computer Aided Diagnosis,CAD)可以根据MRI影像有效筛查脑部疾病患者,大大降低医生的工作量及提高检测的准确度。
目前CAD系统通常会根据患者的脑部影像显示其与正常图像的差异(即异常区域),较多的异常区域检测主要依赖深度学习分割网络的分割操作,但在深度学习分割网络的训练过程中需要人工标注的分割结果作为学习的标准,而高质量的人工标注数据通常比较有限。因此,其学习得到的深度学习分割网络分割结果的精度较低。
发明内容
基于此,有必要针对传统技术中学习得到的深度学习分割网络分割结果的精度较低的问题,提供一种异常区域图像生成网络的训练方法和相关产品。
第一方面,本申请实施例提供一种异常区域图像生成网络的训练方法,包括:
获取训练样本图像,训练样本图像具有异常区域;
将训练样本图像输入初始异常区域图像生成网络,得到初始异常区域图像,以及将初始异常区域图像与训练样本图像进行融合,得到融合图像;其中,融合图像包括预设的仿真标记;
将融合图像和真实样本图像输入初始判别网络,得到融合图像的判别结果;
采用损失函数计算判别结果与仿真标记之间的损失,根据损失对初始判别网络和初始异常区域图像生成网络进行训练;当损失函数的值达到收敛时,初始异常区域图像生成网络训练完成,得到异常区域图像生成网络。
在其中一个实施例中,上述根据损失对初始判别网络和初始异常区域图像生成网络进行训练,包括:
根据损失调整初始判别网络的网络参数,调整后的初始判别网络使得损失函数的值减小;
根据损失调整初始异常区域图像生成网络的网络参数,调整后的初始异常区域图像生成网络使得损失函数的值增大。
在其中一个实施例中,上述方法还包括:
根据损失函数、初始异常区域图像以及对损失函数的值的数学期望,构建网络模型优化函数;当网络模型优化函数的值达到预设阈值时,表征损失函数的值达到收敛。
在其中一个实施例中,网络模型优化函数包括异常区域图像生成网络优化函数和判别网络优化函数,上述网络模型优化函数的值达到预设阈值,包括:
异常区域图像生成网络优化函数的值与判别网络优化函数的值之和达到预设阈值。
在其中一个实施例中,根据损失对初始判别网络和初始异常区域图像生成网络进行训练,还包括:
根据损失,调整初始判别网络的网络参数;
在初始判别网络的网络参数调整完成之后,根据损失,调整初始异常区域图像生成网络的网络参数。
在其中一个实施例中,训练样本图像为具有异常区域的脑部图像,初始异常区域图像包括异常区域的组织结构。
在其中一个实施例中,初始判别网络包括空洞卷积模块、压缩-激活模块以及残差注意力模块;
空洞卷积模块用于扩大初始判别网络中卷积核的感受野;压缩-激活模块用于获取初始判别网络中不同通道的特征图的权重;残差注意力模块用于获取初始判别网络中特征图的不同体素的权重。
第二方面,本申请实施例提供一种异常区域图像检测方法,包括:
获取待检测图像;
将待检测图像输入异常区域图像生成网络,得到待检测图像的异常区域图像;其中,异常区域图像生成网络的训练方式包括:
获取训练样本图像,训练样本图像具有异常区域;
将训练样本图像输入初始异常区域图像生成网络,得到初始异常区域图像,以及将初始异常区域图像与训练样本图像进行融合,得到融合图像;其中,融合图像包括预设的仿真标记;
将融合图像和真实样本图像输入初始判别网络,得到融合图像的判别结果;
采用损失函数计算判别结果与仿真标记之间的损失,根据损失对初始判别网络和初始异常区域图像生成网络进行训练;当损失函数的值达到收敛时,初始异常区域图像生成网络训练完成,得到异常区域图像生成网络。
第三方面,本申请实施例提供一种异常区域图像生成网络的训练装置,包括:
第一获取模块,用于获取训练样本图像,训练样本图像具有异常区域;
处理模块,用于将训练样本图像输入初始异常区域图像生成网络,得到初始异常区域图像,以及将初始异常区域图像与训练样本图像进行融合,得到融合图像;其中,融合图像包括预设的仿真标记;
判别模块,用于将融合图像和真实样本图像输入初始判别网络,得到融合图像的判别结果;
训练模块,用于采用损失函数计算判别结果与仿真标记之间的损失,根据损失对初始判别网络和初始异常区域图像生成网络进行训练;当损失函数的值达到收敛时,初始异常区域图像生成网络训练完成,得到异常区域图像生成网络。
第四方面,本申请实施例提供一种异常区域图像检测装置,包括:
第二获取模块,用于获取待检测图像;
检测模块,用于将待检测图像输入异常区域图像生成网络,得到待检测图像的异常区域图像。
第五方面,本申请实施例提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取训练样本图像,训练样本图像具有异常区域;
将训练样本图像输入初始异常区域图像生成网络,得到初始异常区域图像,以及将初始异常区域图像与训练样本图像进行融合,得到融合图像;其中,融合图像包括预设的仿真标记;
将融合图像和真实样本图像输入初始判别网络,得到融合图像的判别结果;
采用损失函数计算判别结果与仿真标记之间的损失,根据损失对初始判别网络和初始异常区域图像生成网络进行训练;当损失函数的值达到收敛时,初始异常区域图像生成网络训练完成,得到异常区域图像生成网络。
第六方面,本申请实施例还提供一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取待检测图像;
将待检测图像输入异常区域图像生成网络,得到待检测图像的异常区域图像;其中,异常区域图像生成网络的训练方式包括:
获取训练样本图像,训练样本图像具有异常区域;
将训练样本图像输入初始异常区域图像生成网络,得到初始异常区域图像,以及将初始异常区域图像与训练样本图像进行融合,得到融合图像;其中,融合图像包括预设的仿真标记;
将融合图像和真实样本图像输入初始判别网络,得到融合图像的判别结果;
采用损失函数计算判别结果与仿真标记之间的损失,根据损失对初始判别网络和初始异常区域图像生成网络进行训练;当损失函数的值达到收敛时,初始异常区域图像生成网络训练完成,得到异常区域图像生成网络。
第七方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取训练样本图像,训练样本图像具有异常区域;
将训练样本图像输入初始异常区域图像生成网络,得到初始异常区域图像,以及将初始异常区域图像与训练样本图像进行融合,得到融合图像;其中,融合图像包括预设的仿真标记;
将融合图像和真实样本图像输入初始判别网络,得到融合图像的判别结果;
采用损失函数计算判别结果与仿真标记之间的损失,根据损失对初始判别网络和初始异常区域图像生成网络进行训练;当损失函数的值达到收敛时,初始异常区域图像生成网络训练完成,得到异常区域图像生成网络。
第八方面,本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待检测图像;
将待检测图像输入异常区域图像生成网络,得到待检测图像的异常区域图像;其中,异常区域图像生成网络的训练方式包括:
获取训练样本图像,训练样本图像具有异常区域;
将训练样本图像输入初始异常区域图像生成网络,得到初始异常区域图像,以及将初始异常区域图像与训练样本图像进行融合,得到融合图像;其中,融合图像包括预设的仿真标记;
将融合图像和真实样本图像输入初始判别网络,得到融合图像的判别结果;
采用损失函数计算判别结果与仿真标记之间的损失,根据损失对初始判别网络和初始异常区域图像生成网络进行训练;当损失函数的值达到收敛时,初始异常区域图像生成网络训练完成,得到异常区域图像生成网络。
上述异常区域图像生成网络的训练方法、异常区域图像检测方法、装置、计算机设备及存储介质,能够首先将训练样本图像输入初始异常区域图像生成网络得到初始异常区域图像,以及将初始异常区域图像与训练样本图像进行融合得到容和图像;然后将融合图像和真实样本图像输入初始判别网络得到融合图像的判别结果;最后利用损失函数计算判别结果和训练样本图像的仿真标记之间的损失,根据该损失训练判别网络和初始异常区域图像生成网络,当损失函数的值达到收敛时,初始异常区域图像生成网络训练完成。该方法中,训练样本图像的仿真标记为计算机设备设置的标记,不需人工操作,提高了网络训练效率且可以大大增加训练样本数据量,提高了训练得到的异常区域图像生成网络的精度;且训练过程使用网络残差思想以及博弈训练、生成对抗思想,简化了训练过程、降低了训练复杂度,进一步提高网络训练效率。
附图说明
图1为一个实施例提供的异常区域图像生成网络的训练方法的流程示意图;
图1a为一个实施例提供的训练样本图像处理过程的示意图;
图2为另一个实施例提供的异常区域图像生成网络的训练方法的流程示意图;
图3为一个实施例提供的异常区域图像检测方法的流程示意图;
图4为一个实施例提供的异常区域图像生成网络的训练装置的结构示意图;
图5为一个实施例提供的异常区域图像检测装置的结构示意图;
图6为一个实施例提供的计算机设备的内部结构示意图。
具体实施方式
本申请实施例提供的异常区域图像生成网络的训练方法,可以适用于检测医学图像中异常区域的网络模型的训练过程。该医学图像可以为核磁共振成像(NuclearMagnetic Resonance Imaging,MRI)、正电子发射型计算机断层成像(Positron EmissionComputed Tomography,PET)及电子计算机断层扫描成像(Computed Tomography,CT)等,医学图像中的异常区域为由于病变引起的异常结构区域,如因炎症、血管病、肿瘤、畸形、遗传病、免疫性疾病、营养代谢性疾病或寄生虫病等引起的脑部疾病,其在医学图像中都会有异常体现。传统技术在检测医学图像中的异常区域时,较多的依赖深度学习分割网络的分割操作,但在深度学习分割网络的训练过程中需要人工标注的分割结果作为学习的标准,而高质量的人工标注数据通常比较有限。因此,其学习得到的深度学习分割网络分割结果的精度较低。本申请提供的异常区域图像生成网络的训练方法和相关产品,旨在解决上述技术问题。
为了使本申请的目的、技术方案及优点更加清楚明白,通过下述实施例并结合附图,对本申请实施例中的技术方案进行进一步的详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,下述方法实施例的执行主体可以是异常区域图像生成网络的训练装置,该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。下述方法实施例以执行主体为计算机设备为例进行说明,该计算机设备可以是终端,也可以是服务器,可以为单独的计算设备,也可以集成于医学成像设备上,只要能完成异常区域图像生成网络的训练即可,本实施例对此不做限定。
图1为一个实施例提供的异常区域图像生成网络的训练方法的流程示意图。本实施例涉及的是计算机设备利用获取的训练样本图像对初始异常区域图像生成网络进行训练的具体过程。如图1所示,该方法包括:
S101,获取训练样本图像,训练样本图像具有异常区域。
具体的,计算机设备首先获取多个训练样本图像,该训练样本图像具有异常区域。可选的,该断层图像可以为CT图像、PET图像、MRI图像等,可以是具有异常区域的脑部图像、胸部图像、腹部图像等;脑部异常区域可以为脑肿瘤区域、脑出血区域、帕金森病灶区域或阿尔茨海默症病灶区域等,胸部异常区域可以为肺结节区域、肺癌区域等。可选的,计算机设备获取训练样本图像的方式可以为从计算机设备的存储器中直接调取,也可以为从影像归档和通信系统(Picture Archiving and Communication Systems,PACS)中获取,本实施例对此不做限制。
S102,将训练样本图像输入初始异常区域图像生成网络,得到初始异常区域图像,以及将初始异常区域图像与训练样本图像进行融合,得到融合图像;其中,融合图像包括预设的仿真标记。
具体的,计算机设备将上述训练样本图像输入初始异常区域图像生成网络进行处理,可以得到初始异常区域图像。可选的,该初始异常区域图像生成网络可以为新搭建的网络,可以为神经网络、深度学习网络或者机器学习网络。上述初始异常区域图像为训练样本图像与正常医学图像之间的差异,由于此时采用的是初始异常区域图像生成网络,其得到的初始异常区域图像精度还比较低。然后计算机设备将生成的初始异常区域图像与对应的训练样本图像进行融合,即若训练样本图像A得到了初始异常区域图像a,训练样本图像B得到了初始异常区域图像b,那么将A与a进行融合,B与b进行融合,并且融合图像包括预设的仿真标记。该仿真标记表征融合图像为仿真图像,不是真的正常医学图像,因此,计算机设备可以采用预设的字符作为仿真标记(如0),不需人工做标记。
可选的,当上述训练样本图像为具有异常区域的脑部图像,初始异常区域图像包括异常区域的组织结构,则初始异常区域图像生成网络生成的是结构差异而不是灰度图,其大大降低了网络的训练难度及复杂度。
可选的,上述初始异常区域图像生成网络可以为V-Net网络,其网络结构主要由下采样段和上采样段组成。其中,下采样段采用3×3×3卷积核,随层数增加提取图像更加抽象的特征,同时采用池化操作使得图像分辨率逐渐降低,使得卷积核提取的特征随层数增加而更具有全局性。上采样段采用3×3×3卷积核进行反卷积操作,在提高特征映射分辨率的同时,建立输入图像与输出图像之间的对应关系。整个V-Net网络采用残差网络的层间连接设计,克服了深层网络梯度消失的问题,使得网络参数的更新对梯度变化更灵敏。同时,整个网络下采样段、上采样段的特征映射分辨率相对应的位置也构造了层间连接,既具备上述层间连接的有点,同时保留来自输入图像的信息,避免了下采样段在池化操作时造成的有用信息丢失,进一步提高了整个网络的鲁棒性。可选的,初始异常区域图像生成网络还可以为PSPnet网络或者DLAnet网络。
可选的,在计算机设备将训练样本图像输入初始异常区域图像生成网络处理之前,还可以对训练样本图像进行预处理。以训练样本图像为脑部MRI图像为例,计算机设备可以记录每个图像的标签,如阿尔兹海默症(AD)、轻度认知障碍(MCI)、脑肿瘤(Tumor)或帕金森病(PD)等。然后对所有训练样本图像进行旋转、重采样、尺寸调整、去头骨、图像非均匀校正、直方图匹配以及灰度归一化等操作,使图像尺寸均为256×256×256mm3,方向均为标准笛卡尔LPI坐标系,灰度范围均为(-1,1)区间内的标准图像。可选的,预处理得到的图像尺寸还可以为48×48×48mm3、64×64×64mm3、128×128×128mm3等尺寸,本实施例对此不做限制。经过预处理后的训练样本图像输入初始异常区域图像生成网络,可提高处理结果的准确性。
S103,将融合图像和真实样本图像输入初始判别网络,得到融合图像的判别结果。
具体的,计算机设备可以将上述融合图像和真实样本图像(NC)输入初始判别网络,判断融合图像是否满足NC图像的数据分布,以得到融合图像的判别结果。可选的,该判别结果可以为融合图像属于仿真图像的概率以及属于真实图像的概率。可选的,上述初始判别网络也可以为新搭建的网络,可以为神经网络、深度学习网络或者机器学习网络。关于上述步骤的训练样本图像处理过程可以参见图1a所示的示意图。
可选的,初始判别网络可以为DenseNet网络,其主体部分由若干Dense block构成,每个Dense block的3×3×3卷积前面都包含了1×1×1的卷积操作,称为Bottlenecklayer,其目的为压缩输入的特征映射数量,融合各通道特征的同时减少了计算量,Bottleneck layer的输出结果作为3×3×3卷积的输入。根据Densenet的网络结构设计,每层的输出要与前面所有层的输出按通道连接,作为下一层的输入,因此最后每个Denseblock的输出通道数也是巨大的,为减少内存占用,同时融合各输出通道的特征,每两个Denseblock的中间有一组1×1×1卷积操作,称为Transition layer,以减少输出的特征映射数量。可选的,该初始判别网络在每个DenseBlock后加上由空洞卷积模块组成的Dilation Block,以扩大卷积核的感受野;在Denseblock的3×3×3卷积后加入压缩-激活模块,以获得特征映射的不同通道的权重;同时为每个Denseblock增加由残差注意力模块构成的旁路,以获得特征映射的不同体素的权重;可选的,还可以结合特征加权模块(SEBlock)作为子网络结构;由此可提高判别网络判断结果的准确度。可选的,初始判别网络还可以为ResNet网络。
S104,采用损失函数计算判别结果与仿真标记之间的损失,根据损失对初始判别网络和初始异常区域图像生成网络进行训练;当损失函数的值达到收敛时,初始异常区域图像生成网络训练完成,得到异常区域图像生成网络。
具体的,计算机设备可以采用损失函数计算上述判别结果和仿真标记之间的损失,其中,仿真标记为上述计算机设备设置的预设标记(如0),判别结果为训练样本图像属于仿真图像及属于真实图像的概率,那么计算机设备可以计算其两者之间的损失。可选的,该损失函数可以为交叉熵损失函数,也可以为Focal Loss损失函数,还可以其他类型的损失函数。
然后,计算机设备可以根据上述损失对初始判别网络和初始异常区域图像生成网络进行训练,其中,训练的异常区域图像生成网络目的是为得到的异常区域图像更精确,使得融合图像更接近真实图像,从而使判别网络不容易区分融合图像为仿真图像还是真实图像;而训练的判别网络要求尽最大可能来区分开仿真图像和真实图像,因此,判别网络和异常区域图像生成网络的训练过程为零和博弈关系、生成对抗过程。
在初始判别网络和初始异常区域图像生成网络不断训练过程中,损失函数的值也不断发生变化,其中,初始判别网络目的使得损失函数的值越来越小,初始异常区域图像生成网络目的使得损失函数的值越来越大,那么当损失函数的值达到收敛时,表征两个网络训练完成,便可得到训练收敛的异常区域图像生成网络和判别网络。可选的,上述初始判别网络的输出判别结果可以为融合图像属于仿真图像的概率以及属于真实图像的概率,当两个概率的值都接近0.5时,可以表征损失函数的值达到收敛。
本实施例提供的异常区域图像生成网络的训练方法,计算机设备首先将训练样本图像输入初始异常区域图像生成网络得到初始异常区域图像,以及将初始异常区域图像与训练样本图像进行融合得到容和图像;然后将融合图像和真实样本图像输入初始判别网络得到融合图像的判别结果;最后利用损失函数计算判别结果和训练样本图像的仿真标记之间的损失,根据该损失训练判别网络和初始异常区域图像生成网络,当损失函数的值达到收敛时,初始异常区域图像生成网络训练完成。该方法中,训练样本图像的仿真标记为计算机设备设置的标记,不需人工操作,提高了网络训练效率且可以大大增加训练样本数据量,提高了训练得到的异常区域图像生成网络的精度;且训练过程使用网络残差思想以及博弈训练、生成对抗思想,简化了训练过程、降低了训练复杂度,进一步提高网络训练效率。
可选的,在其中一些实施例中,因上述初始判别网络与初始异常区域图像生成网络的训练过程为博弈关系,那么根据损失对初始判别网络和初始异常区域图像生成网络进行训练,可以包括:根据损失调整初始判别网络的网络参数,调整后的初始判别网络使得损失函数的值减小;根据损失调整初始异常区域图像生成网络的网络参数,调整后的初始异常区域图像生成网络使得损失函数的值增大。
可选的,在其中一些实施例中,上述方法还包括:根据损失函数、初始异常区域图像以及对损失函数的值的数学期望,构建网络模型优化函数;当该网络模型优化函数达到预设阈值时,表征上述损失函数的值达到收敛,即异常区域图像生成网络达到收敛。
可选的,上述网络模型优化函数包括异常区域图像生成网络优化函数和判别网络优化函数,则当异常区域图像生成网络优化函数的值和判别网络优化函数的值之和达到上述预设阈值时,表征上述损失函数的值达到收敛。可选的,异常区域图像生成网络优化函数可以为其中,D(x)为损失函数,G(x)为初始异常区域图像,为对参与训练的仿真样本的损失函数的值的数学期望;判别网络优化函数可以为其中,为对参与训练的真实样本的损失函数的值的数学期望。该两个优化函数的目标为使得表达式的值尽可能小,当其之和达到预设阈值时,则表征损失函数的值达到收敛。
图2为另一个实施例提供的异常区域图像生成网络的训练方法的流程示意图。本实施例涉及的是计算机设备根据损失对初始判别网络和初始异常区域图像生成网络进行训练的具体过程。可选的,在上述实施例的基础上,如图2所示,S104可以包括:
S201,根据损失,调整初始判别网络的网络参数。
S202,在初始判别网络的网络参数调整完成之后,根据损失,调整初始异常区域图像生成网络的网络参数。
具体的,在网络训练过程中,对于每次输入的训练样本图像,得到相应的损失后,计算机设备可以首先固定初始异常区域图像生成网络的网络参数,利用损失函数的梯度反向传播对初始判别网络的网络参数进行调整。然后固定初始判别网络的网络参数,对初始异常区域图像生成网络的网络参数进行调整。
可选的,计算机设备还可以同时调整初始异常区域图像生成网络和初始判别网络的网络参数,也可以交替调整初始异常区域图像生成网络和初始判别网络的网络参数,本实施例对此不做限制。
本实施例提供的异常区域图像生成网络的训练方法,计算机设备首先根据损失,调整初始判别网络的网络参数,然后根据损失调整初始异常区域图像生成网络的网络参数,由此可进一步提高网络训练的精度。
可选的,在异常区域图像生成网络和判别网络训练完成之后,计算机设备还可以获取一定数量的测试图像对该网络进行测试,可使得训练的异常区域图像生成网络具有更好的处理性能。
在上述异常区域图像生成网络训练完成之后,便可以利用该网络进行异常区域图像的检测,图3为一个实施例提供的异常区域图像检测方法的流程示意图,该方法包括:
S301,获取待检测图像。
S302,将待检测图像输入异常区域图像生成网络,得到待检测图像的异常区域图像;其中,异常区域图像生成网络的训练方式包括:获取训练样本图像,训练样本图像具有异常区域;将训练样本图像输入初始异常区域图像生成网络,得到初始异常区域图像,以及将初始异常区域图像与训练样本图像进行融合,得到融合图像;其中,融合图像包括预设的仿真标记;将融合图像和真实样本图像输入初始判别网络,得到融合图像的判别结果;采用损失函数计算判别结果与仿真标记之间的损失,根据损失对初始判别网络和初始异常区域图像生成网络进行训练;当损失函数的值达到收敛时,初始异常区域图像生成网络训练完成,得到异常区域图像生成网络。
具体的,计算机设备获取到待检测图像后,可以先将其按上述的图像预处理方法进行预处理,得到标准的待检测图像,然后将该待检测图像输入训练完成的异常区域图像生成网络中,便可以得到待检测图像的异常区域图像。而关于该异常区域图像生成网络的训练过程,可以参见上述实施例所示的方法,在此不再赘述。
应该理解的是,虽然图1-图3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-图3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
图4为一个实施例提供的异常区域图像生成网络的训练装置的结构示意图。如图4所示,该装置包括:第一获取模块11、处理模块12、判别模块13和训练模块14。
具体的,第一获取模块11,用于获取训练样本图像,训练样本图像具有异常区域。
处理模块12,用于将训练样本图像输入初始异常区域图像生成网络,得到初始异常区域图像,以及将初始异常区域图像与训练样本图像进行融合,得到融合图像;其中,融合图像包括预设的仿真标记。
判别模块13,用于将融合图像和真实样本图像输入初始判别网络,得到融合图像的判别结果。
训练模块14,用于采用损失函数计算判别结果与仿真标记之间的损失,根据损失对初始判别网络和初始异常区域图像生成网络进行训练;当损失函数的值达到收敛时,初始异常区域图像生成网络训练完成,得到异常区域图像生成网络。
本实施例提供的异常区域图像生成网络的训练装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,上述训练模块14,具体用于根据损失调整初始判别网络的网络参数,调整后的初始判别网络使得损失函数的值减小;根据损失调整初始异常区域图像生成网络的网络参数,调整后的初始异常区域图像生成网络使得损失函数的值增大。
在其中一个实施例中,上述装置还包括构建模块,用于根据损失函数、初始异常区域图像以及对损失函数的值的数学期望,构建网络模型优化函数;当网络模型优化函数的值达到预设阈值时,表征损失函数的值达到收敛。
在其中一个实施例中,网络模型优化函数包括异常区域图像生成网络优化函数和判别网络优化函数,上述网络模型优化函数的值达到预设阈值,具体包括:异常区域图像生成网络优化函数的值与判别网络优化函数的值之和达到预设阈值。
在其中一个实施例中,上述训练模块14,还用于根据损失,调整初始判别网络的网络参数;在初始判别网络的网络参数调整完成之后,根据损失,调整初始异常区域图像生成网络的网络参数。
在其中一个实施例中,训练样本图像为具有异常区域的脑部图像,初始异常区域图像包括异常区域的组织结构。
在其中一个实施例中,初始判别网络包括空洞卷积模块、压缩-激活模块以及残差注意力模块;空洞卷积模块用于扩大初始判别网络中卷积核的感受野;压缩-激活模块用于获取初始判别网络中不同通道的特征图的权重;残差注意力模块用于获取初始判别网络中特征图的不同体素的权重。
图5为一个实施例提供的异常区域图像检测装置的结构示意图。如图5所示,该装置包括:第二获取模块15和检测模块16。
具体的,第二获取模块15,用于获取待检测图像。
检测模块16,用于将待检测图像输入异常区域图像生成网络,得到待检测图像的异常区域图像。其中,异常区域图像生成网络的训练过程可以参见上述异常区域图像生成网络的训练装置实施例的实现过程。
本实施例提供的异常区域图像检测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于异常区域图像生成网络的训练装置和异常区域图像检测装置的具体限定可以参见上文中对于异常区域图像生成网络的训练方法和异常区域图像检测方法的限定,在此不再赘述。上述异常区域图像生成网络的训练装置和异常区域图像检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种异常区域图像生成网络的训练方法或异常区域图像检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取训练样本图像,训练样本图像具有异常区域;
将训练样本图像输入初始异常区域图像生成网络,得到初始异常区域图像,以及将初始异常区域图像与训练样本图像进行融合,得到融合图像;其中,融合图像包括预设的仿真标记;
将融合图像和真实样本图像输入初始判别网络,得到融合图像的判别结果;
采用损失函数计算判别结果与仿真标记之间的损失,根据损失对初始判别网络和初始异常区域图像生成网络进行训练;当损失函数的值达到收敛时,初始异常区域图像生成网络训练完成,得到异常区域图像生成网络。
本实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据损失调整初始判别网络的网络参数,调整后的初始判别网络使得损失函数的值减小;
根据损失调整初始异常区域图像生成网络的网络参数,调整后的初始异常区域图像生成网络使得损失函数的值增大。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据损失函数、初始异常区域图像以及对损失函数的值的数学期望,构建网络模型优化函数;当网络模型优化函数的值达到预设阈值时,表征损失函数的值达到收敛。
在一个实施例中,网络模型优化函数包括异常区域图像生成网络优化函数和判别网络优化函数,上述网络模型优化函数的值达到预设阈值,包括:
异常区域图像生成网络优化函数的值与判别网络优化函数的值之和达到预设阈值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据损失,调整初始判别网络的网络参数;
在初始判别网络的网络参数调整完成之后,根据损失,调整初始异常区域图像生成网络的网络参数。
在一个实施例中,训练样本图像为具有异常区域的脑部图像,初始异常区域图像包括异常区域的组织结构。
在一个实施例中,初始判别网络包括空洞卷积模块、压缩-激活模块以及残差注意力模块;
空洞卷积模块用于扩大初始判别网络中卷积核的感受野;压缩-激活模块用于获取初始判别网络中不同通道的特征图的权重;残差注意力模块用于获取初始判别网络中特征图的不同体素的权重。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待检测图像;
将待检测图像输入异常区域图像生成网络,得到待检测图像的异常区域图像;其中,异常区域图像生成网络的训练方式包括:
获取训练样本图像,训练样本图像具有异常区域;
将训练样本图像输入初始异常区域图像生成网络,得到初始异常区域图像,以及将初始异常区域图像与训练样本图像进行融合,得到融合图像;其中,融合图像包括预设的仿真标记;
将融合图像和真实样本图像输入初始判别网络,得到融合图像的判别结果;
采用损失函数计算判别结果与仿真标记之间的损失,根据损失对初始判别网络和初始异常区域图像生成网络进行训练;当损失函数的值达到收敛时,初始异常区域图像生成网络训练完成,得到异常区域图像生成网络。
本实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取训练样本图像,训练样本图像具有异常区域;
将训练样本图像输入初始异常区域图像生成网络,得到初始异常区域图像,以及将初始异常区域图像与训练样本图像进行融合,得到融合图像;其中,融合图像包括预设的仿真标记;
将融合图像和真实样本图像输入初始判别网络,得到融合图像的判别结果;
采用损失函数计算判别结果与仿真标记之间的损失,根据损失对初始判别网络和初始异常区域图像生成网络进行训练;当损失函数的值达到收敛时,初始异常区域图像生成网络训练完成,得到异常区域图像生成网络。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据损失调整初始判别网络的网络参数,调整后的初始判别网络使得损失函数的值减小;
根据损失调整初始异常区域图像生成网络的网络参数,调整后的初始异常区域图像生成网络使得损失函数的值增大。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据损失函数、初始异常区域图像以及对损失函数的值的数学期望,构建网络模型优化函数;当网络模型优化函数的值达到预设阈值时,表征损失函数的值达到收敛。
在一个实施例中,网络模型优化函数包括异常区域图像生成网络优化函数和判别网络优化函数,上述网络模型优化函数的值达到预设阈值,包括:
异常区域图像生成网络优化函数的值与判别网络优化函数的值之和达到预设阈值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据损失,调整初始判别网络的网络参数;
在初始判别网络的网络参数调整完成之后,根据损失,调整初始异常区域图像生成网络的网络参数。
在一个实施例中,训练样本图像为具有异常区域的脑部图像,初始异常区域图像包括异常区域的组织结构。
在一个实施例中,初始判别网络包括空洞卷积模块、压缩-激活模块以及残差注意力模块;
空洞卷积模块用于扩大初始判别网络中卷积核的感受野;压缩-激活模块用于获取初始判别网络中不同通道的特征图的权重;残差注意力模块用于获取初始判别网络中特征图的不同体素的权重。
在一个实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待检测图像;
将待检测图像输入异常区域图像生成网络,得到待检测图像的异常区域图像;其中,异常区域图像生成网络的训练方式包括:
获取训练样本图像,训练样本图像具有异常区域;
将训练样本图像输入初始异常区域图像生成网络,得到初始异常区域图像,以及将初始异常区域图像与训练样本图像进行融合,得到融合图像;其中,融合图像包括预设的仿真标记;
将融合图像和真实样本图像输入初始判别网络,得到融合图像的判别结果;
采用损失函数计算判别结果与仿真标记之间的损失,根据损失对初始判别网络和初始异常区域图像生成网络进行训练;当损失函数的值达到收敛时,初始异常区域图像生成网络训练完成,得到异常区域图像生成网络。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上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申请的几种实施方式,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,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种异常区域图像生成网络的训练方法,其特征在于,包括:
获取训练样本图像,所述训练样本图像具有异常区域;
将所述训练样本图像输入初始异常区域图像生成网络,得到初始异常区域图像,以及将所述初始异常区域图像与所述训练样本图像进行融合,得到融合图像;其中,所述融合图像包括预设的仿真标记;
将所述融合图像和真实样本图像输入初始判别网络,得到所述融合图像的判别结果;
采用损失函数计算所述判别结果与所述仿真标记之间的损失,根据所述损失对所述初始判别网络和所述初始异常区域图像生成网络进行训练;当所述损失函数的值达到收敛时,所述初始异常区域图像生成网络训练完成,得到异常区域图像生成网络。
2.根据权利要求1所述的方法,其特征在于,根据所述损失对所述初始判别网络和所述初始异常区域图像生成网络进行训练,包括:
根据所述损失调整所述初始判别网络的网络参数,调整后的初始判别网络使得所述损失函数的值减小;
根据所述损失调整所述初始异常区域图像生成网络的网络参数,调整后的初始异常区域图像生成网络使得所述损失函数的值增大。
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:
根据所述损失函数、所述初始异常区域图像以及对所述损失函数的值的数学期望,构建网络模型优化函数;当所述网络模型优化函数的值达到预设阈值时,表征所述损失函数的值达到收敛。
4.根据权利要求3所述的方法,其特征在于,所述网络模型优化函数包括异常区域图像生成网络优化函数和判别网络优化函数,所述网络模型优化函数的值达到预设阈值,包括:
所述异常区域图像生成网络优化函数的值与所述判别网络优化函数的值之和达到预设阈值。
5.根据权利要求2所述的方法,其特征在于,根据所述损失对所述初始判别网络和所述初始异常区域图像生成网络进行训练,还包括:
根据所述损失,调整所述初始判别网络的网络参数;
在所述初始判别网络的网络参数调整完成之后,根据所述损失,调整所述初始异常区域图像生成网络的网络参数。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述训练样本图像为具有异常区域的脑部图像,所述初始异常区域图像包括所述异常区域的组织结构。
7.根据权利要求1-5任一项所述的方法,其特征在于,所述初始判别网络包括空洞卷积模块、压缩-激活模块以及残差注意力模块;
所述空洞卷积模块用于扩大所述初始判别网络中卷积核的感受野;所述压缩-激活模块用于获取所述初始判别网络中不同通道的特征图的权重;所述残差注意力模块用于获取所述初始判别网络中特征图的不同体素的权重。
8.一种异常区域图像检测方法,其特征在于,包括:
获取待检测图像;
将所述待检测图像输入异常区域图像生成网络,得到所述待检测图像的异常区域图像;其中,所述异常区域图像生成网络的训练方式包括:
获取训练样本图像,所述训练样本图像具有异常区域;
将所述训练样本图像输入初始异常区域图像生成网络,得到初始异常区域图像,以及将所述初始异常区域图像与所述训练样本图像进行融合,得到融合图像;其中,所述融合图像包括预设的仿真标记;
将所述融合图像和真实样本图像输入初始判别网络,得到所述融合图像的判别结果;
采用损失函数计算所述判别结果与所述仿真标记之间的损失,根据所述损失对所述初始判别网络和所述初始异常区域图像生成网络进行训练;当所述损失函数的值达到收敛时,所述初始异常区域图像生成网络训练完成,得到异常区域图像生成网络。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求8所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求8所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910916745.5A CN110751187B (zh) | 2019-09-26 | 2019-09-26 | 异常区域图像生成网络的训练方法和相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910916745.5A CN110751187B (zh) | 2019-09-26 | 2019-09-26 | 异常区域图像生成网络的训练方法和相关产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110751187A true CN110751187A (zh) | 2020-02-04 |
CN110751187B CN110751187B (zh) | 2022-08-19 |
Family
ID=69277146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910916745.5A Active CN110751187B (zh) | 2019-09-26 | 2019-09-26 | 异常区域图像生成网络的训练方法和相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751187B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429421A (zh) * | 2020-03-19 | 2020-07-17 | 北京推想科技有限公司 | 模型生成方法、医学图像分割方法、装置、设备及介质 |
CN111754520A (zh) * | 2020-06-09 | 2020-10-09 | 江苏师范大学 | 一种基于深度学习的脑血肿分割方法及系统 |
CN113269774A (zh) * | 2021-06-09 | 2021-08-17 | 西南交通大学 | 一种mri图像的帕金森病分类及标注病灶区域的方法 |
CN114267015A (zh) * | 2021-12-24 | 2022-04-01 | 广东蓝鲲海洋科技有限公司 | 一种海洋异常区域的智能检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506770A (zh) * | 2017-08-17 | 2017-12-22 | 湖州师范学院 | 糖尿病视网膜病变眼底照相标准图像生成方法 |
US20180336677A1 (en) * | 2017-05-18 | 2018-11-22 | Toshiba Medical Systems Corporation | Apparatus and method for medical image processing |
CN109637634A (zh) * | 2018-12-11 | 2019-04-16 | 厦门大学 | 一种基于生成对抗网络的医学图像合成方法 |
CN109785399A (zh) * | 2018-11-19 | 2019-05-21 | 北京航空航天大学 | 合成病变图像的生成方法、装置、设备及可读存储介质 |
CN109934804A (zh) * | 2019-02-28 | 2019-06-25 | 北京科技大学 | 基于卷积神经网络的阿尔茨海默病变区域的检测方法 |
US20190198156A1 (en) * | 2017-12-21 | 2019-06-27 | International Business Machines Corporation | Medical Image Classification Based on a Generative Adversarial Network Trained Discriminator |
-
2019
- 2019-09-26 CN CN201910916745.5A patent/CN110751187B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180336677A1 (en) * | 2017-05-18 | 2018-11-22 | Toshiba Medical Systems Corporation | Apparatus and method for medical image processing |
CN107506770A (zh) * | 2017-08-17 | 2017-12-22 | 湖州师范学院 | 糖尿病视网膜病变眼底照相标准图像生成方法 |
US20190198156A1 (en) * | 2017-12-21 | 2019-06-27 | International Business Machines Corporation | Medical Image Classification Based on a Generative Adversarial Network Trained Discriminator |
CN109785399A (zh) * | 2018-11-19 | 2019-05-21 | 北京航空航天大学 | 合成病变图像的生成方法、装置、设备及可读存储介质 |
CN109637634A (zh) * | 2018-12-11 | 2019-04-16 | 厦门大学 | 一种基于生成对抗网络的医学图像合成方法 |
CN109934804A (zh) * | 2019-02-28 | 2019-06-25 | 北京科技大学 | 基于卷积神经网络的阿尔茨海默病变区域的检测方法 |
Non-Patent Citations (2)
Title |
---|
HOO-CHANG SHIN ET AL.: "Medical Image Synthesis for Data Augmentation and Anonymization using Generative Adversarial Networks", 《ARXIV:1807.10225V2》 * |
刘海东 等: "基于生成对抗网络的乳腺癌病理图像可疑区域标记", 《科研信息化技术与应用》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111429421A (zh) * | 2020-03-19 | 2020-07-17 | 北京推想科技有限公司 | 模型生成方法、医学图像分割方法、装置、设备及介质 |
CN111754520A (zh) * | 2020-06-09 | 2020-10-09 | 江苏师范大学 | 一种基于深度学习的脑血肿分割方法及系统 |
CN111754520B (zh) * | 2020-06-09 | 2023-09-15 | 江苏师范大学 | 一种基于深度学习的脑血肿分割方法及系统 |
CN113269774A (zh) * | 2021-06-09 | 2021-08-17 | 西南交通大学 | 一种mri图像的帕金森病分类及标注病灶区域的方法 |
CN113269774B (zh) * | 2021-06-09 | 2022-04-26 | 西南交通大学 | 一种mri图像的帕金森病分类及标注病灶区域的方法 |
CN114267015A (zh) * | 2021-12-24 | 2022-04-01 | 广东蓝鲲海洋科技有限公司 | 一种海洋异常区域的智能检测方法 |
CN114267015B (zh) * | 2021-12-24 | 2022-09-09 | 广东蓝鲲海洋科技有限公司 | 一种海洋异常区域的智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110751187B (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993726B (zh) | 医学图像的检测方法、装置、设备和存储介质 | |
US11610308B2 (en) | Localization and classification of abnormalities in medical images | |
CN110751187B (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
CN109872333B (zh) | 医学影像分割方法、装置、计算机设备和存储介质 | |
US11430140B2 (en) | Medical image generation, localizaton, registration system | |
CN110866909B (zh) | 图像生成网络的训练方法、图像预测方法和计算机设备 | |
CN107123137B (zh) | 医学图像处理方法及设备 | |
CN108428233B (zh) | 基于知识的自动图像分割 | |
CN111080584B (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
Guo et al. | Dual attention enhancement feature fusion network for segmentation and quantitative analysis of paediatric echocardiography | |
Li et al. | Automated measurement network for accurate segmentation and parameter modification in fetal head ultrasound images | |
CN110717905B (zh) | 脑部图像检测方法、计算机设备和存储介质 | |
CN111563523A (zh) | 利用机器训练的异常检测的copd分类 | |
CN110473226B (zh) | 图像处理网络的训练方法、计算机设备及可读存储介质 | |
JP2023078193A (ja) | 人工神経網を利用する臓器の体積測定方法及びその装置 | |
CN111815597A (zh) | 基于ct影像的左心室长短轴切面提取方法、装置、计算机设备和存储介质 | |
CN111325714A (zh) | 感兴趣区域的处理方法、计算机设备和可读存储介质 | |
CN111223158B (zh) | 心脏冠脉图像的伪影校正方法和可读存储介质 | |
CN113935943A (zh) | 颅内动脉瘤识别检测的方法、装置、计算机设备和存储介质 | |
CN115439533A (zh) | 获得颅内动脉瘤在血管分段位置的方法、计算机设备、可读存储介质和程序产品 | |
CN110533120B (zh) | 器官结节的图像分类方法、装置、终端及存储介质 | |
CN114693671A (zh) | 基于深度学习的肺结节半自动分割方法、装置、设备及介质 | |
Gheorghiță et al. | Improving robustness of automatic cardiac function quantification from cine magnetic resonance imaging using synthetic image data | |
CN111160441B (zh) | 分类方法、计算机设备和存储介质 | |
CN113192031A (zh) | 血管分析方法、装置、计算机设备和存储介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220113 Address after: 430206 22 / F, building C3, future science and technology building, 999 Gaoxin Avenue, Donghu New Technology Development Zone, Wuhan, Hubei Province Applicant after: Wuhan Zhongke Medical Technology Industrial Technology Research Institute Co.,Ltd. Address before: Room 3674, 3 / F, 2879 Longteng Avenue, Xuhui District, Shanghai, 200232 Applicant before: SHANGHAI UNITED IMAGING INTELLIGENT MEDICAL TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |