CN111275689A - 医学影像识别检测方法、装置及计算机可读存储介质 - Google Patents
医学影像识别检测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111275689A CN111275689A CN202010069864.4A CN202010069864A CN111275689A CN 111275689 A CN111275689 A CN 111275689A CN 202010069864 A CN202010069864 A CN 202010069864A CN 111275689 A CN111275689 A CN 111275689A
- Authority
- CN
- China
- Prior art keywords
- pathological
- image
- image set
- enhanced
- pathological image
- 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 136
- 230000001575 pathological effect Effects 0.000 claims abstract description 226
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000010606 normalization Methods 0.000 claims abstract description 25
- 230000009467 reduction Effects 0.000 claims abstract description 19
- 230000007170 pathology Effects 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000007935 neutral effect Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000012549 training Methods 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 210000005084 renal tissue Anatomy 0.000 description 14
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004043 dyeing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000010827 pathological analysis Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000001434 glomerular Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 208000005156 Dehydration Diseases 0.000 description 2
- 230000004663 cell proliferation Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000018044 dehydration Effects 0.000 description 2
- 238000006297 dehydration reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 238000013135 deep learning Methods 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
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011862 kidney biopsy Methods 0.000 description 1
- 210000005075 mammary gland Anatomy 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/04—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
-
- G06T5/70—
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30084—Kidney; Renal
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种人工智能技术,揭露了一种医学影像识别检测方法,包括:获取病理图像集,对所述病理图像集进行归一化、图像降噪以及图像增强处理,得到增强病理图像集;将所述增强病理图像集输入至预先构建的病理检测模型中,通过所述病理检测模型中的正向传播得到所述增强病理图像集的权重参数,对所述权重参数进行更新直至所述病理检测模型趋于收敛,完成训练;通过训练完成后的所述病理检测模型对待检测的病理图像进行检测,并将检测结果返回给用户。本发明还提出一种医学影像识别检测装置以及一种计算机可读存储介质。本发明实现了医学影像的智能识别及检测。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种医学影像识别检测方法、装置及计算机可读存储介质。
背景技术
随着深度学习在医学影像领域中的渗透及应用,将AI技术应用于医疗影像分析可以帮助医生定位病灶分析病情,辅助医生精确快速的做出诊断。目前在医疗影像领域,AI应用主要集中在肺结节、眼底、乳腺等,随着AI技术的不断影像及临床需求的日益提高,AI技术在数字病理诊断也得到应用。
目前在临床肾活检病理诊断流程中,病理医生通过光学显微镜观察病理切片图像中肾小球的病理形态、肾小球内细胞增生分布情况以及病理医生的自身经验进行病理分析并给出病理诊断报告。由于切片图像中肾小球个数众多,通过肉眼观察识别肾小球的工作量极大,效率比较低,而且诊断结果容易受到医生主观因素的影响。
发明内容
本发明提供一种医学影像识别检测方法、装置及计算机可读存储介质,其主要目的在于提供一种智能化的肾小球检测方案。
为实现上述目的,本发明提供的一种医学影像识别检测方法,包括:
获取病理图像集,对所述病理图像集进行归一化操作,并将归一化操作后的所述病理图像集进行图像降噪处理,得到标准病理图像集;
对所述标准病理图像进行图像增强处理,得到增强病理图像集;
将所述增强病理图像集输入预先构建的病理检测模型中,通过所述病理检测模型中的正向传播得到所述增强病理图像集的权重参数,利用梯度下降算法对所述权重参数进行更新直至所述病理检测模型趋于收敛,得到训练完成后的病理检测模型;
接收用户输入的待检测病理图像,通过上述训练完成后的病理检测模型对所述待检测病理图像进行检测,并将检测结果返回给所述用户。
可选地,所述归一化操作包括:
x=(x-μ)/σ
其中,x表示病理图像集中的图像数据,μ为病理图像集中图像数据的均值,σ为病理图像集中图像数据的标准差。
可选地,所述图像降噪处理包括:
可选地,所述通过所述病理检测模型中的正向传播得到所述增强病理图像集的权重参数,包括:
对所述增强病理图像集进行分类分支处理后得到所述增强病理图像集的前景点,通过中性分支算法计算所述前景点的边框界位置,根据所述边框界位置利用预先确定的权重参数计算公式计算出所述增强病理图像集的权重参数。
可选地,所述根据所述边框界位置利用预先确定的权重参数计算公式计算出所述增强病理图像集的权重参数,包括:
利用下述公式计算出所述增强病理图像集的权重参数:
其中,Lossiou表示权重参数,lp、rp、tp、bp分别表示增强病理图像集前景点的边框界上、下、左、右的预测距离值,lg、rg、tg、bg分别表示增强病理图像集前景点的边框界上、下、左、右的实际距离值。
此外,为实现上述目的,本发明还提供一种医学影像识别检测装置,该装置包括存储器和处理器,所述存储器中存储有可在所述处理器上运行的医学影像识别检测程序,所述医学影像识别检测程序被所述处理器执行时实现如下步骤:
获取病理图像集,对所述病理图像集进行归一化操作,并将归一化操作后的所述病理图像集进行图像降噪处理,得到标准病理图像集;
对所述标准病理图像进行图像增强处理,得到增强病理图像集;
将所述增强病理图像集输入预先构建的病理检测模型中,通过所述病理检测模型中的正向传播得到所述增强病理图像集的权重参数,利用梯度下降算法对所述权重参数进行更新直至所述病理检测模型趋于收敛,得到训练完成后的病理检测模型;
接收用户输入的待检测病理图像,通过上述训练完成后的病理检测模型对所述待检测病理图像进行检测,并将检测结果返回给所述用户。
可选地,所述归一化操作包括:
x=(x-μ)/σ
其中,x表示病理图像集中的图像数据,μ为病理图像集中图像数据的均值,σ为病理图像集中图像数据的标准差。
可选地,所述图像降噪处理包括:
可选地,所述通过所述病理检测模型中的正向传播得到所述增强病理图像集的权重参数,包括:
对所述增强病理图像集进行分类分支处理后得到所述增强病理图像集的前景点,通过中性分支算法计算所述前景点的边框界位置,根据所述边框界位置利用预先确定的权重参数计算公式计算出所述增强病理图像集的权重参数。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有医学影像识别检测程序,所述医学影像识别检测程序可被一个或者多个处理器执行,以实现如上所述的医学影像识别检测方法的步骤。
本发明提出的医学影像识别检测方法、装置及计算机可读存储介质,当用户进行肾小球检测时,获取病理图像集,对所述病理图像集进行归一化、图像降噪以及图像增强处理,可以得到增强的病理细胞图像集,利用所述增强病理细胞图像集对预先构建的病理检测模型,得到训练完成的病理检测模型,根据训练完成后的所述病理检测模型对待检测的病理图像进行检测,并将检测结果返回给用户,从而可以实现从医学影像中智能识别出肾小球等疾病的检测结果。
附图说明
图1为本发明一实施例提供的医学影像识别检测方法的流程示意图;
图2为本发明一实施例提供的医学影像识别检测装置的内部结构示意图;
图3为本发明一实施例提供的医学影像识别检测装置中医学影像识别检测程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种医学影像识别检测方法。参照图1所示,为本发明一实施例提供的医学影像识别检测方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,所述医学影像识别检测方法包括:
S1、获取病理图像集,对所述病理图像集进行归一化操作,并将归一化操作后的所述病理图像集进行图像降噪处理,得到标准病理图像集。
本发明较佳实施例中,所述病理图像集可以是,例如肾小球内存在细胞增生的病理图像。本发明较佳实施例中所述获取病理图像集包括:取体积为预设尺寸的肾脏组织,并放入液态固定剂对所述肾脏组织进行固定,利用不同种浓度乙醇对固定后的所述肾脏组织进行脱水处理,通过巴氏染色法对脱水处理后的所述肾脏组织进行染色,根据病理切片扫描仪对染色后的所述肾脏组织按预设的规格进行切片,从而得到所述病理图像集。其中,本发明中,所述预设尺寸为2.0cm*2.0cm*0.3cm的肾脏组织,所述脱水处理通过脱水机自控完成,所述预设规格为1024*1024的病理图像。
进一步地,所述数据的归一化是将数据按比例缩放,使之落入一个小的特定区间。在本发明实施例中,本发明应用的归一化处理方法是z-score归一化方法,其核心思想如下所示:
x=(x-μ)/σ
其中,x表示病理图像集中的图像数据,μ为病理图像集中图像数据的均值,σ为病理图像集中图像数据的标准差。
进一步地,由于图像降噪处理的效果直接影响到后续的处理步骤以及最终的识别结果,在本发明实施例中通过滤波算法对归一化操作后的所述病理图像集进行图像降噪处理,得到标准病理图像集。其中,所述滤波算法包括:
S2、对所述标准病理图像进行图像增强处理,得到增强病理图像集。
由于过度的数据增强会破坏原来数据的分布,影响网络训练效果,因此本发明实施例利用数据增强技术对所述标准病理图像集进行图像增强处理。其中,本发明所述数据增强技术包括随机翻转和随机剪裁。
详细地,本发明利用python库中的cv2指令对所述标准病理图像集设置相应翻转参数,使所述标准病理图像集各有1/3概率发生水平翻转、垂直翻转、水平垂直翻转,其中cv.flip(img,1)代表水平方向旋转180度,cv.flip(img,0)代表垂直方向旋转180度,cv.flip(img,-1)代表水平和垂直方向同时旋转180度。
进一步地,本发明使用randomCrop(image)函数对随机翻转后的所述病理图像集进行随意裁剪,使得裁剪后的所述病理图像大小为原始图像宽和高的2/3,据此本发明实现对病理细胞图像的数据增强,得到所述增强病理细胞图像集。
S3、将所述增强病理图像集输入预先构建的病理检测模型中,通过所述病理检测模型中的正向传播得到所述增强病理图像集的权重参数,利用梯度下降算法对所述权重参数进行更新直至所述病理检测模型趋于收敛,得到训练完成后的病理检测模型。
本发明较佳实施例中,所述预先构建的肾脏比例肾小球检测模型基于Mask R-CNN框架实现,所述Mask R-CNN是一种检测及实例分割模型框架。所述通过所述病理检测模型中的正向传播得到所述增强病理图像集的权重参数包括:对所述增强病理图像集进行分类分支处理后得到所述增强病理图像集的前景点,通过中性分支算法计算所述前景点的边框界位置,根据所述边框界位置利用预先确定的权重参数计算公式计算出所述增强病理图像集的权重参数。
所述分类分支算法包括:
其中,Centerness表示增强病理图像集前景点的边框界位置,lp、rp、tp、bp分别表示增强病理图像集前景点的边框界上、下、左、右的预测距离值。
所述权重参数计算公式为:
其中,Lossiou表示权重参数,lp、rp、tp、bp分别表示增强病理图像集前景点的边框界上、下、左、右的预测距离值,lg、rg、tg、bg分别表示增强病理图像集前景点的边框界上、下、左、右的实际距离值。
进一步地,所述梯度下降算法是神经网络模型训练中的优化算法,为找到所述预先构建的病理检测模型趋于收敛的权重参数,需要沿着与所述预先构建的病理检测模型的梯度向量相反的方向更新变量,这样可以使得梯度减少最快,直至所述预先构建的病理检测模型进行收敛,得到所述训练完成后的病理检测模型。
S4、接收用户输入的待检测图像,通过上述训练完成后的病理检测模型对所述待检测图像进行检测,得到所述图像的检测结果,并将检测结果返回给所述用户。
本发明较佳实施例中接收用户输入的待检测图像,根据上述训练完成后的所述病理检测模型对所述用户输入的待检测图像进行检测,得到所述图像的检测结果,并将检测结果返回给所述用户。其中,所述检测结果包括正常nos、硬化gs两种。
本发明还提供一种医学影像识别检测装置。参照图2所示,为本发明一实施例提供的医学影像识别检测装置的内部结构示意图。
在本实施例中,所述医学影像识别检测装置1可以是PC(Personal Computer,个人电脑),或者是智能手机、平板电脑、便携计算机等终端设备,也可以是一种服务器等。该医学影像识别检测装置1至少包括存储器11、处理器12,通信总线13,以及网络接口14。
其中,存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是医学影像识别检测装置1的内部存储单元,例如该医学影像识别检测装置1的硬盘。存储器11在另一些实施例中也可以是医学影像识别检测装置1的外部存储设备,例如医学影像识别检测装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器11还可以既包括医学影像识别检测装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于医学影像识别检测装置1的应用软件及各类数据,例如医学影像识别检测程序01的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如执行医学影像识别检测程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该装置1与其他电子设备之间建立通信连接。
可选地,该装置1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在医学影像识别检测装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及医学影像识别检测程序01的医学影像识别检测装置1,本领域技术人员可以理解的是,图1示出的结构并不构成对医学影像识别检测装置1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
在图2所示的装置1实施例中,存储器11中存储有医学影像识别检测程序01;处理器12执行存储器11中存储的医学影像识别检测程序01时实现如下步骤:
步骤一、获取病理图像集,对所述病理图像集进行归一化操作,并将归一化操作后的所述病理图像集进行图像降噪处理,得到标准病理图像集
本发明较佳实施例中所述获取病理图像集包括:取体积为预设尺寸的肾脏组织,并放入液态固定剂对所述肾脏组织进行固定,利用不同种浓度乙醇对固定后的所述肾脏组织进行脱水处理,通过巴氏染色法对脱水处理后的所述肾脏组织进行染色,根据病理切片扫描仪对染色后的所述肾脏组织按预设的规格进行切片,从而得到所述病理图像集。其中,本发明中,所述预设尺寸为2.0cm*2.0cm*0.3cm的肾脏组织,所述脱水处理通过脱水机自控完成,所述预设规格为1024*1024的病理图像。
进一步地,所述数据的归一化是将数据按比例缩放,使之落入一个小的特定区间。在本发明实施例中,本发明应用的归一化处理方法是z-score归一化方法,其核心思想如下所示:
x=(x-μ)/σ
其中,x表示病理图像集中的图像数据,μ为病理图像集中图像数据的均值,σ为病理图像集中图像数据的标准差。
进一步地,由于图像降噪处理的效果直接影响到后续的处理步骤以及最终的识别结果,在本发明实施例中通过滤波算法对归一化操作后的所述病理图像集进行图像降噪处理,得到标准病理图像集。其中,所述滤波算法包括:
步骤二、对所述标准病理图像进行图像增强处理,得到增强病理图像集。
由于过度的数据增强会破坏原来数据的分布,影响网络训练效果,因此本发明实施例利用数据增强技术对所述标准病理图像集进行图像增强处理。其中,本发明所述数据增强技术包括随机翻转和随机剪裁。
详细地,本发明利用python库中的cv2指令对所述标准病理图像集设置相应翻转参数,使所述标准病理图像集各有1/3概率发生水平翻转、垂直翻转、水平垂直翻转,其中cv.flip(img,1)代表水平方向旋转180度,cv.flip(img,0)代表垂直方向旋转180度,cv.flip(img,-1)代表水平和垂直方向同时旋转180度。
进一步地,本发明使用randomCrop(image)函数对随机翻转后的所述病理图像集进行随意裁剪,使得裁剪后的所述病理图像大小为原始图像宽和高的2/3,据此本发明实现对病理细胞图像的数据增强,得到所述增强病理细胞图像集。
步骤三、将所述增强病理图像集输入预先构建的病理检测模型中,通过所述病理检测模型中的正向传播得到所述增强病理图像集的权重参数,利用梯度下降算法对所述权重参数进行更新直至所述病理检测模型趋于收敛,得到训练完成后的病理检测模型。
本发明较佳实施例中,所述预先构建的肾脏比例肾小球检测模型基于Mask R-CNN框架实现,所述Mask R-CNN是一种检测及实例分割模型框架。所述通过所述病理检测模型中的正向传播得到所述增强病理图像集的权重参数包括:对所述增强病理图像集进行分类分支处理后得到所述增强病理图像集的前景点,通过中性分支算法计算所述前景点的边框界位置,根据所述边框界位置利用预先确定的权重参数计算公式计算出所述增强病理图像集的权重参数。
所述分类分支算法包括:
其中,Centerness表示增强病理图像集前景点的边框界位置,lp、rp、tp、bp分别表示增强病理图像集前景点的边框界上、下、左、右的预测距离值。
所述权重参数计算公式为:
其中,Lossiou表示权重参数,lp、rp、tp、bp分别表示增强病理图像集前景点的边框界上、下、左、右的预测距离值,lg、rg、tg、bg分别表示增强病理图像集前景点的边框界上、下、左、右的实际距离值。
进一步地,所述梯度下降算法是神经网络模型训练最常用的优化算法,为找到所述预先构建的病理检测模型趋于收敛的权重参数,需要沿着与所述预先构建的病理检测模型的梯度向量相反的方向更新变量,这样可以使得梯度减少最快,直至所述预先构建的病理检测模型进行收敛,得到所述训练完成后的病理检测模型。
步骤四、接收用户输入的待检测图像,通过上述训练完成后的病理检测模型对所述待检测图像进行检测,并将检测结果返回给所述用户。
本发明较佳实施例中接收用户输入的待检测图像,根据上述训练完成后的所述病理检测模型对所述用户输入的待检测图像进行检测,得到所述图像的检测结果,并将检测结果返回给所述用户。其中,所述检测结果包括正常nos、硬化gs两种。
可选地,在其他实施例中,医学影像识别检测程序还可以被分割为一个或者多个模块,一个或者多个模块被存储于存储器11中,并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明,本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段,用于描述医学影像识别检测程序在医学影像识别检测装置中的执行过程。
例如,参照图3所示,为本发明医学影像识别检测装置一实施例中的医学影像识别检测程序的程序模块示意图,该实施例中,所述医学影像识别检测程序可以被分割为归一化降噪模块10、图像增强模块20、模型训练模块30以及检测模块40,示例性地:
所述归一化降噪模块10用于:获取病理图像集,对所述病理图像集进行归一化操作,并将归一化操作后的所述病理图像集进行图像降噪处理,得到标准病理图像集。
所述图像增强模块20用于:对所述标准病理图像进行图像增强处理,得到增强病理细胞图像集。
所述模型训练模块30用于:将所述增强病理图像集输入预先构建的病理检测模型中,通过所述病理检测模型中的正向传播得到所述增强病理图像集的权重参数,利用梯度下降算法对所述权重参数进行更新直至所述病理检测模型趋于收敛,得到训练完成后的病理检测模型。
所述检测模块40用于:接收用户输入的待检测图像,通过上述训练完成后的病理检测模型对所述待检测图像进行检测,得到所述图像的检测结果,并将检测结果返回给所述用户。
上述归一化降噪模块10、图像增强模块20、模型训练模块30以及检测模块40等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同,在此不再赘述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有医学影像识别检测程序,所述医学影像识别检测程序可被一个或多个处理器执行,以实现如下操作:
获取病理图像集,对所述病理图像集进行归一化操作,并将归一化操作后的所述病理图像集进行图像降噪处理,得到标准病理图像集;
对所述标准病理图像进行图像增强处理,得到增强病理图像集;
将所述增强病理图像集输入预先构建的病理检测模型中,通过所述病理检测模型中的正向传播得到所述增强病理图像集的权重参数,利用梯度下降算法对所述权重参数进行更新直至所述病理检测模型趋于收敛,得到训练完成后的病理检测模型;
接收用户输入的待检测图像,通过上述训练完成后的病理检测模型对所述待检测图像进行检测,得到所述图像的检测结果,并将检测结果返回给所述用户。
本发明计算机可读存储介质具体实施方式与上述医学影像识别检测装置和方法各实施例基本相同,在此不作累述。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种医学影像识别检测方法,其特征在于,所述方法包括:
获取病理图像集,对所述病理图像集进行归一化操作,并将归一化操作后的所述病理图像集进行图像降噪处理,得到标准病理图像集;
对所述标准病理图像集进行图像增强处理,得到增强病理图像集;
将所述增强病理图像集输入预先构建的病理检测模型中,通过所述病理检测模型中的正向传播得到所述增强病理图像集的权重参数,利用梯度下降算法对所述权重参数进行更新直至所述病理检测模型趋于收敛,得到训练完成后的病理检测模型;
接收用户输入的待检测图像,通过上述训练完成后的病理检测模型对所述待检测图像进行检测,得到对所述待检测图像的检测结果,并将检测结果返回给所述用户。
2.如权利要求1所述的医学影像识别检测方法,其特征在于,所述归一化操作包括:
x=(x-μ)/σ
其中,x表示病理图像集中的图像数据,μ为病理图像集中图像数据的均值,σ为病理图像集中图像数据的标准差。
4.如权利要求1所述的医学影像识别检测方法,其特征在于,所述通过所述病理检测模型中的正向传播得到所述增强病理图像集的权重参数,包括:
对所述增强病理图像集进行分类分支处理后得到所述增强病理图像集的前景点,通过中性分支算法计算所述前景点的边框界位置,根据所述边框界位置利用预先确定的权重参数计算公式计算出所述增强病理图像集的权重参数。
6.一种医学影像识别检测装置,其特征在于,所述装置包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的医学影像识别检测程序,所述医学影像识别检测程序被所述处理器执行时实现如下步骤:
获取病理图像集,对所述病理图像集进行归一化操作,并将归一化操作后的所述病理图像集进行图像降噪处理,得到标准病理图像集;
对所述标准病理图像进行图像增强处理,得到增强病理图像集;
将所述增强病理图像集输入预先构建的病理检测模型中,通过所述病理检测模型中的正向传播得到所述增强病理图像集的权重参数,利用梯度下降算法对所述权重参数进行更新直至所述病理检测模型趋于收敛,得到训练完成后的病理检测模型;
接收用户输入的待检测病理图像,通过上述训练完成后的病理检测模型对所述待检测病理图像进行检测,并将检测结果返回给所述用户。
7.如权利要求6所述的医学影像识别检测装置,其特征在于,所述归一化操作包括:
x=(x-μ)/σ
其中,x表示病理图像集中的图像数据,μ为病理图像集中图像数据的均值,σ为病理图像集中图像数据的标准差。
9.如权利要求6所述的医学影像识别检测装置,其特征在于,通过所述病理检测模型中的正向传播得到所述增强病理图像集的权重参数,包括:
对所述增强病理图像集进行分类分支处理后得到所述增强病理图像集的前景点,通过中性分支算法计算所述前景点的边框界位置,根据所述边框界位置利用预先确定的权重参数计算公式计算出所述增强病理图像集的权重参数。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有医学影像识别检测程序,所述医学影像识别检测程序可被一个或者多个处理器执行,以实现如权利要求1至5中任一项所述的医学影像识别检测方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010069864.4A CN111275689A (zh) | 2020-01-20 | 2020-01-20 | 医学影像识别检测方法、装置及计算机可读存储介质 |
PCT/CN2020/093556 WO2021147218A1 (zh) | 2020-01-20 | 2020-05-30 | 医学影像识别检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010069864.4A CN111275689A (zh) | 2020-01-20 | 2020-01-20 | 医学影像识别检测方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111275689A true CN111275689A (zh) | 2020-06-12 |
Family
ID=71001959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010069864.4A Pending CN111275689A (zh) | 2020-01-20 | 2020-01-20 | 医学影像识别检测方法、装置及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111275689A (zh) |
WO (1) | WO2021147218A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115760858A (zh) * | 2023-01-10 | 2023-03-07 | 东南大学附属中大医院 | 基于深度学习的肾脏病理切片细胞识别方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110158474A1 (en) * | 2009-12-31 | 2011-06-30 | Indian Institute Of Technology Bombay | Image object tracking and segmentation using active contours |
US20130034289A1 (en) * | 2011-08-02 | 2013-02-07 | Siemens Corporation | Filter approach to catheter electrode detection and tracking |
CN109670510A (zh) * | 2018-12-21 | 2019-04-23 | 万达信息股份有限公司 | 一种基于深度学习的胃镜活检病理数据筛查系统和方法 |
CN109671062A (zh) * | 2018-12-11 | 2019-04-23 | 成都智能迭迦科技合伙企业(有限合伙) | 超声图像检测方法、装置、电子设备及可读存储介质 |
CN109886992A (zh) * | 2017-12-06 | 2019-06-14 | 深圳博脑医疗科技有限公司 | 用于分割mri图像中异常信号区的全卷积网络模型训练方法 |
-
2020
- 2020-01-20 CN CN202010069864.4A patent/CN111275689A/zh active Pending
- 2020-05-30 WO PCT/CN2020/093556 patent/WO2021147218A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110158474A1 (en) * | 2009-12-31 | 2011-06-30 | Indian Institute Of Technology Bombay | Image object tracking and segmentation using active contours |
US20130034289A1 (en) * | 2011-08-02 | 2013-02-07 | Siemens Corporation | Filter approach to catheter electrode detection and tracking |
CN109886992A (zh) * | 2017-12-06 | 2019-06-14 | 深圳博脑医疗科技有限公司 | 用于分割mri图像中异常信号区的全卷积网络模型训练方法 |
CN109671062A (zh) * | 2018-12-11 | 2019-04-23 | 成都智能迭迦科技合伙企业(有限合伙) | 超声图像检测方法、装置、电子设备及可读存储介质 |
CN109670510A (zh) * | 2018-12-21 | 2019-04-23 | 万达信息股份有限公司 | 一种基于深度学习的胃镜活检病理数据筛查系统和方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115760858A (zh) * | 2023-01-10 | 2023-03-07 | 东南大学附属中大医院 | 基于深度学习的肾脏病理切片细胞识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2021147218A1 (zh) | 2021-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107895367B (zh) | 一种骨龄识别方法、系统及电子设备 | |
CN110148121B (zh) | 一种皮肤图像处理方法、装置、电子设备及介质 | |
CN110516544B (zh) | 基于深度学习的人脸识别方法、装置及计算机可读存储介质 | |
CN110458217B (zh) | 图像识别方法及装置、眼底图像识别方法和电子设备 | |
CN109117857B (zh) | 一种生物属性的识别方法、装置及设备 | |
CN110738203B (zh) | 字段结构化输出方法、装置及计算机可读存储介质 | |
CN108229301B (zh) | 眼睑线检测方法、装置和电子设备 | |
CN111462086A (zh) | 图像分割方法及装置、神经网络模型的训练方法及装置 | |
Cao et al. | Efficient saliency detection using convolutional neural networks with feature selection | |
CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
US11694331B2 (en) | Capture and storage of magnified images | |
CN111507324A (zh) | 卡片边框识别方法、装置、设备和计算机存储介质 | |
Mei et al. | A curve evolution approach for unsupervised segmentation of images with low depth of field | |
CN110473176B (zh) | 图像处理方法及装置、眼底图像处理方法、电子设备 | |
CN111275689A (zh) | 医学影像识别检测方法、装置及计算机可读存储介质 | |
CN110222571B (zh) | 黑眼圈智能判断方法、装置及计算机可读存储介质 | |
CN116052288A (zh) | 活体检测模型训练方法、活体检测方法、装置和电子设备 | |
CN113158960A (zh) | 一种医学图像识别模型构建和识别方法及装置 | |
CN113077464A (zh) | 一种医学图像处理方法、医学图像识别方法及装置 | |
CN112861916A (zh) | 一种浸润性宫颈癌病理图像分类方法和系统 | |
CN113889233A (zh) | 基于流形回归网络的细胞定位与计数方法及应用 | |
CN112990339A (zh) | 胃病理切片图像分类方法、装置及存储介质 | |
CN113032622A (zh) | 一种新型医学视频图像采集和数据管理系统 | |
CN112801238A (zh) | 一种图像分类方法、装置、电子设备及存储介质 |
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 |