CN111539480A - 多类别医学图像识别方法及设备 - Google Patents

多类别医学图像识别方法及设备 Download PDF

Info

Publication number
CN111539480A
CN111539480A CN202010343315.1A CN202010343315A CN111539480A CN 111539480 A CN111539480 A CN 111539480A CN 202010343315 A CN202010343315 A CN 202010343315A CN 111539480 A CN111539480 A CN 111539480A
Authority
CN
China
Prior art keywords
classification
medical image
weights
training
model
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
Application number
CN202010343315.1A
Other languages
English (en)
Other versions
CN111539480B (zh
Inventor
刘从新
熊健皓
赵昕
和超
张大磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Eaglevision Medical Technology Co Ltd
Original Assignee
Shanghai Eaglevision Medical Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Eaglevision Medical Technology Co Ltd filed Critical Shanghai Eaglevision Medical Technology Co Ltd
Priority to CN202010343315.1A priority Critical patent/CN111539480B/zh
Publication of CN111539480A publication Critical patent/CN111539480A/zh
Application granted granted Critical
Publication of CN111539480B publication Critical patent/CN111539480B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种多类别医学图像识别方法及设备，其中涉及的模型训练方法包括：获取多个训练数据，所述训练数据包括医学图像及其标签信息；利用所述多个训练数据对机器学习模型进行训练，所述模型包括基干网络和多个分类分支网络，所述多个分类分支网络对应地连接所述基干网络不同深度的特征提取层，其中位于不同深度的特征提取层对所述医学图像提取的特征数据的尺度不相同，所述多个分类分支网络分别配置有对应各个类别的多个权重，所述分类分支网络用于根据所述特征数据输出对应各个类别的逻辑值；根据各个分类分支网络输出的逻辑值以及权重确定分类结果，并根据由分类结果与所述标签信息作为输入的损失函数来优化所述模型的参数。

Description

多类别医学图像识别方法及设备
技术领域
本发明涉及机器学习领域，具体涉及一种多类别医学图像识别方法及设备。
背景技术
随着机器学习、深度学习、计算机视觉和图像识别等人工智能核心技术的突破和发展，通过大量医学标注样本对模型进行训练所获得的诊断模型，在医学场景展示了出色的性能、可信的效果和真实的应用价值。而且，由于深度神经网络(Deep Neural Networks，DNN)具备巨大的参数空间，模型描述能力极强，所以一个模型可以胜任多个识别任务。在医学应用场景中，一个模型可以完成多个病种的识别，多病种诊断模型是医学AI算法的主要形态。
多病种识别可看做多任务识别，或更确切为多标签识别，这些任务在特征的表示上具有共通性，也即某个病种学习到的特征，也可被另个病种利用，知识可以共享。如此既提升了模型的整体性能，同时对一些样本较少的病种，也能比单独训练获得更佳的性能。
但是，现有的用于多任务识别的网络架构是在特征提取后，连接分类模块(包含每个类的分类层)。分类模块获得的特征数据的分辨率相同，比如s×s。然而对于医学图像而言，每个类别(比如病种或者异常类型)在图像上呈现的特征实际上有所不同，比如有些病灶为全局性，有些是局部性的，每个病种都存在一个最合适的特征分辨率，分类模块根据相同分辨率的特征数据进行多任务识别，其分类结果准确性仍有待提高。
发明内容
有鉴于此，本发明提供一种多类别医学图像识别模型训练方法，包括：
获取多个训练数据，所述训练数据包括医学图像及其标签信息；
利用所述多个训练数据对机器学习模型进行训练，所述模型包括基干网络和多个分类分支网络，所述多个分类分支网络对应地连接所述基干网络不同深度的特征提取层，其中位于不同深度的特征提取层对所述医学图像提取的特征数据的尺度不相同，所述多个分类分支网络分别配置有对应各个类别的多个权重，所述分类分支网络用于根据所述特征数据输出对应各个类别的逻辑值；
根据各个分类分支网络输出的逻辑值以及权重确定分类结果，并根据分类结果与所述标签信息的差异优化所述模型的参数。
可选地，根据各个分类分支网络输出的逻辑值以及权重确定分类结果，包括：
计算各个分支网络对于相同类别输出的逻辑值及其权重的乘积之和作为该类别的总逻辑值；
分别通过激活函数将各个类别的总逻辑值转换为各个概率值即所述分类结果。
可选地，所有分类分支网络对应同一类别的权重之和等于1。
可选地，被优化的参数包括所述权重的值。
可选地，训练过程中利用梯度下降法更新所述权重的值。
可选地，所述模型包括两个分类分支网络，每次通过梯度下降调整后，按照如下方式增加调整权重的值：wi＝max(0,min(wi,1)),其中，wi表示对应第i个类别的权重。
可选地，所述模型包括至少三个分类分支网络，引入与所述权重对应的参数，通过更新所述参数的值间接地更新所述权重的值；所述参数与所述权重满足如下对应关系：
Figure BDA0002469201880000021
其中，
Figure BDA0002469201880000022
表示第l个分类分支网络配置的对应第i个类别的权重，
Figure BDA0002469201880000023
表示与
Figure BDA0002469201880000024
对应的所述参数，L是分类分支网路个数，
Figure BDA0002469201880000025
代表遍历所有分类分支网络。
本发明还提供一种医学图像识别方法，包括：获取医学图像，利用上述方法训练的机器学习模型对所述医学图像进行识别，得到分类结果。
相应地，本发明提供一种多类别医学图像识别模型训练设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述多类别医学图像识别模型训练方法。
相应地，本发明提供一种医学图像识别设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述医学图像识别方法。
根据本发明提供的多类别医学图像识别模型及其训练方法和设备，模型中每个分类分支输入的特征数据尺度不同，使得不同的类别都能对应到最适合的特征尺度，通过权重来调节，使其它的特征尺度也能贡献一部分分类鉴别信息，最终融合各个分支输出的逻辑向量及其对应的权重得到分类结果，在知识被共享的同时，权重将影响各分支的逻辑值对最终分类结果的作用，通过大量医学图像及其标签对此模型进行训练，能够有效提高识别各种不同分辨率特征的准确性。
本发明提供的医学图像识别方案尤其适合对可能存在局部特征和全局特征的医学图像进行识别，使用上述模型对其进行识别时，模型中每个分类分支输入的特征数据尺度不同，使得有的分支对全局性类别的识别更加准确，而有的分支对局部类别的识别更加准确，融合各个分支输出的逻辑向量及其对应的权重得到分类结果，在知识被共享的同时，权重将影响各分支的逻辑值对最终分类结果的作用，使模型的识别准确性更高。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中提供的一种神经网络的架构图；
图2为本发明实施例中训练神经网络的示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供一种多类别医学图像识别模型训练方法，其中涉及一种神经网络架构(机器学习模型)。如图1所示，该模型包括基干网络11和多个分类分支网络12。本申请所述基干网络是指用于执行图像识别任务的深度神经网络，该网络包括若干卷积层和池化层，用于对图像提取特征(在本领域中也称为特征向量、特征图)，因此也可以称之为特征提取网络。本领域技术人员应当理解，这种基干网络提取到的特征数据具有一定的尺寸，或称为尺度、分辨率等等，一般表示为s×s，s的具体数值与输入图像的尺寸以及卷积层和池化层的输出尺寸大小、选取的窗口大小和步长stride有关。本申请将该网络中能够输出特征数据的层称为特征提取层，该网络中有依次连接的多个特征提取层，其中至少部分位于不同深度的特征提取层提取的特征数据的尺度不相同。比如图1示出的架构中包括三个特征提取层L1、L2和L3，它们输出的特征数据的尺度分别为s1×s1、s2×s2和s3×s3，例如s3为100、s2为50、s1为25。
多个分类分支网络12对应地连接基干网络不同深度的特征提取层，本实施例使用3个分类分支网络，分类分支网络Branch-1连接L1、分类分支网络Branch-2连接L2、分类分支网络Branch-3连接L3。这些分类分支网络中进一步包括若干层，比如全连接层等等。这些分类分支网络用于根据其连接的特征提取网络输出的特征数据输出对应各个类别的逻辑值(logits向量)
Figure BDA0002469201880000041
i表示类别，l表示分类分支网络编号。比如类别数量为n，Branch-1根据尺度为s1×s1的特征数据输出的
Figure BDA0002469201880000042
Branch-2根据尺度为s2×s2的特征数据输出的
Figure BDA0002469201880000043
Branch-3根据尺度为s3×s3的特征数据输出的
Figure BDA0002469201880000044
各个分类分支网络的具体结构可以是相同或者不同的，比如可以根据其连接的特征提取层所提取的特征数据的尺寸进行设置。
本实施例中的各个分类分支网络分别配置有对应各个类别的多个权重
Figure BDA0002469201880000045
i表示类别，l表示分类分支网络编号。比如Branch-1配置的权重
Figure BDA0002469201880000046
分别对应于n个类别，Branch-2配置的权重
Figure BDA0002469201880000047
分别对应于同样的n个类别，Branch-3配置的权重
Figure BDA0002469201880000048
分别对应于同样的n个类别。
本实施例使用训练数据对图1所示的机器学习模型进行训练，训练数据包括医学图像及其标签信息，标签信息用于表示该医学图像所属的类别。以眼底图像为例，类别具体可以是异常类型或者是病种，比如一个眼底图像同时存在糖尿病视网膜病变和青光眼病变，则该眼底图像被配置的标签信息表示其同时属于这两种类别。
医学图像输入模型后，其中的基干网络11进行特征提取、各个分类分支网络12分别计算逻辑值，通过激活函数对逻辑值进行处理可以得到分类结果，激活函数可以是诸如sigmoid等能够输出概率的函数。分类结果用于表示输入的医学图像属于各种类别的概率，可表示为[p1……pn],其含义是输入模型的医学图像属于第1个类别的概率为p1……输入模型的图像属于第n个类别的概率为pn。
根据本实施例的网络结构，由于各个分类分支网络会分别输出对应这n个类别的逻辑值，为了得到最终的分类结果，在利用逻辑值计算分类结果的过程中引入权重
Figure BDA0002469201880000049
来确定对应于各个类别的最终逻辑值
Figure BDA00024692018800000410
即
Figure BDA00024692018800000411
f为某种函数形式。然后激活函数根据
Figure BDA00024692018800000412
计算输入图像属于第i类的概率值pi。
如图2所示，作为示例性的说明，比如
Figure BDA0002469201880000051
即计算各个分支网络对于相同类别输出的逻辑值及其权重的乘积之和作为该类别的总逻辑值(最终逻辑值)，
Figure BDA0002469201880000052
Figure BDA0002469201880000053
然后分别通过激活函数将各个类别的总逻辑值转换为各个概率值得到分类结果，即通过激活函数根据
Figure BDA0002469201880000054
得到该医学图像属于第1个类别的概率为p1、根据
Figure BDA0002469201880000055
得到该医学图像属于第2个类别的概率为p2、……、根据
Figure BDA0002469201880000056
得到该医学图像属于第n个类别的概率为pn,由此得到分类结果[p1……pn]。
进而根据输入为分类结果与标签信息的损失函数来优化模型的参数。通过使用大量训练数据进行训练后即可使该模型具备执行多分类任务的能力。
需要说明的是，计算最终逻辑值
Figure BDA0002469201880000057
的方式并非只有上述相乘并累加这一种计算方式，即
Figure BDA0002469201880000058
与各个权重和逻辑值之间也可以是更复杂或简单的关联关系。而对于上述示例性的计算方式而言，在优选的实施例中配置所有分类分支网络对应同一类别的权重之和等于1，即
Figure BDA0002469201880000059
根据本发明实施例提供的多类别医学图像识别模型及其训练方法，模型中每个分类分支输入的特征数据尺度不同，使得各个分支所适用的类别不相同，最终融合各个分支输出的逻辑向量及其对应的权重得到分类结果，在知识被共享的同时，权重将影响各分支的逻辑值对最终分类结果的作用，通过大量医学图像及其标签对此模型进行训练，能够有效提高识别各种不同分辨率特征的准确性。
关于上述权重，可以根据具体应用场景设定各个分类分支网络的各个权重的值。比如对于全局性特征而言，通过更大尺度的特征数据进行分类会更加准确，那么就图1所示架构而言，可以设置Branch-3中对此类别的权重的值大于另外两个分支中对应此类别权重的值，对于局部特征而言亦然。也即3个分类分支网络对应第i类的权重
Figure BDA00024692018800000510
和
Figure BDA00024692018800000511
可以被事先设定，且具体取值与该分支是否适合用于对此类别进行识别有关。
在一个优选的实施例中，将上述权重作为被优化的参数之一。本实施例中的各分支的各个权重并不是事先设定的，而是作为可学习的参数，在使用大量训练数据进行训练的过程中寻找各个权重的最优值，由此进一步提高模型的性能。
本申请并不限制所使用分类分支网络的数量，关于优化权重的方法，可以根据不同数量的分支提供多种可选的的优化方式。比如对于只有两个分类分支网络的模型而言，训练过程中利用梯度下降法更新各个权重的值，由于模型只有两组权重，则对于第i个类别而言，一个分类分支网络对应该类的权重为
Figure BDA0002469201880000061
则另一个分类分支网络对应该类的权重为
Figure BDA0002469201880000062
考虑到权重的值要在[0,1]之间，所以每一步梯度下降修正权重后，按照如下方式增加调整权重的值：wi＝max(0,min(wi,1))，由此使其处于合理范围。梯度下降算法对初始值很敏感，推荐各个权重的值始化为0.5。
对于包括三个及三个以上的分类分支网络的模型，可引入与权重对应的参数，通过更新参数的值间接地更新权重的值。为了保证权重的值为正数，且满足
Figure BDA0002469201880000063
本实施例采用softmax形式，定义另外一组参数
Figure BDA0002469201880000064
与
Figure BDA0002469201880000065
逐一对应满足：
Figure BDA0002469201880000066
其中，
Figure BDA0002469201880000067
表示第l个分类分支网络配置的对应第i个类别的权重，
Figure BDA0002469201880000068
表示与
Figure BDA0002469201880000069
对应的所述参数，L是分类分支网路个数，
Figure BDA00024692018800000610
代表遍历所有分支网络，分母为所有分支网络的
Figure BDA00024692018800000611
指数和，分子为某分支的指数。如此定义，则满足每个分支的权重
Figure BDA00024692018800000612
为正，且按层加和为1。
训练过程中用梯度下降来求
Figure BDA00024692018800000613
的最优解即可间接地得到
Figure BDA00024692018800000614
的最优解。同样，初始化很重要，推荐将
Figure BDA00024692018800000615
初始化为0.0，相当于所有
Figure BDA00024692018800000616
的初始值相等，为1/L。
模型训练完成后即可用于识别医学图像。本实施例提供一种医学图像识别方法，首先获取医学图像，该图像可以是眼底图像、X光图像、CT图像、病理切片图像等各种医学图像。
利用训练后的包括基干网络和多个分类分支网络的机器学习模型对该医学图像进行识别，即可得到分类结果，表示该图像属于各种类别的概率。
本方案尤其适合对可能存在局部特征和全局特征的医学图像进行识别，比如眼底图像中既可能存在面积较小的出血点这种只有局部特征的类别，又可能存在豹纹状眼底这种具有全局性特征的类别，使用上述模型对其进行识别时，模型中每个分类分支输入的特征数据尺寸不同，使得有的分支对全局性类别的识别更加准确，而有的分支对局部类别的识别更加准确，融合各个分支输出的逻辑向量及其对应的权重得到分类结果，在知识被共享的同时，权重将影响各分支的逻辑值对最终分类结果的作用，使模型的识别准确性更高。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种多类别医学图像识别模型训练方法，其特征在于，包括：
获取多个训练数据，所述训练数据包括医学图像及其标签信息；
利用所述多个训练数据对机器学习模型进行训练，所述模型包括基干网络和多个分类分支网络，所述多个分类分支网络对应地连接所述基干网络不同深度的特征提取层，其中位于不同深度的特征提取层对所述医学图像提取的特征数据的尺度不相同，所述多个分类分支网络分别配置有对应各个类别的多个权重，所述分类分支网络用于根据所述特征数据输出对应各个类别的逻辑值；
根据各个分类分支网络输出的逻辑值以及权重确定分类结果，并根据由分类结果与所述标签信息作为输入的损失函数来优化所述模型的参数。
2.根据权利要求1所述的方法，其特征在于，根据各个分类分支网络输出的逻辑值以及权重确定分类结果，包括：
计算各个分支网络对于相同类别输出的逻辑值及其权重的乘积之和作为该类别的总逻辑值；
分别通过激活函数将各个类别的总逻辑值转换为各个概率值即所述分类结果。
3.根据权利要求1所述的方法，其特征在于，所有分类分支网络对应同一类别的权重之和等于1。
4.根据权利要求1-3中任一项所述的方法，其特征在于，被优化的参数包括所述权重的值。
5.根据权利要求4所述的方法，其特征在于，训练过程中利用梯度下降法更新所述权重的值。
6.根据权利要求5所述的方法，其特征在于，所述模型包括两个分类分支网络，每次通过梯度下降调整后，按照如下方式增加调整权重的值：wi＝max(0,min(wi,1)),其中，wi表示对应第i个类别的权重。
7.根据权利要求5所述的方法，其特征在于，所述模型包括至少三个分类分支网络，引入与所述权重对应的参数，通过更新所述参数的值间接地更新所述权重的值；所述参数与所述权重满足如下对应关系：
Figure FDA0002469201870000021
其中，
Figure FDA0002469201870000023
表示第l个分类分支网络配置的对应第i个类别的权重，
Figure FDA0002469201870000024
表示与
Figure FDA0002469201870000025
对应的所述参数，L是分类分支网路个数，
Figure FDA0002469201870000022
代表遍历所有所述分类分支网络。
8.一种医学图像识别方法，其特征在于，包括：获取医学图像，利用权利要求1-7中任一项所述方法训练的机器学习模型对所述医学图像进行识别，得到分类结果。
9.一种多类别医学图像识别模型训练设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-7中任意一项所述的多类别医学图像识别模型训练方法。
10.一种医学图像识别设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求8所述的医学图像识别方法。
CN202010343315.1A 2020-04-27 2020-04-27 多类别医学图像识别方法及设备 Active CN111539480B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010343315.1A CN111539480B (zh) 2020-04-27 2020-04-27 多类别医学图像识别方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010343315.1A CN111539480B (zh) 2020-04-27 2020-04-27 多类别医学图像识别方法及设备

Publications (2)

Publication Number Publication Date
CN111539480A true CN111539480A (zh) 2020-08-14
CN111539480B CN111539480B (zh) 2023-10-17

Family

ID=71977315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010343315.1A Active CN111539480B (zh) 2020-04-27 2020-04-27 多类别医学图像识别方法及设备

Country Status (1)

Country Link
CN (1) CN111539480B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112116005A (zh) * 2020-09-18 2020-12-22 推想医疗科技股份有限公司 影像分类模型的训练方法及装置、存储介质和电子设备
CN112541550A (zh) * 2020-12-16 2021-03-23 南京掌控网络科技有限公司 一种基于图像分类的冰箱完整性判断方法及电子设备
CN112818853A (zh) * 2021-02-01 2021-05-18 中国第一汽车股份有限公司 一种交通要素识别方法、装置、设备及储存介质
CN113128580A (zh) * 2021-04-12 2021-07-16 天津大学 一种基于多维残差网络的脊柱ct图像识别方法
CN113762304A (zh) * 2020-11-26 2021-12-07 北京京东乾石科技有限公司 图像处理方法、图像处理装置和电子设备
CN115035030A (zh) * 2022-05-07 2022-09-09 北京大学深圳医院 图像识别方法、装置、计算机设备和计算机可读存储介质
WO2023056681A1 (zh) * 2021-10-09 2023-04-13 北京鹰瞳科技发展股份有限公司 一种训练多病种转诊系统的方法、多病种转诊系统以及方法
US11776323B2 (en) 2022-02-15 2023-10-03 Ford Global Technologies, Llc Biometric task network

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019127451A1 (zh) * 2017-12-29 2019-07-04 深圳前海达闼云端智能科技有限公司 图像识别方法及云端系统
CN110909690A (zh) * 2019-11-26 2020-03-24 电子科技大学 一种基于区域生成的遮挡人脸图像检测方法
CN111047590A (zh) * 2019-12-31 2020-04-21 上海鹰瞳医疗科技有限公司 基于眼底图像的高血压分类方法及设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019127451A1 (zh) * 2017-12-29 2019-07-04 深圳前海达闼云端智能科技有限公司 图像识别方法及云端系统
CN110909690A (zh) * 2019-11-26 2020-03-24 电子科技大学 一种基于区域生成的遮挡人脸图像检测方法
CN111047590A (zh) * 2019-12-31 2020-04-21 上海鹰瞳医疗科技有限公司 基于眼底图像的高血压分类方法及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李维嘉;陈爽;张雷;吴正灏;: "基于深度学习图像处理的肺部造影检测研究" *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112116005A (zh) * 2020-09-18 2020-12-22 推想医疗科技股份有限公司 影像分类模型的训练方法及装置、存储介质和电子设备
CN112116005B (zh) * 2020-09-18 2024-01-23 推想医疗科技股份有限公司 影像分类模型的训练方法及装置、存储介质和电子设备
CN113762304A (zh) * 2020-11-26 2021-12-07 北京京东乾石科技有限公司 图像处理方法、图像处理装置和电子设备
CN113762304B (zh) * 2020-11-26 2024-02-06 北京京东乾石科技有限公司 图像处理方法、图像处理装置和电子设备
CN112541550A (zh) * 2020-12-16 2021-03-23 南京掌控网络科技有限公司 一种基于图像分类的冰箱完整性判断方法及电子设备
CN112818853A (zh) * 2021-02-01 2021-05-18 中国第一汽车股份有限公司 一种交通要素识别方法、装置、设备及储存介质
CN112818853B (zh) * 2021-02-01 2022-07-19 中国第一汽车股份有限公司 一种交通要素识别方法、装置、设备及储存介质
CN113128580A (zh) * 2021-04-12 2021-07-16 天津大学 一种基于多维残差网络的脊柱ct图像识别方法
WO2023056681A1 (zh) * 2021-10-09 2023-04-13 北京鹰瞳科技发展股份有限公司 一种训练多病种转诊系统的方法、多病种转诊系统以及方法
US11776323B2 (en) 2022-02-15 2023-10-03 Ford Global Technologies, Llc Biometric task network
CN115035030A (zh) * 2022-05-07 2022-09-09 北京大学深圳医院 图像识别方法、装置、计算机设备和计算机可读存储介质
CN116758392A (zh) * 2022-05-07 2023-09-15 北京大学深圳医院 基于小样本深度学习的超声图像识别方法及设备

Also Published As

Publication number Publication date
CN111539480B (zh) 2023-10-17

Similar Documents

Publication Publication Date Title
CN111539480A (zh) 多类别医学图像识别方法及设备
CN111259982B (zh) 一种基于注意力机制的早产儿视网膜图像分类方法和装置
CN112132817B (zh) 一种混合注意力机制的眼底图像视网膜血管分割方法
CN110647920A (zh) 机器学习中的迁移学习方法及装置、设备与可读介质
CN110490239B (zh) 图像质控网络的训练方法、质量分类方法、装置及设备
CN107169974A (zh) 一种基于多监督全卷积神经网络的图像分割方法
CN111079620B (zh) 基于迁移学习的白细胞图像检测识别模型构建方法及应用
CN110059656B (zh) 基于卷积对抗生成神经网络的白细胞分类方法及系统
CN114998220B (zh) 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法
CN111814832B (zh) 一种目标检测方法、装置及存储介质
CN113111804B (zh) 一种人脸检测的方法、装置、电子设备及存储介质
CN114783021A (zh) 一种口罩佩戴智能检测方法、装置、设备及介质
CN113762265A (zh) 肺炎的分类分割方法及系统
CN115240843A (zh) 基于结构因果模型的公平性预测系统
CN111047590A (zh) 基于眼底图像的高血压分类方法及设备
CN113887458A (zh) 一种训练方法、装置、计算机设备和存储介质
CN111352926A (zh) 数据处理的方法、装置、设备及可读存储介质
CN111783936B (zh) 卷积神经网络构建方法、装置、设备及介质
CN116188501B (zh) 基于多尺度交叉注意力的医学图像分割方法
US20220366242A1 (en) Information processing apparatus, information processing method, and storage medium
CN114155251B (zh) 一种上下文感知卷积神经网络的全脑三维解剖结构分割方法
CN111612021A (zh) 一种错误样本识别方法、装置及终端
CN113723456B (zh) 一种基于无监督机器学习的天文图像自动化分类方法及系统
CN111160219B (zh) 对象完整度评估方法、装置、电子设备及存储介质
CN114120035A (zh) 一种医学影像识别训练方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant