CN110880035B - 卷积神经网络的训练方法、装置及结节征象识别方法、装置 - Google Patents
卷积神经网络的训练方法、装置及结节征象识别方法、装置 Download PDFInfo
- Publication number
- CN110880035B CN110880035B CN201911113704.9A CN201911113704A CN110880035B CN 110880035 B CN110880035 B CN 110880035B CN 201911113704 A CN201911113704 A CN 201911113704A CN 110880035 B CN110880035 B CN 110880035B
- Authority
- CN
- China
- Prior art keywords
- nodule
- feature
- neural network
- convolutional neural
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
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
本发明提供了一种卷积神经网络的训练方法、装置及结节征象识别方法、装置,解决了现有技术中结节征象识别准确率低,并且可识别征象类别少的问题。用于结节征象识别的卷积神经网络的训练方法,包括:获取已标记结节位置和结节征象类别的至少一组样本图像序列经特征提取后得到的第一特征图;采用具有不同感受野的至少两种池化核对第一特征图进行降采样得到至少两种第二特征图;根据至少两种第二特征图对卷积神经网络进行训练。
Description
技术领域
本发明涉及结节检测技术领域,具体涉及一种用于结节征象识别的卷积神经网络的训练方法和装置、结节征象识别方法和装置、计算机设备,以及存储介质。
背景技术
在医疗领域,对诸如肺结节和甲状腺结节等结节的研究,日益引起广泛关注。通常认为,结节是癌症最重要的早期征象之一,根据结节的病变特征能够推断出病灶特性,因此对结节征象的识别,是医生进行结节良性还是恶性的判断的重要参考。现有的结节征象识别方案包括:首先获取CT图像;然后人工对肺结节区域进行分割,提取肺结节的边缘特征;根据边缘特征判断是否有分叶、毛刺等边缘征象。这种识别方案准确率低,而且可识别征象类别少。
发明内容
有鉴于此,本发明实施例致力于提供一种卷积神经网络的训练方法、装置及结节征象识别方法、装置,以解决现有技术中结节征象识别准确率低,并且可识别征象类别少的问题。
本发明第一方面提供了一种用于结节征象识别的卷积神经网络的训练方法,包括:获取已标记结节位置和结节征象类别的至少一组样本图像序列经特征提取后得到的第一特征图;采用具有不同感受野的至少两种池化核对第一特征图进行降采样得到至少两种第二特征图;根据至少两种第二特征图对卷积神经网络进行训练。
在一个实施例中,采用具有不同感受野的至少两种池化核对第一特征图进行降采样得到至少两种第二特征图包括:采用具有不同感受野的至少两种池化核并行对第一特征图进行降采样得到至少两种第二特征图。
在一个实施例中,根据至少两种第二特征图对卷积神经网络进行训练包括:采用多标签分类法根据至少两种第二特征图对卷积神经网络进行训练。
在一个实施例中,采用多标签分类法根据至少两种第二特征图对卷积神经网络进行训练包括:分别针对至少两种第二特征图进行损失函数计算;根据损失函数的结果对至少两个分支网络进行训练。
在一个实施例中,卷积神经网络包括依次连接的四个卷积层网络,四个卷积层网络的卷积核的大小相等。
在一个实施例中,在获取已标记结节位置和结节征象类别的样本图像序列经特征提取后得到的第一特征图谱之前,还包括:获取已标记结节位置和结节征象类别的至少一组原始图像序列;对至少一组原始图像序列进行预处理得到至少一组样本图像序列。
在一个实施例中,对至少一组原始图像序列进行预处理得到至少一组样本图像序列包括:将至少一组原始图像序列中的结节位置包含的区域截取出来,并归一化到相同大小;对经过归一化处理的图像序列进行图像增强得到样本图像序列;或,利用预定大小的矩形框将至少一组原始图像序列中的结节位置包含的区域截取出来;对截取后得到的图像序列进行图像增强得到至少一组样本图像序列。
在一个实施例中,至少一组样本图像序列中的每一组样本图像序列包括以病灶为中心的多个CT层面对应的多张图像。
本发明第二方面提供了一种结节征象识别方法,包括:获取已标记结节位置的目标图像序列;利用卷积神经网络模型对目标图像序列进行结节征象识别,卷积神经网络模型根据上述训练方法得到;输出目标图像序列中的结节对应的至少一个预定征象类别的概率。
本发明第三方面提供了一种用于结节征象识别的卷积神经网络的训练装置,包括:第一获取模块,获取已标记结节位置和结节征象类别的至少一组样本图像序列经特征提取后得到的第一特征图;池化模块,采用具有不同感受野的至少两种池化核对第一特征图进行降采样得到至少两种第二特征图;训练模块,根据至少两种第二特征图对卷积神经网络进行训练。
本发明第四方面提供了一种结节征象识别装置,包括:第二获取模块,获取已标记结节位置的目标图像序列;识别模块,利用卷积神经网络模型对目标图像序列进行结节征象识别,卷积神经网络模型根据上述训练方法得到;输出模块,输出目标图像序列中的结节对应的至少一个预定征象类别的概率。
本发明第五方面提供了一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,计算机程序被处理器执行时实现上述任一实施例提供的用于结节征象识别的卷积神经网络的训练方法的步骤;和/或,计算机程序被处理器执行时实现上述任一实施例提供的结节征象识别方法的步骤。
本发明第六方面提供了一种存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一实施例提供的用于结节征象识别的卷积神经网络的训练方法的步骤;和/或,计算机程序被处理器执行时实现上述任一实施例提供的结节征象识别方法的步骤。
根据本发明提供的卷积神经网络的训练方法、装置及结节征象识别方法、装置,利用卷积神经网络对结节征象进行识别,提高了检测准确率,同时丰富了可识别的征象类别。
附图说明
图1示出了可以应用本发明实施例的用于结节征象识别的卷积神经网络的训练方法或装置、或者结节征象识别方法或装置的示例性系统架构的示意图。
图2为本发明第一实施例提供的用于结节征象识别的卷积神经网络的结构图。
图3为本发明第二实施例提供的用于结节征象识别的卷积神经网络的训练方法的流程图。
图4为本发明第三实施例提供的图3所示训练方法中步骤S330的具体执行过程。
图5为本发明第四实施例提供的用于结节征象识别的卷积神经网络的训练方法的流程图。
图6所示为本发明第五实施例提供的结节征象识别方法流程图。
图7为本发明第六实施例提供的用于结节征象识别的卷积神经网络的训练装置的结构框图。
图8为本发明第七实施例提供的结节征象识别装置的结构框图。
图9为本发明第八实施例提供的电子设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1示出了可以应用本发明实施例的用于结节征象识别的卷积神经网络的训练方法或装置、或者结节征象识别方法或装置的示例性系统架构的示意图。如图1所示,系统架构100包括终端设备101、网络102和服务器103。
网络102用以在终端设备101和服务器102之间提供通信链路的介质。网络102包括各种连接类型,例如有线、无线通信链路或者光纤电缆等。终端设备101可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、便携式计算机和台式计算机等。服务器103可以是提供各种服务的服务器。这样,用户可以使用终端设备101通过网络102与服务器103交互,以接收或发送消息。
例如,用户使用终端设备101向服务器103上传了一组已标注结节位置和结节征象类别的样本图像;服务器103可以基于该组样本图像对卷积神经网络进行训练,得到用于结节征象识别的卷积神经网络。
又例如,用户使用终端设备101,还配合单独设置的CT设备进行CT图像采集,并上传至服务器103;服务器103使用前述训练好的用于结节征象识别的卷积神经网络对该CT图像进行结节征象识别。
在一个实施例中,本发明实施例提供的用于结节征象识别的卷积神经网络的训练方法或结节征象识别方法由服务器103执行,相应地,用于结节征象识别的卷积神经网络的训练装置或结节征象识别装置设置于服务器中。在其他实施例中,某些终端101具有与服务器相似的功能,从而执行用于结节征象识别的卷积神经网络的训练方法或结节征象识别方法,并具有相应的用于结节征象识别的卷积神经网络的训练装置或结节征象识别装置。
应当理解,图1所示的终端设备101、网络102和服务器103的数目仅仅是示意性的。根据实际需要,可以设置任意数目的终端设备101、网络102和服务器103。比如,服务器103可以是多个服务器组成的服务器集群。
图2为本发明第一实施例提供的用于结节征象识别的卷积神经网络的结构图。卷积神经网络200是一种多层的监督学习神经网络,包括至少一个卷积网络层和全连接层,卷积网络层包括卷积层和池化层,其中池化层和全连接层是可选的。例如,如图2所示的卷积神经网络200包括四个卷积网络层C1-C4,卷积网络层C1-C4中的每一个包括卷积层和池化层。
卷积层的作用是通过卷积运算使图像的原信号特征增强并降低噪音。池化层的作用在于根据图像局部相关性的原理减少计算量同时保持图像旋转不变性。全连接层位于卷积神经网络的高层,其输入是由卷积层和池化层进行特征提取得到的特征图像,输出可以连接分类器,通过采用逻辑回归、Softmax回归、支持向量机对输入图像进行分类。
在一个实施例中,四个卷积网络层的卷积核的大小相等。
图3为本发明第二实施例提供的用于结节征象识别的卷积神经网络的训练方法的流程图。
下面结合图2和图3具体描述用于结节征象识别的卷积神经网络的训练过程。如图3所示,用于结节征象识别的卷积神经网络的训练方法300包括:
步骤S310,获取已标记结节位置和结节征象类别的至少一组样本图像序列经特征提取后得到的第一特征图。
在一个实施例中,样本图像序列包括以病灶为中心的多个CT层面对应的多张图像。对于一个具有三维立体结构的结节来说,在多个CT层面对应的多张图像中分别对该结节进行位置标记,可以更全面地反映该结节所包含的结节征象。一个结节可以对应一个或多个结节征象类别。
卷积神经网络本质上可视为一种输入到输出的映射,能够学习大量的输入与输出之间的映射关系,而不需要任何输入和输出之间的精确数学表达式,因此通过将“已标记结节位置的样本图像序列”和相应的“结节征象类别”作为已知向量对组成训练样本集对卷积神经网络进行训练,即可使其具有从输入到输出之间的映射能力。
特征提取过程是由卷积网络层执行的,该卷积网络层包括卷积层,也可以包括池化层。第一特征图是指已标记结节位置和结节征象类别的样本图像序列经过卷积网络层的处理后得到的,即第一特征图是卷积网络层的输出,在根据至少一组样本图像序列获得第一特征图的过程中,可以经过了池化层,也可以没有经过池化层。
当卷积神经网络包括多个卷积网络层时,任意一个卷积网络层的输出都可称为第一特征图。例如,对于如图2所示的卷积神经网络而言,卷积网络层C1-C4输出的特征图均可以称为第一特征图。
第一特征图是由多个子特征图构成的一维或多维特征图,包括通道维和空间维,通道维指示子特征图的数量,空间维指示子特征图占据的空间大小。
步骤S320,采用具有不同感受野的至少两种池化核对第一特征图进行降采样得到至少两种第二特征图。
在判断不同结节征象时所需要的感受野可能会有很大不同。以肺结节征象为例,肺结节征象通常包括分叶征、毛刺征、空洞征、胸膜凹陷征等,其中分叶征和毛刺征位于结节的边缘,其需要的感受野很小;而在判断胸膜凹陷征时,则需要联系结节与周围组织(例如胸膜)的关系,因此需要的感受野较大。有鉴于此,通过采用具有不同感受野的至少两种池化核对第一特征图进行降采样,可以得到至少两种感受野不同的第二特征图,以确保各类结节征象特征都可以被完整地提取。
在一个实施例中,步骤S320具体执行为:采用具有不同感受野的至少两种池化核并行对第一特征图进行降采样得到至少两种第二特征图。并行执行过程可以降低训练过程所需要的时间。
步骤S330,根据至少两种第二特征图对卷积神经网络进行训练。
在训练开始前,网络所有层的权重参数可以用一些不同的随机数进行初始化。然后根据至少两种第二特征图谱计算损失函数,并采用梯度下降法最小化损失函数得到最优权重参数,根据得到的最优权重参数对网络中各层的权重参数逐层反向调节,并通过频繁的迭代训练提高网络的精度。
根据本实施例提供的卷积神经网络的训练方法,通过采用具有不同感受野的至少两种池化核对第一特征图进行降采样,可以得到至少两种感受野不同的第二特征图,以确保各类结节征象特征都可以被完整地提取。
由于一个结节通常包括多种结节征象,即对于一个结节而言,可能存在多种结节征象共存的现象。因此,为了避免不同类别间的竞争问题,在一个实施例中,步骤S330具体执行为:采用多标签分类法根据至少两种第二特征图对卷积神经网络进行训练。这里提到的多标签分类法可以是问题转换法、改编算法、集成方法中的任一种。
图4为本发明第三实施例提供的图3所示训练方法中步骤S330的具体执行过程。如图4所示,步骤S330具体包括:
步骤S410,分别针对至少两种第二特征图进行损失函数计算。
步骤S420,根据损失函数的结果对至少两个分支网络进行训练。
图5为本发明第四实施例提供的用于结节征象识别的卷积神经网络的训练方法的流程图。如图5所示,训练方法500和图3、图4所示训练方法的区别仅在于,训练方法500在步骤S310之前还包括:
步骤S510,获取已标记结节位置和结节征象类别的至少一组原始图像序列。
原始图像序列可以是CT图像序列,还可以是磁共振影像等其他医疗图像。
步骤S520,对至少一组原始图像序列进行预处理得到至少一组样本图像序列。
在一个实施例中,步骤S520具体执行为:
首先,将至少一组原始图像序列中的结节位置包含的区域截取出来,并归一化到相同大小。例如,采用可以容纳结节位置的矩形框将结节位置包含的区域截取出来;之后,采用图像放缩的方式,将大小不同的矩形框中的结节区域统一为相同大小。
然后,对经过归一化处理的图像序列进行图像增强得到样本图像序列。图像增强是指将原理不清晰的图像变得清晰,或强调某些感兴趣的特征,抑制不感兴趣的特征,使之改善图像质量、丰富信息量,加强图像判读和识别效果的图像处理方式。针对归一化后的图像的图像增强处理可包括:按预设偏移量改变裁剪框的中心与所包含结节之间的相对位置,并保留改变相对位置前后的图像作为样本图像序列;或者去掉裁剪后的图像中的噪声;或者增强边缘特征等。
在另一个实施例中,步骤S520具体执行为:
首先,利用预定大小的矩形框将原始图像序列中的结节位置包含的区域截取出来。预定大小的矩形框例如为64*64。
然后,对截取后得到图像序列进行图像增强得到样本图像序列。该图像增强的过程如上,这里不予赘述。
根据本实施例提供的卷积神经网络的训练方法,在对卷积神经网络进行训练之前,首先对样本图像进行预处理,可以降低卷积神经网络模型出现过拟合的概率,从而提高泛化能力。
图6所示为本发明第五实施例提供的结节征象识别方法流程图。如图6所示,结节检测方法600包括:
步骤S610,获取已标记结节位置的目标图像序列。
目标图像序列和进行卷积神经网络的训练时采用的原始图像序列的区别仅在于,该目标图像序列未标记结节征象类别。目标图像序列可以是CT图像序列,还可以是磁共振影像等其他医疗图像。对于CT图像序列而言,目标图像序列通常包括9张,共9个病灶层面的CT图像。
步骤S620,利用卷积神经网络模型对目标图像序列进行结节征象识别。卷积神经网络模型是根据本发明任一实施例提供的用于结节征象识别的卷积神经网络的训练方法训练得到的。
步骤S630,输出所述目标图像序列中的结节对应的至少一个预定征象类别的概率。
例如,预定征象类别包括四种,即分叶征、毛刺征、空洞征、胸膜凹陷征,这种情况下输出的结果是:一个多维向量,该多维向量示出了目标图像序列中已进行位置标记的结节所对应的至少一个预定征象类别的概率。
在一个实施例中,多维向量可以表示为如下所示的表格形式。
表1目标图像序列中已进行位置标记的结节对应的征象类别概率分布表
在一个实施例中,可以预置一个判断准则,例如,当某一征象类别为“是”的概率大于其为“否”的概率,则表示结节包含该征象类别。这种情况下,根据表1可以判定,目标图像序列中已进行位置标记的结节同时包含分叶征和胸膜凹陷征。
应当理解,预置的判断准则可以根据实际情况合理设置,上述判断准则仅为示例性的,本发明对此不作限定。例如,在其它实施例中,还可以将判断准则确定为,当某一征象类别为“是”的概率大于预定值,例如0.90,则表示结节包含该征象类别。
此外,本实施例中给出的征象类别的种类仅是示例性的。实际的征象类别还可以包括卫星灶、囊状结构,以及一些人为规定的征象类别,例如,结节边缘是否光滑,结节是否规则(例如是否近似为圆形)等。
图7为本发明第六实施例提供的用于结节征象识别的卷积神经网络的训练装置的结构框图。如图7所示,训练装置700包括第一获取模块701、池化模块702和训练模块703。其中,第一获取模块701用于获取已标记结节位置和结节征象类别的至少一组样本图像序列经特征提取后得到的第一特征图;池化模块702用于采用具有不同感受野的至少两种池化核对第一特征图进行降采样得到至少两种第二特征图;训练模块703,根据至少两种第二特征图对卷积神经网络进行训练。
本实施例提供的用于结节征象识别的卷积神经网络的训练装置,与本发明实施例所提供的用于结节征象识别的卷积神经网络的训练方法属于同一发明构思,可执行本发明任意实施例所提供的用于结节征象识别的卷积神经网络的训练方法,具备执行用于结节征象识别的卷积神经网络的训练方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例提供的用于结节征象识别的卷积神经网络的训练方法,此处不再加以赘述。
图8为本发明第七实施例提供的结节征象识别装置的结构框图。如图8所示,结节征象识别装置800包括:第二获取模块801、识别模块802和输出模块803。其中,第二获取模块801用于获取已标记结节位置的目标图像序列;识别模块802用于利用卷积神经网络模型对所述目标图像序列进行结节征象识别,卷积神经网络模型是根据上述任一实施例提供的用于结节征象识别的卷积神经网络的训练方法得到的;输出模块803用于输出目标图像序列中的结节对应的至少一个预定征象类别的概率。
本实施例提供的用于结节征象识别装置,与本发明实施例所提供的结节征象识别方法属于同一发明构思,可执行本发明任意实施例所提供的结节征象识别方法,具备执行结节征象识别方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例提供的结节征象识别方法,此处不再加以赘述。
本发明还提供了一种电子设备,该电子设备可以是图1所示系统架构中的终端设备101或服务器103。图9为本发明第八实施例提供的电子设备的结构框图。如图9所示,电子设备900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900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901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用于结节征象识别的卷积神经网络的训练方法;和/或结节征象识别方法;以及/或者其他期望的功能。
本发明一实施例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如前任一实施例所述的用于结节征象识别的卷积神经网络的训练方法;和/或,结节征象识别方法。该计算机存储介质可以为任何有形媒介,例如软盘、CD-ROM、DVD、硬盘驱动器、甚至网络介质等。
应当理解,虽然以上描述了本发明实施方式的一种实现形式可以是计算机程序产品,但是本发明的实施方式的方法或装置可以被依软件、硬件、或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的方法和设备可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的方法和装置可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
应当理解,尽管在上文的详细描述中提及了装置的若干模块或单元,但是这种划分仅仅是示例性而非强制性的。实际上,根据本发明的示例性实施方式,上文描述的两个或更多模块/单元的特征和功能可以在一个模块/单元中实现,反之,上文描述的一个模块/单元的特征和功能可以进一步划分为由多个模块/单元来实现。此外,上文描述的某些模块/单元在某些应用场景下可被省略。
应当理解,本发明实施例描述中所用到的限定词“第一”和“第二”仅用于更清楚的阐述技术方案,并不能用于限制本发明的保护范围。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种用于结节征象识别的卷积神经网络的训练方法,其特征在于,包括:
获取已标记结节位置和结节征象类别的至少一组样本图像序列经特征提取后得到的第一特征图,所述结节位置处的结节包括一种或多种类别的结节征象;
采用具有不同感受野的至少两种池化核对所述第一特征图进行降采样得到至少两种第二特征图;
根据所述至少两种第二特征图对所述卷积神经网络进行训练;
所述根据所述至少两种第二特征图对所述卷积神经网络进行训练包括:
采用多标签分类法根据所述至少两种第二特征图对所述卷积神经网络进行训练。
2.根据权利要求1所述的用于结节征象识别的卷积神经网络的训练方法,其特征在于,所述采用具有不同感受野的至少两种池化核对所述第一特征图进行降采样得到至少两种第二特征图包括:
采用具有不同感受野的至少两种池化核并行对所述第一特征图进行降采样得到所述至少两种第二特征图。
3.根据权利要求1所述的用于结节征象识别的卷积神经网络的训练方法,其特征在于,所述采用多标签分类法根据所述至少两种第二特征图对卷积神经网络进行训练包括:
分别针对所述至少两种第二特征图进行损失函数计算;
根据所述损失函数的结果对至少两个分支网络进行训练。
4.根据权利要求1所述的用于结节征象识别的卷积神经网络的训练方法,其特征在于,所述卷积神经网络包括依次连接的四个卷积层网络,所述四个卷积层网络的卷积核的大小相等。
5.根据权利要求1所述的用于结节征象识别的卷积神经网络的训练方法,其特征在于,在所述获取已标记结节位置和结节征象类别的样本图像序列经特征提取后得到的第一特征图谱之前,还包括:
获取已标记结节位置和结节征象类别的至少一组原始图像序列;
对所述至少一组原始图像序列进行预处理得到所述至少一组样本图像序列。
6.根据权利要求5所述的用于结节征象识别的卷积神经网络的训练方法,其特征在于,所述对所述至少一组原始图像序列进行预处理得到所述至少一组样本图像序列包括:
将所述至少一组原始图像序列中的所述结节位置包含的区域截取出来,并归一化到相同大小;
对经过所述归一化处理的图像序列进行图像增强得到所述至少一组样本图像序列;或
利用预定大小的矩形框将所述至少一组原始图像序列中的所述结节位置包含的区域截取出来;
对截取后得到的图像序列进行图像增强得到所述至少一组样本图像序列。
7.根据权利要求1所述的用于结节征象识别的卷积神经网络的训练方法,其特征在于,所述至少一组样本图像序列中的每一组样本图像序列包括以病灶为中心的多个CT层面对应的多张图像。
8.一种结节征象识别方法,其特征在于,包括:
获取已标记结节位置的目标图像序列;
利用卷积神经网络模型对所述目标图像序列进行结节征象识别,所述卷积神经网络模型根据权利要求1-7中任一所述的训练方法得到;
输出所述目标图像序列中的结节对应的至少一个预定征象类别的概率。
9.一种用于结节征象识别的卷积神经网络的训练装置,其特征在于,包括:
第一获取模块,获取已标记结节位置和结节征象类别的至少一组样本图像序列经特征提取后得到的第一特征图,所述结节位置处的结节包括一种或多种类别的结节征象;
池化模块,采用具有不同感受野的至少两种池化核对所述第一特征图进行降采样得到至少两种第二特征图;
训练模块,根据所述至少两种第二特征图对所述卷积神经网络进行训练;具体用于采用多标签分类法根据所述至少两种第二特征图对所述卷积神经网络进行训练。
10.一种结节征象识别装置,其特征在于,包括:
第二获取模块,获取已标记结节位置的目标图像序列;
识别模块,利用卷积神经网络模型对所述目标图像序列进行结节征象识别,所述卷积神经网络模型根据权利要求1-7中任一所述的训练方法得到;
输出模块,输出所述目标图像序列中的结节对应的至少一个预定征象类别的概率。
11.一种计算机设备,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述用于结节征象识别的卷积神经网络的训练方法的步骤;和/或
所述计算机程序被所述处理器执行时实现如权利要求8所述的结节征象识别方法的步骤。
12.一种存储介质,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如权利要求1至7中任一项所述用于结节征象识别的卷积神经网络的训练方法的步骤;和/或
所述计算机程序被所述处理器执行时实现如权利要求8所述的结节征象识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113704.9A CN110880035B (zh) | 2019-11-14 | 2019-11-14 | 卷积神经网络的训练方法、装置及结节征象识别方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113704.9A CN110880035B (zh) | 2019-11-14 | 2019-11-14 | 卷积神经网络的训练方法、装置及结节征象识别方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110880035A CN110880035A (zh) | 2020-03-13 |
CN110880035B true CN110880035B (zh) | 2020-12-01 |
Family
ID=69729647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911113704.9A Active CN110880035B (zh) | 2019-11-14 | 2019-11-14 | 卷积神经网络的训练方法、装置及结节征象识别方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110880035B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476775B (zh) * | 2020-04-07 | 2021-11-16 | 广州柏视医疗科技有限公司 | Dr征象识别装置和方法 |
CN112541876B (zh) | 2020-12-15 | 2023-08-04 | 北京百度网讯科技有限公司 | 卫星图像处理方法、网络训练方法、相关装置及电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220971A (zh) * | 2017-06-02 | 2017-09-29 | 太原理工大学 | 一种基于卷积神经网络和主成分分析法的肺结节特征提取方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273925B (zh) * | 2017-06-12 | 2020-10-09 | 太原理工大学 | 基于局部感受野和半监督深度自编码的肺实质ct影像处理装置 |
CN108022238B (zh) * | 2017-08-09 | 2020-07-03 | 深圳科亚医疗科技有限公司 | 对3d图像中对象进行检测的方法、计算机存储介质和系统 |
CN107680678B (zh) * | 2017-10-18 | 2020-12-01 | 北京航空航天大学 | 基于多尺度卷积神经网络甲状腺超声图像结节诊断系统 |
CN110390228B (zh) * | 2018-04-20 | 2022-05-10 | 北京四维图新科技股份有限公司 | 基于神经网络的交通标志图片识别方法、装置及存储介质 |
CN109636817B (zh) * | 2018-11-30 | 2020-10-30 | 华中科技大学 | 一种基于二维卷积神经网络的肺结节分割方法 |
CN110210493B (zh) * | 2019-04-30 | 2021-03-19 | 中南民族大学 | 基于非经典感受野调制神经网络的轮廓检测方法及系统 |
CN110321923B (zh) * | 2019-05-10 | 2021-05-04 | 上海大学 | 不同尺度感受野特征层融合的目标检测方法、系统及介质 |
CN110298266B (zh) * | 2019-06-10 | 2023-06-06 | 天津大学 | 基于多尺度感受野特征融合的深度神经网络目标检测方法 |
-
2019
- 2019-11-14 CN CN201911113704.9A patent/CN110880035B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220971A (zh) * | 2017-06-02 | 2017-09-29 | 太原理工大学 | 一种基于卷积神经网络和主成分分析法的肺结节特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110880035A (zh) | 2020-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814810A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
US10769784B2 (en) | Image analyzing method and electrical device | |
CN110880035B (zh) | 卷积神经网络的训练方法、装置及结节征象识别方法、装置 | |
CN111444807B (zh) | 目标检测方法、装置、电子设备和计算机可读介质 | |
CN110852327A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN111932577A (zh) | 文本检测方法、电子设备及计算机可读介质 | |
CN113902944A (zh) | 模型的训练及场景识别方法、装置、设备及介质 | |
JP2024508867A (ja) | 画像クラスタリング方法、装置、コンピュータ機器及びコンピュータプログラム | |
CN113177409B (zh) | 一种智能敏感字词识别系统 | |
CN108960246B (zh) | 一种用于图像识别的二值化处理装置及方法 | |
CN114548213A (zh) | 模型训练方法、图像识别方法、终端设备及计算机介质 | |
CN116109907B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN115984671A (zh) | 模型在线更新方法、装置、电子设备及可读存储介质 | |
CN113780532B (zh) | 语义分割网络的训练方法、装置、设备及存储介质 | |
CN113705666B (zh) | 分割网络训练方法、使用方法、装置、设备及存储介质 | |
CN115546554A (zh) | 敏感图像的识别方法、装置、设备和计算机可读存储介质 | |
CN111986176B (zh) | 一种裂纹图像识别方法、系统、终端及可读存储介质 | |
CN109190467A (zh) | 一种基于关键点回归的多物体检测方法、系统、终端和存储介质 | |
CN112785601B (zh) | 一种图像分割方法、系统、介质及电子终端 | |
CN108475339B (zh) | 用于对图像中的对象分类的方法和系统 | |
CN115424250A (zh) | 一种车牌识别方法及装置 | |
CN112418321A (zh) | 标志图像的识别方法和装置 | |
CN110929788A (zh) | 食材识别方法、装置、存储介质及电子设备 | |
CN114240935B (zh) | 一种空频域特征融合的医学影像特征识别方法及装置 | |
CN111625672B (zh) | 图像处理方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085 Patentee after: Tuxiang Medical Technology Co., Ltd Address before: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085 Patentee before: Beijing Tuoxiang Technology Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |