CN111128349A - 基于gan的医学影像病灶检测标记数据增强方法及装置 - Google Patents
基于gan的医学影像病灶检测标记数据增强方法及装置 Download PDFInfo
- Publication number
- CN111128349A CN111128349A CN201911114252.6A CN201911114252A CN111128349A CN 111128349 A CN111128349 A CN 111128349A CN 201911114252 A CN201911114252 A CN 201911114252A CN 111128349 A CN111128349 A CN 111128349A
- Authority
- CN
- China
- Prior art keywords
- medical image
- image sequence
- model
- focus
- lesion
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000003902 lesion Effects 0.000 claims description 73
- 230000015572 biosynthetic process Effects 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims 2
- 230000006870 function Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 230000002708 enhancing effect Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010002329 Aneurysm Diseases 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于GAN网络的医学影像病灶检测标记数据增强方法及装置,其中,方法包括以下步骤:根据影像数据通过病灶生成模型得到带有病灶的影像序列;根据带有病灶的影像序列通过判别模型识别带病灶的合成医学影像序列;通过病灶检测模型检测带病灶的合成医学影像序列,获取带标注的医学影像及其检测标注数据。该方法基于生成式对抗网络的思想,利用正常医学影像,可以生成大量高质量的带标注数据,可以有效提高医学影像检测模型的准确性和可靠性。
Description
技术领域
本发明涉及医学图像检测及深度学习技术领域,特别涉及一种基于GAN(Generative Adversarial Networks,生成式对抗网络)网络的医学影像病灶检测标记数据增强方法及装置。
背景技术
随着医疗技术的发展,CT、MRI等医疗影像技术在诸如脑卒中、肿瘤、动脉瘤、出血等疾病的医学诊断中发挥着越来越重要的作用。但是在传统医疗系统中,需要由专家对医学影像进行分析与解读。面对大量患者的医学影像,这一方面加重了医疗系统的负担,对患者来说也增加了就诊的时间及成本。使用人工智能技术对医学影像进行自动处理与诊断,不但可以大大提高诊断效率并降低成本,同时可以与专家诊断相结合,从而提高诊断的准确率。
近年来,随着深度学习的快速发展,以深度卷积神经网络为代表的深度学习在图像处理领域诸如图像分类、物体检测等问题中已经有了较好的表现。深度卷积神经网络通过使用卷积层实现参数共享与局部连接,使用大量训练数据与标签,通过迭代训练优化参数,从而实现对问题输入输出的正确拟合。深度卷积神经网络在诸如肺结节检测等医学图像处理领域也有了更多的应用。
但是深度卷积神经网络模型依赖大量的有标数据。在现阶段,医学影像和对应病灶检测标注的获取成本是非常高的。数据集的缺少不利于训练深度卷积神经网络,会降低模型的可靠性和实用性。传统方法使用大量的特征工程来提取少量数据的有效信息。近期也有一些数据增强方法,在原数据的基础上进行翻转、缩放等操作来增加数据集规模,可以看到这些数据增强方法对模型训练很有帮助,但是数据集规模仍然有限。
发明内容
本申请是基于发明人对以下问题的认识和发现做出的:
目前,在医学影像人工智能处理中,需要使用大量的标注数据来帮助训练深度网络模型,而数据集越大,模型准确度越高。但是有异常的医学影像及其标注数据往往都是很难收集的,亟待解决。
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种基于GAN网络的医学影像病灶检测标记数据增强方法,该方法基于生成式对抗网络的思想,利用正常医学影像,可以生成大量高质量的带标注数据,可以有效提高医学影像检测模型的准确性和可靠性。
本发明的另一个目的在于提出一种基于GAN网络的医学影像病灶检测标记数据增强装置。
为达到上述目的,本发明一方面实施例提出了一种基于GAN网络的医学影像病灶检测标记数据增强方法,包括以下步骤:根据影像数据通过病灶生成模型得到带有病灶的影像序列;根据所述带有病灶的影像序列通过判别模型识别带病灶的合成医学影像序列;通过病灶检测模型检测所述带病灶的合成医学影像序列,获取带标注的医学影像及其检测标注数据。
本发明实施例的基于GAN网络的医学影像病灶检测标记数据增强方法,可以使用少量的有病灶的医学影像及其检测标注数据,和大量正常医学影像数据,并使用GAN网络,得到大量带病灶的医学影像及其检测标注数据,这些数据可以有效帮助训练医学影像处理深度学习模型,提高模型训练准确率,减少对病例影像数据量的依赖,从而基于生成式对抗网络的思想,利用正常医学影像,可以生成大量高质量的带标注数据,可以有效提高医学影像检测模型的准确性和可靠性。
另外,根据本发明上述实施例的基于GAN网络的医学影像病灶检测标记数据增强方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述根据影像数据通过病灶生成模型得到带有病灶的影像序列,包括:将3DVNet网络作为所述病灶生成模型,以根据所述影像数据的医学影像序列生成病灶位置及标记。
进一步地,在本发明的一个实施例中,所述根据所述带有病灶的影像序列通过判别模型识别带病灶的合成医学影像序列,包括:将ResNet-152作为判别模型,以区分生成的影像序列与真实影像序列;使用判别模型中生成部分的loss函数使用梯度上升来训练所述病灶生成模型。
进一步地,在本发明的一个实施例中,所述通过病灶检测模型检测所述带病灶的合成医学影像序列,包括:将物体检测模型Faster-RCNN作为所述病灶检测模型,得到所述带标注的医学影像及其检测标注数据。
进一步地,在本发明的一个实施例中,所述将物体检测模型Faster-RCNN作为所述病灶检测模型,得到所述带标注的医学影像及其检测标注数据,进一步包括:使用人工标注的影像序列,生成大量随机的标注,以使用人工标注和生成标注训练评分网络;使用所述Faster-RCNN网络检测所述合成医学影像序列,并使用所述评分网络评估检测结果,以将评分最高的检测结果作为生成的标记。
为达到上述目的,本发明另一方面实施例提出了一种基于GAN网络的医学影像病灶检测标记数据增强装置,包括:生成模块,用于根据影像数据通过病灶生成模型得到带有病灶的影像序列;识别模块,用于根据所述带有病灶的影像序列通过判别模型识别带病灶的合成医学影像序列;获取模块,用于通过病灶检测模型检测所述带病灶的合成医学影像序列,获取带标注的医学影像及其检测标注数据。
本发明实施例的基于GAN网络的医学影像病灶检测标记数据增强装置,可以使用少量的有病灶的医学影像及其检测标注数据,和大量正常医学影像数据,并使用GAN网络,得到大量带病灶的医学影像及其检测标注数据,这些数据可以有效帮助训练医学影像处理深度学习模型,提高模型训练准确率,减少对病例影像数据量的依赖,从而基于生成式对抗网络的思想,利用正常医学影像,可以生成大量高质量的带标注数据,可以有效提高医学影像检测模型的准确性和可靠性。
另外,根据本发明上述实施例的基于GAN网络的医学影像病灶检测标记数据增强装置还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述生成模块进一步用于将3DVNet网络作为所述病灶生成模型,以根据所述影像数据的医学影像序列生成病灶位置及标记。
进一步地,在本发明的一个实施例中,所述识别模块进一步用于将ResNet-152作为判别模型,以区分生成的影像序列与真实影像序列;使用判别模型中生成部分的loss函数使用梯度上升来训练所述病灶生成模型。
进一步地,在本发明的一个实施例中,所述获取模块进一步用于将物体检测模型Faster-RCNN作为所述病灶检测模型,得到所述带标注的医学影像及其检测标注数据。
进一步地,在本发明的一个实施例中,所述获取模块进一步用于使用人工标注的影像序列,生成大量随机的标注,以使用人工标注和生成标注训练评分网络;使用所述Faster-RCNN网络检测所述合成医学影像序列,并使用所述评分网络评估检测结果,以将评分最高的检测结果作为生成的标记。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例的基于GAN网络的医学影像病灶检测标记数据增强方法的流程图;
图2为根据本发明实施例的基于GAN网络的医学影像病灶检测标记数据增强装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
针对如背景技术存在的缺陷,本发明实施例基于生成式对抗网络的思想,利用正常医学影像,可以生成大量高质量的带标注数据,可以有效提高医学影像检测模型的准确性和可靠性。其中,生成式对抗网络是一种深度学习模型,是近年来复杂分布上无监督学习最具前景的方法之一,模型通过框架中(至少)两个模块:生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。
下面参照附图描述根据本发明实施例提出的基于GAN网络的医学影像病灶检测标记数据增强方法及装置,首先将参照附图描述根据本发明实施例提出的基于GAN网络的医学影像病灶检测标记数据增强方法。
图1是本发明一个实施例的基于GAN网络的医学影像病灶检测标记数据增强方法的流程图。
如图1所示,该基于GAN网络的医学影像病灶检测标记数据增强方法包括以下步骤:
在步骤S101中,根据影像数据通过病灶生成模型得到带有病灶的影像序列。
可以理解的是,本发明实施例从正常影像数据使用生成模型G得到带有病灶的影像序列。例如,本发明实施例使用数据可以包括:少量高质量的医学影像(CT,MR)病灶标记数据,大量正常人影像数据;输入为512x512xn的灰度图,其中n为一个序列扫描的图片个数。
进一步地,在本发明的一个实施例中,根据影像数据通过病灶生成模型得到带有病灶的影像序列,包括:将3DVNet网络作为病灶生成模型,以根据影像数据的医学影像序列生成病灶位置及标记。
可以理解的是,本发明实施例使用3DVNet网络作为合成医学影像序列生成模型,从而可以在正常医学影像(CT、MR影像)序列上生成病灶位置及标记。
在步骤S102中,根据带有病灶的影像序列通过判别模型识别带病灶的合成医学影像序列。
在本发明的一个实施例中,根据带有病灶的影像序列通过判别模型识别带病灶的合成医学影像序列,包括:将ResNet-152作为判别模型,以区分生成的影像序列与真实影像序列;使用判别模型中生成部分的loss函数使用梯度上升来训练病灶生成模型。
可以理解的是,本发明实施例使用ResNet-152网络作为判别模型区分真实的和合成的医学影像序列。具体地:使用生成的影像序列与真实影像序列通过判别模型D区分,训练判别模型D,提高判别模型D的准确度;使用判别模型D中生成部分的loss函数使用梯度上升来训练生成模型G,用来提高生成图片在判别模型中的loss,来对抗判别模型D。
具体而言,本发明实施例通过步骤S101和步骤S102可以合成带病灶的医学影像序列,其中,合成带病灶的医学影像序列的步骤如下:
步骤1:从正常影像数据使用生成模型G得到带有病灶的影像序列。
步骤2:使用生成的影像序列与真实影像序列通过判别模型D区分,训练判别模型D,提高判别模型D的准确度。
步骤3:使用判别模型D中生成部分的loss函数使用梯度上升来训练生成模型G,用来提高生成图片在判别网络中的loss,来对判别模型D。
步骤4:迭代步骤1~步骤3,得到高质量的带病灶的合成医学影像序列。
在步骤S103中,通过病灶检测模型检测带病灶的合成医学影像序列,获取带标注的医学影像及其检测标注数据。
在本发明的一个实施例中,通过病灶检测模型检测带病灶的合成医学影像序列,包括:将物体检测模型Faster-RCNN作为病灶检测模型,得到带标注的医学影像及其检测标注数据。
进一步地,在本发明的一个实施例中,将物体检测模型Faster-RCNN作为病灶检测模型,得到带标注的医学影像及其检测标注数据,进一步包括:使用人工标注的影像序列,生成大量随机的标注,以使用人工标注和生成标注训练评分网络;使用Faster-RCNN网络检测合成医学影像序列,并使用评分网络评估检测结果,以将评分最高的检测结果作为生成的标记。
具体而言,本发明实施例通过步骤S103生成带标注的医学影像序列,具体包括:
步骤5:使用人工标注的影像序列,生成大量随机的标注。使用这些人工标注和生成标注训练评分网络E,来评估标注的好坏。
步骤6:使用常规物体检测网络(如Faster-RCNN)检测步骤4中得到合成医学影像序列,使用步骤5中的评分网络E来评估检测结果。保留评分最高的检测结果作为生成的标记。
综上,本发明实施例的方法可以用来生成大量高质量的带标记的医学影像数据,并具有如下几个优点:优点1:仅使用少量带标注的医学影像数据。优点2:在正常影像的基础上合成带病灶的影像数据,充分利用了大量的正常影像数据信息。优点3:使用少量带标注的医学影像数据训练一个评分网络,可以用来评估和训练目标检测网络。
根据本发明实施例提出的基于GAN网络的医学影像病灶检测标记数据增强方法,可以使用少量的有病灶的医学影像及其检测标注数据,和大量正常医学影像数据,并使用GAN网络,得到大量带病灶的医学影像及其检测标注数据,这些数据可以有效帮助训练医学影像处理深度学习模型,提高模型训练准确率,减少对病例影像数据量的依赖,从而基于生成式对抗网络的思想,利用正常医学影像,可以生成大量高质量的带标注数据,可以有效提高医学影像检测模型的准确性和可靠性。
其次参照附图描述根据本发明实施例提出的基于GAN网络的医学影像病灶检测标记数据增强装置。
图2是本发明一个实施例的基于GAN网络的医学影像病灶检测标记数据增强装置的结构示意图。
如图2所示,该基于GAN网络的医学影像病灶检测标记数据增强装置10包括:生成模块100、识别模块200和获取模块300。
其中,生成模块100用于根据影像数据通过病灶生成模型得到带有病灶的影像序列;识别模块200用于根据带有病灶的影像序列通过判别模型识别带病灶的合成医学影像序列;获取模块300用于通过病灶检测模型检测带病灶的合成医学影像序列,获取带标注的医学影像及其检测标注数据。本发明实施例的装置10基于生成式对抗网络的思想,利用正常医学影像,可以生成大量高质量的带标注数据,可以有效提高医学影像检测模型的准确性和可靠性。
进一步地,在本发明的一个实施例中,生成模块100进一步用于将3DVNet网络作为病灶生成模型,以根据影像数据的医学影像序列生成病灶位置及标记。
进一步地,在本发明的一个实施例中,识别模块200进一步用于将ResNet-152作为判别模型,以区分生成的影像序列与真实影像序列;使用判别模型中生成部分的loss函数使用梯度上升来训练病灶生成模型。
进一步地,在本发明的一个实施例中,获取模块300进一步用于将物体检测模型Faster-RCNN作为病灶检测模型,得到带标注的医学影像及其检测标注数据。
进一步地,在本发明的一个实施例中,获取模块300进一步用于使用人工标注的影像序列,生成大量随机的标注,以使用人工标注和生成标注训练评分网络;使用Faster-RCNN网络检测合成医学影像序列,并使用评分网络评估检测结果,以将评分最高的检测结果作为生成的标记。
需要说明的是,前述对基于GAN网络的医学影像病灶检测标记数据增强方法实施例的解释说明也适用于该实施例的基于GAN网络的医学影像病灶检测标记数据增强装置,此处不再赘述。
根据本发明实施例提出的基于GAN网络的医学影像病灶检测标记数据增强装置,可以使用少量的有病灶的医学影像及其检测标注数据,和大量正常医学影像数据,并使用GAN网络,得到大量带病灶的医学影像及其检测标注数据,这些数据可以有效帮助训练医学影像处理深度学习模型,提高模型训练准确率,减少对病例影像数据量的依赖,从而基于生成式对抗网络的思想,利用正常医学影像,可以生成大量高质量的带标注数据,可以有效提高医学影像检测模型的准确性和可靠性。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或N个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于GAN网络的医学影像病灶检测标记数据增强方法,其特征在于,包括以下步骤:
根据影像数据通过病灶生成模型得到带有病灶的影像序列;
根据所述带有病灶的影像序列通过判别模型识别带病灶的合成医学影像序列;以及
通过病灶检测模型检测所述带病灶的合成医学影像序列,获取带标注的医学影像及其检测标注数据。
2.根据权利要求1所述的方法,其特征在于,所述根据影像数据通过病灶生成模型得到带有病灶的影像序列,包括:
将3DVNet网络作为所述病灶生成模型,以根据所述影像数据的医学影像序列生成病灶位置及标记。
3.根据权利要求1所述的方法,其特征在于,所述根据所述带有病灶的影像序列通过判别模型识别带病灶的合成医学影像序列,包括:
将ResNet-152作为判别模型,以区分生成的影像序列与真实影像序列;
使用判别模型中生成部分的loss函数使用梯度上升来训练所述病灶生成模型。
4.根据权利要求1所述的方法,其特征在于,所述通过病灶检测模型检测所述带病灶的合成医学影像序列,包括:
将物体检测模型Faster-RCNN作为所述病灶检测模型,得到所述带标注的医学影像及其检测标注数据。
5.根据权利要求4所述的方法,其特征在于,所述将物体检测模型Faster-RCNN作为所述病灶检测模型,得到所述带标注的医学影像及其检测标注数据,进一步包括:
使用人工标注的影像序列,生成大量随机的标注,以使用人工标注和生成标注训练评分网络;
使用所述Faster-RCNN网络检测所述合成医学影像序列,并使用所述评分网络评估检测结果,以将评分最高的检测结果作为生成的标记。
6.一种基于GAN网络的医学影像病灶检测标记数据增强装置,其特征在于,包括:
生成模块,用于根据影像数据通过病灶生成模型得到带有病灶的影像序列;
识别模块,用于根据所述带有病灶的影像序列通过判别模型识别带病灶的合成医学影像序列;以及
获取模块,用于通过病灶检测模型检测所述带病灶的合成医学影像序列,获取带标注的医学影像及其检测标注数据。
7.根据权利要求6所述的装置,其特征在于,所述生成模块进一步用于将3DVNet网络作为所述病灶生成模型,以根据所述影像数据的医学影像序列生成病灶位置及标记。
8.根据权利要求6所述的装置,其特征在于,所述识别模块进一步用于将ResNet-152作为判别模型,以区分生成的影像序列与真实影像序列;使用判别模型中生成部分的loss函数使用梯度上升来训练所述病灶生成模型。
9.根据权利要求6所述的装置,其特征在于,所述获取模块进一步用于将物体检测模型Faster-RCNN作为所述病灶检测模型,得到所述带标注的医学影像及其检测标注数据。
10.根据权利要求9所述的装置,其特征在于,所述获取模块进一步用于使用人工标注的影像序列,生成大量随机的标注,以使用人工标注和生成标注训练评分网络;使用所述Faster-RCNN网络检测所述合成医学影像序列,并使用所述评分网络评估检测结果,以将评分最高的检测结果作为生成的标记。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911114252.6A CN111128349A (zh) | 2019-11-14 | 2019-11-14 | 基于gan的医学影像病灶检测标记数据增强方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911114252.6A CN111128349A (zh) | 2019-11-14 | 2019-11-14 | 基于gan的医学影像病灶检测标记数据增强方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111128349A true CN111128349A (zh) | 2020-05-08 |
Family
ID=70495654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911114252.6A Pending CN111128349A (zh) | 2019-11-14 | 2019-11-14 | 基于gan的医学影像病灶检测标记数据增强方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111128349A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111739617A (zh) * | 2020-06-15 | 2020-10-02 | 中国医学科学院医学信息研究所 | 医疗影像人工智能质控标注方法、装置、设备及存储介质 |
CN112488937A (zh) * | 2020-11-27 | 2021-03-12 | 河北工业大学 | 针对分割任务的医学影像特征增强方法 |
CN113633304A (zh) * | 2021-06-28 | 2021-11-12 | 北京工业大学 | 一种颞骨ct影像中颈静脉球窝骨壁缺失检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718952A (zh) * | 2016-01-22 | 2016-06-29 | 武汉科恩斯医疗科技有限公司 | 使用深度学习网络对断层医学影像进行病灶分类的方法 |
CN110197716A (zh) * | 2019-05-20 | 2019-09-03 | 广东技术师范大学 | 医学影像的处理方法、装置及计算机可读存储介质 |
-
2019
- 2019-11-14 CN CN201911114252.6A patent/CN111128349A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718952A (zh) * | 2016-01-22 | 2016-06-29 | 武汉科恩斯医疗科技有限公司 | 使用深度学习网络对断层医学影像进行病灶分类的方法 |
CN110197716A (zh) * | 2019-05-20 | 2019-09-03 | 广东技术师范大学 | 医学影像的处理方法、装置及计算机可读存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111739617A (zh) * | 2020-06-15 | 2020-10-02 | 中国医学科学院医学信息研究所 | 医疗影像人工智能质控标注方法、装置、设备及存储介质 |
CN112488937A (zh) * | 2020-11-27 | 2021-03-12 | 河北工业大学 | 针对分割任务的医学影像特征增强方法 |
CN112488937B (zh) * | 2020-11-27 | 2022-07-01 | 河北工业大学 | 针对分割任务的医学影像特征增强方法 |
CN113633304A (zh) * | 2021-06-28 | 2021-11-12 | 北京工业大学 | 一种颞骨ct影像中颈静脉球窝骨壁缺失检测方法 |
CN113633304B (zh) * | 2021-06-28 | 2023-11-24 | 北京工业大学 | 一种颞骨ct影像中颈静脉球窝骨壁缺失检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112150428B (zh) | 一种基于深度学习的医学图像分割方法 | |
US20190220701A1 (en) | Trained generative network for lung segmentation in medical imaging | |
CN110059697B (zh) | 一种基于深度学习的肺结节自动分割方法 | |
US8538109B2 (en) | Method and system for dynamic pulmonary trunk modeling and intervention planning | |
CN111179227B (zh) | 基于辅助诊断和主观美学的乳腺超声图像质量评价方法 | |
Zhang et al. | Intelligent scanning: Automated standard plane selection and biometric measurement of early gestational sac in routine ultrasound examination | |
TW202139208A (zh) | 圖像識別方法、電子設備和電腦可讀儲存介質 | |
CN108961274B (zh) | 一种mri图像中自动头颈肿瘤分割方法 | |
CN111128349A (zh) | 基于gan的医学影像病灶检测标记数据增强方法及装置 | |
CN112699869A (zh) | 基于深度学习的肋骨骨折辅助检测方法及图像识别方法 | |
CN111553892A (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
CN116188479B (zh) | 基于深度学习的髋关节图像分割方法及系统 | |
CN111340937A (zh) | 一种脑肿瘤医学影像三维重建显示交互方法及系统 | |
JP2023517058A (ja) | 画像処理に基づく腫瘍の自動検出 | |
CN111340209A (zh) | 网络模型训练方法、图像分割方法、病灶定位方法 | |
CN112381762A (zh) | 一种基于深度学习算法的ct肋骨骨折辅助诊断系统 | |
CN111091539B (zh) | 网络模型训练、医学图像处理方法、装置、介质及设备 | |
US9361701B2 (en) | Method and system for binary and quasi-binary atlas-based auto-contouring of volume sets in medical images | |
CN115761365A (zh) | 术中出血状况的确定方法、装置和电子设备 | |
CN110728660B (zh) | 基于缺血性脑卒中mri检测标记进行病灶分割的方法及装置 | |
Guo et al. | LLTO: towards efficient lesion localization based on template occlusion strategy in intelligent diagnosis | |
CN117350979A (zh) | 一种基于医疗超声影像的任意病灶分割和追踪系统 | |
CN1823337B (zh) | 用于检测医学图像中的隆起的系统和方法 | |
CN115690425A (zh) | 一种病灶的3d分割模型及其应用 | |
CN115471512A (zh) | 一种基于自监督对比学习的医学影像分割方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200508 |
|
WD01 | Invention patent application deemed withdrawn after publication |