CN111832666A - 医疗影像数据扩增方法、装置、介质及电子设备 - Google Patents
医疗影像数据扩增方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN111832666A CN111832666A CN202010964587.3A CN202010964587A CN111832666A CN 111832666 A CN111832666 A CN 111832666A CN 202010964587 A CN202010964587 A CN 202010964587A CN 111832666 A CN111832666 A CN 111832666A
- Authority
- CN
- China
- Prior art keywords
- data
- medical image
- sample data
- amplification
- image sample
- 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
- 230000003321 amplification Effects 0.000 title claims abstract description 260
- 238000003199 nucleic acid amplification method Methods 0.000 title claims abstract description 260
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000002159 abnormal effect Effects 0.000 claims abstract description 102
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims description 24
- 230000003190 augmentative effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000013434 data augmentation Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 206010056342 Pulmonary mass Diseases 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本公开涉及人工智能领域，应用智慧医疗领域，揭示了一种医疗影像数据扩增方法、装置、介质及电子设备。该方法包括：利用样本数据集中的正常医疗影像样本数据和异常医疗影像样本数据对基础模型进行训练，得到第一模型；从数据扩增策略集合中选取数据扩增策略作为候选数据扩增策略，并利用候选数据扩增策略至少对样本数据集扩增，生成一组样本数据；利用各组样本数据对第一模型进行训练，得到各训练后识别模型；确定各训练后识别模型的性能指标；根据性能指标，在候选数据扩增策略中确定出目标数据扩增策略；利用目标数据扩增策略对样本数据集进行扩增。此方法实现了医疗影像数据的扩增并提高了扩增得到的医疗影像数据的质量。
Description
技术领域
本公开涉及人工智能技术领域，应用智慧医疗领域，特别涉及一种医疗影像数据扩增方法、装置、介质及电子设备。
背景技术
在医疗领域，深度学习模型等机器学习模型应用广泛。然而，这些机器学习模型的训练需要大量的数据，由于患者隐私等因素，医疗影像数据常常难以获得，尤其是真正发生了病灶的患者数量较少，这更增加了医疗影像数据特别是异常医疗影像数据的稀缺性，因此，如何获取充足的医疗影像数据来训练模型已经成为业内亟需解决的难题。
发明内容
在人工智能技术领域，应用智慧医疗领域，为了解决上述技术问题，本公开的目的在于提供一种医疗影像数据扩增方法、装置、介质及电子设备。
根据本公开的一方面，提供了一种医疗影像数据扩增方法，所述方法包括：
利用样本数据集中的正常医疗影像样本数据和异常医疗影像样本数据对基础医疗影像识别模型进行训练，得到第一医疗影像识别模型，其中，所述样本数据集中的正常医疗影像样本数据的数量大于异常医疗影像样本数据的数量；
每次从预设数据扩增策略集合中选取一个尚未选取过的数据扩增策略，将该数据扩增策略作为候选数据扩增策略，并利用所述候选数据扩增策略至少对所述样本数据集中的异常医疗影像样本数据进行扩增，生成一组扩增得到的医疗影像样本数据；
利用各组扩增得到的医疗影像样本数据分别对所述第一医疗影像识别模型进行训练，得到与各候选数据扩增策略对应的训练后医疗影像识别模型；
基于预设测试数据集确定各所述训练后医疗影像识别模型的性能指标，所述预设测试数据集包括多个异常医疗影像样本数据；
根据各所述训练后医疗影像识别模型的性能指标，在各所述训练后医疗影像识别模型对应的候选数据扩增策略中确定出至少一个候选数据扩增策略作为目标数据扩增策略；
利用所述目标数据扩增策略至少对所述样本数据集中的异常医疗影像样本数据进行扩增。
根据本公开的另一方面，提供了一种医疗影像数据扩增装置，所述装置包括：
第一训练模块，被配置为利用样本数据集中的正常医疗影像样本数据和异常医疗影像样本数据对基础医疗影像识别模型进行训练，得到第一医疗影像识别模型，其中，所述样本数据集中的正常医疗影像样本数据的数量大于异常医疗影像样本数据的数量；
第一扩增模块，被配置为每次从预设数据扩增策略集合中选取一个尚未选取过的数据扩增策略，将该数据扩增策略作为候选数据扩增策略，并利用所述候选数据扩增策略至少对所述样本数据集中的异常医疗影像样本数据进行扩增，生成一组扩增得到的医疗影像样本数据；
第二训练模块，被配置为利用各组扩增得到的医疗影像样本数据分别对所述第一医疗影像识别模型进行训练，得到与各候选数据扩增策略对应的训练后医疗影像识别模型；
性能指标确定模块，被配置为基于预设测试数据集确定各所述训练后医疗影像识别模型的性能指标，所述预设测试数据集包括多个异常医疗影像样本数据；
策略确定模块，被配置为根据各所述训练后医疗影像识别模型的性能指标，在各所述训练后医疗影像识别模型对应的候选数据扩增策略中确定出至少一个候选数据扩增策略作为目标数据扩增策略；
第二扩增模块，被配置为利用所述目标数据扩增策略至少对所述样本数据集中的异常医疗影像样本数据进行扩增。
根据本公开的另一方面，提供了一种计算机可读程序介质，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行如前所述的方法。
根据本公开的另一方面，提供了一种电子设备，所述电子设备包括：
处理器；
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如前所述的方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
本公开所提供的医疗影像数据扩增方法，包括如下步骤：利用样本数据集中的正常医疗影像样本数据和异常医疗影像样本数据对基础医疗影像识别模型进行训练，得到第一医疗影像识别模型，其中，所述样本数据集中的正常医疗影像样本数据的数量大于异常医疗影像样本数据的数量；每次从预设数据扩增策略集合中选取一个尚未选取过的数据扩增策略，将该数据扩增策略作为候选数据扩增策略，并利用所述候选数据扩增策略至少对所述样本数据集中的异常医疗影像样本数据进行扩增，生成一组扩增得到的医疗影像样本数据；利用各组扩增得到的医疗影像样本数据分别对所述第一医疗影像识别模型进行训练，得到与各候选数据扩增策略对应的训练后医疗影像识别模型；基于预设测试数据集确定各所述训练后医疗影像识别模型的性能指标，所述预设测试数据集包括多个异常医疗影像样本数据；根据各所述训练后医疗影像识别模型的性能指标，在各所述训练后医疗影像识别模型对应的候选数据扩增策略中确定出至少一个候选数据扩增策略作为目标数据扩增策略；利用所述目标数据扩增策略至少对所述样本数据集中的异常医疗影像样本数据进行扩增。
此方法能够选择出目标数据扩增策略来至少对异常医疗影像样本数据进行扩增，提高了获得医疗影像数据特别是异常医疗影像数据的便捷性，此外，由于目标数据扩增策略是根据训练后医疗影像识别模型的性能指标从候选数据扩增策略中选择出来的，而训练后医疗影像识别模型是通过利用候选数据扩增策略扩增得到的医疗影像样本数据训练出来的，因此可以提高扩增得到的医疗影像数据的质量，本方案属于智慧医疗领域，通过本方案能够推动智慧城市的建设。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种医疗影像数据扩增方法的系统架构示意图。
图2是根据一示例性实施例示出的一种医疗影像数据扩增方法的流程图。
图3是根据图2对应实施例示出的一实施例的步骤260的细节的流程图。
图4是根据一示例性实施例示出的一种医疗影像数据扩增装置的框图。
图5是根据一示例性实施例示出的一种实现上述医疗影像数据扩增方法的电子设备示例框图。
图6是根据一示例性实施例示出的一种实现上述医疗影像数据扩增方法的程序产品。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
本公开首先提供了一种医疗影像数据扩增方法。医疗影像数据可以是医疗领域内各种类型的图像数据，比如可以是肺结节的肺部影像数据，也可以是用于测量骨龄的骨骼图像数据。在机器学习和人工智能领域，需要大量的数据训练模型。很多情况下，用于训练模型的数据完全不能满足需要。本公开提供的医疗影像数据扩增方法就可以增加医疗影像数据的数量，从而满足训练医疗领域的人工智能模型的需要。本方案可应用于智慧医疗领域中，从而推动智慧城市的建设。
本公开的实施终端可以是任何具有运算、处理以及通信功能的设备，该设备可以与外部设备相连，用于接收或者发送数据，具体可以是便携移动设备，例如智能手机、平板电脑、笔记本电脑、PDA（Personal Digital Assistant）等，也可以是固定式设备，例如，计算机设备、现场终端、台式电脑、服务器、工作站等，还可以是多个设备的集合，比如云计算的物理基础设施或者服务器集群。
可选地，本公开的实施终端可以为服务器或者云计算的物理基础设施。
图1是根据一示例性实施例示出的一种医疗影像数据扩增方法的系统架构示意图。如图1所示，该系统架构包括服务器110、医疗影像样本数据库120及数据扩增策略数据库130，其中，医疗影像样本数据库120及数据扩增策略数据库130分别通过通信链路与服务器110相连，可以用于发送或接收数据。服务器110为本实施例中的实施终端并部署有基础医疗影像识别模型，数据扩增策略数据库130中存储有多个数据扩增策略，构成了预设数据扩增策略集合，医疗影像样本数据库120上存储有样本数据集和预设测试数据集。当本公开提供的一种医疗影像数据扩增方法应用于图1所示的系统架构中时，一个过程可以是这样的：服务器110从医疗影像样本数据库120获取样本数据集，并利用该样本数据集对已部署的基础医疗影像识别模型进行训练，得到第一医疗影像识别模型；接着，服务器110从数据扩增策略数据库130每次选取一个数据扩增策略对样本数据集中的样本数据进行扩增，生成一组扩增得到的样本数据；接下来，服务器110利用生成的各组样本数据分别对第一医疗影像识别模型继续进行训练，得到多个训练后医疗影像识别模型；然后，服务器110从医疗影像样本数据库120获取预设测试数据集，利用该预设测试数据集对训练后医疗影像识别模型进行测试，得到对应的性能指标；最后，服务器110根据各性能指标，在选取的数据扩增策略中确定出目标数据扩增策略，并利用该目标数据扩增策略对样本数据集进行扩增。如此，便实现了对医疗影像数据的扩增，并使得扩增得到的医疗影像数据的质量得到了保证。
值得一提的是，图1仅为本公开的一个实施例。虽然在本实施例中的实施终端为服务器，但在其他实施例中，实施终端可以为如前所述的各种终端或设备；虽然在本实施例中，样本数据集、预设测试数据集、预设数据扩增策略集合中，样本数据集和预设测试数据集位于同一数据库上，预设数据扩增策略集合单独位于另一个数据库上，并且均位于实施终端外，但在其他实施例或者具体应用中，样本数据集、预设测试数据集、预设数据扩增策略集合这三者可以分别位于不同的终端上，也可以位于同一终端上，既可以位于实施终端之外的终端上，也可以存储在实施终端本地。本公开对此不作任何限定，本公开的保护范围也不应因此而受到任何限制。
图2是根据一示例性实施例示出的一种医疗影像数据扩增方法的流程图。本实施例提供的医疗影像数据扩增方法可以由服务器执行，如图2所示，包括以下步骤：
步骤210，利用样本数据集中的正常医疗影像样本数据和异常医疗影像样本数据对基础医疗影像识别模型进行训练，得到第一医疗影像识别模型。
其中，所述样本数据集中的正常医疗影像样本数据的数量大于异常医疗影像样本数据的数量。
基础医疗影像识别模型可以是基于各种算法或模型而实现的，比如可以是机器学习模型，也可以是卷积神经网络模型、强化学习模型、生成式对抗网络模型等深度学习模型。基础医疗影像识别模型可以是未曾训练过的模型，仅包括模型的架构和超参数等基本部分，还可以是训练过的模型，可以包括更多的参数。
如前所述，医疗影像数据可以是医疗领域的各种类型的图像数据，比如可以是能够发生肺结节区域的影像数据。正常医疗影像样本数据是显示相应区域未发病的影像样本数据，而异常医疗影像样本数据是显示相应区域患病或发生了病灶的影像样本数据。样本数据集中的正常医疗影像样本数据和异常医疗影像样本数据可以通过标签的方式进行区分。
步骤220，每次从预设数据扩增策略集合中选取一个尚未选取过的数据扩增策略，将该数据扩增策略作为候选数据扩增策略，并利用所述候选数据扩增策略至少对所述样本数据集中的异常医疗影像样本数据进行扩增，生成一组扩增得到的医疗影像样本数据。
预设数据扩增策略集合可以包括多个数据扩增策略，数据扩增策略是对数据进行扩增的具体手段或方式，具体可以包括：翻转，缩放，旋转，裁剪，变形，颜色变换，噪声，填充等。翻转是以位于图像的轴进行转动的操作，缩放是对图像的分辨率进行变换的操作，旋转以位于图像的点为圆心进行转动的操作，裁剪是随机剪裁出图像中的一部分的操作，变形是按照一定规则对图像进行形变的操作，颜色变换是对图像的某类像素值进行改变的操作，噪声是将图像中一些像素点区域变为黑色或白色的操作，填充是对按照特定规律的一组像素值对图像中的一些像素值进行替换的操作。
在一个实施例中，在每次从预设数据扩增策略集合中选取一个尚未选取过的数据扩增策略，将该数据扩增策略作为候选数据扩增策略，并利用所述候选数据扩增策略至少对所述样本数据集中的异常医疗影像样本数据进行扩增，生成一组扩增得到的医疗影像样本数据之前，所述方法还包括：
分别确定所述样本数据集中的医疗影像样本数据的数据总量、所述样本数据集中的正常医疗影像样本数据的数据量及异常医疗影像样本数据的数据量；
获取数据总量值，其中，所述数据总量值为所述样本数据集中的医疗影像样本数据的数据量与要生成的一组扩增得到的医疗影像样本数据的数据量之和；
根据所述样本数据集中的医疗影像样本数据的数据总量、所述样本数据集中的正常医疗影像样本数据的数据量、异常医疗影像样本数据的数据量和所述数据总量值，确定扩增数据指标，其中，所述扩增数据指标包括至少一项要扩增的数据类型及所述数据类型对应的数据量，所述要扩增的数据类型为异常医疗影像样本数据和正常医疗影像样本数据中的一项；
所述每次从预设数据扩增策略集合中选取一个尚未选取过的数据扩增策略，将该数据扩增策略作为候选数据扩增策略，并利用所述候选数据扩增策略至少对所述样本数据集中的异常医疗影像样本数据进行扩增，生成一组扩增得到的医疗影像样本数据，包括：
每次从预设数据扩增策略集合中选取一个尚未选取过的数据扩增策略，将该数据扩增策略作为候选数据扩增策略，按照所述扩增数据指标并利用所述候选数据扩增策略至少对所述样本数据集中的异常医疗影像样本数据进行扩增，生成一组扩增得到的医疗影像样本数据。
数据总量值可以是从外部终端获得的，比如可以通过访问外部数据库的方式获得，也可以从用户终端获得，具体来说，用户可以使用用户终端通过表单的方式提供数据总量值；数据总量值还可以是从终端本地获得的，比如可以通过读取配置文件的方式获得数据总量值。
在本实施例中，通过在对医疗影像样本数据进行扩增之前，先确定扩增数据指标，最后基于扩增数据指标有针对性地进行数据扩增，使得利用各候选数据扩增策略所进行的数据扩增更加有效。
在一个实施例中，所述根据所述样本数据集中的医疗影像样本数据的数据总量、所述样本数据集中的正常医疗影像样本数据的数据量、异常医疗影像样本数据的数据量和所述数据总量值，确定扩增数据指标，包括：
若所述数据总量值小于或等于所述样本数据集中的正常医疗影像样本数据的数据量的二倍，则确定扩增数据指标中要扩增的数据类型为异常医疗影像样本数据，要扩增的数据类型对应的数据量为所述数据总量值与所述样本数据集中的医疗影像样本数据的数据总量的差值；
若所述数据总量值大于所述样本数据集中的正常医疗影像样本数据的数据量的二倍，则确定扩增数据指标中要扩增的数据类型为异常医疗影像样本数据和正常医疗影像样本数据，异常医疗影像样本数据的数据类型对应的数据量为所述数据总量值的一半与所述异常医疗影像样本数据的数据量的差值，正常医疗影像样本数据的数据类型对应的数据量为所述数据总量值的一半与所述正常医疗影像样本数据的数据量的差值。
在本实施例中，通过在数据总量值大于所述样本数据集中的正常医疗影像样本数据的数据量的二倍时，对正常医疗影像样本数据和异常医疗影像样本数据分别进行扩增，从而使得扩增后样本数据集中的数据量更多且不同类型的数据更为均衡，从而使得各候选数据扩增策略进行训练的效果能够更加充分地体现出来，进而能够提高选出的目标数据扩增策略的准确性。
比如，数据总量值为50，样本数据集中的正常医疗影像样本数据的数据量为18，而异常医疗影像样本数据的数据量为5，那么样本数据集中的正常医疗影像样本数据的数据量的二倍即为36，因此，数据总量值大于样本数据集中的正常医疗影像样本数据的数据量的二倍，那么，异常医疗影像样本数据的数据类型对应的数据量为0.5*50-5=20，正常医疗影像样本数据的数据类型对应的数据量为0.5*50-18=7，最后，各类数据量的总和即为20+7+18+5=50。
当然，在数据总量值大于样本数据集中的正常医疗影像样本数据的数据量的二倍时，还可以采用其他的扩增数据指标的方式，比如可以是按照一定比例扩增。例如，样本数据集中的正常医疗影像样本数据的数据量和异常医疗影像样本数据的数据量的比例为M：N，那么，要扩增的数据类型为异常医疗影像样本数据和正常医疗影像样本数据，其中，要扩增的正常医疗影像样本数据和异常医疗影像样本数据的数据量的比例为N：M，最后，根据数据总量值和样本数据集中的医疗影像样本数据的数据总量之间的差值，即可确定各数据类型对应的数据量。
具体来说，假如样本数据集中的正常医疗影像样本数据的数据量和异常医疗影像样本数据的数据量分别为20和2，样本数据集中的医疗影像样本数据的数据总量为22，那么两者的比值为10:1，要扩增的正常医疗影像样本数据和异常医疗影像样本数据的数据量的比例为1：10，假如数据总量值为66，那么数据总量值和样本数据集中的医疗影像样本数据的数据总量之间的差值便为44，最终可以计算出要扩增的正常医疗影像样本数据的数据量为4，而要扩增的异常医疗影像样本数据的数据量为40。
步骤230，利用各组扩增得到的医疗影像样本数据分别对所述第一医疗影像识别模型进行训练，得到与各候选数据扩增策略对应的训练后医疗影像识别模型。
在一个实施例中，利用各候选数据扩增策略生成的各组扩增得到的医疗影像样本数据的数据量相同。
在本实施例中，由于利用各候选数据扩增策略所扩增的医疗影像样本数据的数据量是相同的，因此，在利用各组扩增得到的医疗影像样本数据分别对第一医疗影像识别模型进行训练时，所进行的训练强度是相同的，从而使得对训练后医疗影像识别模型的性能指标的测试更加公平。
在一个实施例中，所述扩增得到的医疗影像样本数据为扩增得到的异常医疗影像样本数据，所述扩增得到的异常医疗影像样本数据由所述样本数据集中的异常医疗影像样本数据扩增而来，任意一组扩增得到的异常医疗影像样本数据的数据量与所述样本数据集中异常医疗影像样本数据的数据量之和等于所述样本数据集中正常医疗影像样本数据的数据量。
由于任意一组扩增得到的异常医疗影像样本数据的数据量与所述样本数据集中异常医疗影像样本数据的数据量之和等于所述样本数据集中正常医疗影像样本数据的数据量，而所述样本数据集中异常医疗影像样本数据的数据量以及所述样本数据集中正常医疗影像样本数据的数据量都是固定的，因此，各组扩增得到的异常医疗影像样本数据的数据量均是相同的。
在本实施例中，通过对异常医疗影像样本数据进行扩增，并使各组扩增得到的异常医疗影像样本数据的数据量与所述样本数据集中异常医疗影像样本数据的数据量之和等于所述样本数据集中正常医疗影像样本数据的数据量，这样就能够使用于对第一医疗影像识别模型进行训练的医疗影像样本数据的正负样本分布更加平衡，从而提高训练效果，进而提高对训练后医疗影像识别模型的性能指标的评估的准确性。
步骤240，基于预设测试数据集确定各所述训练后医疗影像识别模型的性能指标，所述预设测试数据集包括多个异常医疗影像样本数据。
性能指标可以是各种能够用量化的方式来衡量模型的性能或能力的指标，比如可以是查全率、查准率、准确率等单一指标，也可以是基于多种单一指标的综合指标，比如可以是多种单一指标的平均值或加权平均值。
预设测试数据集中可以不仅包括异常医疗影像样本数据，还可以包括正常医疗影像样本数据。
步骤250，根据各所述训练后医疗影像识别模型的性能指标，在各所述训练后医疗影像识别模型对应的候选数据扩增策略中确定出至少一个候选数据扩增策略作为目标数据扩增策略。
在一个实施例中，步骤250可以包括：
确定对应的性能指标最高的训练后医疗影像识别模型，作为目标训练后医疗影像识别模型；
将所述目标训练后医疗影像识别模型对应的候选数据扩增策略作为目标数据扩增策略。
在一个实施例中，步骤250可以包括：
判断性能指标大于预定性能指标阈值的训练后医疗影像识别模型的数目是否大于第一预定数目；
如果是，则在性能指标大于预定性能指标阈值的训练后医疗影像识别模型中任意选取第二预定数目个训练后医疗影像识别模型，作为目标训练后医疗影像识别模型，其中，所述第二预定数目小于所述第一预定数目；
如果否，则将性能指标大于预定性能指标阈值的训练后医疗影像识别模型作为目标训练后医疗影像识别模型；
将所述目标训练后医疗影像识别模型对应的候选数据扩增策略作为目标数据扩增策略。
在本实施例中，实现了同时选出多个目标数据扩增策略，增加了数据扩增的多样性，同时由于选出的多个目标数据扩增策略所对应的训练后医疗影像识别模型的性能指标均大于预定性能指标阈值，因此保证了选出的目标数据扩增策略的质量。
在一个实施例中，在利用各组扩增得到的医疗影像样本数据分别对所述第一医疗影像识别模型进行训练，得到与各候选数据扩增策略对应的训练后医疗影像识别模型之前，所述方法还包括：
利用各组扩增得到的医疗影像样本数据分别对预设数据扩增模型进行训练，得到与各候选数据扩增策略对应的训练后数据扩增模型；
针对每一训练后数据扩增模型，利用该训练后数据扩增模型生成一组异常医疗影像样本数据；
利用生成的各组异常医疗影像样本数据分别对所述基础医疗影像识别模型进行训练，得到与各组异常医疗影像样本数据分别对应的训练后基础医疗影像识别模型；
基于预设测试数据集确定各所述训练后基础医疗影像识别模型的性能指标，所述预设测试数据集包括多个异常医疗影像样本数据；
根据各所述训练后基础医疗影像识别模型的性能指标，在各所述训练后基础医疗影像识别模型对应的候选数据扩增策略中确定出多个候选数据扩增策略作为候选目标数据扩增策略；
所述利用各组扩增得到的医疗影像样本数据分别对所述第一医疗影像识别模型进行训练，得到与各候选数据扩增策略对应的训练后医疗影像识别模型，包括：
利用各候选目标数据扩增策略对应的各组扩增得到的医疗影像样本数据分别对所述第一医疗影像识别模型进行训练，得到与各候选目标数据扩增策略对应的训练后医疗影像识别模型；
所述根据各所述训练后医疗影像识别模型的性能指标，在各所述训练后医疗影像识别模型对应的候选数据扩增策略中确定出至少一个候选数据扩增策略作为目标数据扩增策略，包括：
根据各所述训练后医疗影像识别模型的性能指标，在各所述训练后医疗影像识别模型对应的候选目标数据扩增策略中确定出至少一个候选目标数据扩增策略作为目标数据扩增策略。
预设数据扩增模型可以基于各种算法或模型而设立的，比如可以是生成式对抗网络模型。
由于利用候选数据扩增策略扩增得到的医疗影像样本数据的数量往往是有限的，因此，单纯基于利用扩增得到的医疗影像样本数据训练得到的模型的性能指标往往不能充分而完全地反映出一个候选数据扩增策略对于医疗影像数据扩增是否是最好的，在本实施例中，通过在利用扩增得到的医疗影像样本数据训练第一医疗影像识别模型之前，先利用扩增得到的医疗影像样本数据分别对预设数据扩增模型进行训练，再利用训练后数据扩增模型生成异常医疗影像样本数据，最后利用生成的异常医疗影像样本数据训练模型并根据对模型的评估指标来预先选择出候选目标数据扩增策略，而最终确定出的目标数据扩增策略是从候选目标数据扩增策略选出的，因此，这样可以在一定程度上提高选出的目标数据扩增策略的准确性。
步骤260，利用所述目标数据扩增策略至少对所述样本数据集中的异常医疗影像样本数据进行扩增。
通常情况下，利用目标数据扩增策略扩增得到的医疗影像样本数据的数据量大于利用候选数据扩增策略扩增得到的医疗影像样本数据的数据量。
在一个实施例中，所述目标数据扩增策略为多个，步骤260的具体步骤可以如图3所示。图3是根据图2对应实施例示出的一实施例的步骤260的细节的流程图，如图3所示，包括以下步骤：
步骤261，利用多个目标数据扩增策略随机生成策略组合。
其中，所述策略组合包括至少一个目标数据扩增策略，在所述策略组合包括多个目标数据扩增策略的情况下，所述策略组合还包括各目标数据扩增策略的顺序。
比如，多个目标数据扩增策略包括裁剪，变形，颜色变换，噪声，颜色，其中，任意一个单独的目标数据扩增策略可以为一个策略组合，这些目标数据扩增策略之中，任意两个或以上的目标数据扩增策略也可以为一个策略组合，策略组合中目标数据扩增策略的顺序是目标数据扩增策略的执行顺序，比如一个目标数据扩增策略的顺序可以是先裁剪再变形。
步骤262，利用所述策略组合至少对所述样本数据集中的异常医疗影像样本数据进行扩增。
对同一医疗影像样本数据可以施加同一策略组合，只要具体策略不同即可，例如变换的颜色不同。
综上所述，根据图2实施例提供的医疗影像数据扩增方法，能够选择出目标数据扩增策略来至少对异常医疗影像样本数据进行扩增，提高了获得医疗影像数据特别是异常医疗影像数据的便捷性，此外，由于目标数据扩增策略是根据训练后医疗影像识别模型的性能指标从候选数据扩增策略中选择出来的，而训练后医疗影像识别模型是通过利用候选数据扩增策略扩增得到的医疗影像样本数据训练出来的，因此可以提高扩增得到的医疗影像数据的质量，本方案属于智慧医疗领域，通过本方案能够推动智慧城市的建设。
本公开还提供了一种医疗影像数据扩增装置，以下是本公开的装置实施例。
图4是根据一示例性实施例示出的一种医疗影像数据扩增装置的框图。如图4所示，装置400包括：
第一训练模块410，被配置为利用样本数据集中的正常医疗影像样本数据和异常医疗影像样本数据对基础医疗影像识别模型进行训练，得到第一医疗影像识别模型，其中，所述样本数据集中的正常医疗影像样本数据的数量大于异常医疗影像样本数据的数量；
第一扩增模块420，被配置为每次从预设数据扩增策略集合中选取一个尚未选取过的数据扩增策略，将该数据扩增策略作为候选数据扩增策略，并利用所述候选数据扩增策略至少对所述样本数据集中的异常医疗影像样本数据进行扩增，生成一组扩增得到的医疗影像样本数据；
第二训练模块430，被配置为利用各组扩增得到的医疗影像样本数据分别对所述第一医疗影像识别模型进行训练，得到与各候选数据扩增策略对应的训练后医疗影像识别模型；
性能指标确定模块440，被配置为基于预设测试数据集确定各所述训练后医疗影像识别模型的性能指标，所述预设测试数据集包括多个异常医疗影像样本数据；
策略确定模块450，被配置为根据各所述训练后医疗影像识别模型的性能指标，在各所述训练后医疗影像识别模型对应的候选数据扩增策略中确定出至少一个候选数据扩增策略作为目标数据扩增策略；
第二扩增模块460，被配置为利用所述目标数据扩增策略至少对所述样本数据集中的异常医疗影像样本数据进行扩增。
根据本公开的第三方面，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式（包括固件、微代码等），或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图5来描述根据本发明的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件（包括存储单元520和处理单元510）的总线530。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述“实施例方法”部分中描述的根据本发明各种示例性实施方式的步骤。
存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元（RAM）521和/或高速缓存存储单元522，还可以进一步包括只读存储单元（ROM）523。
存储单元520还可以包括具有一组（至少一个）程序模块525的程序/实用工具524，这样的程序模块525包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备500也可以与一个或多个外部设备700（例如键盘、指向设备、蓝牙设备等）通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备（例如路由器、调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口550进行，比如与显示单元540通信。并且，电子设备500还可以通过网络适配器560与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。如图所示，网络适配器560通过总线530与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、终端装置、或者网络设备等）执行根据本公开实施方式的方法。
根据本公开的第四方面，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图6所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品600，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。
所述程序产品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为但不限于电、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。
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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
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发明操作的程序代码，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。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网（LAN）或广域网（WAN），连接到用户计算设备，或者，可以连接到外部计算设备（例如利用因特网服务提供商来通过因特网连接）。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种医疗影像数据扩增方法，其特征在于，所述方法包括：
利用样本数据集中的正常医疗影像样本数据和异常医疗影像样本数据对基础医疗影像识别模型进行训练，得到第一医疗影像识别模型，其中，所述样本数据集中的正常医疗影像样本数据的数量大于异常医疗影像样本数据的数量；
每次从预设数据扩增策略集合中选取一个尚未选取过的数据扩增策略，将该数据扩增策略作为候选数据扩增策略，并利用所述候选数据扩增策略至少对所述样本数据集中的异常医疗影像样本数据进行扩增，生成一组扩增得到的医疗影像样本数据；
利用各组扩增得到的医疗影像样本数据分别对所述第一医疗影像识别模型进行训练，得到与各候选数据扩增策略对应的训练后医疗影像识别模型；
基于预设测试数据集确定各所述训练后医疗影像识别模型的性能指标，所述预设测试数据集包括多个异常医疗影像样本数据；
根据各所述训练后医疗影像识别模型的性能指标，在各所述训练后医疗影像识别模型对应的候选数据扩增策略中确定出至少一个候选数据扩增策略作为目标数据扩增策略；
利用所述目标数据扩增策略至少对所述样本数据集中的异常医疗影像样本数据进行扩增。
2.根据权利要求1所述的方法，其特征在于，利用各候选数据扩增策略生成的各组扩增得到的医疗影像样本数据的数据量相同。
3.根据权利要求2所述的方法，其特征在于，所述扩增得到的医疗影像样本数据为扩增得到的异常医疗影像样本数据，所述扩增得到的异常医疗影像样本数据由所述样本数据集中的异常医疗影像样本数据扩增而来，任意一组扩增得到的异常医疗影像样本数据的数据量与所述样本数据集中异常医疗影像样本数据的数据量之和等于所述样本数据集中正常医疗影像样本数据的数据量。
4.根据权利要求2所述的方法，其特征在于，在每次从预设数据扩增策略集合中选取一个尚未选取过的数据扩增策略，将该数据扩增策略作为候选数据扩增策略，并利用所述候选数据扩增策略至少对所述样本数据集中的异常医疗影像样本数据进行扩增，生成一组扩增得到的医疗影像样本数据之前，所述方法还包括：
分别确定所述样本数据集中的医疗影像样本数据的数据总量、所述样本数据集中的正常医疗影像样本数据的数据量及异常医疗影像样本数据的数据量；
获取数据总量值，其中，所述数据总量值为所述样本数据集中的医疗影像样本数据的数据量与要生成的一组扩增得到的医疗影像样本数据的数据量之和；
根据所述样本数据集中的医疗影像样本数据的数据总量、所述样本数据集中的正常医疗影像样本数据的数据量、异常医疗影像样本数据的数据量和所述数据总量值，确定扩增数据指标，其中，所述扩增数据指标包括至少一项要扩增的数据类型及所述数据类型对应的数据量，所述要扩增的数据类型为异常医疗影像样本数据和正常医疗影像样本数据中的一项；
所述每次从预设数据扩增策略集合中选取一个尚未选取过的数据扩增策略，将该数据扩增策略作为候选数据扩增策略，并利用所述候选数据扩增策略至少对所述样本数据集中的异常医疗影像样本数据进行扩增，生成一组扩增得到的医疗影像样本数据，包括：
每次从预设数据扩增策略集合中选取一个尚未选取过的数据扩增策略，将该数据扩增策略作为候选数据扩增策略，按照所述扩增数据指标并利用所述候选数据扩增策略至少对所述样本数据集中的异常医疗影像样本数据进行扩增，生成一组扩增得到的医疗影像样本数据。
5.根据权利要求4所述的方法，其特征在于，所述根据所述样本数据集中的医疗影像样本数据的数据总量、所述样本数据集中的正常医疗影像样本数据的数据量、异常医疗影像样本数据的数据量和所述数据总量值，确定扩增数据指标，包括：
若所述数据总量值小于或等于所述样本数据集中的正常医疗影像样本数据的数据量的二倍，则确定扩增数据指标中要扩增的数据类型为异常医疗影像样本数据，要扩增的数据类型对应的数据量为所述数据总量值与所述样本数据集中的医疗影像样本数据的数据总量的差值；
若所述数据总量值大于所述样本数据集中的正常医疗影像样本数据的数据量的二倍，则确定扩增数据指标中要扩增的数据类型为异常医疗影像样本数据和正常医疗影像样本数据，异常医疗影像样本数据的数据类型对应的数据量为所述数据总量值的一半与所述异常医疗影像样本数据的数据量的差值，正常医疗影像样本数据的数据类型对应的数据量为所述数据总量值的一半与所述正常医疗影像样本数据的数据量的差值。
6.根据权利要求1-5任意一项所述的方法，其特征在于，所述根据各所述训练后医疗影像识别模型的性能指标，在各所述训练后医疗影像识别模型对应的候选数据扩增策略中确定出至少一个候选数据扩增策略作为目标数据扩增策略，包括：
判断性能指标大于预定性能指标阈值的训练后医疗影像识别模型的数目是否大于第一预定数目；
如果是，则在性能指标大于预定性能指标阈值的训练后医疗影像识别模型中任意选取第二预定数目个训练后医疗影像识别模型，作为目标训练后医疗影像识别模型，其中，所述第二预定数目小于所述第一预定数目；
如果否，则将性能指标大于预定性能指标阈值的训练后医疗影像识别模型作为目标训练后医疗影像识别模型；
将所述目标训练后医疗影像识别模型对应的候选数据扩增策略作为目标数据扩增策略。
7.根据权利要求1-5任意一项所述的方法，其特征在于，所述目标数据扩增策略为多个，所述利用所述目标数据扩增策略至少对所述样本数据集中的异常医疗影像样本数据进行扩增，包括：
利用多个目标数据扩增策略随机生成策略组合，其中，所述策略组合包括至少一个目标数据扩增策略，在所述策略组合包括多个目标数据扩增策略的情况下，所述策略组合还包括各目标数据扩增策略的顺序；
利用所述策略组合至少对所述样本数据集中的异常医疗影像样本数据进行扩增。
8.一种医疗影像数据扩增装置，其特征在于，所述装置包括：
第一训练模块，被配置为利用样本数据集中的正常医疗影像样本数据和异常医疗影像样本数据对基础医疗影像识别模型进行训练，得到第一医疗影像识别模型，其中，所述样本数据集中的正常医疗影像样本数据的数量大于异常医疗影像样本数据的数量；
第一扩增模块，被配置为每次从预设数据扩增策略集合中选取一个尚未选取过的数据扩增策略，将该数据扩增策略作为候选数据扩增策略，并利用所述候选数据扩增策略至少对所述样本数据集中的异常医疗影像样本数据进行扩增，生成一组扩增得到的医疗影像样本数据；
第二训练模块，被配置为利用各组扩增得到的医疗影像样本数据分别对所述第一医疗影像识别模型进行训练，得到与各候选数据扩增策略对应的训练后医疗影像识别模型；
性能指标确定模块，被配置为基于预设测试数据集确定各所述训练后医疗影像识别模型的性能指标，所述预设测试数据集包括多个异常医疗影像样本数据；
策略确定模块，被配置为根据各所述训练后医疗影像识别模型的性能指标，在各所述训练后医疗影像识别模型对应的候选数据扩增策略中确定出至少一个候选数据扩增策略作为目标数据扩增策略；
第二扩增模块，被配置为利用所述目标数据扩增策略至少对所述样本数据集中的异常医疗影像样本数据进行扩增。
9.一种计算机可读程序介质，其特征在于，其存储有计算机程序指令，当所述计算机程序指令被计算机执行时，使计算机执行根据权利要求1至7中任一项所述的方法。
10.一种电子设备，其特征在于，所述电子设备包括：
处理器；
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如权利要求1至7任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010964587.3A CN111832666B (zh) | 2020-09-15 | 2020-09-15 | 医疗影像数据扩增方法、装置、介质及电子设备 |
| PCT/CN2021/096213 WO2022057306A1 (zh) | 2020-09-15 | 2021-05-27 | 医疗影像数据扩增方法、装置、计算机设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010964587.3A CN111832666B (zh) | 2020-09-15 | 2020-09-15 | 医疗影像数据扩增方法、装置、介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111832666A true CN111832666A (zh) | 2020-10-27 |
| CN111832666B CN111832666B (zh) | 2020-12-25 |
Family
ID=72919007
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010964587.3A Active CN111832666B (zh) | 2020-09-15 | 2020-09-15 | 医疗影像数据扩增方法、装置、介质及电子设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111832666B (zh) |
| WO (1) | WO2022057306A1 (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113220883A (zh) * | 2021-05-17 | 2021-08-06 | 华南师范大学 | 一种文本分类模型性能优化方法、装置及存储介质 |
| CN113223000A (zh) * | 2021-04-14 | 2021-08-06 | 江苏省基础地理信息中心 | 一种提高小目标分割精度的综合方法 |
| CN113378991A (zh) * | 2021-07-07 | 2021-09-10 | 上海联影医疗科技股份有限公司 | 医疗数据生成方法、装置、电子设备及存储介质 |
| WO2022057306A1 (zh) * | 2020-09-15 | 2022-03-24 | 平安国际智慧城市科技股份有限公司 | 医疗影像数据扩增方法、装置、计算机设备和介质 |
| CN114386479A (zh) * | 2021-12-09 | 2022-04-22 | 首都医科大学附属北京友谊医院 | 医学数据处理方法、装置、存储介质及电子设备 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115295134B (zh) * | 2022-09-30 | 2023-03-24 | 北方健康医疗大数据科技有限公司 | 医学模型评价方法、装置和电子设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107316004A (zh) * | 2017-06-06 | 2017-11-03 | 西北工业大学 | 基于深度学习的空间目标识别方法 |
| CN108563548A (zh) * | 2018-03-19 | 2018-09-21 | 阿里巴巴集团控股有限公司 | 异常检测方法及装置 |
| CN110070124A (zh) * | 2019-04-15 | 2019-07-30 | 广州小鹏汽车科技有限公司 | 一种基于生成式对抗网络的图像扩增方法及系统 |
| US20190354808A1 (en) * | 2018-05-18 | 2019-11-21 | Google Llc | Augmentation of Audiographic Images for Improved Machine Learning |
| CN110807109A (zh) * | 2019-11-08 | 2020-02-18 | 北京金山云网络技术有限公司 | 数据增强策略的生成方法、数据增强方法和装置 |
| CN111144494A (zh) * | 2019-12-27 | 2020-05-12 | 睿魔智能科技（深圳）有限公司 | 物体检测模型训练方法、检测方法、装置、设备及介质 |
| CN111275129A (zh) * | 2020-02-17 | 2020-06-12 | 平安科技（深圳）有限公司 | 一种图像数据的增广策略选取方法及系统 |
| CN111582375A (zh) * | 2020-05-09 | 2020-08-25 | 北京百度网讯科技有限公司 | 数据增强策略搜索方法、装置、设备以及存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108830294A (zh) * | 2018-05-09 | 2018-11-16 | 四川斐讯信息技术有限公司 | 一种图像数据的增广方法 |
| US11301733B2 (en) * | 2018-05-18 | 2022-04-12 | Google Llc | Learning data augmentation strategies for object detection |
| CN111832666B (zh) * | 2020-09-15 | 2020-12-25 | 平安国际智慧城市科技股份有限公司 | 医疗影像数据扩增方法、装置、介质及电子设备 |
-
2020
- 2020-09-15 CN CN202010964587.3A patent/CN111832666B/zh active Active
-
2021
- 2021-05-27 WO PCT/CN2021/096213 patent/WO2022057306A1/zh active Application Filing
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107316004A (zh) * | 2017-06-06 | 2017-11-03 | 西北工业大学 | 基于深度学习的空间目标识别方法 |
| CN108563548A (zh) * | 2018-03-19 | 2018-09-21 | 阿里巴巴集团控股有限公司 | 异常检测方法及装置 |
| US20190354808A1 (en) * | 2018-05-18 | 2019-11-21 | Google Llc | Augmentation of Audiographic Images for Improved Machine Learning |
| CN110070124A (zh) * | 2019-04-15 | 2019-07-30 | 广州小鹏汽车科技有限公司 | 一种基于生成式对抗网络的图像扩增方法及系统 |
| CN110807109A (zh) * | 2019-11-08 | 2020-02-18 | 北京金山云网络技术有限公司 | 数据增强策略的生成方法、数据增强方法和装置 |
| CN111144494A (zh) * | 2019-12-27 | 2020-05-12 | 睿魔智能科技（深圳）有限公司 | 物体检测模型训练方法、检测方法、装置、设备及介质 |
| CN111275129A (zh) * | 2020-02-17 | 2020-06-12 | 平安科技（深圳）有限公司 | 一种图像数据的增广策略选取方法及系统 |
| CN111582375A (zh) * | 2020-05-09 | 2020-08-25 | 北京百度网讯科技有限公司 | 数据增强策略搜索方法、装置、设备以及存储介质 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022057306A1 (zh) * | 2020-09-15 | 2022-03-24 | 平安国际智慧城市科技股份有限公司 | 医疗影像数据扩增方法、装置、计算机设备和介质 |
| CN113223000A (zh) * | 2021-04-14 | 2021-08-06 | 江苏省基础地理信息中心 | 一种提高小目标分割精度的综合方法 |
| CN113220883A (zh) * | 2021-05-17 | 2021-08-06 | 华南师范大学 | 一种文本分类模型性能优化方法、装置及存储介质 |
| CN113220883B (zh) * | 2021-05-17 | 2023-12-26 | 华南师范大学 | 一种文本分类方法、装置及存储介质 |
| CN113378991A (zh) * | 2021-07-07 | 2021-09-10 | 上海联影医疗科技股份有限公司 | 医疗数据生成方法、装置、电子设备及存储介质 |
| CN114386479A (zh) * | 2021-12-09 | 2022-04-22 | 首都医科大学附属北京友谊医院 | 医学数据处理方法、装置、存储介质及电子设备 |
| CN114386479B (zh) * | 2021-12-09 | 2023-02-03 | 首都医科大学附属北京友谊医院 | 医学数据处理方法、装置、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022057306A1 (zh) | 2022-03-24 |
| CN111832666B (zh) | 2020-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111832666B (zh) | 医疗影像数据扩增方法、装置、介质及电子设备 | |
| JP7331171B2 (ja) | 画像認識モデルをトレーニングするための方法および装置、画像を認識するための方法および装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
| US11475358B2 (en) | Annotation pipeline for machine learning algorithm training and optimization | |
| CN110660484B (zh) | 骨龄预测方法、装置、介质及电子设备 | |
| US11288279B2 (en) | Cognitive computer assisted attribute acquisition through iterative disclosure | |
| CN111512322B (zh) | 使用神经网络 | |
| TW202040585A (zh) | 用於使用多模態成像和集成機器學習模型的自動靶標和組織分割的方法和設備 | |
| CN111047602A (zh) | 图像分割方法、装置及终端设备 | |
| JP2021532454A (ja) | 生物医学画像内の異常を検出するためのノックアウト・オートエンコーダ | |
| CN113112030A (zh) | 训练模型的方法及系统和预测序列数据的方法及系统 | |
| CN111028237A (zh) | 图像分割方法、装置及终端设备 | |
| JP2021526256A (ja) | ツーフェーズ疾病診断システム及び該方法 | |
| US20190206529A1 (en) | Evaluating Completeness and Data Quality of Electronic Medical Record Data Sources | |
| CN113056793A (zh) | 基于监督学习的一致性诊断方法及其系统 | |
| US20230147471A1 (en) | Systems and methods to process electronic images to determine salient information in digital pathology | |
| CN113674288A (zh) | 一种非小细胞肺癌数字病理图像组织自动分割方法 | |
| CN111967581B (zh) | 分群模型的解释方法、装置、计算机设备和存储介质 | |
| Munshi | Novel ensemble learning approach with SVM-imputed ADASYN features for enhanced cervical cancer prediction | |
| KR102310450B1 (ko) | 보험 문서 분석 방법을 제공하기 위한 컴퓨터 프로그램 | |
| CN115496744A (zh) | 基于混合注意力的肺癌图像分割方法、装置、终端及介质 | |
| CN109597989A (zh) | 诊断词归一方法及装置、存储介质、电子设备 | |
| CN109360631B (zh) | 基于图片识别的人机交互方法、装置、计算机设备及介质 | |
| Wang et al. | Socio-Economic Factors and Clinical Context Can Predict Adherence to Incidental Pulmonary Nodule Follow-up via Machine Learning Models | |
| Zhang et al. | Usable region estimate for assessing practical usability of medical image segmentation models | |
| WO2016049187A1 (en) | Systems, methods, and software for processing a question relative to one or more of a plurality of population research databases |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231109 Address after: B331, 3rd Floor, Port Building, Ocean Shipping Center, No. 59 Linhai Avenue, Nanshan Street, Qianhai Shenzhen Hong Kong Cooperation Zone, Shenzhen, Guangdong Province, 518000 Patentee after: PING AN HEALTH CLOUD CO.,LTD. Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000 Patentee before: Ping An International Smart City Technology Co.,Ltd. |