CN111445456B - 分类模型、网络模型的训练方法及装置、识别方法及装置 - Google Patents
分类模型、网络模型的训练方法及装置、识别方法及装置 Download PDFInfo
- Publication number
- CN111445456B CN111445456B CN202010223799.6A CN202010223799A CN111445456B CN 111445456 B CN111445456 B CN 111445456B CN 202010223799 A CN202010223799 A CN 202010223799A CN 111445456 B CN111445456 B CN 111445456B
- Authority
- CN
- China
- Prior art keywords
- hematoma
- brain
- area
- classification
- 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
- 238000013145 classification model Methods 0.000 title claims abstract description 205
- 238000012549 training Methods 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 110
- 206010018852 Haematoma Diseases 0.000 claims abstract description 478
- 210000004556 brain Anatomy 0.000 claims abstract description 254
- 208000024891 symptom Diseases 0.000 claims abstract description 154
- 238000011049 filling Methods 0.000 claims description 50
- 230000000877 morphologic effect Effects 0.000 claims description 30
- 238000003062 neural network model Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 25
- 238000011282 treatment Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012805 post-processing Methods 0.000 claims description 6
- 230000002829 reductive effect Effects 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 description 32
- 238000013528 artificial neural network Methods 0.000 description 28
- 238000002591 computed tomography Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000013135 deep learning Methods 0.000 description 13
- 206010053942 Cerebral haematoma Diseases 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 11
- 238000000605 extraction Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 230000000873 masking effect Effects 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 206010008190 Cerebrovascular accident Diseases 0.000 description 5
- 208000006011 Stroke Diseases 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 230000002490 cerebral effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 125000004122 cyclic group Chemical group 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000002601 radiography Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 102100035971 Molybdopterin molybdenumtransferase Human genes 0.000 description 2
- 101710119577 Molybdopterin molybdenumtransferase Proteins 0.000 description 2
- 206010053649 Vascular rupture Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004091 panning Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002269 spontaneous effect Effects 0.000 description 2
- 208000019505 Deglutition disease Diseases 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 208000031226 Hyperlipidaemia Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 208000008116 Traumatic Cerebral Hemorrhage Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000002008 hemorrhagic effect Effects 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 230000008719 thickening Effects 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 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
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30016—Brain
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- 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
- G06T2207/30204—Marker
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本申请公开了一种分类模型、网络模型的训练方法及装置、识别方法及装置。该网络模型的训练方法包括:根据包含脑部的血肿区域的样本图像,通过分类模型,确定所述血肿区域的征象类别的第一分类结果;根据所述第一分类结果和所述包含脑部的血肿区域的样本图像,训练预设网络模型,以生成所述网络模型,所述网络模型用于识别所述血肿区域的易扩张性。利用本申请实施例提供的网络模型的训练方法训练生成的网络模型,能够减少识别血肿是否易扩大所花费的时间,同时提高识别血肿是否易扩大的准确率和效率。
Description
技术领域
本申请涉及图像处理技术领域,具体涉及一种分类模型、网络模型的训练方法及装置、识别方法及装置。
背景技术
脑出血指由血管破裂引发的脑内出血,医学上所指的脑出血主要是自发性的非外伤性脑出血,即自发性脑出血,自发性脑出血通常是由高血压、高血糖、高血脂和抽烟等因素引起的。该疾病发病突然,病情凶险,治疗费用、复发率、致残率和死亡率都很高,超过40%的脑出血患者会在一个月内死亡,幸存的患者中80%的需要依靠他人的护理而活着。
CT是脑出血检查的主要方式,在CT图像中识别易扩张性血肿主要根据血肿扩大的CT影像学征象,但是目前对征象的判断受限于人的经验水平。同时,脑出血是十分紧迫的发病症状,需要在尽量短的时间内做出判断,如果判定是否血肿扩大不够及时的话,这可能会导致患者病情恶化甚至死亡。
发明内容
有鉴于此,本申请的实施例致力于提供一种分类模型、网络模型的训练方法及装置、识别方法及装置,能够减少识别血肿是否易扩大所花费的时间,同时提高识别血肿是否易扩大的准确率和效率。
根据本申请实施例的第一方面,提供了一种分类模型的训练方法,包括:获取包含脑部的血肿区域的样本图像;根据所述包含脑部的血肿区域的样本图像,训练预设分类模型,以生成所述分类模型,所述分类模型用于确定所述血肿区域的征象类别。
根据本申请实施例的第二方面,提供了一种网络模型的训练方法,包括:根据包含脑部的血肿区域的样本图像,通过分类模型,确定所述血肿区域的征象类别的第一分类结果;根据所述第一分类结果和所述包含脑部的血肿区域的样本图像,训练预设网络模型,以生成所述网络模型,所述网络模型用于识别所述血肿区域的易扩张性。
根据本申请实施例的第三方面,提供了一种识别方法,包括:根据包含脑部的血肿区域的图像,通过分类模型,确定所述血肿区域的征象类别的第二分类结果;根据所述第二分类结果,通过网络模型,识别所述血肿区域的易扩张性。
根据本申请实施例的第四方面,提供了一种分类模型的训练装置,包括:获取模块,配置为获取包含脑部的血肿区域的样本图像;第一训练模块,配置为根据所述包含脑部的血肿区域的样本图像,训练预设分类模型,以生成所述分类模型,所述分类模型用于确定所述血肿区域的征象类别。
根据本申请实施例的第五方面,提供了一种网络模型的训练装置,包括:第一分类模块,配置为根据包含脑部的血肿区域的样本图像,通过分类模型,确定所述血肿区域的征象类别的第一分类结果;第二训练模块,配置为根据所述第一分类结果和所述包含脑部的血肿区域的样本图像,训练预设网络模型,以生成所述网络模型,所述网络模型用于识别所述血肿区域的易扩张性。
根据本申请实施例的第六方面,提供了一种识别装置,包括:第二分类模块,配置为根据包含脑部的血肿区域的图像,通过分类模型,确定所述血肿区域的征象类别的第二分类结果;识别模块,配置为根据所述第二分类结果,识别所述血肿区域的易扩张性。
根据本申请实施例的第七方面,提供了一种电子设备,包括:处理器,用于执行上述实施例所提及的分类模型的训练方法,执行上述实施例所提及的网络模型的训练方法,或者执行上述实施例所提及的识别方法;用于存储所述处理器可执行指令的存储器。
根据本申请实施例的第八方面,提供了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实施例所提及的分类模型的训练方法,执行上述实施例所提及的网络模型的训练方法,或者执行上述实施例所提及的识别方法。
本申请的实施例所提供的一种网络模型的训练方法,根据包含脑部的血肿区域的样本图像,通过训练好的用于确定所述血肿区域的征象类别的分类模型,确定所述血肿区域的征象类别的第一分类结果;根据所述第一分类结果和所述包含脑部的血肿区域的样本图像,训练预设网络模型,以生成所述网络模型,所述网络模型用于识别所述血肿区域的易扩张性。这样所获得的网络模型能够减少识别血肿是否易扩大所花费的时间,同时提高识别血肿是否易扩大的准确率和效率。
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是本申请实施例所提供的一种实施环境的示意图。
图2是本申请一个实施例提供的识别系统的框图。
图3是本申请一个实施例提供的识别方法的流程示意图。
图4是本申请另一个实施例提供的识别方法的流程示意图。
图5是本申请一个实施例提供的分类模型的训练方法的流程示意图。
图6是本申请另一个实施例提供的分类模型的训练方法的流程示意图。
图7是本申请一个实施例提供的网络模型的训练方法的流程示意图。
图8是本申请另一个实施例提供的网络模型的训练方法的流程示意图。
图9所示为本申请一个实施例提供的识别装置的框图。
图10所示为本申请一个实施例提供的分类模型的训练装置的框图。
图11所示为本申请一个实施例提供的网络模型的训练装置的框图。
图12所示为本申请一个实施例提供的电子设备的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
申请概述
CT(Computed Tomography)就是指电子计算机断层扫描,脑出血(cerebralhemorrhage)是指非外伤性脑实质内血管破裂引起的出血,占全部脑卒中的20%~30%,虽然在脑卒中患者中的比例不高,但是脑出血急性期病死率为30%~40%,大部分死亡发生在发病两周内,幸存者中多数留有不同程度的运动障碍、认知障碍、言语吞咽障碍等后遗症。CT平扫作为脑卒中检查的必备技术,除了鉴别缺血性脑卒中和出血性脑卒中之外,还有一些细微征象可以预测脑出血是否会扩大,对于治疗方案确定和预后判断都有帮助。
深度学习通过建立具有阶层结构的人工神经网络,在计算系统中实现人工智能。由于阶层结构的人工神经网络能够对输入信息进行逐层提取和筛选,因此深度学习具有表征学习能力,可以实现端到端的监督学习和非监督学习。深度学习所使用的阶层结构的人工神经网络具有多种形态,其阶层的复杂度被通称为“深度”,按构筑类型,深度学习的形式包括多层感知器、卷积神经网络、循环神经网络、深度置信网络和其它混合构筑。深度学习使用数据对其构筑中的参数进行更新以达成训练目标,该过程被通称为“学习”,深度学习提出了一种让计算机自动学习出模式特征的方法,并将特征学习融入到了建立模型的过程中,从而减少了人为设计特征造成的不完备性。
神经网络是一种运算模型,由大量的节点(或称神经元)之间相互连接构成,每个节点对应一个策略函数,每两个节点间的连接代表一个对于通过该连接信号的加权值,称之为权重。神经网络一般包括多个神经网络层,上下网络层之间相互级联,第i个神经网络层的输出与第i+1个神经网络层的输入相连,第i+1个神经网络层的输出与第i+2个神经网络层的输入相连,以此类推。训练样本输入级联的神经网络层后,通过每个神经网络层输出一个输出结果,该输出结果作为下一个神经网络层的输入,由此,通过多个神经网络层计算获得输出,比较输出层的输出的预测结果与真正的目标值,再根据预测结果与目标值之间的差异情况来调整每一层的权重矩阵和策略函数,神经网络利用训练样本不断地经过上述调整过程,使得神经网络的权重等参数得到调整,直到神经网络输出的预测结果与真正的目标结果相符,该过程就被称为神经网络的训练过程。神经网络经过训练后,可得到神经网络模型。
针对如前所述的技术问题,本申请的基本构思是提出一种识别方法,主要是根据包含脑部的血肿区域的图像,通过分类模型来确定血肿区域的征象类别的第二分类结果,再根据血肿区域的征象类别的第二分类结果来识别血肿区域的易扩张性,从而能够减少识别血肿是否易扩大所花费的时间,同时提高识别血肿是否易扩大的准确率和效率。
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。
示例性系统
图1是本申请实施例所提供的一种实施环境的示意图。该实施环境包括CT扫描仪130、服务器120和计算机设备110。计算机设备110可以从CT扫描仪130处获取脑部的图像,同时,计算机设备110还可以与服务器120之间通过通信网络相连。可选的,通信网络是有线网络或无线网络。
CT扫描仪130用于对人体组织进行X线扫描,得到人体组织的CT图像。在一实施例中,通过CT扫描仪130对脑部进行扫描,可以得到脑部的图像。
计算机设备110可以是通用型计算机或者由专用的集成电路组成的计算机装置等,本申请实施例对此不做限定。例如,计算机设备110可以是平板电脑等移动终端设备,或者也可以是个人计算机(Personal Computer,PC),比如膝上型便携计算机和台式计算机等等。本领域技术人员可以知晓,上述计算机设备110的数量可以一个或多个,其类型可以相同或者不同。比如上述计算机设备110可以为一个,或者上述计算机设备110为几十个或几百个,或者更多数量。本申请实施例对计算机设备110的数量和设备类型不加以限定。
计算机设备110中可以部署有分类模型、网络模型和神经网络模型,神经网络模型用于对脑部的图像进行分割,网络模型和分类模型用于对脑部的图像进行检测识别。在一些可选的实施例中,计算机设备110可以利用其上部署的神经网络模型将其从CT扫描仪130获取的脑部的图像进行分割,以分割出包含脑部的血肿区域的图像,然后计算机设备110再利用其上部署的分类模型对包含脑部的血肿区域的图像进行检测,以获得血肿区域的征象类别的第二分类结果,最后根据血肿区域的征象类别的第二分类结果和包含脑部的血肿区域的图像,通过网络模型进行血肿区域的易扩张性的识别,从而能够减少识别血肿是否易扩大所花费的时间,同时提高识别血肿是否易扩大的准确率和效率。
服务器120是一台服务器,或者由若干台服务器组成,或者是一个虚拟化平台,或者是一个云计算服务中心。在一些可选的实施例中,服务器120接收计算机设备110采集到的脑部的样本图像,并根据经过标记的脑部的样本图像来训练分类模型、网络模型和神经网络模型。计算机设备110可以将其从CT扫描仪130获取到的脑部的图像发送给服务器,服务器120利用其上训练出的神经网络模型对脑部的图像进行分割,以分割出包含脑部的血肿区域的图像,然后服务器120再利用其上训练出的分类模型对包含脑部的血肿区域的图像进行检测,以获得血肿区域的征象类别的第二分类结果,服务器120根据血肿区域的征象类别的第二分类结果和包含脑部的血肿区域的图像,通过网络模型进行血肿区域的易扩张性的识别,最后服务器120将脑血肿是否为以扩张性脑血肿的检测结果发送给计算机设备110,以便查看检测结果。这样,能够减少识别血肿是否易扩大所花费的时间,同时提高识别血肿是否易扩大的准确率和效率。
图2是本申请一个实施例提供的识别系统的框图。如图2所示,该系统包括:
预处理模块21,用于对原始脑部影像A进行归一化、去燥处理和/或图像增强处理,获得脑部的图像B;
神经网络模型22,用于根据脑部的图像B,得到包含脑部的初始血肿区域的图像C;
CRF后处理模块23,用于利用条件随机场算法对包含脑部的初始血肿区域的图像C进行后处理,获得包含脑部的血肿区域的图像D;
第一形态学处理模块24,用于将包含脑部的血肿区域的图像D进行第一形态学处理,获得分割后的血肿区域的图像E;
连通域提取模块25,用于将分割后的血肿区域的图像E进行连通域提取,获得血肿区域的连通域F;
第二形态学处理模块26,用于对血肿区域的连通域F进行第二形态学处理,获得血肿区域的孔洞填充连通域G;
分类模型27,用于根据血肿区域的连通域F、脑部的图像B和血肿区域的孔洞填充连通域G,确定血肿区域的征象类别的第二分类结果H;
网络模型28,用于根据包含脑部的血肿区域的图像D、脑部的图像B和血肿区域的征象类别的第二分类结果H,识别血肿区域的易扩张性I。
参照图2中带箭头实线所示的数据流向,以此方式来实现本实施例中的识别血肿区域的易扩张性I。
示例性方法
图3是本申请一个实施例提供的识别方法的流程示意图。图3所述的方法由计算设备(例如,服务器)来执行,但本申请实施例不以此为限。服务器可以是一台服务器,或者由若干台服务器组成,或者是一个虚拟化平台,或者是一个云计算服务中心,本申请实施例对此不作限定。如图3所示,该方法包括:
S301:根据包含脑部的血肿区域的图像,通过分类模型,确定所述血肿区域的征象类别的第二分类结果。
在一实施例中,该包含脑部的血肿区域的图像可以指脑部的图像(即通过CT扫描仪对脑部进行扫描后得到的存在脑血肿的脑部的图像),也可以指血肿区域的图像(即对脑部的图像进行血肿分割后获得的脑血肿的图像),本申请实施例对此并不作具体限定。
在一实施例中,可以将包含脑部的血肿区域的图像直接输入到分类模型中,确定血肿区域的征象类别的第二分类结果;也可以先对包含脑部的血肿区域的图像进行连通域处理后,得到血肿连通域和/或血肿孔洞填充连通域,再将血肿连通域和/或血肿孔洞填充连通域输入到分类模型中,确定血肿区域的征象类别的第二分类结果,本申请实施例对此并不作具体限定。包含脑部的血肿区域的图像可以作为分类模型的一个输入,分类模型还可以有其他输入,以提高分类模型检测的准确率,本申请实施例对此并不作具体限定。
在一实施例中,分类模型可以是通过机器学习所获得的浅层模型,例如SWM分类器,或线性回归分类器等等,本申请实施例对此并不作具体限定,通过机器学习所获得的分类模型可以实现快速的模型分类,以提高模型分类的效率;分类模型也可以是指通过深度学习获得的深层模型,例如由卷积神经网络、循环神经网络、深度神经网络等网络结构中的至少一个构成,且这些网络可以以resnet、resnext或densenent等为主干网络,通过深度学习所获得的分类模型可以提高模型分类的准确性。本申请实施例对分类模型的具体类型并不作具体限定。
在另一实施例中,血肿区域的征象类别的第二分类结果可以是基于分类模型确定的血肿区域的某一征象的概率值,也可以是基于分类模型确定的血肿区域的各个征象的概率向量,还可以是基于分类模型确定的血肿区域存在某一征象或者血肿区域不存在某一征象的分类结果,本申请实施例对此并不作具体限定。
需要说明的是,分类模型可以是提前训练好的,在获取到包含脑部的血肿区域的图像后,直接使用该分类模型对其进行检测;分类模型也可以是在获取包含脑部的血肿区域的图像之前进行现训练,然后训练好后,使用该分类模型对包含脑部的血肿区域的图像进行检测,本申请实施例对比并不作具体限定。
通过训练好的分类模型对包含脑部的血肿区域的图像进行检测所获得的血肿区域的征象类别的第二分类结果更加的客观且准确。
S302:根据所述第二分类结果,通过网络模型,识别所述血肿区域的易扩张性。
在一实施例中,可以根据所述血肿区域的征象类别的第二分类结果,通过深度学习所获得的网络模型,来识别血肿区域的易扩张性,其中,网络模型可以由卷积神经网络、循环神经网络、深度神经网络等网络结构中的至少一个构成,且这些网络可以以resnet、resnext或densenent等为主干网络,本申请实施例对此并不作具体限定。也可以根据所述血肿区域的征象类别的第二分类结果,通过机器学习所获得的网络模型,来识别血肿区域的易扩张性,例如SWM分类器,或线性回归分类器等等,本申请实施例对此并不作具体限定。本申请实施例对网络模型的具体类型并不作具体限定。
在一实施例中,可以将血肿区域的征象类别的第二分类结果作为网络模型的一个输入,来使网络模型对血肿区域的易扩张性进行聚焦性检测识别,也就是说,使网络模型可以在检测识别的过程中对血肿区域的征象类别更加的关注,从而提高血肿区域的易扩张性识别的准确率。当然,网格模型还可以有其他的输入,本申请实施例对此并不作具体限定。
由于血肿区域的征象类别的第二分类结果是通过分类模型获取到的,且血肿区域的易扩张性也是在血肿区域的征象类别的第二分类结果的基础上通过网络模型来检测识别的,这样可以进一步的提高血肿区域的易扩张性识别的准确率,从而进一步的避免错误地识别血肿区域的易扩张性的情况的发生。
由此可见,根据包含脑部的血肿区域的图像,通过分类模型来确定血肿区域的征象类别的第二分类结果,再根据血肿区域的征象类别的第二分类结果来识别血肿区域的易扩张性,从而能够减少识别血肿是否易扩大所花费的时间,同时提高识别血肿是否易扩大的准确率和效率。
在本申请另一实施例中,所述根据包含脑部的血肿区域的图像,通过分类模型,确定所述血肿区域的征象类别的第二分类结果,包括:根据所述包含脑部的血肿区域的图像,确定所述血肿区域的连通域;根据所述血肿区域的连通域,通过所述分类模型,确定所述血肿区域的征象类别的第二分类结果。
在一实施例中,可以通过对包含脑部的血肿区域的图像进行连通域提取,来获得血肿区域的连通域。连通域提取的算法可以分为两类:一类是局部邻域算法,就是从局部到整体,逐个检查每个连通成分,确定一个“起始点”,再向周围邻域扩展地填入标记;另一类是从整体到局部,先确定不同的连通成分,再对每一个连通成分用区域填充方法填入标记,这两类算法操作的最终目的就是把白色像素和黑色像素组成的一幅点阵二值图像中,将互相邻接的目标“1”值像素集合提取出来,并为图像中不同的连通域填入不等的数字标记。例如,对包含脑部的血肿区域的图像可以包含多个连通域,那么通过连通域提取后,将第一个连通域标记为1,第二个连通域标记为2,第三个连通域标记为3,以此类推,以此来获得血肿区域的连通域。通过首先获取血肿区域的连通域,可以避免分类模型在识别每个血肿区域时出现误差和分歧,从而使分类模型对血肿区域的征象类别的第二分类结果的确定更加的快捷且准确。
在一实施例中,在提取出血肿区域的连通域后,可以将血肿区域的连通域直接输入到训练好的分类模型中进行检测,以确定血肿区域的征象类别的第二分类结果;还可以对血肿区域的连通域进行一些其他的形态学操作,来获取血肿区域的孔洞填充连通域,再将该血肿区域的孔洞填充连通域输入到训练好的分类模型中进行检测,以确定血肿区域的征象类别的第二分类结果,本申请实施例对此并不作具体限定。
当然,血肿区域的连通域也可以仅作为分类模型的一个输入,分类模型还可以有其他输入,以提高分类模型检测的准确率,本申请实施例对此并不作具体限定。当血肿区域的连通域作为分类模型的一个输入时,可以对血肿区域的连通域进行掩模操作,以获得血肿连通域掩模,再将该血肿连通域掩模直接输入到分类模型中进行检测。掩模操作可以为提取感兴趣区的操作,即,用预先制作的感兴趣区(即,血肿区域的连通域)掩模与待处理图像(即,包含脑部的血肿区域的图像)相乘,得到感兴趣区(即,血肿区域的连通域)图像,感兴趣区(即,血肿区域的连通域)内图像值保持不变,都为1,而背景的图像值都为0,使背景不参加处理或不参加处理参数的计算,或仅对感兴趣区作处理或统计。但是需要说明的是,本申请实施例并不限定掩模操作的具体实施方式,只要可以将血肿区域的连通域和背景的图像值区分开即可。
但是需要说明的是,本申请实施例并不限定通过何种形态学操作来获取血肿区域的孔洞填充连通域,例如,可以可采用先膨胀后腐蚀的形态学闭运算处理对血肿区域的连通域进行孔洞填充。膨胀和腐蚀是形态学操作的基础,其不同的组合构成了区域填充、开运算和闭运算。膨胀运算是一种使图像中的目标变粗或生长的操作,它可以填补边缘的缝隙,解决边缘断线的问题。
在本申请另一实施例中,所述根据所述包含脑部的血肿区域的图像,确定所述血肿区域的连通域,包括:将所述包含脑部的血肿区域的图像进行第一形态学处理,获得分割后的血肿区域的图像;将所述分割后的血肿区域的图像进行连通域提取,获得所述血肿区域的连通域。
在一实施例中,第一形态学处理可以是指形态学腐蚀操作,通过形态学腐蚀操作,可以对包含脑部的血肿区域的图像中的各个血肿分割开来,使其不相互黏连在一起,从而获得了分割后的血肿区域的图像。但是需要说明的是,本申请实施例并不限定第一形态学处理的具体类型,还可以为其他适用于将互相黏连在一起的血肿分割开来的处理。
需要说明的是,由于提前获得了分割后的血肿区域的图像,这样就可以很容易地对分割后的血肿区域的图像进行上述提到的连通域提取,从而不至于因为某些血肿黏连在一起而影响连通域提取的准确性,以获得精确提取的血肿区域的连通域。本申请实施例在此不再赘述连通域提取的具体过程,详见上述实施例的描述。
在本申请另一实施例中,所述根据所述血肿区域的连通域,通过所述分类模型,确定所述血肿区域的征象类别的第二分类结果,包括:根据所述血肿区域的连通域和所述脑部的图像,通过所述分类模型,确定所述血肿区域的征象类别的第二分类结果。
在一实施例中,脑部的图像是指通过CT扫描仪对脑部进行扫描后得到的图像,即存在脑血肿的脑部的图像。血肿区域的连通域和脑部的图像可以一起输入到分类模型中,以提高分类模型检测的准确率,但是本申请实施例并不限定分类模型的输入的具体类型,还可以包含其他的输入。此时,输入脑部的图像可以在分类模型检测的过程中为血肿区域的连通域提供信息增强,或者说引入先验信息。
当然,当血肿区域的连通域作为分类模型的一个输入时,可以对血肿区域的连通域先进行掩模操作,以获得血肿连通域掩模,再将该血肿连通域掩模输入到分类模型中与脑部的图像一起进行检测。
在本申请另一实施例中,所述方法还包括:对所述血肿区域的连通域进行第二形态学处理,获得所述血肿区域的孔洞填充连通域。
在一实施例中,第二形态学处理可以是指先膨胀后腐蚀的形态学闭运算,通过先膨胀后腐蚀的形态学闭运算,可以对各个血肿区域的连通域进行孔洞的填充,例如,对于第一连通域(被标记为1)中的孔洞进行填充后,对应的孔洞可以标记为1,对于第二连通域(被标记为2)中的孔洞进行填充后,对应的孔洞可以标记为2,对于第三连通域(被标记为3)中的孔洞进行填充后,对应的孔洞可以标记为3,以此来与背景(被标记为0)进行区分。由于孔洞的像素值与背景的像素值相似,在连通域提取时,可能将孔洞判定为背景区域,而遗漏了对孔洞的提取,所以通过第二形态学处理可以将孔洞再次提取出来,从而提高了分类模型检测的准确率。
但是需要说明的是,本申请实施例并不限定第二形态学处理的具体类型,还可以为其他适用于孔洞填充的处理。
在本申请另一实施例中,所述根据所述血肿区域的连通域,通过所述分类模型,确定所述血肿区域的征象类别的第二分类结果,包括:根据所述血肿区域的连通域、所述脑部的图像和所述血肿区域的孔洞填充连通域,通过所述分类模型,确定所述血肿区域的征象类别的第二分类结果。
在一实施例中,由于血肿区域的连通域、血肿区域的孔洞填充连通域和脑部的图像一起作为分类模型的输入,因此分类模型的输入变得更加丰富,从而可以进一步提高分类模型检测的准确率,但是本申请实施例并不限定分类模型的输入的具体类型,还可以包含其他的输入。此时,输入脑部的图像可以在分类模型检测的过程中为血肿区域的连通域和血肿区域的孔洞填充连通域提供信息增强,或者说引入先验信息。同时,将血肿区域的孔洞填充连通域输入到分类模型中可以起到提高输入信噪比的作用。
当然,当血肿区域的连通域和血肿区域的孔洞填充连通域作为分类模型的输入时,可以对血肿区域的连通域和血肿区域的孔洞填充连通域先进行掩模操作,以获得血肿连通域掩模和血肿孔洞填充连通域掩模,再将该血肿连通域掩模和血肿孔洞填充连通域掩模输入到分类模型中与脑部的图像一起进行检测。
在另一实施例中,血肿区域的孔洞填充连通域经过掩模操作后,孔洞的图像值与血肿区域的连通域的图像值相同,都为1,而背景的图像值都为0,从而将孔洞与背景区分开来,以提高分类模型检测的准确率。
综上所述,分类模型的输入可以仅为血肿区域的连通域、也可以为血肿区域的连通域和脑部的图像,也可以血肿区域的连通域和血肿区域的孔洞填充连通域,还可以为血肿区域的连通域、脑部的图像和血肿区域的孔洞填充连通域,本申请实施例并不对此进行限定。但是,输入的不同,也会使分类模型检测的准确率不同,当输入为血肿区域的连通域、脑部的图像和血肿区域的孔洞填充连通域时,检测的准确率最高,当输入为血肿区域的连通域时,检测的准确率最低,而输入为血肿区域的连通域和脑部的图像的检测的准确率高于输入为血肿区域的连通域和血肿区域的孔洞填充连通域的检测的准确率。
在本申请另一实施例中,所述根据所述血肿区域的征象类别的第二分类结果,通过网络模型,识别所述血肿区域的易扩张性,包括:根据所述包含脑部的血肿区域的图像和所述血肿区域的征象类别的第二分类结果,通过所述网络模型,识别所述血肿区域的易扩张性。
在一实施例中,包含脑部的血肿区域的图像和血肿区域的征象类别的第二分类结果可以一起输入到网络模型中,但是本申请实施例并不限定网络模型的输入的具体类型,还可以包含其他的输入。此时,在网络模型对包含脑部的血肿区域的图像进行检测识别时,可以根据血肿区域的征象类别的第二分类结果对包含脑部的血肿区域的图像的各个征象类别进行聚焦性检测,从而进一步提高网络模型的检测识别的准确率。
在本申请另一实施例中,所述根据所述血肿区域的征象类别的第二分类结果,通过网络模型,识别所述血肿区域的易扩张性,包括:根据所述包含脑部的血肿区域的图像、所述脑部的图像和所述血肿区域的征象类别的第二分类结果,通过所述网络模型,识别所述血肿区域的易扩张性。
在一实施例中,脑部的图像是指通过CT扫描仪对脑部进行扫描后得到的图像,即存在脑血肿的脑部的图像,包含脑部的血肿区域的图像是指对脑部的图像进行分割后获得的脑血肿的图像。包含脑部的血肿区域的图像、脑部的图像和血肿区域的征象类别的第二分类结果可以一起输入到网络模型中,但是本申请实施例并不限定网络模型的输入的具体类型,还可以包含其他的输入。此时,在网络模型对包含脑部的血肿区域的图像和脑部的图像进行检测识别时,可以根据血肿区域的征象类别的第二分类结果对包含脑部的血肿区域的图像的各个征象类别进行聚焦性检测,从而进一步提高网络模型的检测识别的准确率。
另外,输入脑部的图像可以在网络模型检测识别的过程中为包含脑部的血肿区域的图像和血肿区域的征象类别的第二分类结果提供信息增强,或者说引入先验信息。
在本申请另一实施例中,在所述根据包含脑部的血肿区域的图像,通过分类模型,确定所述血肿区域的征象类别的第二分类结果之前,所述方法还包括:根据所述脑部的图像,通过神经网络模型,得到所述包含脑部的血肿区域的图像。
在一实施例中,该神经网络模型可以是全卷积网络(Fully ConvolutionalNetworks,FCN)、SegNet和Deeplab等网络结构中的任一种,该神经网络模型可以是利用多个样本数据对深度学习网络模型进行训练之后得到的,经过训练获得的神经网络模型根据脑部的图像对血肿进行分割,以获得包含脑部的血肿区域的图像。
在本申请另一实施例中,所述根据所述脑部的图像,通过神经网络模型,得到所述包含脑部的血肿区域的图像,包括:根据所述脑部的图像,通过所述神经网络模型,得到包含脑部的初始血肿区域的图像;利用条件随机场算法对所述包含脑部的初始血肿区域的图像进行后处理,获得所述包含脑部的血肿区域的图像。
在一实施例中,脑部的图像经过神经网络模型的分割后,可以获得包含脑部的初始血肿区域的图像,利用神经网络模型进行血肿区域的分割,相比传统的基于浅层特征(如灰度)的医学图像处理方法,提高了血肿分割的准确性和鲁棒性。但是对于血肿面积较大的脑部的图像,与该包含脑部的初始血肿区域的图像上可能存在分割间断和边缘不连续的现象,所以可以采用条件随机场算法,例如全连接条件随机场(Full Connected/DenseConditional Random Field)模型,对包含脑部的初始血肿区域的图像进行后处理,以获得包含脑部的血肿区域的图像。其中,全连接条件随机场模型不仅考虑到图像的形状、纹理、位置和颜色,还考虑到对比度,即考虑到每个像素与其他所有像素的关系,从而可以实现极大的细化和分割。
在另一实施例中,包含脑部的初始血肿区域的图像可以包括图像矩阵,图像矩阵中各个元素可以用0或1进行表示,包含脑部的初始血肿区域的图像上可能存在分割间断和边缘不连续的区域,与这些区域对应的元素的取值(0或1)可能不准确,通过全连接条件随机场模型对包含脑部的初始血肿区域的图像进行后处理,可以得到边缘连续且清晰的包含脑部的血肿区域的图像。
因此,在分类模型、网络模型与神经网络模型组合使用时构成了生成对抗网络模型(GAN),神经网络模型作为生成器,来生成包含脑部的血肿区域的图像,而分类模型、网络模型共同作为判别器,这提高模型的泛化能力,同时可以减少标注数据的使用,降低了成本。
在本申请另一实施例中,所述血肿区域的征象类别包括混杂密度征象、黑洞征象、漩涡征象、卫星征象以及岛征象中的至少一种。
在一实施例中,血肿扩大标志物均独立预测血肿扩大,可以预测血肿易扩大的征象类别可以包括:混杂密度征象、黑洞征象、漩涡征象、卫星征象以及岛征象中的至少一种,但是本申请实施例并不对此进行具体限定,还可以通过血肿的异质性及不规则性、血肿内低密度灶,各标志物敏感度、特异度、阴性预测值、阳性预测值对血肿是否易扩大进行预测。
在本申请另一实施例中,所述方法还包括:对原始脑部影像进行归一化、去燥处理和/或图像增强处理,获得所述脑部的图像。
在一实施例中,原始脑部影像可以是通过计算机断层扫描摄影(ComputedTomography,CT)、计算机X线摄影(Computed Radiography,CR)、数字化X线摄影(DigitalRadiography,DR)、核磁共振或超声等技术直接获得的影像。但是在拍摄原始脑部影像的过程中,可能会引入噪声,影响图像的清楚准确的显示,所以需要对原始脑部影像进行预处理,例如,可以利用高斯滤波器或中值滤波器去除原始脑部影像中的噪声。
在另一实施例中,图像增强处理可以包括大小调整、裁剪、旋转、归一化以及标准化等,以提高血肿区域的信噪比,这降低了神经网络模型学习的复杂度,提高神经网络模型的收敛能力。在预处理过程中,可以采用其中一种或多种对原始脑部影像进行增强处理,以便于后续的模型检测和分割的过程。图像增强处理可以在去噪处理之前或之后进行。原始脑部影像在经历一些处理或攻击后,例如图像增强和/或去噪处理,可以得到多种副本图像,这些副本图像在经过相同参数的图像归一化处理后能够得到相同形式的标准图像,即脑部的图像。
图4是本申请另一个实施例提供的识别方法的流程示意图。根据图4所示的实施例为本申请的最佳实施例,如图4所示,该方法包括:
S401:对原始脑部影像进行归一化、去燥处理和/或图像增强处理,获得脑部的图像。
S402:根据脑部的图像,通过神经网络模型,得到包含脑部的血肿区域的图像。
S403:将包含脑部的血肿区域的图像进行第一形态学处理,获得分割后的血肿区域的图像。
S404:将分割后的血肿区域的图像进行连通域提取,获得血肿区域的连通域。
S405:对血肿区域的连通域进行第二形态学处理,获得血肿区域的孔洞填充连通域。
S406:根据血肿区域的连通域、脑部的图像和血肿区域的孔洞填充连通域,通过分类模型,确定血肿区域的征象类别的第二分类结果。
S407:根据包含脑部的血肿区域的图像、脑部的图像和血肿区域的征象类别的第二分类结果,通过网络模型,识别所述血肿区域的易扩张性。
本申请实施例中的S401至S407在上述实施例中均有具体的解释说明,对于本申请图4所示的方法中未披露的细节,请参照本申请上述实施例。
图5是本申请一个实施例提供的分类模型的训练方法的流程示意图。利用训练好的分类模型可对任一脑部的图像进行检测,以获得血肿区域的征象类别的分类结果。如图5所示,该训练方法包括:
S501:获取包含脑部的血肿区域的样本图像。
在一实施例中,该包含脑部的血肿区域的样本图像可以指脑部的样本图像(即通过CT扫描仪对脑部进行扫描后得到的存在脑血肿的脑部的样本图像),也可以指血肿区域的样本图像(即对脑部的样本图像进行血肿分割后获得的脑血肿的样本图像),本申请实施例对此并不作具体限定。
在另一实施例中,包含脑部的血肿区域的样本图像是对血肿区域的征象类别进行标记后所获得的图像,具体可以由专业的医护人员进行标记,本申请实施例对此并不作具体限定。同时,本申请实施例也并不限定包含脑部的血肿区域的样本图像的具体个数。
S502:根据所述包含脑部的血肿区域的样本图像,训练预设分类模型,以生成所述分类模型,所述分类模型用于确定所述血肿区域的征象类别。
在一实施例中,预设分类模型可以是机器学习的浅层模型,例如SWM分类器,或线性回归分类器等等,本申请实施例对此并不作具体限定,通过机器学习的浅层模型所获得的分类模型可以实现快速的模型分类,以提高模型分类的效率;预设分类模型也可以是指深度学习的深层模型,例如由卷积神经网络、循环神经网络、深度神经网络等网络结构中的至少一个构成,且这些网络可以以resnet、resnext或densenent等为主干网络,通过深度学习的深层模型所获得的分类模型可以提高模型分类的准确性。本申请实施例对预设分类模型的具体类型并不作具体限定。
在另一实施例中,根据包含脑部的血肿区域的样本图像,基于损失函数(例如,交叉熵损失函数)不断调整预设分类模型,以使预设分类模型不断进行收敛,从而生成训练完成后的分类模型。
由此可见,通过对血肿区域的征象类别进行标记,生成的分类模型可以学习到不同征象类别的各自的特征,从而对任一脑部的图像可以精确地确定出其血肿区域的征象类别。其中,血肿区域的征象类别包括混杂密度征象、黑洞征象、漩涡征象、卫星征象以及岛征象中的至少一种。
在本申请另一实施例中,所述根据所述包含脑部的血肿区域的样本图像,训练预设分类模型,以生成所述分类模型,包括:将所述包含脑部的血肿区域的样本图像进行第一形态学处理,获得分割后的血肿区域的样本图像;将所述分割后的血肿区域的样本图像进行连通域提取,获得所述血肿区域的样本连通域;根据所述血肿区域的样本连通域,训练所述预设分类模型,以生成所述分类模型。
在一实施例中,在提取出血肿区域的样本连通域后,可以将血肿区域的样本连通域直接输入到训练好的预设分类模型中进行训练,以生成分类模型;还可以对血肿区域的样本连通域进行一些其他的形态学操作,来获取血肿区域的样本孔洞填充连通域,再将该血肿区域的样本孔洞填充连通域输入到预设分类模型中进行训练,以生成分类模型,本申请实施例对此并不作具体限定。
当然,血肿区域的样本连通域也可以仅作为训练预设分类模型的一个输入,训练预设分类模型还可以有其他输入,以提高生成的分类模型的检测准确率和鲁棒性,本申请实施例对此并不作具体限定。当血肿区域的连通域作为训练预设分类模型的一个输入时,可以对血肿区域的样本连通域进行掩模操作,以获得血肿样本连通域掩模,再将该血肿样本连通域掩模直接输入到预设分类模型中进行训练。
需要说明的是,本实施例中提到的第一形态学处理、连通域提取、形态学操作和掩模操作的具体实施方式与上述识别方法的实施例中提到的第一形态学处理、连通域提取、形态学操作和掩模操作的具体实施方式相同,在此不再赘述,本实施例中只对与上述识别方法的实施例不同之处进行描述。
在另一实施例中,根据血肿区域的样本连通域,基于损失函数(例如,交叉熵损失函数)不断调整预设分类模型,以使预设分类模型不断进行收敛,从而生成训练完成后的分类模型。
在本申请另一实施例中,所述根据所述包含脑部的血肿区域的样本图像,训练预设分类模型,以生成所述分类模型,包括:根据所述血肿区域的样本连通域和所述脑部的样本图像,训练所述预设分类模型,以生成所述分类模型。
在一实施例中,脑部的样本图像是指通过CT扫描仪对脑部进行扫描后得到的样本图像,即存在脑血肿的脑部的样本图像。血肿区域的样本连通域和脑部的样本图像可以一起输入到预设分类模型中进行训练,以提高生成的分类模型的检测准确率和鲁棒性,但是本申请实施例并不限定训练预设分类模型的输入的具体类型,还可以包含其他的输入。此时,输入脑部的样本图像可以在训练预设分类模型的过程中为血肿区域的样本连通域提供信息增强,或者说引入先验信息。
当然,当血肿区域的样本连通域作为训练预设分类模型的一个输入时,可以对血肿区域的样本连通域先进行掩模操作,以获得血肿样本连通域掩模,再将该血肿样本连通域掩模输入到预设分类模型中与脑部的样本图像一起进行训练。
在本申请另一实施例中,对所述血肿区域的样本连通域进行第二形态学处理,获得所述血肿区域的样本孔洞填充连通域。
需要说明的是,本实施例中提到的第二形态学处理的具体实施方式与上述识别方法的实施例中提到的第二形态学处理的具体实施方式相同,本实施例中未披露的细节,请参照本申请识别方法的实施例,在此不再赘述。通过第二形态学处理可以将血肿区域的样本连通域中的孔洞再次提取出来,以作为训练预设分类模型的一个输入,从而提高了生成的分类模型的检测准确率和鲁棒性。
在本申请另一实施例中,所述根据所述包含脑部的血肿区域的样本图像,训练预设分类模型,以生成所述分类模型,包括:根据所述血肿区域的样本连通域、所述脑部的样本图像和所述血肿区域的样本孔洞填充连通域,训练所述预设分类模型,以生成所述分类模型。
在一实施例中,血肿区域的样本连通域、血肿区域的样本孔洞填充连通域和脑部的样本图像可以一起输入到预设分类模型中进行训练,由于输入的丰富化,可以进一步提高生成的分类模型的检测准确率和鲁棒性,但是本申请实施例并不限定训练预设分类模型的输入的具体类型,还可以包含其他的输入。此时,输入脑部的样本图像可以在训练预设分类模型的过程中为血肿区域的样本连通域和血肿区域的样本孔洞填充连通域提供信息增强,或者说引入先验信息。同时,将血肿区域的样本孔洞填充连通域输入到预设分类模型中进行训练,可以起到提高输入信噪比的作用。
当然,当血肿区域的样本连通域和血肿区域的样本孔洞填充连通域作为训练预设分类模型的输入时,可以对血肿区域的样本连通域和血肿区域的样本孔洞填充连通域先进行掩模操作,以获得血肿样本连通域掩模和血肿样本孔洞填充连通域掩模,再将该血肿样本连通域掩模和血肿样本孔洞填充连通域掩模输入到预设分类模型中与脑部的样本图像一起进行训练。
在另一实施例中,血肿区域的样本孔洞填充连通域经过掩模操作后,孔洞的图像值与血肿区域的样本连通域的图像值相同,都为1,而背景的图像值都为0,从而将孔洞与背景区分开来,以提高生成的分类模型的检测准确率和鲁棒性。
在本申请另一实施例中,所述方法还包括:确定对所述包含脑部的血肿区域的样本图像进行标记后获得的所述血肿区域的第一征象类别数据。
在一实施例中,当对包含脑部的血肿区域的样本图像的血肿区域的征象类别进行标记后,相应的也会获得血肿区域的第一征象类别数据。第一征象类别数据中包括预先标记的征象类别信息。
示例地,血肿区域的第一征象类别数据可以为血肿区域存在的每一种征象的概率值(即,概率向量),例如,存在混杂密度征象的概率值为20%、存在黑洞征象的概率值为40%、存在漩涡征象的概率值为10%、存在卫星征象的概率值为80%、存在岛征象的概率值为50%等等;血肿区域的第一征象类别数据也可以为血肿区域存在征象的概率值(即,单一概率值),例如,存在混杂密度征象、黑洞征象、漩涡征象、卫星征象以及岛征象中的至少一种征象的概率值为60%;血肿区域的第一征象类别数据也可以为血肿区域是否存在每一种征象(即,0和1的矩阵),例如,存在混杂密度征象(标记为1)、存在黑洞征象(标记为1)、不存在漩涡征象(标记为0)、存在卫星征象(标记为1)、不存在岛征象(标记为0)等等;血肿区域的第一征象类别数据还可以为血肿区域是否存在征象(即,0或1),例如,存在混杂密度征象、黑洞征象、漩涡征象、卫星征象以及岛征象中的至少一种征象(标记为1)或不存在征象(标记为0);本申请实施例对血肿区域的第一征象类别数据并不作具体限定。需要说明的是,第一征象类别数据中的第一仅仅是为了与本申请中的其他征象类别数据进行区分而设定,不用于限定本申请。
如图6所示,所述根据所述包含脑部的血肿区域的样本图像,训练预设分类模型,以生成所述分类模型,包括:
S601:将所述血肿区域的样本连通域、所述脑部的样本图像和所述血肿区域的样本孔洞填充连通域输入至所述预设分类模型,得到与所述第一征象类别数据对应的所述血肿区域的第二征象类别数据;
S602:基于所述第一征象类别数据和所述第二征象类别数据,调整所述预设分类模型;
S603:迭代执行上述步骤,获得训练完成后的所述分类模型。
在一实施例中,将血肿区域的样本连通域、脑部的样本图像和血肿区域的样本孔洞填充连通域输入至预设分类模型中后,预设分类模型可以学习之前对包含脑部的血肿区域的样本图像标记的血肿区域的征象类别,并可以得到与第一征象类别数据对应的血肿区域的第二征象类别数据。第二征象类别数据中包括基于预设分类模型确定的征象类别信息。
本申请实施例对第二征象类别数据并不作具体限定,只要第二征象类别数据与第一征象类别数据相对应即可,即,第一征象类别数据是概率向量,那第二征象类别数据也为概率向量;第一征象类别数据是单一概率值,那第二征象类别数据也为单一概率值;第一征象类别数据是0和1的矩阵,那第二征象类别数据也为0和1的矩阵;第一征象类别数据是0或1,那第二征象类别数据也为0或1。需要说明的是,第二征象类别数据中的第二仅仅是为了与本申请中的其他征象类别数据进行区分而设定,不用于限定本申请。
在另一实施例中,可以先确定第一征象类别数据和第二征象类别数据之间的误差值,然后将该误差值反向传播,并基于损失函数(例如,交叉熵损失函数),来不断调整预设分类模型的网络参数,迭代执行上述步骤,直到收敛,此时可以获得训练完成后的分类模型。示例地,第一征象类别数据和第二征象类别数据之间的误差值的具体类型可以根据第一征象类别数据与第二征象类别数据的类型来确定,例如,第一征象类别数据为存在征象的概率值为80%,而第一征象类别数据为存在征象的概率值为60%,那么第一征象类别数据和第二征象类别数据之间的误差值为20%,将20%的误差值反向传播来调整预设分类模型的网络参数。
反向调整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。
在本申请另一实施例中,所述获取包含脑部的血肿区域的样本图像,包括:根据所述脑部的样本图像,通过神经网络模型,得到所述包含脑部的血肿区域的样本图像。
在本申请另一实施例中,所述根据所述脑部的样本图像,通过神经网络模型,得到所述包含脑部的血肿区域的样本图像,包括:根据所述脑部的样本图像,通过所述神经网络模型,得到包含脑部的初始血肿区域的样本图像;利用条件随机场算法对所述包含脑部的初始血肿区域的样本图像进行后处理,获得所述包含脑部的血肿区域的样本图像。
在本申请另一实施例中,所述方法还包括:对原始脑部样本影像进行归一化、去燥处理和/或图像增强处理,得到所述脑部的样本图像。
需要说明的是,上述分类模型的训练方法的实施例中未披露的细节,请参照本申请识别方法的实施例,在此不再赘述。
图7是本申请一个实施例提供的网络模型的训练方法的流程示意图。利用训练好的网络模型可对任一脑部的图像进行检测识别,以识别所述血肿区域的易扩张性。如图7所示,该训练方法包括:
S701:根据包含脑部的血肿区域的样本图像,通过分类模型,确定所述血肿区域的征象类别的第一分类结果。
在一实施例中,该分类模型为通过上述分类模型的训练方法训练获得。根据包含脑部的血肿区域的样本图像,通过训练好的该分类模型,就可以确定血肿区域的征象类别的第一分类结果。
在另一实施例中,血肿区域的征象类别的第一分类结果可以是基于分类模型确定的血肿区域的某一征象的概率值,也可以是基于分类模型确定的血肿区域的各个征象的概率向量,还可以是基于分类模型确定的血肿区域存在某一征象或者血肿区域不存在某一征象的分类结果,本申请实施例对此并不作具体限定。
S702:根据所述第一分类结果和所述包含脑部的血肿区域的样本图像,训练预设网络模型,以生成所述网络模型,所述网络模型用于识别所述血肿区域的易扩张性。
在一实施例中,包含脑部的血肿区域的样本图像和血肿区域的征象类别的第一分类结果可以一起输入到预设网络模型中进行训练,但是本申请实施例并不限定训练预设网络模型的输入的具体类型,还可以包含其他的输入。此时,在预设网络模型对包含脑部的血肿区域的样本图像进行学习时,可以根据血肿区域的征象类别的第一分类结果对包含脑部的血肿区域的样本图像的各个征象类别进行聚焦性学习,从而进一步提高生成的网络模型的检测准确率和鲁棒性。其中,血肿区域的征象类别包括混杂密度征象、黑洞征象、漩涡征象、卫星征象以及岛征象中的至少一种。
在一实施例中,根据第一分类结果和包含脑部的血肿区域的样本图像,基于损失函数(例如,交叉熵损失函数)不断调整预设网络模型,以使预设网络模型不断进行收敛,从而生成训练完成后的网络模型。
在另一实施例中,预设网络模型可以由卷积神经网络、循环神经网络、深度神经网络等网络结构中的至少一个构成,且这些网络可以以resnet、resnext或densenent等为主干网络,本申请实施例对此并不作具体限定。
由此可见,由于血肿区域的征象类别的第一分类结果是通过训练好的分类模型获取到的,且生成的网络模型是在血肿区域的征象类别的第一分类结果的基础上训练得到的,这样可以进一步的提高生成的网络模型的检测准确率和鲁棒性。
在本申请另一实施例中,所述根据所述第一分类结果和所述包含脑部的血肿区域的样本图像,训练预设网络模型,以生成所述网络模型,包括:根据所述第一分类结果、所述包含脑部的血肿区域的样本图像和所述脑部的样本图像,训练所述预设网络模型,以生成所述网络模型。
在一实施例中,脑部的样本图像是指通过CT扫描仪对脑部进行扫描后得到的样本图像,即存在脑血肿的脑部的样本图像,包含脑部的血肿区域的样本图像是指对脑部的样本图像进行分割后获得的脑血肿的样本图像。包含脑部的血肿区域的样本图像、脑部的样本图像和血肿区域的征象类别的第一分类结果可以一起输入到预设网络模型中进行训练,但是本申请实施例并不限定训练预设网络模型的输入的具体类型,还可以包含其他的输入。此时,在预设网络模型对包含脑部的血肿区域的样本图像和脑部的样本图像进行训练学习时,可以根据血肿区域的征象类别的第一分类结果对包含脑部的血肿区域的样本图像的各个征象类别进行聚焦性学习,从而进一步提高生成的网络模型的检测准确率和鲁棒性。
另外,输入脑部的样本图像可以在预设网络模型训练的过程中为包含脑部的血肿区域的样本图像和血肿区域的征象类别的第一分类结果提供信息增强,或者说引入先验信息。
在本申请另一实施例中,确定对所述包含脑部的血肿区域的样本图像进行标记后获得的所述血肿区域的第一征象类别数据。
需要说明的是,本实施例中提到的第一征象类别数据的具体类型和确定第一征象类别数据的具体实施方式与上述分类模型的训练方法的实施例中的第一征象类别数据的具体类型和确定第一征象类别数据的具体实施方式相同,对于本实施例中未披露的细节,请参照本申请分类模型的训练方法的实施例,在此不再赘述。
如图8所示,所述根据所述第一分类结果和所述包含脑部的血肿区域的样本图像,训练预设网络模型,以生成所述网络模型,包括:
S801:将所述第一分类结果、所述包含脑部的血肿区域的样本图像和所述脑部的样本图像输入至所述预设网络模型,得到与所述第一征象类别数据对应的所述血肿区域的第三征象类别数据;
S802:基于所述第一征象类别数据和所述第三征象类别数据,调整所述预设网络模型;
S803:迭代执行上述步骤,获得训练完成后的所述网络模型。
需要说明的是,本实施例中提到的训练方法的具体实施方式与上述图6所示实施例中的分类模型的训练方法的具体实施方式相同,对于图8所示实施例中未披露的细节,请参照本申请图6所示实施例,在此不再赘述。
在一实施例中,第三征象类别数据中包括基于预设网络模型确定的征象类别信息。第三征象类别数据中的第三仅仅是为了与本申请中的其他征象类别数据进行区分而设定,不用于限定本申请。
在另一实施例中,可以先确定第一征象类别数据和第三征象类别数据之间的误差值,然后将该误差值反向传播,并基于损失函数(例如,交叉熵损失函数),来不断调整预设网络模型的网络参数,迭代执行上述步骤,直到收敛,此时可以获得训练完成后的网络模型。
在本申请另一实施例中,所述训练方法还包括:获取所述包含脑部的血肿区域的样本图像。
在本申请另一实施例中,所述获取所述包含脑部的血肿区域的样本图像,包括:根据所述脑部的样本图像,通过神经网络模型,得到所述包含脑部的血肿区域的样本图像。
在本申请另一实施例中,所述根据所述脑部的样本图像,通过神经网络模型,得到所述包含脑部的血肿区域的样本图像,包括:根据所述脑部的样本图像,通过所述神经网络模型,得到包含脑部的初始血肿区域的样本图像;利用条件随机场算法对所述包含脑部的初始血肿区域的样本图像进行后处理,获得所述包含脑部的血肿区域的样本图像。
在本申请另一实施例中,所述方法还包括:对原始脑部样本影像进行归一化、去燥处理和/或图像增强处理,得到所述脑部的样本图像。
需要说明的是,上述网络模型的训练方法的实施例中未披露的细节,请参照本申请识别方法的实施例,在此不再赘述。
示例性装置
本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图9所示为本申请一个实施例提供的识别装置的框图。如图9所示,该装置900包括:
第二分类模块910,配置为根据包含脑部的血肿区域的图像,通过分类模型,确定所述血肿区域的征象类别的第二分类结果;
识别模块920,配置为根据所述第二分类结果,通过网络模型,识别所述血肿区域的易扩张性。
在一个实施例中,所述识别装置900还包括:用于执行上述实施例提及的识别方法中的各个步骤的模块。
图10所示为本申请一个实施例提供的分类模型的训练装置的框图。如图10所示,该装置1000包括:
获取模块1010,配置为获取包含脑部的血肿区域的样本图像;
第一训练模块1020,配置为根据所述包含脑部的血肿区域的样本图像,训练预设分类模型,以生成所述分类模型,所述分类模型用于确定所述血肿区域的征象类别。
在一个实施例中,所述训练装置1000还包括:用于执行上述实施例提及的分类模型的训练方法中的各个步骤的模块。
图11所示为本申请一个实施例提供的网络模型的训练装置的框图。如图11所示,该装置1100包括:
第一分类模块1110,配置为根据包含脑部的血肿区域的样本图像,通过分类模型,确定所述血肿区域的征象类别的第一分类结果;
第二训练模块1120,配置为根据所述第一分类结果和所述包含脑部的血肿区域的样本图像,训练预设网络模型,以生成所述网络模型,所述网络模型用于识别所述血肿区域的易扩张性。
在一个实施例中,所述训练装置1100还包括:用于执行上述实施例提及的网络模型的训练方法中的各个步骤的模块。
示例性电子设备
下面,参考图12来描述根据本申请实施例的电子设备。图12图示了根据本申请实施例的电子设备的框图。
如图12所示,电子设备1200包括一个或多个处理器1210和存储器1220。
处理器1210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1200中的其他组件以执行期望的功能。
存储器1220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1210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识别方法、分类模型的训练方法、网络模型的训练方法以及/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输入信号、信号分量、噪声分量等各种内容。
在一个示例中,电子设备1200还可以包括:输入装置1230和输出装置1240,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。
例如,该输入装置1230可以是上述的麦克风或麦克风阵列,用于捕捉声源的输入信号。在该电子设备是单机设备时,该输入装置1230可以是通信网络连接器。
此外,该输入设备1230还可以包括例如键盘、鼠标等等。
该输出装置1240可以向外部输出各种信息,包括确定出的征象类别信息等。该输出设备1240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12中仅示出了该电子设备1200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1200还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
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“示例性方法”部分中描述的根据本申请各种实施例的识别方法、分类模型的训练方法、网络模型的训练方法中的步骤。
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“示例性方法”部分中描述的根据本申请各种实施例的识别方法、分类模型的训练方法、网络模型的训练方法中的步骤。
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。
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 (13)
1.一种分类模型的训练方法,其特征在于,包括:
获取包含脑部的血肿区域的样本图像;
将所述包含脑部的血肿区域的样本图像进行第一形态学处理,获得分割后的血肿区域的样本图像;
将所述分割后的血肿区域的样本图像进行连通域提取,获得所述血肿区域的样本连通域;
对所述血肿区域的样本连通域进行第二形态学处理,获得所述血肿区域的样本孔洞填充连通域;
根据所述血肿区域的样本连通域和所述血肿区域的样本孔洞填充连通域,训练预设分类模型,以生成所述分类模型,所述分类模型用于确定所述血肿区域的征象类别。
2.根据权利要求1所述的训练方法,其特征在于,所述根据所述血肿区域的样本连通域和所述血肿区域的样本孔洞填充连通域,训练预设分类模型,以生成所述分类模型,包括:
根据所述所述血肿区域的样本连通域、所述血肿区域的样本孔洞填充连通域和脑部的样本图像,训练所述预设分类模型,以生成所述分类模型,所述包含脑部的血肿区域的样本图像为对所述脑部的样本图像分割得到的。
3.根据权利要求2所述的训练方法,其特征在于,还包括:
确定对所述包含脑部的血肿区域的样本图像进行标记后获得的所述血肿区域的第一征象类别数据,
其中,所述根据所述血肿区域的样本连通域、所述血肿区域的样本孔洞填充连通域和所述脑部的样本图像,训练预设分类模型,以生成所述分类模型,包括:
将所述血肿区域的样本连通域、所述脑部的样本图像和所述血肿区域的样本孔洞填充连通域输入至所述预设分类模型,得到与所述第一征象类别数据对应的所述血肿区域的第二征象类别数据;
基于所述第一征象类别数据和所述第二征象类别数据,调整所述预设分类模型;
迭代执行上述步骤,获得训练完成后的所述分类模型。
4.一种网络模型的训练方法,其特征在于,包括:
根据包含脑部的血肿区域的样本图像,通过分类模型,确定所述血肿区域的征象类别的第一分类结果,所述分类模型为通过权利要求1-3中任一项所述的分类模型的训练方法训练获得;
根据所述第一分类结果和所述包含脑部的血肿区域的样本图像,训练预设网络模型,以生成所述网络模型,所述网络模型用于识别所述血肿区域的易扩张性。
5.根据权利要求4所述的训练方法,其特征在于,所述根据所述第一分类结果和所述包含脑部的血肿区域的样本图像,训练预设网络模型,以生成所述网络模型,包括:
根据所述第一分类结果、所述包含脑部的血肿区域的样本图像和脑部的样本图像,训练所述预设网络模型,以生成所述网络模型,所述包含脑部的血肿区域的样本图像为对所述脑部的样本图像分割得到的。
6.根据权利要求5所述的训练方法,其特征在于,还包括:
确定对所述包含脑部的血肿区域的样本图像进行标记后获得的所述血肿区域的第一征象类别数据,
其中,所述根据所述第一分类结果和所述包含脑部的血肿区域的样本图像,训练预设网络模型,以生成所述网络模型,包括:
将所述第一分类结果、所述包含脑部的血肿区域的样本图像和所述脑部的样本图像输入至所述预设网络模型,得到与所述第一征象类别数据对应的所述血肿区域的第三征象类别数据;
基于所述第一征象类别数据和所述第三征象类别数据,调整所述预设网络模型;
迭代执行上述步骤,获得训练完成后的所述网络模型。
7.一种识别方法,其特征在于,包括:
根据包含脑部的血肿区域的图像,通过分类模型,确定所述血肿区域的征象类别的第二分类结果,所述分类模型为通过权利要求1-3中任一项所述的分类模型的训练方法训练获得;
根据所述第二分类结果,通过网络模型,识别所述血肿区域的易扩张性。
8.根据权利要求7所述的方法,其特征在于,在所述根据包含脑部的血肿区域的图像,通过分类模型,确定所述血肿区域的征象类别的第二分类结果之前,所述方法还包括:
根据所述脑部的图像,通过神经网络模型,得到包含脑部的初始血肿区域的图像;
利用条件随机场算法对所述包含脑部的初始血肿区域的图像进行后处理,获得所述包含脑部的血肿区域的图像。
9.根据权利要求7或8所述的方法,其特征在于,所述血肿区域的征象类别包括混杂密度征象、黑洞征象、漩涡征象、卫星征象以及岛征象中的至少一种。
10.一种分类模型的训练装置,其特征在于,包括:
获取模块,配置为获取包含脑部的血肿区域的样本图像;将所述包含脑部的血肿区域的样本图像进行第一形态学处理,获得分割后的血肿区域的样本图像;将所述分割后的血肿区域的样本图像进行连通域提取,获得所述血肿区域的样本连通域;对所述血肿区域的样本连通域进行第二形态学处理,获得所述血肿区域的样本孔洞填充连通域;
第一训练模块,配置为根据所述血肿区域的样本连通域和所述血肿区域的样本孔洞填充连通域,训练预设分类模型,以生成所述分类模型,所述分类模型用于确定所述血肿区域的征象类别。
11.一种网络模型的训练装置,其特征在于,包括:
第一分类模块,配置为根据包含脑部的血肿区域的样本图像,通过分类模型,确定所述血肿区域的征象类别的第一分类结果,所述分类模型为通过权利要求10所述的分类模型的训练装置训练获得;
第二训练模块,配置为根据所述第一分类结果和所述包含脑部的血肿区域的样本图像,训练预设网络模型,以生成所述网络模型,所述网络模型用于识别所述血肿区域的易扩张性。
12.一种识别装置,其特征在于,包括:
第二分类模块,配置为根据包含脑部的血肿区域的图像,通过分类模型,确定所述血肿区域的征象类别的第二分类结果,所述分类模型为通过权利要求10所述的分类模型的训练装置训练获得;
识别模块,配置为根据所述第二分类结果,通过网络模型,识别所述血肿区域的易扩张性。
13.一种电子设备,包括:
处理器,用于执行上述权利要求1至3中任一项所述的分类模型的训练方法,执行上述权利要求4至6中任一项所述的网络模型的训练方法,或者执行上述权利要求7至9中任一项所述的识别方法;
用于存储所述处理器可执行指令的存储器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010223799.6A CN111445456B (zh) | 2020-03-26 | 2020-03-26 | 分类模型、网络模型的训练方法及装置、识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010223799.6A CN111445456B (zh) | 2020-03-26 | 2020-03-26 | 分类模型、网络模型的训练方法及装置、识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111445456A CN111445456A (zh) | 2020-07-24 |
CN111445456B true CN111445456B (zh) | 2023-06-27 |
Family
ID=71652590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010223799.6A Active CN111445456B (zh) | 2020-03-26 | 2020-03-26 | 分类模型、网络模型的训练方法及装置、识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445456B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113349810B (zh) * | 2021-05-27 | 2022-03-01 | 北京安德医智科技有限公司 | 脑出血病灶识别及血肿扩大预测系统及装置 |
CN115187805B (zh) * | 2022-02-22 | 2023-05-05 | 数坤(北京)网络科技股份有限公司 | 一种征象识别方法、装置、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292884A (zh) * | 2017-08-07 | 2017-10-24 | 北京深睿博联科技有限责任公司 | 一种识别mri图像中水肿和血肿的方法及装置 |
CN108830326A (zh) * | 2018-06-21 | 2018-11-16 | 河南工业大学 | 一种mri图像的自动分割方法及装置 |
CN109830296A (zh) * | 2018-12-18 | 2019-05-31 | 东软集团股份有限公司 | 数据分类的方法、装置、存储介质及电子设备 |
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 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080292194A1 (en) * | 2005-04-27 | 2008-11-27 | Mark Schmidt | Method and System for Automatic Detection and Segmentation of Tumors and Associated Edema (Swelling) in Magnetic Resonance (Mri) Images |
CN106780453A (zh) * | 2016-12-07 | 2017-05-31 | 电子科技大学 | 一种基于深度信任网络实现对脑肿瘤分割的方法 |
CN107506579B (zh) * | 2017-08-14 | 2020-03-10 | 西南大学 | 基于集成学习的脑出血预测模型建立方法及系统 |
CN107730507A (zh) * | 2017-08-23 | 2018-02-23 | 成都信息工程大学 | 一种基于深度学习的病变区域自动分割方法 |
CN109886933B (zh) * | 2019-01-25 | 2021-11-02 | 腾讯科技(深圳)有限公司 | 一种医学图像识别方法、装置和存储介质 |
-
2020
- 2020-03-26 CN CN202010223799.6A patent/CN111445456B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292884A (zh) * | 2017-08-07 | 2017-10-24 | 北京深睿博联科技有限责任公司 | 一种识别mri图像中水肿和血肿的方法及装置 |
CN108830326A (zh) * | 2018-06-21 | 2018-11-16 | 河南工业大学 | 一种mri图像的自动分割方法及装置 |
CN109830296A (zh) * | 2018-12-18 | 2019-05-31 | 东软集团股份有限公司 | 数据分类的方法、装置、存储介质及电子设备 |
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 |
Non-Patent Citations (2)
Title |
---|
基于WRN-PPNet的多模态MRI脑肿瘤全自动分割;朱婷;王瑜;肖洪兵;邢素霞;;计算机工程(第12期);全文 * |
多模态3D卷积神经网络脑部胶质瘤分割方法;谷宇;吕晓琪;李菁;任国印;喻大华;赵瑛;吴凉;张文莉;郝小静;黄显武;;科学技术与工程(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111445456A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11922626B2 (en) | Systems and methods for automatic detection and quantification of pathology using dynamic feature classification | |
CN109919928B (zh) | 医学影像的检测方法、装置和存储介质 | |
CN111899245B (zh) | 图像分割、模型的训练方法及装置,电子设备及存储介质 | |
CN110136103B (zh) | 医学影像解释方法、装置、计算机设备及存储介质 | |
US11151721B2 (en) | System and method for automatic detection, localization, and semantic segmentation of anatomical objects | |
CN111784671B (zh) | 基于多尺度深度学习的病理图像病灶区域检测方法 | |
Choi et al. | Boosting proximal dental caries detection via combination of variational methods and convolutional neural network | |
CN109087703B (zh) | 基于深度卷积神经网络的腹腔ct图像腹膜转移标记方法 | |
Xu et al. | Look, investigate, and classify: a deep hybrid attention method for breast cancer classification | |
Huang et al. | Lesion-based contrastive learning for diabetic retinopathy grading from fundus images | |
CN111445457B (zh) | 网络模型的训练方法及装置、识别方法及装置、电子设备 | |
EP3975117A1 (en) | Image segmentation method and apparatus, and training method and apparatus for image segmentation model | |
CN111445456B (zh) | 分类模型、网络模型的训练方法及装置、识别方法及装置 | |
CN113256672B (zh) | 图像处理方法及装置,模型的训练方法及装置,电子设备 | |
Chen et al. | Automatic whole slide pathology image diagnosis framework via unit stochastic selection and attention fusion | |
Zhao et al. | BASCNet: Bilateral adaptive spatial and channel attention network for breast density classification in the mammogram | |
CN113240699B (zh) | 图像处理方法及装置,模型的训练方法及装置,电子设备 | |
CN115100494A (zh) | 一种病灶图像的识别方法、装置、设备及可读存储介质 | |
Iqbal et al. | AD-CAM: Enhancing interpretability of convolutional neural networks with a lightweight framework-from black box to glass box | |
CN111507950B (zh) | 图像分割的方法和装置、电子设备及计算机可读存储介质 | |
Del Amor et al. | Labeling confidence for uncertainty-aware histology image classification | |
JP7352261B2 (ja) | 学習装置、学習方法、プログラム、学習済みモデルおよび骨転移検出装置 | |
Kavitha et al. | Brain tumour segmentation and detection using modified region growing and genetic algorithm in MRI images | |
Mohamed Ben Ali | Edge-based segmentation using robust evolutionary algorithm applied to medical images | |
KR102436351B1 (ko) | Ct 스캔 영상에서 딥러닝에 기반한 간 종양 검출 방법 및 장치 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085 Applicant after: Tuxiang Medical Technology Co.,Ltd. Address before: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085 Applicant before: INFERVISION |
|
GR01 | Patent grant | ||
GR01 | Patent grant |