CN110827294A - 网络模型训练方法及装置、病灶区域确定方法及装置 - Google Patents
网络模型训练方法及装置、病灶区域确定方法及装置 Download PDFInfo
- Publication number
- CN110827294A CN110827294A CN201911049680.5A CN201911049680A CN110827294A CN 110827294 A CN110827294 A CN 110827294A CN 201911049680 A CN201911049680 A CN 201911049680A CN 110827294 A CN110827294 A CN 110827294A
- Authority
- CN
- China
- Prior art keywords
- network model
- lesion
- training data
- determining
- lesion 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
公开了一种网络模型训练方法及装置、病灶区域确定方法及装置,涉及图像处理技术领域。该网络模型训练方法包括:基于样本图像确定第一训练数据,其中,样本图像包括病灶区域,第一训练数据包括标记的第一病灶区域坐标信息和第一病灶类型信息;确定初始网络模型,并基于样本图像训练所述初始网络模型,以生成用于确定医学图像中的病灶区域的网络模型。利用本公开实施例提供的网络模型训练方法训练生成的用于确定医学图像中的病灶区域的网络模型,能够确定与样本图像同类型的医学图像中的病灶区域(比如确定病灶区域对应的病灶区域坐标信息),因此,与现有技术相比,本公开实施例能够有效提高病灶区域的确定效率以及确定精准度。
Description
技术领域
本公开涉及图像处理技术领域,具体涉及网络模型训练方法及装置、病灶区域确定方法及装置、计算机可读存储介质及电子设备。
背景技术
随着医学影像技术和图像处理技术的快速发展,基于医学影像进行的病灶检测、病灶定位以及病灶分类等操作日益成为预防及治疗疾病的重要手段。在疾病的诊断过程中,快速且精准地确定医学影像中的病灶区域的具体位置是进行疾病诊断操作的基础前提,其重要性不言而喻。然而在现有技术中,仍需依赖人工(比如医生)进行病灶区域的确定操作,效率低下,而且可能存在精度不高的问题。
因此,如何辅助医生进行病灶区域的确定以提高确认病灶的效率和精度是亟待解决的问题。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种网络模型训练方法及装置、病灶区域确定方法及装置、计算机可读存储介质及电子设备。
在一方面,本公开实施例提供了一种网络模型训练方法,该网络模型训练方法包括:基于样本图像确定第一训练数据,其中,样本图像包括病灶区域,第一训练数据包括标记的第一病灶区域坐标信息和第一病灶类型信息;确定初始网络模型,并基于样本图像训练所述初始网络模型,以生成用于确定医学图像中的病灶区域的网络模型。
在另一方面,本公开实施例提供了一种病灶区域确定方法,该病灶区域确定方法包括:确定需要确定病灶区域的医学图像;将医学图像输入至用于确定医学图像中的病灶区域的网络模型,以确定医学图像的病灶区域坐标信息,其中,用于确定医学图像中的病灶区域的网络模型可基于上述实施例提及的网络模型训练方法获得。
在另一方面,本公开实施例提供了一种网络模型训练装置,该网络模型训练装置包括:第一训练数据确定模块,用于基于样本图像确定第一训练数据,其中,样本图像包括病灶区域,第一训练数据包括标记的第一病灶区域坐标信息和第一病灶类型信息;训练模块,用于确定初始网络模型,并基于样本图像训练所述初始网络模型,以生成用于确定医学图像中的病灶区域的网络模型。
在另一方面,本公开实施例提供了一种病灶区域确定装置,该病灶区域确定装置包括:图像确定模块,用于确定需要确定病灶区域的医学图像;病灶区域确定模块,用于将医学图像输入至用于确定医学图像中的病灶区域的网络模型,以确定医学图像的病灶区域坐标信息,其中,用于确定医学图像中的病灶区域的网络模型可基于上述实施例提及的网络模型训练方法获得。
在另一方面,本公开实施例提供了一种计算机可读存储介质,该存储介质存储有计算机程序,该计算机程序用于执行上述实施例所提及的网络模型训练方法,或执行上述实施例所提及的病灶区域确定方法。
在另一方面,本公开实施例提供了一种电子设备,该电子设备包括:处理器和用于存储处理器可执行指令的存储器,其中,处理器用于执行上述实施例所提及的网络模型训练方法,或执行上述实施例所提及的病灶区域确定方法。
本公开实施例提供的网络模型训练方法,通过基于样本图像确定第一训练数据,然后确定初始网络模型,并基于样本图像训练初始网络模型,以生成用于确定医学图像中的病灶区域的网络模型的方式,实现了利用样本图像训练初始网络模型以生成用于确定医学图像中的病灶区域的网络模型的目的。由于样本图像为包括病灶区域的医学图像,基于样本图像确定的第一训练数据包括标记的第一病灶区域坐标信息和第一病灶类型信息,因此,基于样本图像训练生成的用于确定医学图像中的病灶区域的网络模型能够用于辅助医生确定任一与样本图像同类型的医学图像中的病灶区域。综上,利用本公开实施例提供的网络模型训练方法训练生成的用于确定医学图像中的病灶区域的网络模型,能够辅助医生确定与样本图像同类型的医学图像中的病灶区域(比如确定病灶区域对应的病灶区域坐标信息),因此,与现有技术相比,本公开实施例能够有效提高病灶区域的确定效率以及确定精准度。
本公开实施例提供的病灶区域确定方法,通过将需要确定病灶区域的医学图像输入至用于确定医学图像中的病灶区域的网络模型,以确定医学图像的病灶区域坐标信息的方式,实现了确定医学图像中的病灶区域坐标信息的目的。由于本公开实施例提供的病灶区域确定方法是基于用于确定医学图像中的病灶区域的网络模型实现的,因此,与现有方案相比,本公开实施例无需对需要确定病灶区域的医学图像进行复杂的图像增强、滤波变换等处理操作,进而避免了因图像质量等因素导致的病灶区域坐标信息预测失败等情况。即,本公开实施例所提供的病灶区域确定方法具备稳定性高、鲁棒性好等优势。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1所示为本公开实施例所适用的一场景示意图。
图2所示为本公开实施例所适用的另一场景示意图。
图3所示为本公开一示例性实施例提供的网络模型训练方法的流程示意图。
图4所示为本公开一示例性实施例提供的基于样本图像训练初始网络模型,以生成用于确定医学图像中的病灶区域的网络模型的流程示意图。
图5所示为本公开另一示例性实施例提供的基于样本图像训练初始网络模型,以生成用于确定医学图像中的病灶区域的网络模型的流程示意图。
图6所示为本公开一示例性实施例提供的基于第二训练数据中的第二病灶类型信息与第一训练数据中的第一病灶类型信息调整预测模型的网络参数和图像特征提取模型的网络参数的流程示意图。
图7所示为本公开又一示例性实施例提供的基于样本图像训练初始网络模型,以生成用于确定医学图像中的病灶区域的网络模型的流程示意图。
图8所示为本公开一示例性实施例提供的初始网络模型的结构示意图。
图9所示为本公开一示例性实施例提供的基于第一训练数据和第二训练数据对初始网络模型进行第一次参数调整操作,以生成用于确定医学图像中的病灶区域的网络模型的流程示意图。
图10所示为本公开一示例性实施例提供的基于样本图像确定第一训练数据的流程示意图。
图11所示为本公开一示例性实施例提供的病灶区域确定方法的流程示意图。
图12所示为本公开另一示例性实施例提供的病灶区域确定方法的流程示意图。
图13所示为本公开一示例性实施例提供的医学图像的区域划分示意图。
图14所示为本公开一示例性实施例提供的对医学图像进行区域划分操作,以生成多个划分区域的流程示意图。
图15所示为本公开一示例性实施例提供的基于病灶区域坐标信息确定病灶区域与多个划分区域的位置关系的流程示意图。
图16所示为基于图13所示区域划分情况对包括肺野区域的医学图像的病灶区域进行定位的定位示意图。
图17所示为本公开一示例性实施例提供的网络模型训练装置的结构示意图。
图18所示为本公开一示例性实施例提供的训练模块的结构示意图。
图19所示为本公开另一示例性实施例提供的训练模块的结构示意图。
图20所示为本公开一示例性实施例提供的第一训练子单元的结构示意图。
图21所示为本公开又一示例性实施例提供的训练模块的结构示意图。
图22所示为本公开一示例性实施例提供的训练单元的结构示意图。
图23所示为本公开一示例性实施例提供的第一训练数据确定模块的结构示意图。
图24所示为本公开一示例性实施例提供的病灶区域确定装置的结构示意图。
图25所示为本公开另一示例性实施例提供的病灶区域确定装置的结构示意图。
图26所示为本公开一示例性实施例提供的划分区域生成模块的结构示意图。
图27所示为本公开一示例性实施例提供的位置关系确定模块的结构示意图。
图28所示为本公开一示例性实施例提供的电子设备的结构示意图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
医学影像是借助某种介质(如X射线、电磁场、超声波等)与人体或动物体相互作用,把人体或动物体内部组织器官结构、密度等信息以影像方式呈现的图像。其中,医学影像主要分为描述生理形态的解剖结构图像和描述人体或动物体功能或代谢功能的功能图像。在现代医学中,医学影像是疾病预防与治疗的重要工具。
众所周知,描述生理形态的解剖结构图像主要包括X线图像、计算机断层扫描(Computed Tomography,CT)图像和磁共振图像(Magnetic Resonance Imaging,MRI)等。其中,基于X线图像的成像原理,又可分为计算机X线摄影(Computed Radiography,CR)和数字X线摄影(Digital Radiography,DR)。在实际的疾病诊断过程中,描述生理形态的解剖结构图像能够清楚显示组织器官的形态与病变情况,有助于确定组织器官中的病灶位置信息以及病灶类型信息,进而为精准地给出疾病治疗方案提供前提条件。
人体或动物体的组织器官的自身结构较为复杂,且针对不同的组织器官,病变过程中的病灶区域形态与位置等情况均能够直接或间接影响相关疾病的诊断结果。比如,肺结核是由结核分枝杆菌引起的慢性传染病,可侵及许多脏器,其危害性不言而喻。然而,肺结核的结核类型包括原发性肺结核、血行播散型肺结核、继发性肺结核、气管支气管肺结核、结核性胸膜炎和陈旧性肺结核六种,不同类型的结核在图像上的特征也是多种多样,且病灶区域的位置信息对于确定结核类型具有重要意义。然而在现有技术中,仍需依赖人工(比如医生)进行病灶区域的确定操作(比如确定病灶区域的位置信息),因此,确定效率比较低且精准度较差。
基于上述提及的技术问题,本公开的基本构思是提出一种网络模型训练方法及装置、病灶区域确定方法及装置、计算机可读存储介质及电子设备。
该网络模型训练方法通过基于样本图像确定第一训练数据,然后确定初始网络模型,并基于样本图像训练初始网络模型,以生成用于确定医学图像中的病灶区域的网络模型的方式,实现了利用样本图像训练初始网络模型以生成用于确定医学图像中的病灶区域的网络模型的目的。由于样本图像为包括病灶区域的医学图像,基于样本图像确定的第一训练数据包括标记的第一病灶区域坐标信息和第一病灶类型信息,因此,基于样本图像训练生成的用于确定医学图像中的病灶区域的网络模型能够用于辅助医生确定任一与样本图像同类型的医学图像中的病灶区域。综上,利用本公开实施例提供的网络模型训练方法训练生成的用于确定医学图像中的病灶区域的网络模型,能够确定与样本图像同类型的医学图像中的病灶区域(比如确定病灶区域对应的病灶区域坐标信息),因此,与现有技术相比,本公开实施例能够有效提高病灶区域的确定效率以及确定精准度。
该病灶区域确定方法通过将需要确定病灶区域的医学图像输入至用于确定医学图像中的病灶区域的网络模型,以确定医学图像的病灶区域坐标信息的方式,实现了确定医学图像中的病灶区域坐标信息的目的。由于本公开实施例提供的病灶区域确定方法是基于用于确定医学图像中的病灶区域的网络模型实现的,因此,与现有方案相比,本公开实施例无需对需要确定病灶区域的医学图像进行复杂的图像增强、滤波变换等处理操作,进而避免了因图像质量等因素导致的病灶区域坐标信息预测失败等情况。即,本公开实施例所提供的病灶区域确定方法具备稳定性高、鲁棒性好等优势。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
图1所示为本公开实施例所适用的一场景示意图。如图1所示,本公开实施例所适用的场景中包括服务器1和图像采集设备2,其中,服务器1和图像采集设备2之间存在通信连接关系。
具体而言,图像采集设备2用于采集包括病灶区域的医学图像以作为样本图像,服务器1用于基于图像采集设备2采集的样本图像确定第一训练数据,然后确定初始网络模型,并基于样本图像训练该初始网络模型,以生成用于确定医学图像中的病灶区域的网络模型,其中,第一训练数据包括标记的第一病灶区域坐标信息和第一病灶类型信息。即,该场景实现了一种网络模型训练方法。
或者,图像采集设备2用于采集需要确定病灶区域的医学图像,服务器1用于将图像采集设备2采集的医学图像输入至用于确定医学图像中的病灶区域的网络模型,以确定医学图像的病灶区域坐标信息。即,该场景实现了一种病灶区域确定方法。其中,用于确定医学图像中的病灶区域的网络模型可为上述场景中生成的用于确定医学图像中的病灶区域的网络模型。由于图1所示的上述场景利用服务器1实现了网络模型训练方法和/或病灶区域确定方法,因此,不但能够提高场景的适应能力,而且能够有效降低图像采集设备2的计算量。
需要说明的是,本公开还适用于另一场景。图2所示为本公开实施例所适用的另一场景示意图。具体地,该场景中包括图像处理设备3,并且,图像处理设备3中包括图像采集模块31和计算模块32。
具体而言,图像处理设备3中的图像采集模块31用于采集包括病灶区域的医学图像以作为样本图像,图像处理设备3中的计算模块32用于基于图像采集模块31采集的样本图像确定第一训练数据,然后确定初始网络模型,并基于样本图像训练该初始网络模型,以生成用于确定医学图像中的病灶区域的网络模型,其中,第一训练数据包括标记的第一病灶区域坐标信息和第一病灶类型信息。即,该场景实现了一种网络模型训练方法。
或者,图像处理设备3中的图像采集模块31用于采集需要确定病灶区域的医学图像,图像处理设备3中的计算模块32用于将图像采集模块31采集的医学图像输入至用于确定医学图像中的病灶区域的网络模型,以确定医学图像的病灶区域坐标信息。即,该场景实现了一种病灶区域确定方法。其中,用于确定医学图像中的病灶区域的网络模型可为上述场景中生成的用于确定医学图像中的病灶区域的网络模型。由于图2所示的上述场景利用图像处理设备3实现了网络模型训练方法和/或病灶区域确定方法,无需与服务器等相关装置进行数据传输操作,因此,上述场景能够保证网络模型训练方法或病灶区域确定方法的实时性。
需要说明的是,上述场景中提及的图像采集设备2和图像采集模块31,包括但不限于为X线机、CT扫描仪、MRI设备等图像采集装置。对应地,上述场景中提及的图像采集设备2和图像采集模块31所采集的医学图像,包括但不限于为X线图像、CT图像、MRI图像等能够将人体或动物体内部组织器官结构、密度等信息以影像方式呈现的医学图像。此外,应当理解,本公开实施例提供的网络模型训练方法和病灶区域确定方法,不局限于上述提及的医学图像的适用场景,只要涉及到基于特征区域确定的应用场景,均属于本公开实施例的适用范围。比如,监控图像中的感兴趣区域的确定场景。
图3所示为本公开一示例性实施例提供的网络模型训练方法的流程示意图。如图3所示,本公开实施例提供的网络模型训练方法包括如下步骤。
步骤10,基于样本图像确定第一训练数据,其中,样本图像包括病灶区域,第一训练数据包括标记的第一病灶区域坐标信息和第一病灶类型信息。
在本公开实施例中,样本图像为包括病灶区域的医学图像。
步骤20,确定初始网络模型,并基于样本图像训练初始网络模型,以生成用于确定医学图像中的病灶区域的网络模型。
示例性地,初始网络模型为卷积神经网络(Convolutional Neural Networks,CNN)模型。
可选地,初始网络模型和用于确定医学图像中的病灶区域的网络模型的模型结构是相同的,初始网络模型和用于确定医学图像中的病灶区域的网络模型之间的差异为模型的网络参数差异。即,初始网络模型中的网络参数为初始网络参数,然后利用样本图像对初始网络模型进行训练,训练过程中会调整初始网络参数,以最终生成用于确定医学图像中的病灶区域的网络模型中的网络参数。比如,基于梯度下降法不断调节初始网络模型的网络参数,以最终生成用于确定医学图像中的病灶区域的网络模型中的网络参数。
在实际应用过程中,首先基于样本图像确定第一训练数据,然后确定初始网络模型,并基于样本图像训练初始网络模型,以生成用于确定医学图像中的病灶区域的网络模型。
本公开实施例提供的网络模型训练方法,通过基于样本图像确定第一训练数据,然后确定初始网络模型,并基于样本图像训练初始网络模型,以生成用于确定医学图像中的病灶区域的网络模型的方式,实现了利用样本图像训练初始网络模型以生成用于确定医学图像中的病灶区域的网络模型的目的。由于样本图像为包括病灶区域的医学图像,基于样本图像确定的第一训练数据包括标记的第一病灶区域坐标信息和第一病灶类型信息,因此,基于样本图像训练生成的用于确定医学图像中的病灶区域的网络模型能够用于辅助医生确定任一与样本图像同类型的医学图像中的病灶区域。综上,利用本公开实施例提供的网络模型训练方法训练生成的用于确定医学图像中的病灶区域的网络模型,能够辅助医生确定与样本图像同类型的医学图像中的病灶区域(比如确定病灶区域对应的病灶区域坐标信息),因此,与现有技术相比,本公开实施例能够有效提高病灶区域的确定效率以及确定精准度。
需要说明的是,上述提及的与样本图像同类型的医学图像,指的是医学图像包括的组织器官与样本图像中的组织器官属于同种类型。比如,样本图像为包括人体肺野区域的胸片图像,那么,医学图像同样为包括人体肺野区域的胸片图像。又比如,样本图像为包括人体脑部区域的头部图像,那么,医学图像同样为包括人体脑部区域的头部图像。
示例性地,在本公开一实施例中,样本图像为包括肺结核病灶区域的肺部图像,第一病灶类型信息包括原发性肺结核、血行播散型肺结核、继发性肺结核、气管支气管肺结核、结核性胸膜炎、陈旧性肺结核中的至少一种。由此,能够借助上述实施例确定的用于确定医学图像中的病灶区域的网络模型实现预测包括肺结核病灶区域的医学图像的病灶区域坐标信息的目的。
图4所示为本公开一示例性实施例提供的基于样本图像训练初始网络模型,以生成用于确定医学图像中的病灶区域的网络模型的流程示意图。在本公开图3所示实施例的基础上延伸出本公开图4所示实施例,下面着重叙述图4所示实施例与图3所示实施例的不同之处,相同之处不再赘述。
如图4所示,在本公开实施例提供的网络模型训练方法中,基于样本图像训练初始网络模型,以生成用于确定医学图像中的病灶区域的网络模型步骤,包括如下步骤。
步骤21,将样本图像输入至初始网络模型,以确定与第一训练数据对应的第二训练数据,其中,第二训练数据包括第二病灶区域坐标信息和第二病灶类型信息。
第二训练数据指的是将样本图像输入至初始网络模型后,初始网络模型确定的与样本图像对应的训练数据(其中,该训练数据中包括病灶区域坐标信息和病灶类型信息)。
步骤22,基于第一训练数据和第二训练数据对初始网络模型进行第一次参数调整操作,以生成用于确定医学图像中的病灶区域的网络模型。
第一次参数调整操作所调整的具体的网络参数可根据实际情况确定,包括但不限于学习率、图像尺寸等。
在实际应用过程中,首先基于样本图像确定第一训练数据,然后确定初始网络模型,将样本图像输入至初始网络模型,以确定与第一训练数据对应的第二训练数据,并基于第一训练数据和第二训练数据对初始网络模型进行第一次参数调整操作,以生成用于确定医学图像中的病灶区域的网络模型。
本公开实施例提供的网络模型训练方法,通过将样本图像输入至初始网络模型,以确定与第一训练数据对应的第二训练数据,然后基于第一训练数据和第二训练数据对初始网络模型进行第一次参数调整操作,以生成用于确定医学图像中的病灶区域的网络模型的方式,实现了基于样本图像训练初始网络模型,以生成用于确定医学图像中的病灶区域的网络模型的目的。由于第一训练数据是预先标记的,第二训练数据是基于初始网络模型确定的,因此,第一训练数据和第二训练数据之间的差异能够表征初始网络模型的预测精准度。基于此,在本公开实施例中,基于第一训练数据和第二训练数据对初始网络模型进行第一次参数调整操作后,能够有效缩小第一训练数据和第二训练数据之间的误差范围,因此,本公开实施例能够有效提高最终生成的用于确定医学图像中的病灶区域的网络模型的预测精准度。
图5所示为本公开另一示例性实施例提供的基于样本图像训练初始网络模型,以生成用于确定医学图像中的病灶区域的网络模型的流程示意图。在本公开图4所示实施例的基础上延伸出本公开图5所示实施例,下面着重叙述图5所示实施例与图4所示实施例的不同之处,相同之处不再赘述。
在图5所示实施例中,初始网络模型包括信号连接的图像特征提取模型和预测模型,其中,图像特征提取模型用于提取医学图像的图像特征信息,预测模型用于预测与医学图像对应的训练数据。那么,如图5所示,在本公开实施例提供的网络模型训练方法中,基于第一训练数据和第二训练数据对初始网络模型进行第一次参数调整操作,以生成用于确定医学图像中的病灶区域的网络模型步骤,包括如下步骤。
步骤221,基于第二训练数据中的第二病灶类型信息与第一训练数据中的第一病灶类型信息调整预测模型的网络参数和图像特征提取模型的网络参数,以生成用于确定医学图像中的病灶区域的网络模型。
应当理解,本公开实施例中提及的图像特征提取模型和预测模型的具体模型结构,可根据实际情况确定。
在实际应用过程中,首先基于样本图像确定第一训练数据,然后确定初始网络模型,将样本图像输入至初始网络模型,以确定与第一训练数据对应的第二训练数据,然后基于第二训练数据中的第二病灶类型信息与第一训练数据中的第一病灶类型信息调整预测模型的网络参数和图像特征提取模型的网络参数,以生成用于确定医学图像中的病灶区域的网络模型。
本公开实施例提供的网络模型训练方法,通过基于第二训练数据中的第二病灶类型信息与第一训练数据中的第一病灶类型信息调整预测模型的网络参数和图像特征提取模型的网络参数的方式,实现了基于第一训练数据和第二训练数据对初始网络模型进行第一次参数调整操作的目的。由于病灶类型信息能够有助于确定病灶区域坐标信息,因此,本公开实施例能够进一步提高所确定的病灶区域坐标信息的精准度,进而提高病灶区域的定位精准度。
图6所示为本公开一示例性实施例提供的基于第二训练数据中的第二病灶类型信息与第一训练数据中的第一病灶类型信息调整预测模型的网络参数和图像特征提取模型的网络参数的流程示意图。在本公开图5所示实施例的基础上延伸出本公开图6所示实施例,下面着重叙述图6所示实施例与图5所示实施例的不同之处,相同之处不再赘述。
在图6所示实施例中,预测模型包括坐标信息预测子模型和类型信息预测子模型,其中,坐标信息预测子模型用于预测病灶区域坐标信息,类型信息预测子模型用于预测病灶类型信息。如图6所示,在本公开实施例提供的网络模型训练方法中,基于第二训练数据中的第二病灶类型信息与第一训练数据中的第一病灶类型信息调整预测模型的网络参数和图像特征提取模型的网络参数步骤,包括如下步骤。
步骤2211,基于第二病灶类型信息和第一病灶类型信息调整预测模型中的类型信息预测子模型的网络参数。
由于第二病灶类型信息是基于预测模型中的类型信息预测子模型确定的,因此,基于第二病灶类型信息和预先标记的第一病灶类型信息能够调整预测模型中的类型信息预测子模型的网络参数,以进一步提高类型信息预测子模型的预测精度。
步骤2212,基于调整后的类型信息预测子模型调整图像特征提取模型的网络参数。
由于调整后的类型信息预测子模型的预测精度有所提高,且所确定的高精准度的病灶类型信息是基于图像特征提取模型提取的图像特征信息获得的,因此,基于调整后的类型信息预测子模型调整图像特征提取模型的网络参数操作,能够进一步提高图像特征提取模型所提取的图像特征信息的精准度。
步骤2213,基于调整后的图像特征提取模型调整预测模型中的坐标信息预测子模型的网络参数。
由于调整后的图像特征提取模型的预测精准度有所提高,且预测模型中的坐标信息预测子模型是以图像特征提取模型所预测的图像特征信息作为输入数据的,因此,基于调整后的图像特征提取模型调整预测模型中的坐标信息预测子模型的网络参数操作,能够进一步提高坐标信息预测子模型所确定的病灶区域坐标信息的精准度。
应当理解,本公开实施例中提及的坐标信息预测子模型和类型信息预测子模型的具体模型结构,亦可根据实际情况确定。
在实际应用过程中,首先基于样本图像确定第一训练数据,然后确定初始网络模型,将样本图像输入至初始网络模型,以确定与第一训练数据对应的第二训练数据,然后基于第二病灶类型信息和第一病灶类型信息调整预测模型中的类型信息预测子模型的网络参数,并基于调整后的类型信息预测子模型调整图像特征提取模型的网络参数,以及基于调整后的图像特征提取模型调整预测模型中的坐标信息预测子模型的网络参数,以生成用于确定医学图像中的病灶区域的网络模型。
本公开实施例提供的网络模型训练方法,通过基于第二病灶类型信息和第一病灶类型信息调整预测模型中的类型信息预测子模型的网络参数,然后基于调整后的类型信息预测子模型调整图像特征提取模型的网络参数,并基于调整后的图像特征提取模型调整预测模型中的坐标信息预测子模型的网络参数的方式,实现了基于第二训练数据中的第二病灶类型信息与第一训练数据中的第一病灶类型信息调整预测模型的网络参数和图像特征提取模型的网络参数的目的。结合上述实施例分析内容可知,本公开实施例能够进一步提高所确定的病灶区域坐标信息的精准度。
图7所示为本公开又一示例性实施例提供的基于样本图像训练初始网络模型,以生成用于确定医学图像中的病灶区域的网络模型的流程示意图。在本公开图5所示实施例的基础上延伸出本公开图7所示实施例,下面着重叙述图7所示实施例与图5所示实施例的不同之处,相同之处不再赘述。
如图7所示,在本公开实施例提供的网络模型训练方法中,基于第一训练数据和第二训练数据对初始网络模型进行第一次参数调整操作,以生成用于确定医学图像中的病灶区域的网络模型步骤,包括如下步骤。
步骤2214,基于第二训练数据中的第二病灶类型信息与第一训练数据中的第一病灶类型信息调整预测模型的网络参数和图像特征提取模型的网络参数,基于第二训练数据中的第二病灶区域坐标信息和第一训练数据中的第一病灶区域坐标信息调整图像特征提取模型的网络参数,以生成用于确定医学图像中的病灶区域的网络模型。
在实际应用过程中,首先基于样本图像确定第一训练数据,然后确定初始网络模型,将样本图像输入至初始网络模型,以确定与第一训练数据对应的第二训练数据,然后基于第二训练数据中的第二病灶类型信息与第一训练数据中的第一病灶类型信息调整预测模型的网络参数和图像特征提取模型的网络参数,基于第二训练数据中的第二病灶区域坐标信息和第一训练数据中的第一病灶区域坐标信息调整图像特征提取模型的网络参数,以生成用于确定医学图像中的病灶区域的网络模型。
本公开实施例提供的网络模型训练方法,通过基于第二训练数据中的第二病灶类型信息与第一训练数据中的第一病灶类型信息调整预测模型的网络参数和图像特征提取模型的网络参数,并基于第二训练数据中的第二病灶区域坐标信息和第一训练数据中的第一病灶区域坐标信息调整图像特征提取模型的网络参数的方式,实现了基于第一训练数据和第二训练数据对初始网络模型进行第一次参数调整操作的目的。由于与图5所示实施例相比,本公开实施例增加了基于第二病灶区域坐标信息和第一病灶区域坐标信息调整图像特征提取模型的网络参数的步骤,因此,本公开实施例能够进一步提高所确定的病灶区域坐标信息的精准度,进而提高病灶区域的定位精准度。
为进一步详细说明上述实施例中提及的用于确定医学图像中的病灶区域的网络模型的具体结构,下面基于图8所示的结构示意图进行举例说明。
图8所示为本公开一示例性实施例提供的初始网络模型的结构示意图。如图8所示,在本公开实施例中,图像特征提取模型包括ResNext-50网络模型41和全景特征金字塔网络模型42,预测模型包括预测网络模型43。其中,类型信息预测子模型为分类预测模块431,坐标信息预测子模型为坐标预测模块432。
继续参照图8所示,G表征分组卷积数,在未标识G数值的模块结构中,默认G=1。S表征卷积步长,在未标识S数值的模块结构中,默认S=1。MP表示最大值池化层。ResNext-50网络模型41中的“×3”、“×4”、“×6”和“×3”分别表示该模块重复叠堆3次、4次、6次和3次。
在实际训练过程中,将样本图像输入至ResNext-50网络模型41和全景特征金字塔网络模型42进行图像特征提取操作,以输出三层特征层P3,P4和P5,然后这三层特征层P3,P4和P5分别输入至分类预测模块431和坐标预测模块432。在本公开实施例中,若样本图像尺寸为512×512,三层特征层P3,P4和P5的尺寸分别为batch×256×64×64,batch×256×32×32,batch×256×16×16。其中,batch表示批尺寸,即计算梯度所使用的样本量。
在分类预测模块431中,特征层P4和P5分别经过2倍和4倍的上采样后,再与特征层P3进行融合操作以生成一尺寸为batch×768×64×64特征图,该特征图再经过一系列的卷积和池化操作后,得到batch×2n的矩阵,其中,n表示需要预测的类别数量,最后用softmax分类器得到针对每一类别的预测概率。
需要说明的是,在不断迭代的训练过程中,分类预测模块431会利用特征层P3,P4和P5反向影响全景特征金字塔网络模型42的网络参数,进而继续间接影响ResNext-50网络模型41的网络参数。由于坐标预测模块432的输入数据是基于ResNext-50网络模型41和全景特征金字塔网络模型42确定的,因此,分类预测模块431会间接影响坐标预测模块432的网络参数,从而借助分类预测模块431的病灶类型信息提高坐标预测模块432的预测精准度。综上,本公开实施例不仅能够降低过拟合,而且能够进一步提高所确定的病灶区域坐标信息的精准度。
应当理解,损失函数可以用来评价网络模型输出的预测结果与真实结果之间的差异。损失函数是非负实值函数,损失函数的损失值能够表征网络模型的预测性能,即,损失函数的损失值越小,网络模型的预测性能越好。上述实施例提及的不断迭代的训练过程,目的是为了让损失函数的损失值尽可能小,以优化网络模型的预测性能。因此,损失函数对于提高网络模型的预测性能具有重要意义。
基于此,在本公开一实施例中,类型信息预测子模型中的损失函数基于下述计算式(1)确定。
在计算式(1)中,θ表征类型信息预测子模型的网络参数,m表征类型数量,h表征预测概率,y表征每张图像的标签。
上述计算式(1)中记载的类型信息预测子模型中的损失函数为交叉熵损失函数。由于交叉熵损失函数中包括对数函数信息,因此,与均方差损失函数相比,当训练的预测结果接近真实结果时,交叉熵损失函数仍然可以保持在高梯度状态,即网络模型的收敛速度不会受到不良影响。
需要说明的是,类型信息预测子模型中的损失函数不局限于上述计算式(1)记载的损失函数,只要损失函数中包括基于预测概率生成的对数函数信息,就能够实现上述实施例提及的有益效果。
通常情况下,每种类型的样本数量并非是完全相同的,不同种类型的数量可能存在较大差异。当不同种类型的数量可能存在较大差异时,如采用计算式(1)记载的损失函数进行计算,则可能出现数量多的类型在损失函数中所占的比重比较大,数量少的类型在损失函数中所占的比重比较小,进而导致对数量少的类型的训练效果没有数量多的类型的训练效果好的情况。基于此,更优选地,基于上述实施例提及的计算式(1)表征的交叉熵损失函数延伸出本公开另一实施例。在本公开实施例的损失函数中,每一类型对应的损失因子均对应设置有一权重参数wi。示例性地,权重参数wi根据所对应的类型在整个样本数据集中所占的比例确定,且数值范围在0到1之间。
需要说明的是,本公开实施例通过为每一类型对应的损失因子设置一对应的权重参数的方式,实现了进一步均衡训练效果的目的,进而进一步提高了网络模型的预测精准度。
在本公开另一实施例中,坐标信息预测子模型中的损失函数基于下述计算式(2)确定。
在计算式(2)中,N表征匹配的预设框的数量,x表征匹配了的框是否属于类型P,l表征预测框,g表征真实框,c表征所框选的目标属于类型P的置信度。应当理解,类型P可以为任一类型,本公开实施例对此不进行限定。
需要说明的是,本公开实施例提及的坐标信息预测子模型中的损失函数,可以应用到坐标信息预测子模型中的任一预测单元。比如,在图8所示实施例中,将计算式(2)中记载的损失函数应用至坐标预测模块432的类别预测单元和坐标预测单元,即类别预测单元中的损失函数和坐标预测单元中的损失函数均为上述计算式(2)。
图9所示为本公开一示例性实施例提供的基于第一训练数据和第二训练数据对初始网络模型进行第一次参数调整操作,以生成用于确定医学图像中的病灶区域的网络模型的流程示意图。在本公开图4所示实施例的基础上延伸出本公开图9所示实施例,下面着重叙述图9所示实施例与图4所示实施例的不同之处,相同之处不再赘述。
如图9所示,在本公开实施例提供的网络模型训练方法中,基于第一训练数据和第二训练数据对初始网络模型进行第一次参数调整操作,以生成用于确定医学图像中的病灶区域的网络模型步骤,包括如下步骤。
步骤222,基于第一训练数据和第二训练数据对初始网络模型进行第一次参数调整操作。
步骤223,基于样本图像和进行第一次参数调整操作后的初始网络模型确定与第一训练数据对应的第三训练数据,其中,第三训练数据包括第三病灶区域坐标信息和第三病灶类型信息。
步骤224,基于第一训练数据和第三训练数据对进行第一次参数调整操作后的初始网络模型进行第二次参数调整操作,以生成用于确定医学图像中的病灶区域的网络模型。
在实际应用过程中,首先基于样本图像确定第一训练数据,然后确定初始网络模型,将样本图像输入至初始网络模型,以确定与第一训练数据对应的第二训练数据,并基于第一训练数据和第二训练数据对初始网络模型进行第一次参数调整操作,然后基于样本图像和进行第一次参数调整操作后的初始网络模型确定与第一训练数据对应的第三训练数据,并基于第一训练数据和第三训练数据对进行第一次参数调整操作后的初始网络模型进行第二次参数调整操作,以生成用于确定医学图像中的病灶区域的网络模型。
需要说明的是,针对初始网络模型的参数调整次数,不局限于本公开实施例提及的两次,亦可以是三次、四次或者更多次,直到所生成的用于确定医学图像中的病灶区域的网络模型的预测精准度达到预设要求即可。
本公开实施例提供的网络模型训练方法,实现了对初始网络模型进行多次参数调整操作的目的。因此,与图4所示实施例相比,本公开实施例能够进一步提高最终生成的用于确定医学图像中的病灶区域的网络模型的预测精准度。
图10所示为本公开一示例性实施例提供的基于样本图像确定第一训练数据的流程示意图。在本公开图3所示实施例的基础上延伸出本公开图10所示实施例,下面着重叙述图10所示实施例与图3所示实施例的不同之处,相同之处不再赘述。
如图10所示,在本公开实施例提供的网络模型训练方法中,基于样本图像确定第一训练数据步骤,包括如下步骤。
步骤11,确定包括病灶区域的样本图像和标记规则。
示例性地,标记规则基于人工(比如医生)预先确定。比如,标记规则为标记出样本图像中的病灶区域对应的病灶区域坐标信息和病灶类型信息。
步骤12,基于标记规则对样本图像进行标记操作,以生成第一训练数据。
在实际应用过程中,首先确定包括病灶区域的样本图像和标记规则,并基于标记规则对样本图像进行标记操作以生成第一训练数据,然后确定初始网络模型,并基于样本图像训练初始网络模型,以生成用于确定医学图像中的病灶区域的网络模型。
本公开实施例提供的网络模型训练方法,通过确定包括病灶区域的样本图像和标记规则,并基于标记规则对样本图像进行标记操作,以生成第一训练数据的方式,实现了基于样本图像确定第一训练数据的目的。由于标记规则可基于样本图像的实际情况预先确定,因此,本公开实施例能够有效提高标记灵活性,进而提高所训练的用于确定医学图像中的病灶区域的网络模型的适应能力和应用广泛性。
图11所示为本公开一示例性实施例提供的病灶区域确定方法的流程示意图。如图11所示,本公开实施例提供的病灶区域确定方法包括如下步骤。
步骤50,确定需要确定病灶区域的医学图像。
步骤60,将医学图像输入至用于确定医学图像中的病灶区域的网络模型,以确定医学图像的病灶区域坐标信息。
需要说明的是,步骤60中提及的用于确定医学图像中的病灶区域的网络模型,可以基于上述任一实施例提及的网络模型训练方法获得。
在实际应用过程中,首先确定需要确定病灶区域的医学图像,然后将医学图像输入至用于确定医学图像中的病灶区域的网络模型,以确定医学图像的病灶区域坐标信息。
本公开实施例提供的病灶区域确定方法,通过将需要确定病灶区域的医学图像输入至用于确定医学图像中的病灶区域的网络模型,以确定医学图像的病灶区域坐标信息的方式,实现了确定医学图像中的病灶区域坐标信息的目的。由于本公开实施例提供的病灶区域确定方法是基于用于确定医学图像中的病灶区域的网络模型实现的,因此,与现有方案相比,本公开实施例无需对需要确定病灶区域的医学图像进行复杂的图像增强、滤波变换等处理操作,进而避免了因图像质量等因素导致的病灶区域坐标信息预测失败等情况。即,本公开实施例所提供的病灶区域确定方法具备稳定性高、鲁棒性好等优势。
图12所示为本公开另一示例性实施例提供的病灶区域确定方法的流程示意图。在本公开图11所示实施例的基础上延伸出本公开图12所示实施例,下面着重叙述图12所示实施例与图11所示实施例的不同之处,相同之处不再赘述。
如图12所示,在本公开实施例提供的病灶区域确定方法中,在将医学图像输入至用于确定医学图像中的病灶区域的网络模型,以确定医学图像的病灶区域坐标信息步骤后,还包括如下步骤。
步骤70,对医学图像进行区域划分操作,以生成多个划分区域。
步骤80,基于病灶区域坐标信息确定病灶区域与多个划分区域的位置关系。
在实际应用过程中,首先确定需要确定病灶区域的医学图像,然后将医学图像输入至用于确定医学图像中的病灶区域的网络模型,以确定医学图像的病灶区域坐标信息,继而对医学图像进行区域划分操作以生成多个划分区域,并基于病灶区域坐标信息确定病灶区域与多个划分区域的位置关系。
本公开实施例提供的病灶区域确定方法,通过对医学图像进行区域划分操作以生成多个划分区域,然后基于病灶区域坐标信息确定病灶区域与多个划分区域的位置关系的方式,实现了确定病灶区域坐标信息与多个划分区域的位置关系的目的。由于借助病灶区域坐标信息与多个划分区域的位置关系能够更好地实现病灶区域定位操作,因此,本公开实施例能够进一步辅助后续的疾病诊断操作。
图13所示为本公开一示例性实施例提供的医学图像的区域划分示意图。如图13所示,本公开实施例提供的医学图像为包括肺野区域的医学图像。在本公开实施例中,该医学图像包括关键点1至16,并基于该关键点1至16之间的对应关系生成了多条区域划分线,该多条区域划分线将肺野区域划分为了多个划分区域。具体地,将肺野区域划分为上野内带区域、上野中带区域、上野外带区域、中野内带区域、中野中带区域、中野外带区域、下野内带区域、下野中带区域和下野外带区域。
示例性地,在病灶区域确定过程中,可基于所确定的病灶区域坐标信息确定该病灶区域于上述多个划分区域的位置关系,进而生成结构化报告供医生参考。比如,右肺的上野外带区域可见结节影。
应当理解,关键点的具体位置以及具体数量可根据实际情况确定,本公开实施例对此不进行统一限定。
图14所示为本公开一示例性实施例提供的对医学图像进行区域划分操作,以生成多个划分区域的流程示意图。在本公开图12所示实施例的基础上延伸出本公开图14所示实施例,下面着重叙述图14所示实施例与图12所示实施例的不同之处,相同之处不再赘述。
如图14所示,在本公开实施例提供的病灶区域确定方法中,对医学图像进行区域划分操作,以生成多个划分区域步骤,包括如下步骤。
步骤71,将医学图像输入至关键点网络模型,以确定医学图像对应的多个关键点的坐标信息集合,其中,坐标信息集合用于对医学图像进行区域划分操作。
可选地,关键点网络模型为卷积神经网络(Convolutional Neural Networks,CNN)模型。
步骤72,基于坐标信息集合对医学图像进行区域划分操作,以生成多个划分区域。
在实际应用过程中,首先确定需要确定病灶区域的医学图像,然后将医学图像输入至用于确定医学图像中的病灶区域的网络模型,以确定医学图像的病灶区域坐标信息,继而将医学图像输入至关键点网络模型,以确定医学图像对应的多个关键点的坐标信息集合,并基于坐标信息集合对医学图像进行区域划分操作,以生成多个划分区域,最后基于病灶区域坐标信息确定病灶区域与多个划分区域的位置关系。
本公开实施例提供的病灶区域确定方法,通过将医学图像输入至关键点网络模型,以确定医学图像对应的多个关键点的坐标信息集合,然后基于坐标信息集合对医学图像进行区域划分操作以生成多个划分区域的方式,实现了对医学图像进行区域划分操作以生成多个划分区域的目的。由于本公开实施例提及的区域划分操作是基于关键点网络模型实现的,因此,与现有方案相比,本公开实施例无需对需要进行区域划分的医学图像进行复杂的图像增强、滤波变换等处理操作,进而避免了因图像质量等因素导致的区域划分失败等情况。又由于本公开实施例将区域划分问题转换为了关键点坐标信息的定位问题,因此,本公开实施例能够极大简化区域划分操作的划分复杂度。
图15所示为本公开一示例性实施例提供的基于病灶区域坐标信息确定病灶区域与多个划分区域的位置关系的流程示意图。在本公开图12所示实施例的基础上延伸出本公开图15所示实施例,下面着重叙述图15所示实施例与图12所示实施例的不同之处,相同之处不再赘述。
如图15所示,在本公开实施例提供的病灶区域确定方法中,基于病灶区域坐标信息确定病灶区域与多个划分区域的位置关系步骤,包括如下步骤。
步骤81,基于病灶区域坐标信息确定病灶区域的重心的位置信息。
步骤82,基于重心和多个划分区域的位置关系确定病灶区域与多个划分区域的位置关系。
示例性地,限定病灶区域的重心的位置信息即为病灶区域的位置信息。
在实际应用过程中,首先确定需要确定病灶区域的医学图像,然后将医学图像输入至用于确定医学图像中的病灶区域的网络模型,以确定医学图像的病灶区域坐标信息,继而对医学图像进行区域划分操作以生成多个划分区域,最后基于病灶区域坐标信息确定病灶区域的重心的位置信息,并基于重心和多个划分区域的位置关系确定病灶区域与多个划分区域的位置关系。
本公开实施例提供的病灶区域确定方法,通过确定病灶区域的重心的位置信息,并基于病灶区域的重心和多个划分区域的位置关系确定病灶区域与多个划分区域的位置信息的方式,实现了确定医学图像的病灶区域与多个划分区域之间的位置关系的目的。由于病灶区域的形状及体积千变万化,因此,本公开实施例通过基于病灶区域的重心确定病灶区域的相对位置信息的方式,有效保证了病灶区域的定位精准度。
下面结合具体医学图像描述与图15所示实施例提供的病灶区域确定方法对应的具体应用实例。
图16所示为基于图13所示区域划分情况对包括肺野区域的医学图像的病灶区域进行定位的定位示意图。如图16所示,通过将肺野区域的关键点按照预设规则连线后,即可框定出医学图像中的左肺野区域和右肺野区域。具体地,基于第一方向关键点1和2生成第一连接线,基于第一方向关键点3和4生成第二连接线,基于第二方向关键点9和10生成第三连接线,基于第二方向关键点11和12生成第四连接线。那么,基于第一方向关键点1、2、3和4以及第二方向关键点9、10、11和12的位置信息可知,第一连接线至第四连接线能够共同形成框定左肺野区域的轮廓线。同样地,基于第一方向关键点5、6、7和8以及第二方向关键点13、14、15和16所形成的连接线能够形成框定右肺野区域的轮廓线。具体连线方式可参照上述针对左肺野区域的轮廓线的连线方式,本公开实施例不再赘述。
继续参照图16所示,在本公开实施例中,医学图像中的病灶区域包括病灶区域M和病灶区域N,其中,病灶区域M具有规则的边界,病灶区域M的边界在该医学图像中呈现为矩形框,并且病灶区域M的重心为m;病灶区域N具有不规则的边界,病灶区域N的边界在该医学图像中呈现为不规则多边形框,并且病灶区域N的重心为n。
在实际应用过程中,当需要对病灶区域进行定位时,可基于病灶区域的重心的位置信息确定病灶区域的位置信息。比如,由于病灶区域M的重心m位于左肺野区域的中野中带,那么可确定病灶区域M位于左肺野区域的中野中带。示例性地,在辅助医生诊断过程中,则可描述为“左肺野区域中野中带可见病灶区域M”。又比如,由于病灶区域N的重心n位于右肺野区域的上野中带,那么可确定病灶区域N位于右肺野区域的上野中带。示例性地,在辅助医生诊断过程中,则可描述为“右肺野区域上野中带可见病灶区域N”。
图17所示为本公开一示例性实施例提供的网络模型训练装置的结构示意图。如图17所示,本公开实施例提供的网络模型训练装置包括:
第一训练数据确定模块100,用于基于样本图像确定第一训练数据,其中,样本图像包括病灶区域,第一训练数据包括标记的第一病灶区域坐标信息和第一病灶类型信息;
训练模块200,用于确定初始网络模型,并基于样本图像训练初始网络模型,以生成用于确定医学图像中的病灶区域的网络模型。
图18所示为本公开一示例性实施例提供的训练模块的结构示意图。在本公开图17所示实施例的基础上延伸出本公开图18所示实施例,下面着重叙述图18所示实施例与图17所示实施例的不同之处,相同之处不再赘述。
如图18所示,在本公开实施例提供的网络模型训练装置中,训练模块200包括:
第二训练数据确定单元210,用于将样本图像输入至初始网络模型,以确定与第一训练数据对应的第二训练数据,其中,第二训练数据包括第二病灶区域坐标信息和第二病灶类型信息;
训练单元220,用于基于第一训练数据和第二训练数据对初始网络模型进行第一次参数调整操作,以生成用于确定医学图像中的病灶区域的网络模型。
图19所示为本公开另一示例性实施例提供的训练模块的结构示意图。在本公开图18所示实施例的基础上延伸出本公开图19所示实施例,下面着重叙述图19所示实施例与图18所示实施例的不同之处,相同之处不再赘述。
如图19所示,在本公开实施例提供的网络模型训练装置中,训练单元220包括:
第一训练子单元2210,用于基于第二训练数据中的第二病灶类型信息与第一训练数据中的第一病灶类型信息调整预测模型的网络参数和图像特征提取模型的网络参数,以生成用于确定医学图像中的病灶区域的网络模型。
图20所示为本公开一示例性实施例提供的第一训练子单元的结构示意图。在本公开图19所示实施例的基础上延伸出本公开图20所示实施例,下面着重叙述图20所示实施例与图19所示实施例的不同之处,相同之处不再赘述。
如图20所示,在本公开实施例提供的网络模型训练装置中,第一训练子单元2210包括:
第一网络参数调整子单元22110,用于基于第二病灶类型信息和第一病灶类型信息调整预测模型中的类型信息预测子模型的网络参数;
第二网络参数调整子单元22120,用于基于调整后的类型信息预测子模型调整图像特征提取模型的网络参数;
第三网络参数调整子单元22130,用于基于调整后的图像特征提取模型调整预测模型中的坐标信息预测子模型的网络参数。
图21所示为本公开又一示例性实施例提供的训练模块的结构示意图。在本公开图19所示实施例的基础上延伸出本公开图21所示实施例,下面着重叙述图21所示实施例与图19所示实施例的不同之处,相同之处不再赘述。
如图21所示,在本公开实施例提供的网络模型训练装置中,第一训练子单元2210包括:
第二训练子单元22140,用于基于第二训练数据中的第二病灶类型信息与第一训练数据中的第一病灶类型信息调整预测模型的网络参数和图像特征提取模型的网络参数,基于第二训练数据中的第二病灶区域坐标信息和第一训练数据中的第一病灶区域坐标信息调整图像特征提取模型的网络参数,以生成用于确定医学图像中的病灶区域的网络模型。
图22所示为本公开一示例性实施例提供的训练单元的结构示意图。在本公开图18所示实施例的基础上延伸出本公开图22所示实施例,下面着重叙述图22所示实施例与图18所示实施例的不同之处,相同之处不再赘述。
如图22所示,在本公开实施例提供的网络模型训练装置中,训练单元220包括:
第一次参数调整子单元2220,用于基于第一训练数据和第二训练数据对初始网络模型进行第一次参数调整操作;
第三训练数据确定子单元2230,用于基于样本图像和进行第一次参数调整操作后的初始网络模型确定与第一训练数据对应的第三训练数据,其中,第三训练数据包括第三病灶区域坐标信息和第三病灶类型信息;
第二次参数调整子单元2240,用于基于第一训练数据和第三训练数据对进行第一次参数调整操作后的初始网络模型进行第二次参数调整操作,以生成用于确定医学图像中的病灶区域的网络模型。
图23所示为本公开一示例性实施例提供的第一训练数据确定模块的结构示意图。在本公开图17所示实施例的基础上延伸出本公开图23所示实施例,下面着重叙述图23所示实施例与图17所示实施例的不同之处,相同之处不再赘述。
如图23所示,在本公开实施例提供的网络模型训练装置中,第一训练数据确定模块100包括:
确定单元110,用于确定包括病灶区域的样本图像和标记规则;
第一训练数据生成单元120,用于基于标记规则对样本图像进行标记操作,以生成第一训练数据。
图24所示为本公开一示例性实施例提供的病灶区域确定装置的结构示意图。如图24所示,本公开实施例提供的病灶区域确定装置包括:
图像确定模块500,用于确定需要确定病灶区域的医学图像;
病灶区域确定模块600,用于将医学图像输入至用于确定医学图像中的病灶区域的网络模型,以确定医学图像的病灶区域坐标信息。
图25所示为本公开另一示例性实施例提供的病灶区域确定装置的结构示意图。在本公开图24所示实施例的基础上延伸出本公开图25所示实施例,下面着重叙述图25所示实施例与图24所示实施例的不同之处,相同之处不再赘述。
如图25所示,本公开实施例提供的病灶区域确定装置还包括:
划分区域生成模块700,用于对医学图像进行区域划分操作,以生成多个划分区域;
位置关系确定模块800,用于基于病灶区域坐标信息确定病灶区域与多个划分区域的位置关系。
图26所示为本公开一示例性实施例提供的划分区域生成模块的结构示意图。在本公开图25所示实施例的基础上延伸出本公开图26所示实施例,下面着重叙述图26所示实施例与图25所示实施例的不同之处,相同之处不再赘述。
如图26所示,在本公开实施例提供的病灶区域确定装置中,划分区域生成模块700包括:
坐标信息集合确定单元710,用于将医学图像输入至关键点网络模型,以确定医学图像对应的多个关键点的坐标信息集合,其中,坐标信息集合用于对医学图像进行区域划分操作;
区域划分单元720,用于基于坐标信息集合对医学图像进行区域划分操作,以生成多个划分区域。
图27所示为本公开一示例性实施例提供的位置关系确定模块的结构示意图。在本公开图25所示实施例的基础上延伸出本公开图27所示实施例,下面着重叙述图27所示实施例与图25所示实施例的不同之处,相同之处不再赘述。
如图27所示,在本公开实施例提供的病灶区域确定装置中,位置关系确定模块800包括:
重心确定单元810,用于基于病灶区域坐标信息确定病灶区域的重心的位置信息;
位置关系确定单元820,用于基于重心和多个划分区域的位置关系确定病灶区域与多个划分区域的位置关系。
应当理解,图17至图23提供的网络模型训练装置中的第一训练数据确定模块100和训练模块200,以及第一训练数据确定模块100中包括的确定单元110和第一训练数据生成单元120,以及训练模块200中包括的第二训练数据确定单元210和训练单元220,以及训练单元220中包括的第一训练子单元2210、第一次参数调整子单元2220、第三训练数据确定子单元2230和第二次参数调整子单元2240,以及第一训练子单元2210中包括的第一网络参数调整子单元22110、第二网络参数调整子单元22120、第三网络参数调整子单元22130和第二训练子单元22140的操作和功能可以参考上述图3至图10提供的网络模型训练方法,为了避免重复,在此不再赘述。
此外,应当理解,图24至图27提供的病灶区域确定装置中的图像确定模块500、病灶区域确定模块600、划分区域生成模块700和位置关系确定模块800,以及划分区域生成模块700中包括的坐标信息集合确定单元710和区域划分单元720,以及位置关系确定模块800中包括的重心确定单元810和位置关系确定单元820的操作和功能可以参考上述图11至图15提供的病灶区域确定方法,为了避免重复,在此不再赘述。
下面,参考图28来描述根据本申请实施例的电子设备。图28所示为本公开一示例性实施例提供的电子设备的结构示意图。
如图28所示,电子设备90包括一个或多个处理器901和存储器902。
处理器901可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备90中的其他组件以执行期望的功能。
存储器902可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的网络模型训练方法、病灶区域确定方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如医学图像等各种内容。
在一个示例中,电子设备90还可以包括:输入装置903和输出装置904,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置903可以包括例如键盘、鼠标等等。
该输出装置904可以向外部输出各种信息,包括确定出的病灶区域信息等。该输出装置904可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图28中仅示出了该电子设备90中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备90还可以包括任何其他适当的组件。
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述描述的根据本申请各种实施例的网络模型训练方法、病灶区域确定方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是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在被处理器运行时使得所述处理器执行本说明书上述描述的根据本申请各种实施例的网络模型训练方法、病灶区域确定方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (19)
1.一种网络模型训练方法,其特征在于,包括:
基于样本图像确定第一训练数据,其中,所述样本图像包括病灶区域,所述第一训练数据包括标记的第一病灶区域坐标信息和第一病灶类型信息;
确定初始网络模型,并基于所述样本图像训练所述初始网络模型,以生成用于确定医学图像中的病灶区域的网络模型。
2.根据权利要求1所述的方法,其特征在于,所述基于所述样本图像训练所述初始网络模型,以生成用于确定医学图像中的病灶区域的网络模型,包括:
将所述样本图像输入至所述初始网络模型,以确定与所述第一训练数据对应的第二训练数据,其中,所述第二训练数据包括第二病灶区域坐标信息和第二病灶类型信息;
基于所述第一训练数据和所述第二训练数据对所述初始网络模型进行第一次参数调整操作,以生成用于确定医学图像中的病灶区域的网络模型。
3.根据权利要求2所述的方法,其特征在于,所述初始网络模型包括信号连接的图像特征提取模型和预测模型,所述基于所述第一训练数据和所述第二训练数据对所述初始网络模型进行第一次参数调整操作,包括:
基于所述第二训练数据中的所述第二病灶类型信息与所述第一训练数据中的所述第一病灶类型信息调整所述预测模型的网络参数和所述图像特征提取模型的网络参数。
4.根据权利要求3所述的方法,其特征在于,所述预测模型包括坐标信息预测子模型和类型信息预测子模型,所述基于所述第二训练数据中的所述第二病灶类型信息与所述第一训练数据中的所述第一病灶类型信息调整所述预测模型的网络参数和所述图像特征提取模型的网络参数,包括:
基于所述第二病灶类型信息和所述第一病灶类型信息调整所述预测模型中的所述类型信息预测子模型的网络参数;
基于调整后的所述类型信息预测子模型调整所述图像特征提取模型的网络参数;
基于调整后的所述图像特征提取模型调整所述预测模型中的所述坐标信息预测子模型的网络参数。
5.根据权利要求4所述的方法,其特征在于,所述类型信息预测子模型中的损失函数包括基于预测概率生成的对数函数。
6.根据权利要求4所述的方法,其特征在于,所述类型信息预测子模型中的损失函数和/或所述坐标信息预测子模型中的损失函数为交叉熵损失函数。
7.根据权利要求3所述的方法,其特征在于,所述基于所述第一训练数据和所述第二训练数据对所述初始网络模型进行第一次参数调整操作,还包括:
基于所述第二训练数据中的所述第二病灶区域坐标信息和所述第一训练数据中的所述第一病灶区域坐标信息调整所述图像特征提取模型的网络参数。
8.根据权利要求3至7任一所述的方法,其特征在于,所述图像特征提取模型包括ResNext-50网络模型和全景特征金字塔网络模型。
9.根据权利要求2所述的方法,其特征在于,所述基于所述第一训练数据和所述第二训练数据对所述初始网络模型进行第一次参数调整操作,以生成用于确定医学图像中的病灶区域的网络模型,包括:
基于所述第一训练数据和所述第二训练数据对所述初始网络模型进行第一次参数调整操作;
基于所述样本图像和进行所述第一次参数调整操作后的初始网络模型确定与所述第一训练数据对应的第三训练数据,其中,所述第三训练数据包括第三病灶区域坐标信息和第三病灶类型信息;
基于所述第一训练数据和所述第三训练数据对进行所述第一次参数调整操作后的初始网络模型进行第二次参数调整操作,以生成用于确定医学图像中的病灶区域的网络模型。
10.根据权利要求1至7任一所述的方法,其特征在于,所述基于样本图像确定第一训练数据,包括:
确定包括病灶区域的样本图像和标记规则;
基于所述标记规则对所述样本图像进行标记操作,以生成第一训练数据。
11.根据权利要求1至7任一所述的方法,其特征在于,所述样本图像为包括肺结核病灶区域的肺部图像,所述第一病灶类型信息包括原发性肺结核、血行播散型肺结核、继发性肺结核、气管支气管肺结核、结核性胸膜炎、陈旧性肺结核中的至少一种。
12.一种病灶区域确定方法,其特征在于,包括:
确定需要确定病灶区域的医学图像;
将所述医学图像输入至用于确定医学图像中的病灶区域的网络模型,以确定所述医学图像的病灶区域坐标信息,其中,所述网络模型基于上述权利要求1至11任一所述的网络模型训练方法获得。
13.根据权利要求12所述的方法,其特征在于,在所述将所述医学图像输入至用于确定医学图像中的病灶区域的网络模型,以确定所述医学图像的病灶区域坐标信息后,还包括:
对所述医学图像进行区域划分操作,以生成多个划分区域;
基于所述病灶区域坐标信息确定所述病灶区域与所述多个划分区域的位置关系。
14.根据权利要求13所述的方法,其特征在于,所述对所述医学图像进行区域划分操作,以生成多个划分区域,包括:
将所述医学图像输入至关键点网络模型,以确定所述医学图像对应的多个关键点的坐标信息集合,其中,所述坐标信息集合用于对所述医学图像进行区域划分操作;
基于所述坐标信息集合对所述医学图像进行区域划分操作,以生成所述多个划分区域。
15.根据权利要求13或14所述的方法,其特征在于,所述基于所述病灶区域坐标信息确定所述病灶区域与所述多个划分区域的位置关系,包括:
基于所述病灶区域坐标信息确定所述病灶区域的重心的位置信息;
基于所述重心和所述多个划分区域的位置关系确定所述病灶区域与所述多个划分区域的位置关系。
16.一种网络模型训练装置,其特征在于,包括:
第一训练数据确定模块,用于基于样本图像确定第一训练数据,其中,所述样本图像包括病灶区域,所述第一训练数据包括标记的第一病灶区域坐标信息和第一病灶类型信息;
训练模块,用于确定初始网络模型,并基于所述样本图像训练所述初始网络模型,以生成用于确定医学图像中的病灶区域的网络模型。
17.一种病灶区域确定装置,其特征在于,包括:
图像确定模块,用于确定需要确定病灶区域的医学图像;
病灶区域确定模块,用于将所述医学图像输入至用于确定医学图像中的病灶区域的网络模型,以确定所述医学图像的病灶区域坐标信息,其中,所述网络模型基于上述权利要求1至11任一所述的网络模型训练方法获得。
18.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1至11任一所述的网络模型训练方法,或者执行上述权利要求12至15任一所述的病灶区域确定方法。
19.一种电子设备,所述电子设备包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于执行上述权利要求1至11任一所述的网络模型训练方法,或者执行上述权利要求12至15任一所述的病灶区域确定方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911049680.5A CN110827294A (zh) | 2019-10-31 | 2019-10-31 | 网络模型训练方法及装置、病灶区域确定方法及装置 |
PCT/CN2020/092570 WO2021082416A1 (zh) | 2019-10-31 | 2020-05-27 | 网络模型训练方法及装置、病灶区域确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911049680.5A CN110827294A (zh) | 2019-10-31 | 2019-10-31 | 网络模型训练方法及装置、病灶区域确定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110827294A true CN110827294A (zh) | 2020-02-21 |
Family
ID=69551516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911049680.5A Pending CN110827294A (zh) | 2019-10-31 | 2019-10-31 | 网络模型训练方法及装置、病灶区域确定方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110827294A (zh) |
WO (1) | WO2021082416A1 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111353975A (zh) * | 2020-02-24 | 2020-06-30 | 北京推想科技有限公司 | 网络模型训练方法及装置、病灶定位方法及装置 |
CN111383328A (zh) * | 2020-02-27 | 2020-07-07 | 西安交通大学 | 一种面向乳腺癌病灶的3d可视化方法及系统 |
CN111445456A (zh) * | 2020-03-26 | 2020-07-24 | 北京推想科技有限公司 | 分类模型、网络模型的训练方法及装置、识别方法及装置 |
CN111899848A (zh) * | 2020-08-05 | 2020-11-06 | 中国联合网络通信集团有限公司 | 图像识别方法及设备 |
CN111325739B (zh) * | 2020-02-28 | 2020-12-29 | 推想医疗科技股份有限公司 | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 |
CN112489794A (zh) * | 2020-12-18 | 2021-03-12 | 推想医疗科技股份有限公司 | 一种模型的训练方法、装置、电子终端及存储介质 |
WO2021082416A1 (zh) * | 2019-10-31 | 2021-05-06 | 北京推想科技有限公司 | 网络模型训练方法及装置、病灶区域确定方法及装置 |
TWI777319B (zh) * | 2020-12-03 | 2022-09-11 | 鴻海精密工業股份有限公司 | 幹細胞密度確定方法、裝置、電腦裝置及儲存介質 |
CN116310627A (zh) * | 2023-01-16 | 2023-06-23 | 北京医准智能科技有限公司 | 模型训练方法、轮廓预测方法、装置、电子设备及介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113782221A (zh) * | 2021-09-16 | 2021-12-10 | 平安科技(深圳)有限公司 | 基于自训练学习的疾病预测装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016505298A (ja) * | 2012-12-06 | 2016-02-25 | シーメンス プロダクト ライフサイクル マネージメント ソフトウェアー インコーポレイテッドSiemens Product Lifecycle Management Software Inc. | 空間コンテキストに基づく三次元イメージにおける多物体の自動的なセグメンテーション |
CN108615237A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
CN110363768A (zh) * | 2019-08-30 | 2019-10-22 | 重庆大学附属肿瘤医院 | 一种基于深度学习的早期癌病灶范围预测辅助系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563123A (zh) * | 2017-09-27 | 2018-01-09 | 百度在线网络技术(北京)有限公司 | 用于标注医学图像的方法和装置 |
CN110276411B (zh) * | 2019-06-28 | 2022-11-18 | 腾讯科技(深圳)有限公司 | 图像分类方法、装置、设备、存储介质和医疗电子设备 |
CN110827294A (zh) * | 2019-10-31 | 2020-02-21 | 北京推想科技有限公司 | 网络模型训练方法及装置、病灶区域确定方法及装置 |
-
2019
- 2019-10-31 CN CN201911049680.5A patent/CN110827294A/zh active Pending
-
2020
- 2020-05-27 WO PCT/CN2020/092570 patent/WO2021082416A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016505298A (ja) * | 2012-12-06 | 2016-02-25 | シーメンス プロダクト ライフサイクル マネージメント ソフトウェアー インコーポレイテッドSiemens Product Lifecycle Management Software Inc. | 空間コンテキストに基づく三次元イメージにおける多物体の自動的なセグメンテーション |
CN108615237A (zh) * | 2018-05-08 | 2018-10-02 | 上海商汤智能科技有限公司 | 一种肺部图像处理方法及图像处理设备 |
CN110363768A (zh) * | 2019-08-30 | 2019-10-22 | 重庆大学附属肿瘤医院 | 一种基于深度学习的早期癌病灶范围预测辅助系统 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021082416A1 (zh) * | 2019-10-31 | 2021-05-06 | 北京推想科技有限公司 | 网络模型训练方法及装置、病灶区域确定方法及装置 |
CN111353975A (zh) * | 2020-02-24 | 2020-06-30 | 北京推想科技有限公司 | 网络模型训练方法及装置、病灶定位方法及装置 |
CN111383328A (zh) * | 2020-02-27 | 2020-07-07 | 西安交通大学 | 一种面向乳腺癌病灶的3d可视化方法及系统 |
CN111325739B (zh) * | 2020-02-28 | 2020-12-29 | 推想医疗科技股份有限公司 | 肺部病灶检测的方法及装置,和图像检测模型的训练方法 |
CN111445456A (zh) * | 2020-03-26 | 2020-07-24 | 北京推想科技有限公司 | 分类模型、网络模型的训练方法及装置、识别方法及装置 |
CN111445456B (zh) * | 2020-03-26 | 2023-06-27 | 推想医疗科技股份有限公司 | 分类模型、网络模型的训练方法及装置、识别方法及装置 |
CN111899848A (zh) * | 2020-08-05 | 2020-11-06 | 中国联合网络通信集团有限公司 | 图像识别方法及设备 |
CN111899848B (zh) * | 2020-08-05 | 2023-07-07 | 中国联合网络通信集团有限公司 | 图像识别方法及设备 |
TWI777319B (zh) * | 2020-12-03 | 2022-09-11 | 鴻海精密工業股份有限公司 | 幹細胞密度確定方法、裝置、電腦裝置及儲存介質 |
CN112489794A (zh) * | 2020-12-18 | 2021-03-12 | 推想医疗科技股份有限公司 | 一种模型的训练方法、装置、电子终端及存储介质 |
CN116310627A (zh) * | 2023-01-16 | 2023-06-23 | 北京医准智能科技有限公司 | 模型训练方法、轮廓预测方法、装置、电子设备及介质 |
CN116310627B (zh) * | 2023-01-16 | 2024-02-02 | 浙江医准智能科技有限公司 | 模型训练方法、轮廓预测方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021082416A1 (zh) | 2021-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110827294A (zh) | 网络模型训练方法及装置、病灶区域确定方法及装置 | |
CN110766701B (zh) | 网络模型训练方法及装置、区域划分方法及装置 | |
US11900647B2 (en) | Image classification method, apparatus, and device, storage medium, and medical electronic device | |
WO2020168934A1 (zh) | 医学影像分割方法、装置、计算机设备和存储介质 | |
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
US20210052135A1 (en) | Endoscopic image processing method and system, and computer device | |
US8934693B2 (en) | Method and system for intervention planning for transcatheter aortic valve implantation from 3D computed tomography data | |
Zhu et al. | Anatomynet: Deep 3d squeeze-and-excitation u-nets for fast and fully automated whole-volume anatomical segmentation | |
WO2017152121A1 (en) | System and method for automated analysis in medical imaging applications | |
WO2014120727A2 (en) | Method and apparatus for generating a derived image using images of different types | |
CN110992376A (zh) | 基于ct图像的肋骨分割方法、装置、介质及电子设备 | |
CN111166362B (zh) | 医学图像的显示方法及装置、存储介质及电子设备 | |
US20150254841A1 (en) | Image processing device, imaging system, and image processing program | |
EP3828829A1 (en) | Method and apparatus for determining mid-sagittal plane in magnetic resonance images | |
CN110298820A (zh) | 影像分析方法、计算机设备和存储介质 | |
CN111340209A (zh) | 网络模型训练方法、图像分割方法、病灶定位方法 | |
Monsi et al. | XRAY AI: Lung Disease Prediction using machine learning | |
CN103366348B (zh) | 一种抑制x线图像中骨骼影像的方法及处理设备 | |
CN111311612A (zh) | 肺部分割方法、装置、介质及电子设备 | |
US11475568B2 (en) | Method for controlling display of abnormality in chest x-ray image, storage medium, abnormality display control apparatus, and server apparatus | |
CN111462203B (zh) | Dr病灶演化分析装置和方法 | |
CN111524109A (zh) | 头部医学影像的评分方法和装置、电子设备及存储介质 | |
CN113284145B (zh) | 图像处理方法及装置、计算机可读存储介质及电子设备 | |
WO2022194855A1 (en) | Detecting abnormalities in an x-ray image | |
CN111429406B (zh) | 结合多视图推理的乳腺x射线影像病变检出方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200221 |