CN111523593A - 用于分析医学影像的方法和装置 - Google Patents
用于分析医学影像的方法和装置 Download PDFInfo
- Publication number
- CN111523593A CN111523593A CN202010321817.4A CN202010321817A CN111523593A CN 111523593 A CN111523593 A CN 111523593A CN 202010321817 A CN202010321817 A CN 202010321817A CN 111523593 A CN111523593 A CN 111523593A
- Authority
- CN
- China
- Prior art keywords
- weight vector
- medical image
- scene
- image data
- data set
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了用于分析医学影像的方法和装置,该方法的一具体实施方式包括:获取医学影像数据;利用训练得到的深度网络模型对医学影像数据进行预测,输出医学影像数据属于不同预设类别的概率值,其中,深度网络模型采用多个场景的人员的以下医学数据训练得到:医学影像数据和身体健康状况信息;基于学习得到的权值向量,对医学影像数据属于预设类别的概率值进行加权,其中,权值向量基于场景的敏感性与特异性的优化目标学习得到;基于加权后的概率值,确定医学影像的所属的预设类别。该实施方式从侧面抑制模型非鲁棒性特征的干扰,间接增强模型的泛化能力。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及计算机网络技术领域,尤其涉及用于分析医学影像的方法和装置。
背景技术
在智能诊断的技术研发过程中,随着现今数据与算力的不断积累发展,深度模型由于其高性能、高效率、端到端等明显优点而被不断地研究与应用。
在使用特定的数据来训练参数计算的深度模型时,往往会遇到以下问题:模型的性能依赖于数据独立同分布的假设,而由于数据的采样方式有可能存在不同,所以模型的训练数据和真实应用场景的数据分布会存在一定程度的差异,其在外部主要表现为模型会因实际场景环境的差异而产生性能上的波动,在内部主要表现为模型在实际应用过程中受到了特有场景环境内的固有的模型非鲁棒性特征的干扰;在使用同一模型进行多场景适配的过程中,场景和场景之间也同样存在数据分布上的差异,比如不同眼底相机机型的成像方式的差异、受不同地域人种的内在眼底结构的影响,模型在不同场景下的性能不同。
在解决上述这两个问题时,一种传统的方法为:从场景内的数据源尽量获取足够的具有代表性的样本加入训练集中进行重新训练,使得模型在训练过程中更易学习到具有强泛化能力的鲁棒特征。
发明内容
本公开的实施例提出了一种用于分析医学影像的方法和装置。
第一方面,本公开的实施例提供了一种用于分析医学影像的方法,该方法包括:获取医学影像数据;利用训练得到的深度网络模型对医学影像数据进行预测,输出医学影像数据属于不同预设类别的概率值,其中,深度网络模型采用多个场景的人员的以下医学数据训练得到:医学影像数据和身体健康状况信息;基于学习得到的权值向量,对医学影像数据属于预设类别的概率值进行加权,其中,权值向量基于场景的敏感性与特异性的优化目标学习得到;基于加权后的概率值,确定医学影像的所属的预设类别。
在一些实施例中,深度网络模型基于以下步骤训练得到:获取多个场景的训练数据集,其中,训练数据集中的训练数据包括人员的以下医学数据:医学影像数据和身体健康状况信息;利用深度学习方法,将多个场景中每个场景的训练数据集中训练数据所包括的人员的医学数据作为预测网络的输入,将输入的医学影像数据所属的预设类别作为预测网络的期望输出,训练得到深度网络模型。
在一些实施例中,获取多个场景的训练数据集,包括:对各个场景的训练数据集中的初始类别训练数据集增加辅助类别训练数据集,生成各个场景扩增后的类别的训练数据集作为各个场景的训练数据集,其中,辅助类别训练数据集通过在初始类别的训练数据集中抽取而得到。
在一些实施例中,权值向量在深度网络模型的训练过程中学习得到,权值向量的学习过程包括:对于多个场景中的每个场景,选取与该场景不同的场景的训练数据集作为该场景的验证数据集;判断当前的权值向量是否满足迭代停止条件,若否,基于针对场景的敏感性与特异性的优化算法,对当前的权值向量进行迭代优化,得到优化后的当前的权值向量,并跳转至判断当前的权值向量是否满足迭代停止条件;若是,则将满足迭代停止条件的当前的权值向量作为学习得到的权值向量;其中,迭代停止条件为:基于优化算法计算得到的数值小于预定阈值;学习得到的权值向量是表征场景的敏感性与特异性的不均衡问题的最优解的权值向量;当前的权值向量与当前场景的验证数据集经预测网络输出的医学影像数据所属的不同预设类别的概率值集合相对应。
在一些实施例中,基于针对场景的敏感性与特异性的优化算法,对当前的权值向量进行迭代优化,得到优化后的当前的权值向量,包括:基于当前的权值向量,对当前场景的验证数据集经预测网络输出的每个医学影像数据所属不同预设类别的概率值进行加权;基于加权后的每个医学影像数据所属不同预设类别的概率值,确定每个医学影像数据所属的预设类别;利用混淆矩阵算法,对每个医学影像数据所属的预设类别进行分析,确定混淆矩阵各个类别的具体样本数,其中,混淆矩阵的类别包括:真阳性、真阴性、假阳性、假阴性;利用敏感性算法和特异性算法,基于混淆矩阵各个类别的具体样本数,计算该场景的真阳性率与该场景的真阴性率;比较真阳性率与真阴性率;基于真阳性率与真阴性率的对比结果,按预设步长对当前的权值向量进行调整,得到优化后的当前的权值向量。
第二方面,本公开的实施例提供了一种用于分析医学影像的装置,该装置包括:医学影像获取单元,被配置成获取医学影像数据;医学影像预测单元,被配置成利用训练得到的深度网络模型对医学影像数据进行预测,输出医学影像数据属于不同预设类别的概率值,其中,深度网络模型采用多个场景的人员的以下医学数据训练得到:医学影像数据和身体健康状况信息;类别概率加权单元,被配置成基于学习得到的权值向量,对医学影像数据属于预设类别的概率值进行加权,其中,权值向量基于场景的敏感性与特异性的优化目标学习得到;医学影像确定单元,被配置成基于加权后的概率值,确定医学影像的所属的预设类别。
在一些实施例中,医学影像预测单元中的深度网络模型基于以下单元训练得到:训练集获取单元,被配置成获取多个场景的训练数据集,其中,训练数据集中的训练数据包括人员的以下医学数据:医学影像数据和身体健康状况信息;深度网络训练单元,被配置成利用深度学习方法,将多个场景中每个场景的训练数据集中训练数据所包括的人员的医学数据作为预测网络的输入,将输入的医学影像数据所属的预设类别作为预测网络的期望输出,训练得到深度网络模型。
在一些实施例中,医学影像预测单元中的深度网络模型还基于以下单元训练得到:训练集扩增单元,被配置成对各个场景的训练数据集中的初始类别训练数据集增加辅助类别训练数据集,生成各个场景扩增后的类别的训练数据集作为各个场景的训练数据集,其中,辅助类别训练数据集通过在初始类别的训练数据集中抽取而得到。
在一些实施例中,类别概率加权单元中的权值向量在深度网络模型的训练过程中学习得到,权值向量基于以下单元学习得到:验证数据选取单元,被配置成对于多个场景中的每个场景,选取与该场景不同的场景的训练数据集作为该场景的验证数据集;权值向量优化单元,被配置成判断当前的权值向量是否满足迭代停止条件,若否,基于针对场景的敏感性与特异性的优化算法,对当前的权值向量进行迭代优化,得到优化后的当前的权值向量,并跳转至判断当前的权值向量是否满足迭代停止条件;若是,则将满足迭代停止条件的当前的权值向量作为学习得到的权值向量;其中,迭代停止条件为基于优化算法计算得到的数值小于预定阈值;学习得到的权值向量是表征场景的敏感性与特异性的不均衡问题的最优解的权值向量;当前的权值向量与当前场景的验证数据集经预测网络输出的医学影像数据所属的不同预设类别的概率值集合相对应。
在一些实施例中,权值向量优化单元,包括:概率值加权模块,被配置成基于当前的权值向量,对当前场景的验证数据集经预测网络输出的每个医学影像数据所属不同预设类别的概率值进行加权;预设类别确定模块,被配置成基于加权后的每个医学影像数据所属不同预设类别的概率值,确定每个医学影像数据所属的预设类别;预设类别分析模块,被配置成利用混淆矩阵算法,对每个医学影像数据所属的预设类别进行分析,确定混淆矩阵各个类别的具体样本数,其中,混淆矩阵的类别包括:真阳性、真阴性、假阳性、假阴性;预设类别计算模块,被配置成利用敏感性算法和特异性算法,基于混淆矩阵各个类别的具体样本数,计算该场景的真阳性率与该场景的真阴性率;数值比较模块,被配置成比较真阳性率与真阴性率;权值向量调整模块,被配置成基于真阳性率与真阴性率的对比结果,按预设步长对当前的权值向量进行调整,得到优化后的当前的权值向量。
第三方面,本公开的实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开的实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的实施例提供的用于分析医学影像的方法和装置,采用获取医学影像数据,利用训练得到的深度网络模型对医学影像数据进行预测,输出医学影像数据属于不同预设类别的概率值,基于学习得到的权值向量,对医学影像数据属于预设类别的概率值进行加权,其中,权值向量基于场景的敏感性与特异性的优化目标学习得到,基于加权后的概率值,确定医学影像的所属的预设类别,通过在计算加权向量时考虑多个场景的敏感性与特异性,使经过加权后处理的模型概率值不易受到场景和场景之间分布的干扰,更容易在多个场景下进行后续定制化的适配,通过不同场景之间的约束,自适应学习到的权值向量可以参考不同数据分布从侧面抑制模型非鲁棒性特征的干扰,间接增强模型的泛化能力。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是根据本公开的用于分析医学影像的方法的一个实施例的流程图;
图2是根据本公开的实施例的用于分析医学影像的方法的一个应用场景的示意图;
图3是与执行本公开的用于分析医学影像的方法的后台所对应的前台交互示意界面;
图4是根据本公开的用于分析医学影像的方法的另一个实施例的流程图;
图5是根据本公开的日志采集装置的一个实施例的结构示意图;
图6是适于用来实现本公开的实施例的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的用于分析医学影像的方法的一个实施例的流程100。该用于分析医学影像的方法,包括以下步骤:
步骤101,获取医学影像数据。
在本实施例中,医学影像数据是指受诊者各种类别的医学影像数据,比如眼底照片等。
步骤102,利用训练得到的深度网络模型对医学影像数据进行预测,输出医学影像数据属于预设类别的概率值。
在本实施例中,基于训练得到的深度网络模型,将医学影像数据输入到预测网络中,得到医学影像数据属于预设类别的概率值,其中,深度网络模型可以是采用多个场景的人员的以下医学数据训练得到:医学影像数据和身体健康状况信息,预设类别为预先设定的具有医学特征的类别,例如疾病类别等。
其中,深度网络模型基于以下步骤训练得到:首先获取多个场景的训练数据集,训练数据集中的训练数据包括人员的以下医学数据:医学影像数据和身体健康状况信息,然后利用深度学习方法,将多个场景中每个场景的训练数据集中训练数据所包括的人员的医学数据作为预测网络的输入,将输入的医学影像数据所属的预设类别作为预测网络的期望输出,训练得到深度网络模型。深度网络模型基于多个场景的人员的医学数据进行训练,避免在使用同一模型进行多场景适配的过程中,场景和场景之间会存在数据分布上差异而造成场景适配能力低的问题,提升了深度网络模型对于不同场景的适配能力,使深度网络模型在多场景下具有更强的泛化能力。
步骤103,基于学习得到的权值向量,对医学影像数据属于预设类别的概率值进行加权。
在本实施例中,考虑到多场景数据分布不同的问题,采用对模型输出的概率值进行加权的方式来优化模型的预测结果(即医学影像的所属的预设类别)。根据预先学习得到的权值向量,对得到的医学影像数据属于不同预设类别的概率值分别进行加权计算,得到各个加权后的概率值,其中,权值向量可以在深度网络模型的训练过程中作为网络优化函数中的优化参数训练得到。
步骤104,基于加权后的概率值,确定医学影像的所属的预设类别。
在本实施例中,根据各个加权后的概率值,来最终确定对医学影像的健康状况的预测结果,其中预测结果可以是针对某种预设类别的有或无。
需要说明的是,上述加权计算方法是目前广泛研究和应用的公知技术,在此不再赘述。
继续参见图2,本实施例的用于分析医学影像的方法200运行于电子设备201中。当电子设备201获取到眼底照片的各类数据202后,利用训练得到的深度网络模型对眼底照片的各类数据进行预测,输出眼底照片的各类数据属于不同预设类别的概率值203,基于学习得到的权值向量,对医学影像数据属于预设类别的概率值进行加权204,基于加权后的概率值,确定医学影像的所属的预设类别并反馈给受诊人员205,受诊人员收到的信息如图3所示,通常,预设类别可以包括:眼部疾病、头部疾病、皮肤疾病等,其中眼部疾病可以包括:眼球黄斑是否病变,眼球晶体是否混浊,视网膜是否损伤或者视网膜是否脱落等。
本公开的上述实施例提供的用于分析医学影像的方法,采用获取医学影像数据,利用训练得到的深度网络模型对医学影像数据进行预测,输出医学影像数据属于不同预设类别的概率值,基于学习得到的权值向量,对医学影像数据属于预设类别的概率值进行加权,其中,权值向量基于场景的敏感性与特异性的优化目标学习得到,基于加权后的概率值,确定医学影像的所属的预设类别,通过在计算加权向量时考虑多个场景的敏感性与特异性,使经过加权后处理的模型概率值不易受到场景和场景之间分布的干扰,更容易在多个场景下进行后续定制化的适配,通过不同场景之间的约束,自适应学习到的权值向量可以参考不同数据分布从侧面抑制模型非鲁棒性特征的干扰,间接增强模型的泛化能力。
进一步参考图4,其示出了用于分析医学影像的方法的另一个实施例的流程。该分析方法的流程400,包括以下步骤:
步骤401,获取医学影像数据。
步骤402,利用训练得到的深度网络模型对医学影像数据进行预测,输出医学影像数据属于不同预设类别的概率值。
在本实施例中,基于训练得到的深度网络模型,将医学影像数据输入到预测网络中,得到医学影像数据属于不同预设类别的概率值,其中,深度网络模型可以是采用多个场景的人员的以下医学数据训练得到:医学影像数据和身体健康状况信息。这里的多个场景可以根据不同拍摄设备、不同人种或不同人员的特征(比如年龄、性别等)相结合而得到,医学影像数据例如眼底照片、身体X光照片、B超影像、电子计算机断层CT影像等,身体健康状况信息例如个人体检信息、传统疾病史等。
其中,深度网络模型基于以下步骤训练得到:首先获取多个场景的训练数据集,训练数据集中的训练数据包括人员的以下医学数据:医学影像数据和身体健康状况信息,然后对各个场景的训练数据集中的初始类别训练数据集增加辅助类别训练数据集,生成各个场景扩增后的类别的训练数据集作为各个场景的训练数据集,辅助类别训练数据集通过在初始类别的训练数据集中抽取而得到,最后利用深度学习方法,将多个场景中每个场景的训练数据集中训练数据所包括的人员的医学数据作为预测网络的输入,将输入的医学影像数据所属的预设类别作为预测网络的期望输出,训练得到深度网络模型。
在一个具体实例中,首先获取不同年龄人员的眼底照片,基于现有眼底照片,分别给青年人眼底照片、中年眼底照片、老年眼底照片增加相应的辅助类照片,使青年人眼底照片、中年眼底照片、老年眼底照片中均含有自身的辅助照片,将带辅助照片的各类照片作为各个场景的训练数据集。
通过在不额外增加训练数据的基础上,对训练数据集进行扩增,可以从侧面缓和模型对于特殊数据的数量需求,以及减轻对模型训练过程中计算资源的需求,同时可以有效地减小训练数据的类内散度,在不添加额外数据的情况下使得解空间变得更加平滑。
步骤403,基于学习得到的权值向量,对医学影像数据属于预设类别的概率值进行加权。
在本实施例中,根据预先学习得到的权值向量,将权值向量中的每个权值分别与医学影像数据属于预设类别的概率值进行加权计算,得到各个加权后的概率值,其中,权值向量可以基于场景的敏感性与特异性的优化目标学习得到。
通常,权值向量在深度网络模型的训练过程中学习得到,权值向量的学习过程包括:首先根据不同的业务需求选择多个场景,对于多个场景中的每个场景,选取与该场景不同的场景的训练数据集作为该场景的验证数据集,例如不同型号的眼底相机可以组成不同场景的验证集,手持相机是一种,台式相机是另一种,然后对当前的权值向量是否满足迭代停止条件进行判断,若当前的权值向量不满足迭代停止条件,利用针对场景的敏感性与特异性的优化算法,对当前的权值向量进行计算,得到优化后的当前的权值向量,并跳转至判断当前的权值向量是否满足迭代停止条件,若仍为否,则重复上述过程,对当前的权值向量进行迭代优化,直到当前的权值向量满足迭代停止条件,则将满足迭代停止条件的当前的权值向量作为学习得到的权值向量。其中,迭代停止条件为:基于优化算法计算得到的数值小于预定阈值,比如使基于多个场景的敏感性和特异性的比值与1相减后的绝对值无限小,而学习得到的权值向量是表征场景的敏感性与特异性的不均衡问题的最优解的权值向量,当前的权值向量与当前场景的验证数据集经预测网络输出的医学影像数据所属的不同预设类别的概率值集合相对应。
在本实施例的一些可选的实现方式中,基于针对场景的敏感性与特异性的优化算法,对当前的权值向量进行迭代优化,得到优化后的当前的权值向量,包括:基于当前的权值向量,对当前场景的验证数据集经预测网络输出的每个医学影像数据所属不同预设类别的概率值进行加权;基于加权后的每个医学影像数据所属不同预设类别的概率值,确定每个医学影像数据所属的预设类别;利用混淆矩阵算法,对每个医学影像数据所属的预设类别进行分析,确定混淆矩阵各个类别的具体样本数,其中,混淆矩阵的类别包括:真阳性、真阴性、假阳性、假阴性;利用敏感性算法和特异性算法,基于混淆矩阵各个类别的具体样本数,计算该场景的真阳性率与该场景的真阴性率;比较真阳性率与真阴性率;基于真阳性率与真阴性率的对比结果,按预设步长对当前的权值向量进行调整,得到优化后的当前的权值向量,例如基于对比结果,按恒定的步长对优化后的权值向量进行增减操作,主要表现为:如果真阴性率(特异性)低,则增加阳性样本的权重,如果真阳性率(敏感性)低,则增加阴性样本的权重。在计算加权向量时,由于考虑了多场景的敏感性和特异性,所以经过加权后处理的模型概率值更不容易受到场景和场景之间分布的干扰,更容易在多个场景下进行后续定制化的适配。
在一个具体示例中,场景的敏感性与特异性的优化算法基于部分可观测混淆矩阵引导的启发式算法得到,优化算法公式为:
∑k j=1|1-Sens(w*probj,gtj)/Spec(w*probj,gtj)|
其中,w表示学习得到的权值向量,w=[w0,w1,w2,…wn],0<wi<n,(i=1,2,…,n),n表示验证数据集的类别总数;w*prob为权值向量w和预测的概率值prob的按位乘,表示通过加权重新对模型的输出结果进行调整后的概率值;gtj为第j个验证数据集的标签;Sens(w*prob(xj),gtj)与Spec(w*prob(xj),gtj)表示进行概率值加权后的预测结果所计算出的某第j个验证数据集上的敏感性与特异性。
迭代优化的实现过程主要包含两个步骤:步骤一为参数初始化,步骤二为权值向量的寻优迭代过程。在步骤一中,最初的权值向量被初始化为全1向量,且权值调整步长为一个基准值0.01。此外,在步骤一中设置了最大迭代次数,以及收敛阈值。步骤二是一个循环寻优的过程,在此过程中,如果循环次数大于最大迭代次数,或者前后两次循环时的优化目标值相差不超过收敛阈值时,则认为寻优算法找到了最优权值参数向量w。在步骤二的每一次迭代过程中,我们将现有的权值向量带入验证集的概率-标签对进行指标计算,计算得出本发明中所定义的目标函数值,并根据混淆矩阵进行权值向量的调整,使得下一次迭代过程中所计算出的目标函数值能够尽量优于本次迭代所得出的值。对于上述的权重向量的调整,主要的方式为:如果敏感性低于特异性,则增加权重向量第1维度的权值;如果敏感性高于特异性且混淆矩阵中原类误判为阳性类的数量低于辅助类误判为阳性类的数量,则相应增加权重向量第0维度的权值,此外则增加权重向量第2维度的权值。
步骤404,基于加权后的概率值,确定医学影像的所属的预设类别。
在本实施例中,步骤401和404的具体操作与图1所示的实施例中的步骤101和104的操作基本相同,在此不再赘述。
从图4中可以看出,与图1对应的实施例相比,本实施例中的用于分析医学影像的方法的流程400采用对各个场景的训练数据集中的初始类别训练数据集增加辅助类别训练数据集,生成各个场景扩增后的类别的训练数据集作为各个场景的训练数据集,辅助类别训练数据集通过在初始类别的训练数据集中抽取而得到,通过在不额外增加训练数据的基础上,对训练数据集进行扩增,有效地减小训练数据的类内散度,在不添加额外数据的情况下使得解空间变得更加平滑,从而方便模型有效收敛,同时也可以从侧面缓和模型对于特殊数据的数量需求,以及减轻对模型训练过程中计算资源的需求,保证在训练过程中更易学习到具有强泛化能力的特征,在真实场景内具有更稳定的性能;基于学习得到的权值向量,对医学影像数据属于预设类别的概率值进行加权,基于多场景的验证数据集对权值向量进行迭代寻优,获得实用于多场景的更加全面精准的权值向量。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于分析医学影像的装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于分析医学影像的装置500包括:医学影像获取单元501、医学影像预测单元502、类别概率加权单元503和医学影像确定单元504。其中,医学影像获取单元,被配置成获取医学影像数据;医学影像预测单元,被配置成利用训练得到的深度网络模型对医学影像数据进行预测,输出医学影像数据属于不同预设类别的概率值,其中,深度网络模型采用多个场景的人员的以下医学数据训练得到:医学影像数据和身体健康状况信息;类别概率加权单元,被配置成基于学习得到的权值向量,对医学影像数据属于预设类别的概率值进行加权,其中,权值向量基于场景的敏感性与特异性的优化目标学习得到;医学影像确定单元,被配置成基于加权后的概率值,确定医学影像的所属的预设类别。
在本实施例中,用于分析医学影像的装置500的医学影像获取单元501、医学影像预测单元502、类别概率加权单元503和医学影像确定单元504的具体处理及其所带来的技术效果可分别参考图1对应的实施例中的步骤101到步骤104的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,医学影像预测单元中的深度网络模型基于以下单元训练得到:训练集获取单元,被配置成获取多个场景的训练数据集,其中,训练数据集中的训练数据包括人员的以下医学数据:医学影像数据和身体健康状况信息;深度网络训练单元,被配置成利用深度学习方法,将多个场景中每个场景的训练数据集中训练数据所包括的人员的医学数据作为预测网络的输入,将输入的医学影像数据所属的预设类别作为预测网络的期望输出,训练得到深度网络模型。
在本实施例的一些可选的实现方式中,医学影像预测单元中的深度网络模型还基于以下单元训练得到:训练集扩增单元,被配置成对各个场景的训练数据集中的初始类别训练数据集增加辅助类别训练数据集,生成各个场景扩增后的类别的训练数据集作为各个场景的训练数据集,其中,辅助类别训练数据集通过在初始类别的训练数据集中抽取而得到。
在本实施例的一些可选的实现方式中,类别概率加权单元中的权值向量在深度网络模型的训练过程中学习得到,权值向量基于以下单元学习得到:验证数据选取单元,被配置成对于多个场景中的每个场景,选取与该场景不同的场景的训练数据集作为该场景的验证数据集;权值向量优化单元,被配置成判断当前的权值向量是否满足迭代停止条件,若否,基于针对场景的敏感性与特异性的优化算法,对当前的权值向量进行迭代优化,得到优化后的当前的权值向量,并跳转至判断当前的权值向量是否满足迭代停止条件;若是,则将满足迭代停止条件的当前的权值向量作为学习得到的权值向量;其中,迭代停止条件为:基于优化算法计算得到的数值小于预定阈值;学习得到的权值向量是表征场景的敏感性与特异性的不均衡问题的最优解的权值向量;当前的权值向量与当前场景的验证数据集经预测网络输出的医学影像数据所属的不同预设类别的概率值集合相对应。
在本实施例的一些可选的实现方式中,权值向量优化单元,包括:概率值加权模块,被配置成基于当前的权值向量,对当前场景的验证数据集经预测网络输出的每个医学影像数据所属不同预设类别的概率值进行加权;预设类别确定模块,被配置成基于加权后的每个医学影像数据所属不同预设类别的概率值,确定每个医学影像数据所属的预设类别;预设类别分析模块,被配置成利用混淆矩阵算法,对每个医学影像数据所属的预设类别进行分析,确定混淆矩阵各个类别的具体样本数,其中,混淆矩阵的类别包括:真阳性、真阴性、假阳性、假阴性;预设类别计算模块,被配置成利用敏感性算法和特异性算法,基于混淆矩阵各个类别的具体样本数,计算该场景的真阳性率与该场景的真阴性率;数值比较模块,被配置成比较真阳性率与真阴性率;权值向量调整模块,被配置成基于真阳性率与真阴性率的对比结果,按预设步长对当前的权值向量进行调整,得到优化后的当前的权值向量。
下面参考图6,其示出了适于用来实现本公开的实施例的电子设备600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的实施例的方法中限定的上述功能。
需要说明的是,本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取医学影像数据;利用训练得到的深度网络模型对医学影像数据进行预测,输出医学影像数据属于不同预设类别的概率值,其中,深度网络模型采用多个场景的人员的以下医学数据训练得到:医学影像数据和身体健康状况信息;基于学习得到的权值向量,对医学影像数据属于预设类别的概率值进行加权,其中,权值向量基于场景的敏感性与特异性的优化目标学习得到;基于加权后的概率值,确定医学影像的所属的预设类别。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括医学影像获取单元、医学影像预测单元、类别概率加权单元和医学影像确定单元。这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,医学影像获取单元还可以被描述为“获取医学影像数据的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种用于分析医学影像的方法,所述方法包括:
获取医学影像数据;
利用训练得到的深度网络模型对所述医学影像数据进行预测,输出所述医学影像数据属于不同预设类别的概率值,其中,所述深度网络模型采用多个场景的人员的以下医学数据训练得到:医学影像数据和身体健康状况信息;
基于学习得到的权值向量,对所述医学影像数据属于预设类别的概率值进行加权,其中,所述权值向量基于场景的敏感性与特异性的优化目标学习得到;
基于加权后的概率值,确定所述医学影像的所属的预设类别。
2.根据权利要求1所述的方法,其中,所述深度网络模型基于以下步骤训练得到:
获取多个场景的训练数据集,其中,所述训练数据集中的训练数据包括人员的以下医学数据:医学影像数据和身体健康状况信息;
利用深度学习方法,将多个场景中每个场景的训练数据集中训练数据所包括的人员的医学数据作为预测网络的输入,将所述输入的医学影像数据所属的预设类别作为预测网络的期望输出,训练得到深度网络模型。
3.根据权利要求2所述的方法,其中,所述获取多个场景的训练数据集包括:
对各个场景的训练数据集中的初始类别训练数据集增加辅助类别训练数据集,生成各个场景扩增后的类别的训练数据集作为各个场景的训练数据集,其中,所述辅助类别训练数据集通过在初始类别的训练数据集中抽取而得到。
4.根据权利要求2所述的方法,其中,所述权值向量在深度网络模型的训练过程中学习得到,所述权值向量的学习过程包括:
对于多个场景中的每个场景,选取与该场景不同的场景的训练数据集作为该场景的验证数据集;
判断当前的权值向量是否满足迭代停止条件,若否,基于针对场景的敏感性与特异性的优化算法,对当前的权值向量进行迭代优化,得到优化后的当前的权值向量,并跳转至所述判断当前的权值向量是否满足迭代停止条件;若是,则将满足迭代停止条件的当前的权值向量作为学习得到的权值向量;
其中,所述迭代停止条件为:基于所述优化算法计算得到的数值小于预定阈值;所述学习得到的权值向量是表征场景的敏感性与特异性的不均衡问题的最优解的权值向量;所述当前的权值向量与当前场景的验证数据集经预测网络输出的医学影像数据所属的不同预设类别的概率值集合相对应。
5.根据权利要求4所述的方法,其中,所述基于针对场景的敏感性与特异性的优化算法,对当前的权值向量进行迭代优化,得到优化后的当前的权值向量,包括:
基于当前的权值向量,对当前场景的验证数据集经预测网络输出的每个医学影像数据所属不同预设类别的概率值进行加权;
基于加权后的每个医学影像数据所属不同预设类别的概率值,确定每个医学影像数据所属的预设类别;
利用混淆矩阵算法,对每个医学影像数据所属的预设类别进行分析,确定混淆矩阵各个类别的具体样本数,其中,所述混淆矩阵的类别包括:真阳性、真阴性、假阳性、假阴性;
利用敏感性算法和特异性算法,基于混淆矩阵各个类别的具体样本数,计算该场景的真阳性率与该场景的真阴性率;
比较所述真阳性率与所述真阴性率;
基于所述真阳性率与所述真阴性率的对比结果,按预设步长对所述当前的权值向量进行调整,得到优化后的当前的权值向量。
6.一种用于分析医学影像的装置,其特征在于,所述装置包括:
医学影像获取单元,被配置成获取医学影像数据;
医学影像预测单元,被配置成利用训练得到的深度网络模型对所述医学影像数据进行预测,输出所述医学影像数据属于不同预设类别的概率值,其中,所述深度网络模型采用多个场景的人员的以下医学数据训练得到:医学影像数据和身体健康状况信息;
类别概率加权单元,被配置成基于学习得到的权值向量,对所述医学影像数据属于预设类别的概率值进行加权,其中,所述权值向量基于场景的敏感性与特异性的优化目标学习得到;
医学影像确定单元,被配置成基于加权后的概率值,确定所述医学影像的所属的预设类别。
7.根据权利要求6所述的装置,其中,所述医学影像预测单元中的所述深度网络模型基于以下单元训练得到:
训练集获取单元,被配置成获取多个场景的训练数据集,其中,所述训练数据集中的训练数据包括人员的以下医学数据:医学影像数据和身体健康状况信息;
深度网络训练单元,被配置成利用深度学习方法,将多个场景中每个场景的训练数据集中训练数据所包括的人员的医学数据作为预测网络的输入,将所述输入的医学影像数据所属的预设类别作为预测网络的期望输出,训练得到深度网络模型。
8.根据权利要求7所述的装置,其中,所述医学影像预测单元中的所述深度网络模型还基于以下单元训练得到:
训练集扩增单元,被配置成对各个场景的训练数据集中的初始类别训练数据集增加辅助类别训练数据集,生成各个场景扩增后的类别的训练数据集作为各个场景的训练数据集,其中,所述辅助类别训练数据集通过在初始类别的训练数据集中抽取而得到。
9.根据权利要求6述的装置,其中,所述类别概率加权单元中的所述权值向量在深度网络模型的训练过程中学习得到,所述权值向量基于以下单元学习得到:
验证数据选取单元,被配置成对于多个场景中的每个场景,选取与该场景不同的场景的训练数据集作为该场景的验证数据集;
权值向量优化单元,被配置成判断当前的权值向量是否满足迭代停止条件,若否,基于针对场景的敏感性与特异性的优化算法,对当前的权值向量进行迭代优化,得到优化后的当前的权值向量,并跳转至所述判断当前的权值向量是否满足迭代停止条件;若是,则将满足迭代停止条件的当前的权值向量作为学习得到的权值向量;其中,所述迭代停止条件为:基于所述优化算法计算得到的数值小于预定阈值;所述学习得到的权值向量是表征场景的敏感性与特异性的不均衡问题的最优解的权值向量;所述当前的权值向量与当前场景的验证数据集经预测网络输出的医学影像数据所属的不同预设类别的概率值集合相对应。
10.根据权利要求9所述的方法,其中,所述权值向量优化单元,包括:
概率值加权模块,被配置成基于当前的权值向量,对当前场景的验证数据集经预测网络输出的每个医学影像数据所属不同预设类别的概率值进行加权;
预设类别确定模块,被配置成基于加权后的每个医学影像数据所属不同预设类别的概率值,确定每个医学影像数据所属的预设类别;
预设类别分析模块,被配置成利用混淆矩阵算法,对每个医学影像数据所属的预设类别进行分析,确定混淆矩阵各个类别的具体样本数,其中,所述混淆矩阵的类别包括:真阳性、真阴性、假阳性、假阴性;
预设类别计算模块,被配置成利用敏感性算法和特异性算法,基于混淆矩阵各个类别的具体样本数,计算该场景的真阳性率与该场景的真阴性率;
数值比较模块,被配置成比较所述真阳性率与所述真阴性率;
权值向量调整模块,被配置成基于所述真阳性率与所述真阴性率的对比结果,按预设步长对所述当前的权值向量进行调整,得到优化后的当前的权值向量。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010321817.4A CN111523593B (zh) | 2020-04-22 | 2020-04-22 | 用于分析医学影像的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010321817.4A CN111523593B (zh) | 2020-04-22 | 2020-04-22 | 用于分析医学影像的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111523593A true CN111523593A (zh) | 2020-08-11 |
CN111523593B CN111523593B (zh) | 2023-07-21 |
Family
ID=71903978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010321817.4A Active CN111523593B (zh) | 2020-04-22 | 2020-04-22 | 用于分析医学影像的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111523593B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364896A (zh) * | 2020-10-26 | 2021-02-12 | 平安科技(深圳)有限公司 | 基于机器学习的健康信息分布的确定方法及装置 |
CN112631415A (zh) * | 2020-12-31 | 2021-04-09 | Oppo(重庆)智能科技有限公司 | Cpu频率调整方法、装置、电子设备及存储介质 |
CN115578554A (zh) * | 2021-06-21 | 2023-01-06 | 数坤(北京)网络科技股份有限公司 | 一种血管病灶识别方法、装置、电子设备和可读存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980899A (zh) * | 2017-04-01 | 2017-07-25 | 北京昆仑医云科技有限公司 | 预测血管树血管路径上的血流特征的深度学习模型和系统 |
CN107622485A (zh) * | 2017-08-15 | 2018-01-23 | 中国科学院深圳先进技术研究院 | 一种融合深度张量神经网络的医学影像数据分析方法和系统 |
CN107680088A (zh) * | 2017-09-30 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
CN109767440A (zh) * | 2019-01-11 | 2019-05-17 | 南京信息工程大学 | 一种面向深度学习模型训练和学习的影像图像数据扩充方法 |
US20190183366A1 (en) * | 2017-12-20 | 2019-06-20 | International Business Machines Corporation | Automated Extraction of Echocardiograph Measurements from Medical Images |
CN109977905A (zh) * | 2019-04-04 | 2019-07-05 | 北京百度网讯科技有限公司 | 用于处理眼底图像的方法和装置 |
CN110009626A (zh) * | 2019-04-11 | 2019-07-12 | 北京百度网讯科技有限公司 | 用于生成图像的方法和装置 |
CN110021052A (zh) * | 2019-04-11 | 2019-07-16 | 北京百度网讯科技有限公司 | 用于生成眼底图像生成模型的方法和装置 |
CN110136103A (zh) * | 2019-04-24 | 2019-08-16 | 平安科技(深圳)有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
CN110210562A (zh) * | 2019-06-02 | 2019-09-06 | 西安电子科技大学 | 基于深度网络和稀疏Fisher矢量的图像分类方法 |
CN110232719A (zh) * | 2019-06-21 | 2019-09-13 | 腾讯科技(深圳)有限公司 | 一种医学图像的分类方法、模型训练方法和服务器 |
CN110503640A (zh) * | 2018-08-21 | 2019-11-26 | 深圳科亚医疗科技有限公司 | 对医学图像进行分析的装置、系统及计算机可读介质 |
CN110728187A (zh) * | 2019-09-09 | 2020-01-24 | 武汉大学 | 一种基于容错性深度学习的遥感影像场景分类方法 |
CN110853111A (zh) * | 2019-11-05 | 2020-02-28 | 上海杏脉信息科技有限公司 | 医学影像处理系统、模型训练方法及训练装置 |
-
2020
- 2020-04-22 CN CN202010321817.4A patent/CN111523593B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980899A (zh) * | 2017-04-01 | 2017-07-25 | 北京昆仑医云科技有限公司 | 预测血管树血管路径上的血流特征的深度学习模型和系统 |
CN107622485A (zh) * | 2017-08-15 | 2018-01-23 | 中国科学院深圳先进技术研究院 | 一种融合深度张量神经网络的医学影像数据分析方法和系统 |
CN107680088A (zh) * | 2017-09-30 | 2018-02-09 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
US20190183366A1 (en) * | 2017-12-20 | 2019-06-20 | International Business Machines Corporation | Automated Extraction of Echocardiograph Measurements from Medical Images |
CN110503640A (zh) * | 2018-08-21 | 2019-11-26 | 深圳科亚医疗科技有限公司 | 对医学图像进行分析的装置、系统及计算机可读介质 |
CN109767440A (zh) * | 2019-01-11 | 2019-05-17 | 南京信息工程大学 | 一种面向深度学习模型训练和学习的影像图像数据扩充方法 |
CN109977905A (zh) * | 2019-04-04 | 2019-07-05 | 北京百度网讯科技有限公司 | 用于处理眼底图像的方法和装置 |
CN110009626A (zh) * | 2019-04-11 | 2019-07-12 | 北京百度网讯科技有限公司 | 用于生成图像的方法和装置 |
CN110021052A (zh) * | 2019-04-11 | 2019-07-16 | 北京百度网讯科技有限公司 | 用于生成眼底图像生成模型的方法和装置 |
CN110136103A (zh) * | 2019-04-24 | 2019-08-16 | 平安科技(深圳)有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
CN110210562A (zh) * | 2019-06-02 | 2019-09-06 | 西安电子科技大学 | 基于深度网络和稀疏Fisher矢量的图像分类方法 |
CN110232719A (zh) * | 2019-06-21 | 2019-09-13 | 腾讯科技(深圳)有限公司 | 一种医学图像的分类方法、模型训练方法和服务器 |
CN110728187A (zh) * | 2019-09-09 | 2020-01-24 | 武汉大学 | 一种基于容错性深度学习的遥感影像场景分类方法 |
CN110853111A (zh) * | 2019-11-05 | 2020-02-28 | 上海杏脉信息科技有限公司 | 医学影像处理系统、模型训练方法及训练装置 |
Non-Patent Citations (2)
Title |
---|
黄江珊、王秀红: "深度学习在医学图像分析中的应用研究综述", 《图书情报研究》 * |
黄江珊、王秀红: "深度学习在医学图像分析中的应用研究综述", 《图书情报研究》, 5 June 2019 (2019-06-05), pages 92 - 98 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364896A (zh) * | 2020-10-26 | 2021-02-12 | 平安科技(深圳)有限公司 | 基于机器学习的健康信息分布的确定方法及装置 |
WO2021189982A1 (zh) * | 2020-10-26 | 2021-09-30 | 平安科技(深圳)有限公司 | 基于机器学习的健康信息分布的确定方法及装置 |
CN112364896B (zh) * | 2020-10-26 | 2023-10-24 | 平安科技(深圳)有限公司 | 基于机器学习的健康信息分布的确定方法及装置 |
CN112631415A (zh) * | 2020-12-31 | 2021-04-09 | Oppo(重庆)智能科技有限公司 | Cpu频率调整方法、装置、电子设备及存储介质 |
CN115578554A (zh) * | 2021-06-21 | 2023-01-06 | 数坤(北京)网络科技股份有限公司 | 一种血管病灶识别方法、装置、电子设备和可读存储介质 |
CN115578554B (zh) * | 2021-06-21 | 2024-02-02 | 数坤(上海)医疗科技有限公司 | 一种血管病灶识别方法、装置、电子设备和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111523593B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Source-free domain adaptive fundus image segmentation with denoised pseudo-labeling | |
US10482600B2 (en) | Cross-domain image analysis and cross-domain image synthesis using deep image-to-image networks and adversarial networks | |
CN108416324B (zh) | 用于检测活体的方法和装置 | |
Wang et al. | Tripled-uncertainty guided mean teacher model for semi-supervised medical image segmentation | |
CN108520220B (zh) | 模型生成方法和装置 | |
CN111523593B (zh) | 用于分析医学影像的方法和装置 | |
CN112906502A (zh) | 目标检测模型的训练方法、装置、设备以及存储介质 | |
CN108197592B (zh) | 信息获取方法和装置 | |
US11790492B1 (en) | Method of and system for customized image denoising with model interpretations | |
KR20230085125A (ko) | 인공지능 모델을 사용 기관에 특화시키는 학습 방법, 이를 수행하는 장치 | |
US20210406687A1 (en) | Method for predicting attribute of target object based on machine learning and related device | |
Selvan et al. | Uncertainty quantification in medical image segmentation with normalizing flows | |
KR102328198B1 (ko) | 인공신경망을 이용한 장기의 부피 측정 방법 및 그 장치 | |
US20230097391A1 (en) | Image processing method and apparatus, electronic device, computer-readable storage medium, and computer program product | |
US20200311933A1 (en) | Processing fundus images using machine learning models to generate blood-related predictions | |
CN113287149A (zh) | 使用机器学习和解剖向量的医学图像分析 | |
CN114255875B (zh) | 用于评估肾病风险的方法、装置、系统和计算机可读存储介质 | |
CN110517249A (zh) | 超声弹性图像的成像方法、装置、设备及介质 | |
EP4411740A1 (en) | Model construction method and apparatus, device and medium | |
CN112529149A (zh) | 一种数据处理方法及相关装置 | |
CN111161238A (zh) | 图像质量评价方法及装置、电子设备、存储介质 | |
CN111161884A (zh) | 针对不平衡数据的疾病预测方法、装置、设备及介质 | |
CN112488178B (zh) | 网络模型的训练方法及装置、图像处理方法及装置、设备 | |
CN113850796A (zh) | 基于ct数据的肺部疾病识别方法及装置、介质和电子设备 | |
CN112397194B (zh) | 用于生成患者病情归因解释模型的方法、装置和电子设备 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210425 Address after: 100000 Room 220, 2nd Floor, Building 4, No. 1, Shangdi East Road, Haidian District, Beijing Applicant after: Beijing Confucius Health Technology Co.,Ltd. Address before: 100085 Beijing, Haidian District, No. ten on the ground floor, No. 10 Baidu building, layer 2 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |