CN111932534A - 医学影像图片分析方法、装置、电子设备及可读存储介质 - Google Patents
医学影像图片分析方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111932534A CN111932534A CN202011003181.5A CN202011003181A CN111932534A CN 111932534 A CN111932534 A CN 111932534A CN 202011003181 A CN202011003181 A CN 202011003181A CN 111932534 A CN111932534 A CN 111932534A
- Authority
- CN
- China
- Prior art keywords
- model
- diagnosis
- training
- target
- medical image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 43
- 238000003745 diagnosis Methods 0.000 claims abstract description 207
- 201000010099 disease Diseases 0.000 claims abstract description 161
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 161
- 238000012549 training Methods 0.000 claims abstract description 91
- 238000004821 distillation Methods 0.000 claims abstract description 71
- 230000006870 function Effects 0.000 claims abstract description 67
- 238000013135 deep learning Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 15
- 238000005315 distribution function Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013140 knowledge distillation Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 206010014561 Emphysema Diseases 0.000 description 20
- 238000000605 extraction Methods 0.000 description 19
- 206010030113 Oedema Diseases 0.000 description 8
- 238000001764 infiltration Methods 0.000 description 8
- 230000008595 infiltration Effects 0.000 description 8
- 201000003144 pneumothorax Diseases 0.000 description 8
- 238000010191 image analysis Methods 0.000 description 7
- 206010035664 Pneumonia Diseases 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 206010003598 Atelectasis Diseases 0.000 description 2
- 206010007572 Cardiac hypertrophy Diseases 0.000 description 2
- 208000006029 Cardiomegaly Diseases 0.000 description 2
- 206010063045 Effusion Diseases 0.000 description 2
- 206010016654 Fibrosis Diseases 0.000 description 2
- 206010019909 Hernia Diseases 0.000 description 2
- 206010035600 Pleural fibrosis Diseases 0.000 description 2
- 208000007123 Pulmonary Atelectasis Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007596 consolidation process Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000004761 fibrosis Effects 0.000 description 2
- 238000003703 image analysis method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 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
- 238000006467 substitution reaction 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
- G06F18/21—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
- 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
- G06T2207/30061—Lung
-
- 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
- G06T2207/30068—Mammography; Breast
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能，揭露一种医学影像图片分析方法，包括：利用预设部位疾病历史图片集训练预构建的深度学习网络模型得到疾病识别模型；根据疾病识别模型与预构建的初始诊断模型构建蒸馏损失函数；根据蒸馏损失函数对初始诊断模型进行蒸馏训练，得到第一诊断模型；根据预设的诊断目标对第一诊断模型进行训练及输出调整，得到目标诊断模型；当接收到待分析医学影像图片时，利用目标诊断模型对待分析医学影像图片进行分析，得到分析结果。本发明还涉及一种区块链技术，训练模型的数据可以存储在区块链中。本发明还提出一种医学影像图片分析装置、电子设备以及一种计算机可读存储介质。利用本发明可以降低医学影像图片分析的模型计算资源消耗。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种医学影像图片分析方法、装置、电子设备及可读存储介质。
背景技术
随着人工智能的发展，利用基于深度学习模型训练的医学影像图片分析的模型对医学影像图片进行分析从而辅助疾病诊断已经越来越普遍，但是训练深度学习模型通常需要很高的硬件门槛，不能迁移到移动端或者计算资源匮乏的地方，若直接训练轻量化的模型，不仅特征提取能力弱，且准确度低，因此，需要一种保持高准确度的且不需要太多计算资源的医学影像图片分析方法。
发明内容
本发明提供一种医学影像图片分析方法、装置、电子设备及计算机可读存储介质，其主要目标在于降低医学影像图片分析的模型计算资源消耗。
为实现上述目的，本发明提供的一种医学影像图片分析方法，包括：
获取预设部位疾病历史图片集，利用所述预设部位疾病历史图片集训练预构建的深度学习网络模型得到疾病识别模型；
根据所述疾病识别模型与预构建的初始诊断模型构建蒸馏损失函数；
根据所述蒸馏损失函数对所述初始诊断模型进行蒸馏训练，得到第一诊断模型；
根据预设的诊断目标对所述第一诊断模型进行训练及输出调整，得到目标诊断模型；
当接收到待分析医学影像图片时，利用所述目标诊断模型对所述待分析医学影像图片进行分析，得到分析结果。
可选地，所述利用所述预设部位疾病历史图片集训练预构建的深度学习网络模型得到疾病识别模型，包括：
将所述预设部位疾病历史图片集确定为训练集；
对所述预设部位疾病历史图片集进行疾病类型标记得到标签集；
利用所述训练集及所述标签集训练所述深度学习网络模型，得到所述疾病识别模型。
可选地，所述利用所述训练集及所述标签集训练所述深度学习网络模型，得到所述疾病识别模型，包括：
降维步骤：根据预设的卷积池化次数，对所述训练集进行卷积池化操作，得到降维数据集；
升维步骤：根据预设的反卷积次数，对所述降维数据集进行反卷积操作，得到升维数据集；
损失值计算步骤：利用预设的激活函数对所述升维数据集进行计算得到预测值，根据所述预测值和所述标签集包含的标签值，利用预构建的损失函数的输入参数计算得到损失值；
损失值对比步骤：对比所述损失值与预设的损失阈值的大小，若所述损失值大于或等于所述损失阈值，返回所述降维步骤；若所述损失值小于所述损失阈值，停止训练，得到所述疾病识别模型。
可选地，所述根据所述蒸馏损失函数对所述初始诊断模型进行蒸馏训练，得到第一诊断模型，包括：
利用所述第一特征层作为训练目标，不断更迭所述初始诊断模型的参数，当计算所述蒸馏损失函数得到的蒸馏损失值小于预设阈值时，停止训练，得到所述第一诊断模型。
可选地，所述根据预设的诊断目标对所述第一诊断模型进行训练及输出调整，得到目标诊断模型，包括：
判断所述诊断目标是否为新增诊断目标；
当所述诊断目标不为新增诊断目标时，对所述第一诊断模型进行输出调整，得到所述目标诊断模型；或者
当所述诊断目标为新增诊断目标时，调整并训练所述第一诊断模型，得到所述目标诊断模型。
可选地，所述调整并训练所述第一诊断模型，得到目标诊断模型，包括：
获取诊断图片集，对所述诊断图片集进行标注，得到初始诊断图片集；
对所述初始诊断图片集进行数据增强处理，得到标准诊断图片集；
根据所述诊断目标对所述第一诊断模型进行输出添加，得到第二诊断模型；
利用所述标准诊断图片集对所述第二诊断模型进行迭代训练，直至所述第二诊断模型收敛，得到第三诊断模型；
对所述第三诊断模型进行输出调整，得到所述目标诊断模型。
为了解决上述问题，本发明还提供一种医学影像图片分析装置，所述装置包括：
模型生成模块，用于获取预设部位疾病历史图片集，利用所述预设部位疾病历史图片集训练预构建的深度学习网络模型得到疾病识别模型；
模型蒸馏模块，用于根据所述疾病识别模型与预构建的初始诊断模型构建蒸馏损失函数；根据所述蒸馏损失函数对所述初始诊断模型进行蒸馏训练，得到第一诊断模型；根据预设的诊断目标对所述第一诊断模型进行训练及输出调整，得到目标诊断模型；
图片分析模块，用于当接收到待分析医学影像图片时，利用所述目标诊断模型对所述待分析医学影像图片进行分析，得到分析结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的医学影像图片分析方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的医学影像图片分析方法。
本发明实施例中，利用所述预设部位疾病历史图片集训练预构建的深度学习网络模型得到疾病识别模型，使得所述疾病识别模型具备准确地预设部位的特征提取能力；根据所述疾病识别模型与预构建的初始诊断模型构建蒸馏损失函数；根据所述蒸馏损失函数对所述初始诊断模型进行蒸馏训练，得到第一诊断模型，使得所述初始诊断模型获得所述疾病识别模型的特征提取能力；根据预设的诊断目标对所述第一诊断模型进行训练及输出调整，得到目标诊断模型，使得模型能根据预设的诊断目标进行更准确的分析诊断；当接收到待分析医学影像图片时，利用所述目标诊断模型对所述待分析医学影像图片进行分析，得到分析结果，通过将模型规模大的所述疾病识别模型的特征提取能力蒸馏给模型规模小的所述初始诊断模型，最终得到目标诊断模型，降低了医学影像图片分析的模型计算资源消耗。
附图说明
图1为本发明一实施例提供的医学影像图片分析方法的流程示意图；
图2为本发明一实施例提供的医学影像图片分析方法中得到蒸馏损失函数的详细流程示意图；
图3为本发明一实施例提供的医学影像图片分析方法中得到目标诊断模型的详细流程示意图；
图4为本发明一实施例提供的医学影像图片分析装置的模块示意图；
图5为本发明一实施例提供的实现医学影像图片分析方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种医学影像图片分析方法。参照图1所示，为本发明一实施例提供的医学影像图片分析方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，医学影像图片分析方法包括：
S1、获取预设部位疾病历史图片集，利用所述预设部位疾病历史图片集训练预构建的深度学习网络模型得到疾病识别模型；
本发明实施例中，所述预设部位疾病历史图片集为预设部位的病人的医学影像图片，如病人胸部的CXR（胸部X射线，Chest X Ray）图片的集合，所述预设部位疾病历史图片集可以从某机构的CXR数据库中进行获取，例如：NIH（美国国立卫生研究院，NationalInstitutes of Health）临床中心的CXR数据库。
较佳地，本发明实施例中所述卷积神经网络模型可以为全卷积神经网络模型。
详细地，本发明实施例中将所述预设部位疾病历史图片集确定为训练集，对所述预设部位疾病历史图片集进行疾病类型标记得到标签集。其中，所述疾病类型为肺不张、变实、浸润、气胸、水肿、肺气肿、纤维变性、积液、肺炎、胸膜增厚、心脏肥大、结节、肿块和疝气等。较佳地，本发明实施例可使用Label Me图片标注工具人工进行疾病类型标记。
进一步地，本发明实施例利用所述训练集及所述标签集训练所述深度学习网络模型，包括：
步骤A：根据预设的卷积池化次数，对所述训练集进行卷积池化操作得到得到降维数据集；
步骤B：根据预设的反卷积次数，对所述降维数据集进行反卷积操作得到升维数据集；
步骤C：利用预设的激活函数对所述升维数据集进行计算得到预测值，根据所述预测值和所述标签集包含的标签值，利用预构建的损失函数计算得到损失值。
步骤D：对比所述损失值与预设的损失阈值的大小，若所述损失值大于或等于所述损失阈值，返回A；若所述损失值小于所述损失阈值，停止训练，得到所述疾病识别模型。
详细地，所述卷积池化操作包括：卷积操作和池化操作。
进一步地，所述卷积操作为：
其中，
为卷积数据集，
为所述训练集，
为预设卷积核的大小，
为预设卷积操作的步幅，
为预设数据补零矩阵。
较佳地，本发明实施例中所述池化操作为对所述卷积数据集进行最大池化操作得到所述降维数据集。
进一步地，所述预设的激活函数包括：
其中，
表示所述预测值，s表示所述升维数据集中的数据。
详细地，所述损失函数包括：
其中，T表示所述损失值，
为所述训练集的数据数目，t为正整数，
为所述标签值。
通过上述模型训练的过程得到所述疾病识别模型，使所述疾病识别模型具备对预设部位准确的特征提取能力。
本发明的另一实施例中，为了保证病人的数据隐私，所述疾病识别模型的训练数据可以存储在区块链中。
S2、根据所述疾病识别模型与预构建的初始诊断模型构建蒸馏损失函数；
本发明实施例中，所述初始诊断模型与所述疾病识别模型具有相同维度特征层及输出，同时，所述初始诊断模型为结构更简单、参数更少的深度学习网络模型。进一步地，所述特征层为所述初始诊断模型与所述疾病识别模型中softmax分类器前连接的全连接层。
较佳地，所述初始诊断模型为ResNet-8模型。
进一步地，本发明实施例中，为了让所述初始诊断模型拥有与所述疾病识别模型相同的特征提取能力，后续将所述疾病识别模型中的模型信息转移到所述初始诊断模型中，为了衡量所述疾病识别模型与预构建的初始诊断模型的特征提取能力差异，根据所述疾病识别模型与预构建的初始诊断模型构建蒸馏损失函数，利用所述蒸馏损失函数衡量所述疾病识别模型与预构建的初始诊断模型的特征提取能力差异。
详细地，本发明实施例中，参照图2所示，所述根据所述疾病识别模型与预构建的初始诊断模型构建蒸馏损失函数，包括：
S21、对所述疾病识别模型中包含的第一特征层的特征信息进行归一化指数处理，得到疾病识别模型概率分布函数；
详细地，本发明实施例中，所述对所述疾病识别模型中包含的第一特征层的特征信息进行归一化指数处理可用如下公式进行：
其中，X表示所述疾病识别模型概率分布，n表示所述第一特征层的维度，i表示所述第一特征层的特征节点序号，
表示映射函数。
S22、对所述初始诊断模型中包含的第二特征层的特征信息进行归一化指数处理，得到初始诊断模型概率分布函数；
详细地，本发明实施例中，所述对所述初始诊断模型中包含的第二特征层的特征信息进行归一化指数处理可用如下公式进行：
其中，Y表示所述初始诊断模型概率分布，m表示所述第二特征层的维度，j表示所述第二特征层的特征节点序号。
S23、根据所述疾病识别模型概率分布函数与所述初始诊断模型概率分布函数进行最大均值差异计算，得到所述蒸馏损失函数。
详细地，所述蒸馏损失函数可用如下公示表示：
其中，E表示所述蒸馏损失函数， H表示所述映射函数的映射空间。
S3、根据所述蒸馏损失函数对所述初始诊断模型进行蒸馏训练，得到第一诊断模型；
本发明实施例中，所述疾病识别模型的参数量大，特征提取能力强，但所述疾病识别模型对硬件的要求也很高，和所述疾病识别模型相比，所述初始诊断模型的参数量更少，单独训练的特征提取能力更弱，因此，为了让所述初始诊断模型保持轻量化的同时具有所述疾病识别模型一样的特征提取能力，本发明实施例根据所述蒸馏损失函数利用所述疾病识别模型对所述初始诊断模型进行蒸馏训练。
详细地，本发明实施例中根据所述蒸馏损失函数对所述初始诊断模型进行蒸馏训练，包括：利用所述第一特征层作为训练目标，不断更迭所述初始诊断模型参数，当计算所述蒸馏损失函数得到的蒸馏损失值小于预设阈值时，停止训练，得到所述第一诊断模型。
S4、根据所述蒸馏损失函数对所述初始诊断模型进行蒸馏训练，得到第一诊断模型；
为了模型进一步地轻量化，并提高所述诊断模型的可迁移性，本实施例根据预设的诊断目标对所述第一诊断模型进行训练及输出调整。
详细地，本发明实施例中，所述对所述第一诊断模型进行训练及输出调整，得到目标诊断模型，包括：
步骤I、判断所述诊断目标是否为新增诊断目标；
本发明实施例中，所述诊断目标为诊断的疾病类型，所述诊断的疾病类型为所述预设部位发生的疾病类型，当所述诊断的疾病类型为所述疾病识别模型可以识别的疾病类型时，确定所述诊断目标不为新增诊断目标；当所述诊断的疾病类型为所述疾病识别模型无法识别的疾病类型时，确定所述诊断目标为新增诊断目标。
步骤II、当所述诊断目标不为新增诊断目标时，对所述第一诊断模型进行输出调整，得到目标诊断模型；
本发明实施例中，利用预设的程序框架对所述第一诊断模型进行输出调整，例如：所述第一诊断模型中共有4路输出，包括：浸润、气胸、水肿、肺气肿；所述诊断目标为肺气肿诊断，将所述第一诊断模型的输出调整为两路输出，包括：肺气肿、非肺气肿。较佳地，所述程序框架为pytorch框架。
步骤III、当所述诊断目标为新增诊断目标时，调整并训练所述第一诊断模型，得到目标诊断模型。
本发明实施例中，当所述诊断目标为新增诊断目标时，所述第一诊断模型虽然具有预设部位的特征提取能力，但所述诊断目标对应的诊断的疾病类型为所述疾病识别模型不可以识别的疾病类型，例如：所述疾病识别模型可以识别的疾病类型为浸润、气胸、水肿、肺气肿，所述诊断目标对应的诊断的疾病类型为新冠肺炎；因此，本发明实施例还需要调整并训练所述第一诊断模型，使得所述第一诊断模型熟悉新冠肺炎的图片特征。
详细地，参照图3所示，本发明实施例中所述调整并训练所述第一诊断模型，得到目标诊断模型，包括：
S431、获取诊断图片集，对所述诊断图片集进行标注，得到初始诊断图片集；
本发明实施例中，所述诊断图片集为包含所述诊断目标对应的诊断的疾病类型的诊断图片的集合；所述诊断图片集与所述疾病历史图片集的图片格式一致。
S432、对所述初始诊断图片集进行数据增强处理，得到标准诊断图片集；
本发明实施例中，为了增强后续模型的泛化能力，对所述初始诊断图片集进行数据增强处理。
详细地，本发明实施例中，对所述初始诊断图片集进行数据增强处理，包括：对所述诊断图片集中包含的图片进行随机水平翻转及随机边缘裁剪，得到所述标准诊断图片集。
S433、根据所述诊断目标对所述第一诊断模型进行输出添加，得到第二诊断模型；
本发明实施例中，所述诊断目标对应的诊断的疾病类型是所述第一诊断模型不能识别的疾病类型，因此需要将所述诊断目标对应的诊断的疾病类型添加进所述第一诊断模型包含的输出类型。
S434、利用所述标准诊断图片集对所述第二诊断模型进行迭代训练，直至所述第二诊断模型收敛，得到第三诊断模型；
S435、对所述第三诊断模型进行输出调整，得到目标诊断模型；
本发明实施例中，利用预设的程序框架对所述第三诊断模型进行输出调整，例如：所述第三诊断模型中共有4路输出，包括：浸润、气胸、水肿、肺气肿；所述诊断目标为肺气肿诊断，将所述第三诊断模型的输出调整为两路输出，包括：肺气肿、非肺气肿。较佳地，所述程序框架为pytorch框架。
S5、当接收到待分析医学影像图片时，利用所述目标诊断模型对所述待分析医学影像图片进行分析，得到分析结果。
本发明实施例中，所述待分析医学影像图片为所述预设部位的待分析医学影像图片。所述待分析医学影像图片的格式与所述疾病历史图片集包含的图片格式相同。
进一步地，本发明实施例利用所述医学影像图片分析模型对所述待分析医学影像图片进行分析，输出患病概率；利用约登指数原则确认所述患病的置信阈值；将所述患病概率与所述置信阈值进行比较；当所述患病概率大于或等于所述置信阈值时，判断为患病，当所述患病概率小于所述置信阈值时，判断为未患病。
如图4所示，是本发明医学影像图片分析装置的功能模块图。
本发明所述医学影像图片分析装置100可以安装于电子设备中。根据实现的功能，所述医学影像图片分析装置可以包括模型生成模块101、模型蒸馏模块102、图片分析模块103。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述模型生成模块101用于获取预设部位疾病历史图片集，利用所述预设部位疾病历史图片集训练预构建的深度学习网络模型得到疾病识别模型。
本发明实施例中，所述预设部位疾病历史图片集为预设部位的病人的医学影像图片，如病人胸部的CXR图片的集合，所述预设部位疾病历史图片集可以从某机构的CXR数据库中进行获取，例如：NIH临床中心的CXR数据库。
较佳地，本发明实施例中所述卷积神经网络模型可以为全卷积神经网络模型。
详细地，本发明实施例中所述模型生成模块101将所述预设部位疾病历史图片集确定为训练集，对所述预设部位疾病历史图片集进行疾病类型标记得到标签集。其中，所述疾病类型为肺不张、变实、浸润、气胸、水肿、肺气肿、纤维变性、积液、肺炎、胸膜增厚、心脏肥大、结节、肿块和疝气等。较佳地，本发明实施例可使用Label Me图片标注工具人工进行疾病类型标记。
进一步地，本发明实施例所述模型生成模块101利用所述训练集及所述标签集训练所述深度学习网络模型，包括：
步骤A：根据预设的卷积池化次数，对所述训练集进行卷积池化操作得到得到降维数据集；
步骤B：根据预设的反卷积次数，对所述降维数据集进行反卷积操作得到升维数据集；
步骤C：利用预设的激活函数对所述升维数据集进行计算得到预测值，根据所述预测值和所述标签集包含的标签值，利用预构建的损失函数计算得到损失值。
步骤D：对比所述损失值与预设的损失阈值的大小，若所述损失值大于或等于所述损失阈值，返回所述步骤A；若所述损失值小于所述损失阈值，停止训练，得到所述疾病识别模型。
详细地，所述卷积池化操作包括：卷积操作和池化操作。
进一步地，所述卷积操作为：
其中，
为卷积数据集，
为所述训练集，
为预设卷积核的大小，
为预设卷积操作的步幅，
为预设数据补零矩阵。
较佳地，本发明实施例中所述池化操作为所述模型生成模块101对所述卷积数据集进行最大池化操作得到所述降维数据集。
进一步地，所述预设的激活函数包括：
其中，
表示所述预测值，s表示所述升维数据集中的数据。
详细地，所述损失函数包括：
其中，T表示所述损失值，
为所述训练集的数据数目，t为正整数，
为所述标签值。
通过上述的模型训练的过程得到所述疾病识别模型，使所述疾病识别模型具备对预设部位准确的特征提取能力。
本发明的另一实施例中，为了保证病人的数据隐私，所述疾病识别模型的训练数据可以存储在区块链中。
所述模型蒸馏模块102用于根据所述疾病识别模型与预构建的初始诊断模型构建蒸馏损失函数；根据所述蒸馏损失函数对所述初始诊断模型进行蒸馏训练，得到第一诊断模型；根据预设的诊断目标对所述第一诊断模型进行训练及输出调整，得到目标诊断模型。
本发明实施例中，所述初始诊断模型为与所述疾病识别模型具有相同维度特征层及输出，同时，所述初始诊断模型为结构更简单、参数更少的深度学习网络模型。进一步地，所述特征层为所述初始诊断模型为与所述疾病识别模型中softmax分类器前连接的的全连接层。
较佳地，所述初始诊断模型为ResNet-8模型。
进一步地，本发明实施例中，为了让所述初始诊断模型拥有与所述疾病识别模型相同的特征提取能力，后续将所述疾病识别模型中的模型信息转移到所述初始诊断模型中，为了衡量所述疾病识别模型与预构建的初始诊断模型的特征提取能力差异，所述模型蒸馏模块102根据所述疾病识别模型与预构建的初始诊断模型构建蒸馏损失函数，利用所述蒸馏损失函数衡量所述疾病识别模型与预构建的初始诊断模型的特征提取能力差异。
详细地，本发明实施例中，所述模型蒸馏模块102根据所述疾病识别模型与预构建的初始诊断模型利用如下手段构建蒸馏损失函数，包括：
对所述疾病识别模型中包含的第一特征层的特征信息进行归一化指数处理，得到疾病识别模型概率分布函数；
详细地，本发明实施例中，所述对所述疾病识别模型中包含的第一特征层的特征信息进行归一化指数处理可用如下公式进行：
其中，X表示所述疾病识别模型概率分布，n表示所述第一特征层的维度，i表示所述第一特征层的特征节点序号，
表示映射函数。
对所述初始诊断模型中包含的第二特征层的特征信息进行归一化指数处理，得到初始诊断模型概率分布函数；
详细地，本发明实施例中，所述对所述初始诊断模型中包含的第二特征层的特征信息进行归一化指数处理可用如下公式进行：
其中，Y表示所述初始诊断模型概率分布，m表示所述第二特征层的维度，j表示所述第二特征层的特征节点序号。
根据所述疾病识别模型概率分布函数与所述初始诊断模型概率分布函数进行最大均值差异计算，得到所述蒸馏损失函数。
详细地，所述蒸馏损失函数可用如下公示表示：
其中，E表示所述蒸馏损失函数， H表示所述映射函数的映射空间。
本发明实施例中，所述疾病识别模型的参数量大，特征提取能力强，但所述疾病识别模型对硬件的要求也很高，和所述疾病识别模型相比，所述初始诊断模型的参数量更少，单独训练的特征提取能力更弱，因此，为了让所述初始诊断模型保持轻量化的同时具有所述疾病识别模型一样的特征提取能力，本发明实施例所述模型蒸馏模块102根据所述蒸馏损失函数利用所述疾病识别模型对所述初始诊断模型进行蒸馏训练。
详细地，本发明实施例中所述模型蒸馏模块102根据所述蒸馏损失函数利用如下手段对所述初始诊断模型进行蒸馏训练，包括：利用所述第一特征层作为训练目标，不断更迭所述初始诊断模型参数，当计算所述蒸馏损失函数得到的蒸馏损失值小于预设阈值时，停止训练，得到所述第一诊断模型。
本发明实施例中，为了模型进一步地轻量化，并提高所述诊断模型的可迁移性，本实施例根据预设的诊断目标对所述第一诊断模型进行训练及输出调整。
详细地，本发明实施例中，所述模型蒸馏模块102利用如下手段对所述第一诊断模型进行训练及输出调整，得到目标诊断模型，包括：
判断所述诊断目标是否为新增诊断目标；
本发明实施例中，所述诊断目标为诊断的疾病类型，所述诊断的疾病类型为所述预设部位发生的疾病类型，当所述诊断的疾病类型为所述疾病识别模型可以识别的疾病类型时，确定所述诊断目标不为新增诊断目标；当所述诊断的疾病类型为所述疾病识别模型无法识别的疾病类型时，确定所述诊断目标为新增诊断目标。
当所述诊断目标不为新增诊断目标时，对所述第一诊断模型进行输出调整，得到目标诊断模型；
本发明实施例中，利用预设的程序框架对对所述第一诊断模型进行输出调整，例如：所述第一诊断模型中共有4路输出包括：浸润、气胸、水肿、肺气肿；所述诊断目标为肺气肿诊断，将所述第一诊断模型的输出调整为两路输出包括：肺气肿、非肺气肿。较佳地，所述程序框架为pytorch框架。
当所述诊断目标为新增诊断目标时，调整并训练所述第一诊断模型，得到目标诊断模型。
本发明实施例中，当所述诊断目标为新增诊断目标时，所述第一诊断模型虽然具有预设部位的特征提取能力，但所述诊断目标对应的诊断的疾病类型为所述疾病识别模型不可以识别的疾病类型，例如：所述疾病识别模型可以识别的疾病类型为浸润、气胸、水肿、肺气肿，所述诊断目标对应的诊断的疾病类型为新冠肺炎；因此，本发明实施例还需要调整并训练所述第一诊断模型，使得所述第一诊断模型熟悉新冠肺炎的图片特征。
详细地，本发明实施例中所述模型蒸馏模块102利用如下手段调整并训练所述第一诊断模型，得到目标诊断模型，包括：
获取诊断图片集，对所述诊断图片集进行标注，得到初始诊断图片集；
本发明实施例中，所述诊断图片集为包含所述诊断目标对应的诊断的疾病类型的诊断图片的集合；所述诊断图片集与所述疾病历史图片集的图片格式一致。
对所述初始诊断图片集进行数据增强处理，得到标准诊断图片集；
本发明实施例中，为了增强后续模型的泛化能力，对所述初始诊断图片集进行数据增强处理。
详细地，本发明实施例中，对所述初始诊断图片集进行数据增强处理，包括：对所述诊断图片集中包含的图片进行随机水平翻转及随机边缘裁剪，得到所述标准诊断图片集。
根据所述诊断目标对所述第一诊断模型进行输出添加，得到第二诊断模型；
本发明实施例中，所述诊断目标对应的诊断的疾病类型是所述第一诊断模型不能识别的疾病类型，因此需要将所述诊断目标对应的诊断的疾病类型添加进所述第一诊断模型包含的输出类型。
利用所述标准诊断图片集对所述第二诊断模型进行迭代训练，直至所述第二诊断模型收敛，得到第三诊断模型；
对所述第三诊断模型进行输出调整，得到目标诊断模型；
本发明实施例中，利用预设的程序框架对所述第三诊断模型进行输出调整，例如：所述第三诊断模型中共有4路输出，包括：浸润、气胸、水肿、肺气肿；所述诊断目标为肺气肿诊断，将所述第三诊断模型的输出调整为两路输出，包括：肺气肿、非肺气肿。较佳地，所述程序框架为pytorch框架。
所述图片分析模块103用于当接收到待分析医学影像图片时，利用所述目标诊断模型对所述待分析医学影像图片进行分析，得到分析结果。
本发明实施例中，所述待分析医学影像图片为所述预设部位的待分析医学影像图片。所述待分析医学影像图片的格式与所述疾病历史图片集包含的图片格式相同。
进一步地，本发明实施例所述图片分析模块103利用所述医学影像图片分析模型对所述待分析医学影像图片进行分析，输出患病概率；利用约登指数原则确认所述患病的置信阈值；将所述患病概率与所述置信阈值进行比较；当所述患病概率大于或等于所述置信阈值时，判断为患病，当所述患病概率小于所述置信阈值时，判断为未患病。
如图5所示，是本发明实现医学影像图片分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如医学影像图片分析程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如医学影像图片分析程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如医学影像图片分析程序等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的医学影像图片分析程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取预设部位疾病历史图片集，利用所述预设部位疾病历史图片集训练预构建的深度学习网络模型得到疾病识别模型；
根据所述疾病识别模型与预构建的初始诊断模型构建蒸馏损失函数；
根据所述蒸馏损失函数对所述初始诊断模型进行蒸馏训练，得到第一诊断模型；
根据预设的诊断目标对所述第一诊断模型进行训练及输出调整，得到目标诊断模型；
当接收到待分析医学影像图片时，利用所述目标诊断模型对所述待分析医学影像图片进行分析，得到分析结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目标。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种医学影像图片分析方法，其特征在于，所述方法包括：
获取预设部位疾病历史图片集，利用所述预设部位疾病历史图片集训练预构建的深度学习网络模型得到疾病识别模型；
根据所述疾病识别模型与预构建的初始诊断模型构建蒸馏损失函数；
根据所述蒸馏损失函数对所述初始诊断模型进行蒸馏训练，得到第一诊断模型；
根据预设的诊断目标对所述第一诊断模型进行训练及输出调整，得到目标诊断模型；
当接收到待分析医学影像图片时，利用所述目标诊断模型对所述待分析医学影像图片进行分析，得到分析结果。
2.如权利要求1所述的医学影像图片分析方法，其特征在于，所述利用所述预设部位疾病历史图片集训练预构建的深度学习网络模型得到疾病识别模型，包括：
将所述预设部位疾病历史图片集确定为训练集；
对所述预设部位疾病历史图片集进行疾病类型标记得到标签集；
利用所述训练集及所述标签集训练所述深度学习网络模型，得到所述疾病识别模型。
3.如权利要求2所述的医学影像图片分析方法，其特征在于，所述利用所述训练集及所述标签集训练所述深度学习网络模型，得到所述疾病识别模型，包括：
降维步骤：根据预设的卷积池化次数，对所述训练集进行卷积池化操作，得到降维数据集；
升维步骤：根据预设的反卷积次数，对所述降维数据集进行反卷积操作，得到升维数据集；
损失值计算步骤：利用预设的激活函数对所述升维数据集进行计算得到预测值，根据所述预测值和所述标签集包含的标签值，利用预构建的损失函数的输入参数计算得到损失值；
损失值对比步骤：对比所述损失值与预设的损失阈值的大小，若所述损失值大于或等于所述损失阈值，返回所述降维步骤；若所述损失值小于所述损失阈值，停止训练，得到所述疾病识别模型。
4.如权利要求1所述的医学影像图片分析方法，其特征在于，所述根据所述疾病识别模型与预构建的初始诊断模型构建蒸馏损失函数，包括：
对所述疾病识别模型中包含的第一特征层的特征信息进行归一化指数处理，得到疾病识别模型概率分布函数；
对所述初始诊断模型中包含的第二特征层的特征信息进行归一化指数处理，得到初始诊断模型概率分布函数；
根据所述疾病识别模型概率分布函数与所述初始诊断模型概率分布函数进行最大均值差异计算，得到所述蒸馏损失函数。
5.如权利要求4所述的医学影像图片分析方法，其特征在于，所述根据所述蒸馏损失函数对所述初始诊断模型进行蒸馏训练，得到第一诊断模型，包括：
利用所述第一特征层作为训练目标，不断更迭所述初始诊断模型的参数，当计算所述蒸馏损失函数得到的蒸馏损失值小于预设阈值时，停止训练，得到所述第一诊断模型。
6.如权利要求1所述的医学影像图片分析方法，其特征在于，所述根据预设的诊断目标对所述第一诊断模型进行训练及输出调整，得到目标诊断模型，包括：
判断所述诊断目标是否为新增诊断目标；
当所述诊断目标不为新增诊断目标时，对所述第一诊断模型进行输出调整，得到所述目标诊断模型；或者
当所述诊断目标为新增诊断目标时，调整并训练所述第一诊断模型，得到所述目标诊断模型。
7.如权利要求6所述的医学影像图片分析方法，其特征在于，所述调整并训练所述第一诊断模型，得到目标诊断模型，包括：
获取诊断图片集，对所述诊断图片集进行标注，得到初始诊断图片集；
对所述初始诊断图片集进行数据增强处理，得到标准诊断图片集；
根据所述诊断目标对所述第一诊断模型进行输出添加，得到第二诊断模型；
利用所述标准诊断图片集对所述第二诊断模型进行迭代训练，直至所述第二诊断模型收敛，得到第三诊断模型；
对所述第三诊断模型进行输出调整，得到所述目标诊断模型。
8.一种医学影像图片分析装置，其特征在于，所述装置包括：
模型生成模块，用于获取预设部位疾病历史图片集，利用所述预设部位疾病历史图片集训练预构建的深度学习网络模型得到疾病识别模型；
知识蒸馏模块，用于根据所述疾病识别模型与预构建的初始诊断模型构建蒸馏损失函数；根据所述蒸馏损失函数对所述初始诊断模型进行蒸馏训练，得到第一诊断模型；根据预设的诊断目标对所述第一诊断模型进行训练及输出调整，得到目标诊断模型；
图片分析模块，用于当接收到待分析医学影像图片时，利用所述目标诊断模型对所述待分析医学影像图片进行分析，得到分析结果。
9.一种电子设备，其特征在于，所述电子设备包括：
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至少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能够执行如权利要求1至7中任一所述的医学影像图片分析方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一所述的医学影像图片分析方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011003181.5A CN111932534B (zh) | 2020-09-22 | 2020-09-22 | 医学影像图片分析方法、装置、电子设备及可读存储介质 |
| PCT/CN2020/125474 WO2021151338A1 (zh) | 2020-09-22 | 2020-10-30 | 医学影像图片分析方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011003181.5A CN111932534B (zh) | 2020-09-22 | 2020-09-22 | 医学影像图片分析方法、装置、电子设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111932534A true CN111932534A (zh) | 2020-11-13 |
| CN111932534B CN111932534B (zh) | 2021-07-06 |
Family
ID=73333978
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011003181.5A Active CN111932534B (zh) | 2020-09-22 | 2020-09-22 | 医学影像图片分析方法、装置、电子设备及可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111932534B (zh) |
| WO (1) | WO2021151338A1 (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464760A (zh) * | 2020-11-16 | 2021-03-09 | 北京明略软件系统有限公司 | 一种目标识别模型的训练方法和装置 |
| CN112545452A (zh) * | 2020-12-07 | 2021-03-26 | 南京医科大学眼科医院 | 高度近视眼底病变风险预测方法 |
| CN112819043A (zh) * | 2021-01-19 | 2021-05-18 | 东北大学 | 一种基于arm的深度学习轻量化肺结节分类方法 |
| CN114913371A (zh) * | 2022-05-10 | 2022-08-16 | 平安科技（深圳）有限公司 | 多任务学习模型训练方法、装置、电子设备及存储介质 |
| CN117372556A (zh) * | 2023-09-20 | 2024-01-09 | 深圳市元甪科技有限公司 | 肺部成像方法、装置、计算机设备和计算机可读存储介质 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115100189B (zh) * | 2022-07-28 | 2023-07-18 | 上海品课信息科技有限公司 | 三维医疗影像的切割方法、电子设备及存储介质 |
| CN116740220B (zh) * | 2023-08-16 | 2023-10-13 | 海马云（天津）信息技术有限公司 | 模型构建的方法和装置、照片生成方法和装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107133942A (zh) * | 2017-04-24 | 2017-09-05 | 南京天数信息科技有限公司 | 一种基于深度学习的医疗图像处理方法 |
| CN107368670A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的胃癌病理诊断支持系统和方法 |
| CN107977668A (zh) * | 2017-07-28 | 2018-05-01 | 北京物灵智能科技有限公司 | 一种机器人图像识别方法及系统 |
| US20180341751A1 (en) * | 2017-05-25 | 2018-11-29 | Enlitic, Inc. | Medical scan natural language analysis system |
| CN109544585A (zh) * | 2018-12-19 | 2019-03-29 | 中国石油大学(华东) | 一种基于轻量化卷积神经网络的胆石病ct医疗图像数据增强方法 |
| CN109815976A (zh) * | 2018-12-14 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 一种证件信息识别方法、装置及设备 |
| CN110619947A (zh) * | 2019-09-19 | 2019-12-27 | 南京工程学院 | 基于轻量级深度学习的肺部ct辅助筛查系统及筛查方法 |
| CN110689089A (zh) * | 2019-10-12 | 2020-01-14 | 电子科技大学 | 用于深度学习多类别医疗图像分类的主动增量训练方法 |
| CN110837846A (zh) * | 2019-10-12 | 2020-02-25 | 深圳力维智联技术有限公司 | 一种图像识别模型的构建方法、图像识别方法及装置 |
| CN111027508A (zh) * | 2019-12-23 | 2020-04-17 | 电子科技大学 | 一种基于深层神经网络的遥感图像覆被变化检测方法 |
| CN111460797A (zh) * | 2020-06-09 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 关键字抽取方法、装置、电子设备及可读存储介质 |
| CN111563152A (zh) * | 2020-06-19 | 2020-08-21 | 平安科技（深圳）有限公司 | 智能问答语料分析方法、装置、电子设备及可读存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130129159A1 (en) * | 2011-11-22 | 2013-05-23 | Ronald Huijgens | Face recognition method and apparatus |
-
2020
- 2020-09-22 CN CN202011003181.5A patent/CN111932534B/zh active Active
- 2020-10-30 WO PCT/CN2020/125474 patent/WO2021151338A1/zh active Application Filing
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107133942A (zh) * | 2017-04-24 | 2017-09-05 | 南京天数信息科技有限公司 | 一种基于深度学习的医疗图像处理方法 |
| US20180341751A1 (en) * | 2017-05-25 | 2018-11-29 | Enlitic, Inc. | Medical scan natural language analysis system |
| CN107368670A (zh) * | 2017-06-07 | 2017-11-21 | 万香波 | 基于大数据深度学习的胃癌病理诊断支持系统和方法 |
| CN107977668A (zh) * | 2017-07-28 | 2018-05-01 | 北京物灵智能科技有限公司 | 一种机器人图像识别方法及系统 |
| CN109815976A (zh) * | 2018-12-14 | 2019-05-28 | 深圳壹账通智能科技有限公司 | 一种证件信息识别方法、装置及设备 |
| CN109544585A (zh) * | 2018-12-19 | 2019-03-29 | 中国石油大学(华东) | 一种基于轻量化卷积神经网络的胆石病ct医疗图像数据增强方法 |
| CN110619947A (zh) * | 2019-09-19 | 2019-12-27 | 南京工程学院 | 基于轻量级深度学习的肺部ct辅助筛查系统及筛查方法 |
| CN110689089A (zh) * | 2019-10-12 | 2020-01-14 | 电子科技大学 | 用于深度学习多类别医疗图像分类的主动增量训练方法 |
| CN110837846A (zh) * | 2019-10-12 | 2020-02-25 | 深圳力维智联技术有限公司 | 一种图像识别模型的构建方法、图像识别方法及装置 |
| CN111027508A (zh) * | 2019-12-23 | 2020-04-17 | 电子科技大学 | 一种基于深层神经网络的遥感图像覆被变化检测方法 |
| CN111460797A (zh) * | 2020-06-09 | 2020-07-28 | 平安国际智慧城市科技股份有限公司 | 关键字抽取方法、装置、电子设备及可读存储介质 |
| CN111563152A (zh) * | 2020-06-19 | 2020-08-21 | 平安科技（深圳）有限公司 | 智能问答语料分析方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| DONGLING LIU ET AL: "Tumor Disease Diagnosis Model Based on BP Neural Network", 《 2017 INTERNATIONAL CONFERENCE ON SMART GRID AND ELECTRICAL AUTOMATION (ICSGEA)》 * |
| 张菁 等: "基于迁移学习的胃镜图像识别模型的构建及其在胃癌诊断中的应用", 《第二军医大学学报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464760A (zh) * | 2020-11-16 | 2021-03-09 | 北京明略软件系统有限公司 | 一种目标识别模型的训练方法和装置 |
| CN112545452A (zh) * | 2020-12-07 | 2021-03-26 | 南京医科大学眼科医院 | 高度近视眼底病变风险预测方法 |
| CN112819043A (zh) * | 2021-01-19 | 2021-05-18 | 东北大学 | 一种基于arm的深度学习轻量化肺结节分类方法 |
| CN112819043B (zh) * | 2021-01-19 | 2023-10-10 | 东北大学 | 一种基于arm的深度学习轻量化肺结节分类方法 |
| CN114913371A (zh) * | 2022-05-10 | 2022-08-16 | 平安科技（深圳）有限公司 | 多任务学习模型训练方法、装置、电子设备及存储介质 |
| CN117372556A (zh) * | 2023-09-20 | 2024-01-09 | 深圳市元甪科技有限公司 | 肺部成像方法、装置、计算机设备和计算机可读存储介质 |
| CN117372556B (zh) * | 2023-09-20 | 2024-07-02 | 深圳市元甪科技有限公司 | 肺部成像方法、装置、计算机设备和计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111932534B (zh) | 2021-07-06 |
| WO2021151338A1 (zh) | 2021-08-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111932534B (zh) | 医学影像图片分析方法、装置、电子设备及可读存储介质 | |
| CN111652845B (zh) | 异常细胞自动标注方法、装置、电子设备及存储介质 | |
| CN111932564B (zh) | 图片识别方法、装置、电子设备及计算机可读存储介质 | |
| CN111932547B (zh) | 图像中目标物的分割方法、装置、电子设备及存储介质 | |
| CN111932562B (zh) | 基于ct序列的图像识别方法、装置、电子设备及介质 | |
| CN111862096B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
| CN111933274B (zh) | 疾病分类诊断方法、装置、电子设备及存储介质 | |
| CN111476760B (zh) | 医学图像的生成方法、装置、电子设备及介质 | |
| CN113065609B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
| CN113487621A (zh) | 医学图像分级方法、装置、电子设备及可读存储介质 | |
| CN112990374A (zh) | 图像分类方法、装置、电子设备及介质 | |
| CN112885423A (zh) | 疾病标签检测方法、装置、电子设备及存储介质 | |
| CN114708461A (zh) | 基于多模态学习模型的分类方法、装置、设备及存储介质 | |
| CN112489747A (zh) | 基于分析模型的慢性病患者监管方法、装置、设备及介质 | |
| CN111932595A (zh) | 图像配准方法、装置、电子设备及存储介质 | |
| CN111814743A (zh) | 笔迹识别方法、装置及计算机可读存储介质 | |
| CN111932563B (zh) | 图片区域分割方法、装置、电子设备及存储介质 | |
| CN114511569B (zh) | 基于肿瘤标志物的医学图像识别方法、装置、设备及介质 | |
| CN113705686B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
| CN113590845B (zh) | 基于知识图谱的文献检索方法、装置、电子设备及介质 | |
| CN112233194B (zh) | 医学图片优化方法、装置、设备及计算机可读存储介质 | |
| WO2022227191A1 (zh) | 非主动活体检测方法、装置、电子设备及存储介质 | |
| CN114757787A (zh) | 基于大数据的车险人伤定损方法、装置、电子设备及介质 | |
| WO2022247006A1 (zh) | 基于多重特征的目标物分割方法、装置、设备及存储介质 | |
| CN112232408A (zh) | 目标推荐方法、装置、电子设备及计算机可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |