CN111932562A - 基于ct序列的图像识别方法、装置、电子设备及介质 - Google Patents

基于ct序列的图像识别方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN111932562A
CN111932562A CN202011001690.4A CN202011001690A CN111932562A CN 111932562 A CN111932562 A CN 111932562A CN 202011001690 A CN202011001690 A CN 202011001690A CN 111932562 A CN111932562 A CN 111932562A
Authority
CN
China
Prior art keywords
image
sequence
tissue
focus
target
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
CN202011001690.4A
Other languages
English (en)
Other versions
CN111932562B (zh
Inventor
刘新卉
叶苓
高良心
李楠楠
周云舒
黄凌云
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011001690.4A priority Critical patent/CN111932562B/zh
Priority to PCT/CN2020/125461 priority patent/WO2021189855A1/zh
Publication of CN111932562A publication Critical patent/CN111932562A/zh
Application granted granted Critical
Publication of CN111932562B publication Critical patent/CN111932562B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • 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
    • G06F18/211—Selection of the most significant subset of features
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
    • 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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Security & Cryptography (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioethics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及机器学习技术，揭露了一种基于CT序列的图像识别方法，包括：获取目标病理组织的组织图像序列和病灶图像序列；对组织图像序列和病灶图像序列进行特征提取，将第一特征图像集和二特征图像集拼接为病灶特征图；生成病灶特征图的预测图像标签；计算预测图像标签和预置目标病理标签之间的损失值，根据损失值对特征提取模型进行更新得到目标图像识别模型；利用目标图像识别模型对待识别图像序列进行图像识别，得到识别结果。本发明还提出了基于CT序列的图像识别装置及计算机可读存储介质。此外，本发明还涉及区块链技术，待识别图像序列可存储于区块链节点中。本发明可以应用于医学图像的识别。本发明可提高图像识别的效率和精确度。

Description

基于CT序列的图像识别方法、装置、电子设备及介质
技术领域
本发明涉及机器学习技术领域，尤其涉及一种基于CT序列的图像识别方法、装置、电子设备及计算机可读存储介质。
背景技术
2020年初新冠疫情突袭武汉，在二月份武汉医疗及检测资源极度紧张，且核酸检测的敏感度较低等情况下，为“早发现，早隔离”，使用CT影像诊断新冠肺炎被提出。
现有技术中，对病人的CT影像进行新冠检测时，需要利用整个CT的所有序列。对于一个CT序列，有薄层厚层之分，厚层五六十张图像，薄层多则达五百张图像，即使相同厚度的CT每个病人的层数也不相同，医生会耗费至少二三十分钟才能完成一次诊断，诊断效率不能满足实际情况的实时性。同同时，大量的时间也消耗医生大量的精力，容易出现漏诊误诊的情况，从而导致诊断的效率和准确度都不高。因此，如何提高利用CT鉴别新冠肺炎及其他肺炎的效率和精确度，成为了亟待解决的问题。
发明内容
本发明提供一种基于CT序列的图像识别方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高图像识别的效率和精确度。
为实现上述目的，本发明提供的一种基于CT序列的图像识别方法，包括：
获取目标病理组织的组织图像序列和病灶图像序列；
将所述组织图像序列中所有图像输入至预先构建的特征提取模型进行特征提取，得到第一特征图像集；
将所述病灶图像序列中所有图像输入至所述预先构建的特征提取模型进行特征提取，得到第二特征图像集；
将所述第一特征图与所述第二特征图进行拼接，得到病灶特征图；
对所述病灶特征图进行图像识别，得到预测图像标签；
计算所述预测图像标签和所述目标病理组织的预置目标病理标签之间的损失值，根据所述损失值对所述特征提取模型进行更新，得到目标图像识别模型；
获取待识别图像序列，利用所述目标图像识别模型对所述待识别图像序列进行图像识别，得到识别结果。
可选地，所述获取目标病理组织的组织图像序列和病灶图像序列，包括：
获取目标病理组织的组织分割灰度图和病灶分割灰度图；
利用预设的CT掩膜图像与所述组织分割灰度图相乘，得到组织图像序列；
利用所述CT掩膜图像与所述病灶分割灰度图相乘，得到病灶图像序列。
可选地，所述获取目标病理组织的组织图像序列和病灶图像序列之前，所述方法还包括：
接收识别所述目标病理组织的病灶的的图像识别请求；
提取所述图像识别请求中的用户信息，所述用户信息包括用户的唯一标识和密码；
根据所述用户的唯一标识和密码判断所述用户是否为授权用户；
若所述用户为授权用户，执行所述获取目标病理组织的组织图像序列和病灶图像序列的操作。
可选地，所述将所述组织图像序列中所有图像输入至预先构建的特征提取模型进行特征提取，得到第一特征图像集，包括：
利用所述特征提取模型对所述组织图像序列中所有图像进行卷积处理，得到第一卷积图像集；
对所述第一卷积图像集进行池化处理，得到第一特征图像集。
可选地，所述得到识别结果之后，所述方法还包括：
获取推送队列任务；
根据所述推送队列任务确定推送顺序；
根据所述推送顺序向用户推送所述识别结果。
可选地，所述对所述病灶特征图进行图像识别，得到预测图像标签，包括：
利用激活函数计算所述病灶特征图的标签为预设标签的概率值；
根据所述概率值生成所述病灶特征图对应的预测图像标签。
可选地，所述计算所述预测图像标签和所述目标病理组织的预置目标病理标签之间的损失值，包括：
利用如下损失函数计算所述预测图像标签和所述目标病理组织的预置目标病理标签之间的损失值
Figure 95640DEST_PATH_IMAGE001
：
Figure 746065DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
为预测图像标签的数量，
Figure 624153DEST_PATH_IMAGE004
为目标病理组织的预置目标病理标签的数量；
Figure DEST_PATH_IMAGE005
是正负号指示变量，
Figure 461659DEST_PATH_IMAGE006
为预设权重系数，
Figure DEST_PATH_IMAGE007
为第
Figure 214720DEST_PATH_IMAGE008
个病灶特征图为预置目标病理标签
Figure DEST_PATH_IMAGE009
的概率。
为了解决上述问题，本发明还提供一种基于CT序列的图像识别装置，所述装置包括：
图像获取模块，用于获取目标病理组织的组织图像序列和病灶图像序列；
第一特征提取模块，用于将所述组织图像序列中所有图像输入至预先构建的特征提取模型进行特征提取，得到第一特征图像集；
第二特征提取模块，用于将所述病灶图像序列中所有图像输入至所述预先构建的特征提取模型进行特征提取，得到第二特征图像集；
特征拼接模块，用于将所述第一特征图与所述第二特征图进行拼接，得到病灶特征图；
标签预测模块，用于对所述病灶特征图进行图像识别，得到预测图像标签；
模型更新模块，用于计算所述预测图像标签和所述目标病理组织的预置目标病理标签之间的损失值，根据所述损失值对所述特征提取模型进行更新，得到目标图像识别模型；
图像识别模块，用于获取待识别图像序列，利用所述目标图像识别模型对所述待识别图像序列进行图像识别，得到识别结果。
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：
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计算机程序，所述计算机程序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上述所述的基于CT序列的图像识别方法。
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，包括存储数据区和存储程序区，其中，所述存储数据区存储创建的数据，所述存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现上述所述的基于CT序列的图像识别方法。
本发明实施例通过获取目标病理组织的组织图像序列和病灶图像序列，分别利用组织图像序列和病灶图像序列中的所有图像作为训练数据对特征提取模型进行训练，得到第一特征图和第二特征图，将第一特征图与第二特征图拼接为病灶特征图并计算病灶特征图的损失值，根据损失值对特征提取模型进行更新，得到目标图像识别模型，分别利用组织图像序列和病灶图像序列对模型进行训练，增强了训练数据的多样性，提高了目标图像识别模型对图像识别的精确度；获取待识别图像序列，利用目标图像识别模型对待识别图像序列进行图像识别，得到识别结果，无需人工对图像进行一一检测识别，提高了图像识别的效率。因此本发明提出的基于CT序列的图像识别方法、装置及计算机可读存储介质，可以提高图像识别的效率和精确度。
附图说明
图1为本发明一实施例提供的基于CT序列的图像识别方法的流程示意图；
图2为本发明一实施例提供的获取目标病理组织的组织图像序列和病灶图像序列的流程示意图；
图3为本发明一实施例提供的将组织图像序列输入至特征提取模型进行特征提取的流程示意图；
图4为本发明一实施例提供的生成预测图像标签的流程示意图；
图5为本发明一实施例提供的基于CT序列的图像识别装置的模块示意图；
图6为本发明一实施例提供的实现基于CT序列的图像识别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。
本申请实施例提供的基于CT序列的图像识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于CT序列的图像识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
本发明提供一种基于CT序列的图像识别方法。参照图1所示，为本发明一实施例提供的基于CT序列的图像识别方法的流程示意图。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，基于CT序列的图像识别方法包括：
S1、获取目标病理组织的组织图像序列和病灶图像序列。
本发明实施例中，所述目标病理组织的组织图像序列和病灶图像序列由多张组织图像和多张病灶图像组成。所述目标病理组织的组织图像序列和病灶图像序列中图像数量可以相同也可以不同。
图2为本发明一实施例提供的获取目标病理组织的组织图像序列和病灶图像序列的流程示意图。
详细地，参见图2所示，所述获取目标病理组织的组织图像序列和病灶图像序列，包括：
S10、获取目标病理组织的组织分割灰度图和病灶分割灰度图；
S11、利用预设的CT掩膜图像与所述组织分割灰度图相乘，得到组织图像序列；
S12、利用所述CT掩膜图像与所述病灶分割灰度图相乘，得到病灶图像序列。
具体地，本发明实施例利用具有数据抓取功能的java语句从预先构建的数据库中抓取目标病理组织的组织分割灰度图和病灶分割灰度图。
本发明实施例中，所述CT掩膜图像为仅包含0、1像素值的图像，利用CT掩膜图像与组织分割灰度图相乘，得到多张组织外全黑的只能看到组织的图像，即为组织图像序列。利用CT掩膜图像与病灶分割灰度图相乘，得到多张病灶外全黑的只能看到病灶的图像，即为病灶图像序列。
本发明一可选实施例中，所述获取目标病理组织的组织图像序列和病灶图像序列之前，所述方法还包括：
接收识别所述目标病理组织的病灶的的图像识别请求；
提取所述图像识别请求中的用户信息，所述用户信息包括用户的唯一标识和密码；
根据所述用户的唯一标识和密码判断所述用户是否为授权用户；
若所述用户为授权用户，执行所述获取目标病理组织的组织图像序列和病灶图像序列的操作。
详细地，所述根据所述用户的唯一标识和密码判断所述用户是否为授权用户，包括：
在所述用户的唯一标识及密码与预先存储信息都匹配时，确定所述用户为授权用户，执行所述获取目标病理组织的组织图像序列和病灶图像序列的操作；
在所述用户的唯一标识及密码与预先存储信息都不匹配时，确定所述用户为非授权用户，不执行所述获取目标病理组织的组织图像序列和病灶图像序列的操作。
由于目标病理组织的组织图像序列和病灶图像序列具有一定的隐私性，因此，通常这些数据的保密性需求较高，本发明较佳实施例在获取目标病理组织的组织图像序列和病灶图像序列之前对用户身份进行校验，提高了目标病理组织的组织图像序列和病灶图像序列的安全性。
S2、将所述组织图像序列中所有图像输入至预先构建的特征提取模型进行特征提取，得到第一特征图像集。
图3为本发明一实施例提供的将组织图像序列输入至特征提取模型进行特征提取的流程示意图。
本发明实施例中，参图3所示，所述将所述组织图像序列中所有图像输入至预先构建的特征提取模型进行特征提取，得到第一特征图像集，包括：
S20、利用所述特征提取模型对所述组织图像序列中所有图像进行卷积处理，得到第一卷积图像集；
S21、对所述第一卷积图像集进行池化处理，得到第一特征图像集。
详细地，本发明实施例中，所述利用所述特征提取模型对所述组织图像序列中所有图像进行卷积处理包括：利用特征提取模型中预设的卷积核矩阵与组织图像序列中每张图像的像素进行乘积。
具体地，对所述第一卷积图像集进行池化处理包括但不限于最大池化、最小池化和平均池化。
S3、将所述病灶图像序列中所有图像输入至所述预先构建的特征提取模型进行特征提取，得到第二特征图像集。
与得到第一特征图像集类似地，本发明实施例中，所述将所述病灶图像序列中所有图像输入至预先构建的特征提取模型进行特征提取，得到第二征图像集，包括：
利用所述特征提取模型对所述病灶图像序列中所有图像进行卷积处理，得到第二卷积图像集；
对所述第二卷积图像集进行池化处理，得到第二特征图像集。
本发明实施例中分别利用组织图像序列和病灶图像序列对模型进行训练，增强了训练数据的多样性，提高了目标图像识别模型对图像识别的精确度。
S4、将所述第一特征图与所述第二特征图进行拼接，得到病灶特征图。
本发明实施例中，由于所述第一特征图与所述第二特征图为同一特征提取网络的输出，因此第一特征图与第二特征图的尺寸一致。
本发明实施例将所述第一特征图与第二特征图进行几何拼接，例如，将第一特征图和第二特征图按照长度相同的边拼接在一起，拼接完成后得到病灶特征图。
S5、对所述病灶特征图进行图像识别，得到预测图像标签。
本发明实施例中，所述预测图像标签是图像识别模型对病灶特征图中的病灶的类型进行识别。
图4为本发明一实施例提供的生成预测图像标签的流程示意图。
具体的，参见图4所示，所述对所述病灶特征图进行图像识别，得到预测图像标签，包括：
S50、利用激活函数计算所述病灶特征图的标签为预设标签的概率值；
S51、根据所述概率值生成所述病灶特征图对应的预测图像标签。
详细地，所述激活函数包括但不限于sigmoid激活函数，利用激活函数可计算得到病灶特征图的标签为预设标签的概率值。
本发明实施例中，根据所述概率值生成所述病灶特征图对应的预测图像标签。例如，当概率值为“X”时，对所述病灶特征图生成预测图像标签“病灶特征图为目标病灶的概率为X”。
S6、计算所述预测图像标签和所述目标病理组织的预置目标病理标签之间的损失值，根据所述损失值对所述特征提取模型进行更新，得到目标图像识别模型。
本发明实施例中，所述计算所述预测图像标签和所述目标病理组织的预置目标病理标签之间的损失值，包括：
利用如下损失函数计算所述预测图像标签和所述目标病理组织的预置目标病理标签之间的损失值
Figure 454072DEST_PATH_IMAGE001
：
Figure 283487DEST_PATH_IMAGE002
其中，
Figure 904829DEST_PATH_IMAGE003
为预测图像标签的数量，
Figure 743472DEST_PATH_IMAGE004
为目标病理组织的预置目标病理标签的数量；
Figure 102909DEST_PATH_IMAGE005
是正负号指示变量，
Figure 368805DEST_PATH_IMAGE006
为预设权重系数，
Figure 961330DEST_PATH_IMAGE007
为第
Figure 338084DEST_PATH_IMAGE008
个病灶特征图为预置目标病理标签
Figure 817607DEST_PATH_IMAGE009
的概率。
进一步地，若所述预测图像标签和所述目标病理组织的预置目标病理标签之间的损失值大于预设误差，本发明实施例利用梯度下降算法对所述特征提取模型的参数进行更新，若所述预测图像标签和所述目标病理组织的预置目标病理标签之间的损失值小于或等于预设误差，得到目标图像识别模型。
详细地，所述梯度下降算法包括但不限于：大批量梯度下降算法、小批量梯度下降算法、随机梯度下降算法。
S7、获取待识别图像序列，利用所述目标图像识别模型对所述待识别图像序列进行图像识别，得到识别结果。
本发明实施例中，利用具有数据抓取功能的python语句从用于存储CT序列的区块链节点中获取待识别图像序列。利用区块链的数据高吞吐性，可提高获取待识别图像序列的效率。
本发明实施例利用所述目标图像识别模型对所述待识别图像序列进行图像识别，得到识别结果。所述识别结果为待识别图像序列中的图像中的病灶类型。
本发明一较佳实施例中，所述得到识别结果之后，所述方法还包括：
获取推送队列任务；
根据所述推送队列任务确定推送顺序；
根据所述推送顺序向用户推送所述识别结果。
实际应用中，需要对多个待识别图像序列进行图像识别，得到多个识别结果，在推送识别结果时，通过设置推送队列任务能够防止因同时对多个识别结果进行推送操作而造成的数据推送过程拥塞，提高了对多个识别结果进行推送处理的效率。
优选地，所述推送队列任务采用订阅方通知消息列队（MQ）实现，具体的，通过分批处理多份需要推送的识别结果，从而确保前一批识别结果推送结束再继续处理后一批识别结果。
通过订阅方通知消息列队可以降低计算资源占用，将大量的数据进行切割并分批进行推送，避免因为数据拥塞而导致计算资源的占用与浪费。
本发明实施例通过获取目标病理组织的组织图像序列和病灶图像序列，分别利用组织图像序列和病灶图像序列中的所有图像作为训练数据对特征提取模型进行训练，得到第一特征图和第二特征图，将第一特征图与第二特征图拼接为病灶特征图并计算病灶特征图的损失值，根据损失值对特征提取模型进行更新，得到目标图像识别模型，分别利用组织图像序列和病灶图像序列对模型进行训练，增强了训练数据的多样性，提高了目标图像识别模型对图像识别的精确度；获取待识别图像序列，利用目标图像识别模型对待识别图像序列进行图像识别，得到识别结果，无需人工对图像进行一一检测识别，提高了图像识别的效率。因此本发明提出的基于CT序列的图像识别方法，可以提高图像识别的效率和精确度。
如图5所示，是本发明基于CT序列的图像识别装置的模块示意图。
本发明所述基于CT序列的图像识别装置100可以安装于电子设备中。根据实现的功能，所述基于CT序列的图像识别装置可以包括图像获取模块101、第一特征提取模块102、第二特征提取模块103、特征拼接模块104、标签预测模块105、模型更新模块106和图像识别模块107。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：
所述图像获取模块101，用于获取目标病理组织的组织图像序列和病灶图像序列；
所述第一特征提取模块102，用于将所述组织图像序列中所有图像输入至预先构建的特征提取模型进行特征提取，得到第一特征图像集；
所述第二特征提取模块103，用于将所述病灶图像序列中所有图像输入至所述预先构建的特征提取模型进行特征提取，得到第二特征图像集；
所述特征拼接模块104，用于将所述第一特征图与所述第二特征图进行拼接，得到病灶特征图；
所述标签预测模块105，用于对所述病灶特征图进行图像识别，得到预测图像标签；
所述模型更新模块106，用于计算所述预测图像标签和所述目标病理组织的预置目标病理标签之间的损失值，根据所述损失值对所述特征提取模型进行更新，得到目标图像识别模型；
所述图像识别模块107，用于获取待识别图像序列，利用所述目标图像识别模型对所述待识别图像序列进行图像识别，得到识别结果。
详细地，所述基于CT序列的图像识别装置各模块的具体实施方式如下：
所述图像获取模块101，用于获取目标病理组织的组织图像序列和病灶图像序列。
本发明实施例中，所述目标病理组织的组织图像序列和病灶图像序列由多张组织图像和多张病灶图像组成。所述目标病理组织的组织图像序列和病灶图像序列中图像数量可以相同也可以不同。
详细地，所述图像获取模块101具体用于：
获取目标病理组织的组织分割灰度图和病灶分割灰度图；
利用预设的CT掩膜图像与所述组织分割灰度图相乘，得到组织图像序列；
利用所述CT掩膜图像与所述病灶分割灰度图相乘，得到病灶图像序列。
具体地，本发明实施例利用具有数据抓取功能的java语句从预先构建的数据库中抓取目标病理组织的组织分割灰度图和病灶分割灰度图。
本发明实施例中，所述CT掩膜图像为仅包含0、1像素值的图像，利用CT掩膜图像与组织分割灰度图相乘，得到多张组织外全黑的只能看到组织的图像，即为组织图像序列。利用CT掩膜图像与病灶分割灰度图相乘，得到多张病灶外全黑的只能看到病灶的图像，即为病灶图像序列。
本发明一可选实施例中，所述基于CT序列的图像识别装置还包括身份验证模块，所述身份验证模块具体用于：
接收识别所述目标病理组织的病灶的的图像识别请求；
提取所述图像识别请求中的用户信息，所述用户信息包括用户的唯一标识和密码；
根据所述用户的唯一标识和密码判断所述用户是否为授权用户；
若所述用户为授权用户，执行所述获取目标病理组织的组织图像序列和病灶图像序列的操作。
详细地，所述根据所述用户的唯一标识和密码判断所述用户是否为授权用户，包括：
在所述用户的唯一标识及密码与预先存储信息都匹配时，确定所述用户为授权用户，执行所述获取目标病理组织的组织图像序列和病灶图像序列的操作；
在所述用户的唯一标识及密码与预先存储信息都不匹配时，确定所述用户为非授权用户，不执行所述获取目标病理组织的组织图像序列和病灶图像序列的操作。
由于目标病理组织的组织图像序列和病灶图像序列具有一定的隐私性，因此，通常这些数据的保密性需求较高，本发明较佳实施例在获取目标病理组织的组织图像序列和病灶图像序列之前对用户身份进行校验，提高了目标病理组织的组织图像序列和病灶图像序列的安全性。
所述第一特征提取模块102，用于将所述组织图像序列中所有图像输入至预先构建的特征提取模型进行特征提取，得到第一特征图像集。
本发明实施例中，所述第一特征提取模块102具体用于：
利用所述特征提取模型对所述组织图像序列中所有图像进行卷积处理，得到第一卷积图像集；
对所述第一卷积图像集进行池化处理，得到第一特征图像集。
详细地，本发明实施例中，所述利用所述特征提取模型对所述组织图像序列中所有图像进行卷积处理包括：利用特征提取模型中预设的卷积核矩阵与组织图像序列中每张图像的像素进行乘积。
具体地，对所述第一卷积图像集进行池化处理包括但不限于最大池化、最小池化和平均池化。
所述第二特征提取模块103，用于将所述病灶图像序列中所有图像输入至所述预先构建的特征提取模型进行特征提取，得到第二特征图像集。
本发明实施例中，所述第二特征提取模块103具体用于：
利用所述特征提取模型对所述病灶图像序列中所有图像进行卷积处理，得到第二卷积图像集；
对所述第二卷积图像集进行池化处理，得到第二特征图像集。
本发明实施例中分别利用组织图像序列和病灶图像序列对模型进行训练，增强了训练数据的多样性，提高了目标图像识别模型对图像识别的精确度。
所述特征拼接模块104，用于将所述第一特征图与所述第二特征图进行拼接，得到病灶特征图。
本发明实施例中，由于所述第一特征图与所述第二特征图为同一特征提取网络的输出，因此第一特征图与第二特征图的尺寸一致。
本发明实施例将所述第一特征图与第二特征图进行几何拼接，例如，将第一特征图和第二特征图按照长度相同的边拼接在一起，拼接完成后得到病灶特征图。
所述标签预测模块105，用于对所述病灶特征图进行图像识别，得到预测图像标签。
本发明实施例中，所述预测图像标签是图像识别模型对病灶特征图中的病灶的类型进行识别。
本发明实施例中，所述标签预测模块105具体用于：
利用激活函数计算所述病灶特征图的标签为预设标签的概率值；
根据所述概率值生成所述病灶特征图对应的预测图像标签。
详细地，所述激活函数包括但不限于sigmoid激活函数，利用激活函数可计算得到病灶特征图的标签为预设标签的概率值。
本发明实施例中，根据所述概率值生成所述病灶特征图对应的预测图像标签。例如，当概率值为“X”时，对所述病灶特征图生成预测图像标签“病灶特征图为目标病灶的概率为X”。
所述模型更新模块106，用于计算所述预测图像标签和所述目标病理组织的预置目标病理标签之间的损失值，根据所述损失值对所述特征提取模型进行更新，得到目标图像识别模型。
本发明实施例中，所述模型更新模块106具体用于：
利用如下损失函数计算所述预测图像标签和所述目标病理组织的预置目标病理标签之间的损失值
Figure 254405DEST_PATH_IMAGE001
：
Figure 570111DEST_PATH_IMAGE002
其中，
Figure 750556DEST_PATH_IMAGE003
为预测图像标签的数量，
Figure 350165DEST_PATH_IMAGE004
为目标病理组织的预置目标病理标签的数量；
Figure 957864DEST_PATH_IMAGE005
是正负号指示变量，
Figure 259401DEST_PATH_IMAGE006
为预设权重系数，
Figure 977958DEST_PATH_IMAGE007
为第
Figure 166494DEST_PATH_IMAGE008
个病灶特征图为预置目标病理标签
Figure 945094DEST_PATH_IMAGE009
的概率。
进一步地，若所述预测图像标签和所述目标病理组织的预置目标病理标签之间的损失值大于预设误差，本发明实施例利用梯度下降算法对所述特征提取模型的参数进行更新，若所述预测图像标签和所述目标病理组织的预置目标病理标签之间的损失值小于或等于预设误差，得到目标图像识别模型。
详细地，所述梯度下降算法包括但不限于：大批量梯度下降算法、小批量梯度下降算法、随机梯度下降算法。
所述图像识别模块107，用于获取待识别图像序列，利用所述目标图像识别模型对所述待识别图像序列进行图像识别，得到识别结果。
本发明实施例中，利用具有数据抓取功能的python语句从用于存储CT序列的区块链节点中获取待识别图像序列。利用区块链的数据高吞吐性，可提高获取待识别图像序列的效率。
本发明实施例利用所述目标图像识别模型对所述待识别图像序列进行图像识别，得到识别结果。所述识别结果为待识别图像序列中的图像中的病灶类型。
本发明一较佳实施例中，所述基于CT序列的图像识别装置还包括推送模块，所述推送模块具体用于：
得到识别结果之后，获取推送队列任务；
根据所述推送队列任务确定推送顺序；
根据所述推送顺序向用户推送所述识别结果。
实际应用中，需要对多个待识别图像序列进行图像识别，得到多个识别结果，在推送识别结果时，通过设置推送队列任务能够防止因同时对多个识别结果进行推送操作而造成的数据推送过程拥塞，提高了对多个识别结果进行推送处理的效率。
优选地，所述推送队列任务采用订阅方通知消息列队（MQ）实现，具体的，通过分批处理多份需要推送的识别结果，从而确保前一批识别结果推送结束再继续处理后一批识别结果。
通过订阅方通知消息列队可以降低计算资源占用，将大量的数据进行切割并分批进行推送，避免因为数据拥塞而导致计算资源的占用与浪费。
本发明实施例通过获取目标病理组织的组织图像序列和病灶图像序列，分别利用组织图像序列和病灶图像序列中的所有图像作为训练数据对特征提取模型进行训练，得到第一特征图和第二特征图，将第一特征图与第二特征图拼接为病灶特征图并计算病灶特征图的损失值，根据损失值对特征提取模型进行更新，得到目标图像识别模型，分别利用组织图像序列和病灶图像序列对模型进行训练，增强了训练数据的多样性，提高了目标图像识别模型对图像识别的精确度；获取待识别图像序列，利用目标图像识别模型对待识别图像序列进行图像识别，得到识别结果，避免了人工对图像进行识别，提高了图像识别的效率。因此本发明提出的基于CT序列的图像识别方法，可以提高图像识别的效率和精确度。
如图6所示，是本发明实现基于CT序列的图像识别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，如基于CT序列的图像识别程序12。
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，例如基于CT序列的图像识别程序12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（例如执行基于CT序列的图像识别程序等），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6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6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存储的基于CT序列的图像识别程序12是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取目标病理组织的组织图像序列和病灶图像序列；
将所述组织图像序列中所有图像输入至预先构建的特征提取模型进行特征提取，得到第一特征图像集；
将所述病灶图像序列中所有图像输入至所述预先构建的特征提取模型进行特征提取，得到第二特征图像集；
将所述第一特征图与所述第二特征图进行拼接，得到病灶特征图；
对所述病灶特征图进行图像识别，得到预测图像标签；
计算所述预测图像标签和所述目标病理组织的预置目标病理标签之间的损失值，根据所述损失值对所述特征提取模型进行更新，得到目标图像识别模型；
获取待识别图像序列，利用所述目标图像识别模型对所述待识别图像序列进行图像识别，得到识别结果。
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的。
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表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)

1.一种基于CT序列的图像识别方法，其特征在于，所述方法包括：
获取目标病理组织的组织图像序列和病灶图像序列；
将所述组织图像序列中所有图像输入至预先构建的特征提取模型进行特征提取，得到第一特征图像集；
将所述病灶图像序列中所有图像输入至所述预先构建的特征提取模型进行特征提取，得到第二特征图像集；
将所述第一特征图与所述第二特征图进行拼接，得到病灶特征图；
对所述病灶特征图进行图像识别，得到预测图像标签；
计算所述预测图像标签和所述目标病理组织的预置目标病理标签之间的损失值，根据所述损失值对所述特征提取模型进行更新，得到目标图像识别模型；
获取待识别图像序列，利用所述目标图像识别模型对所述待识别图像序列进行图像识别，得到识别结果。
2.如权利要求1所述的基于CT序列的图像识别方法，其特征在于，所述获取目标病理组织的组织图像序列和病灶图像序列，包括：
获取目标病理组织的组织分割灰度图和病灶分割灰度图；
利用预设的CT掩膜图像与所述组织分割灰度图相乘，得到组织图像序列；
利用所述CT掩膜图像与所述病灶分割灰度图相乘，得到病灶图像序列。
3.如权利要求1所述的基于CT序列的图像识别方法，其特征在于，所述获取目标病理组织的组织图像序列和病灶图像序列之前，所述方法还包括：
接收识别所述目标病理组织的病灶的的图像识别请求；
提取所述图像识别请求中的用户信息，所述用户信息包括用户的唯一标识和密码；
根据所述用户的唯一标识和密码判断所述用户是否为授权用户；
若所述用户为授权用户，执行所述获取目标病理组织的组织图像序列和病灶图像序列的操作。
4.如权利要求1所述的基于CT序列的图像识别方法，其特征在于，所述将所述组织图像序列中所有图像输入至预先构建的特征提取模型进行特征提取，得到第一特征图像集，包括：
利用所述特征提取模型对所述组织图像序列中所有图像进行卷积处理，得到第一卷积图像集；
对所述第一卷积图像集进行池化处理，得到第一特征图像集。
5.如权利要求1所述的基于CT序列的图像识别方法，其特征在于，所述得到识别结果之后，所述方法还包括：
获取推送队列任务；
根据所述推送队列任务确定推送顺序；
根据所述推送顺序向用户推送所述识别结果。
6.如权利要求1至5中任一项所述的基于CT序列的图像识别方法，其特征在于，所述对所述病灶特征图进行图像识别，得到预测图像标签，包括：
利用激活函数计算所述病灶特征图的标签为预设标签的概率值；
根据所述概率值生成所述病灶特征图对应的预测图像标签。
7.如权利要求1所述的基于CT序列的图像识别方法，其特征在于，所述计算所述预测图像标签和所述目标病理组织的预置目标病理标签之间的损失值，包括：
利用如下损失函数计算所述预测图像标签和所述目标病理组织的预置目标病理标签之间的损失值
Figure 69230DEST_PATH_IMAGE001
：
Figure 427530DEST_PATH_IMAGE002
其中，
Figure 883788DEST_PATH_IMAGE003
为预测图像标签的数量，
Figure 200500DEST_PATH_IMAGE004
为目标病理组织的预置目标病理标签的数量；
Figure 594572DEST_PATH_IMAGE005
是正负号指示变量，
Figure 287722DEST_PATH_IMAGE006
为预设权重系数，
Figure 306143DEST_PATH_IMAGE007
为第
Figure 324915DEST_PATH_IMAGE008
个病灶特征图为预置目标病理标签
Figure 206283DEST_PATH_IMAGE009
的概率。
8.一种基于CT序列的图像识别装置，其特征在于，所述装置包括：
图像获取模块，用于获取目标病理组织的组织图像序列和病灶图像序列；
第一特征提取模块，用于将所述组织图像序列中所有图像输入至预先构建的特征提取模型进行特征提取，得到第一特征图像集；
第二特征提取模块，用于将所述病灶图像序列中所有图像输入至所述预先构建的特征提取模型进行特征提取，得到第二特征图像集；
特征拼接模块，用于将所述第一特征图与所述第二特征图进行拼接，得到病灶特征图；
标签预测模块，用于对所述病灶特征图进行图像识别，得到预测图像标签；
模型更新模块，用于计算所述预测图像标签和所述目标病理组织的预置目标病理标签之间的损失值，根据所述损失值对所述特征提取模型进行更新，得到目标图像识别模型；
图像识别模块，用于获取待识别图像序列，利用所述目标图像识别模型对所述待识别图像序列进行图像识别，得到识别结果。
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计算机程序，所述计算机程序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中任一项所述的基于CT序列的图像识别方法。
10.一种计算机可读存储介质，包括存储数据区和存储程序区，其特征在于，所述存储数据区存储创建的数据，所述存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于CT序列的图像识别方法。
CN202011001690.4A 2020-09-22 2020-09-22 基于ct序列的图像识别方法、装置、电子设备及介质 Active CN111932562B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011001690.4A CN111932562B (zh) 2020-09-22 2020-09-22 基于ct序列的图像识别方法、装置、电子设备及介质
PCT/CN2020/125461 WO2021189855A1 (zh) 2020-09-22 2020-10-30 基于ct序列的图像识别方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011001690.4A CN111932562B (zh) 2020-09-22 2020-09-22 基于ct序列的图像识别方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN111932562A true CN111932562A (zh) 2020-11-13
CN111932562B CN111932562B (zh) 2021-01-19

Family

ID=73334641

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011001690.4A Active CN111932562B (zh) 2020-09-22 2020-09-22 基于ct序列的图像识别方法、装置、电子设备及介质

Country Status (2)

Country Link
CN (1) CN111932562B (zh)
WO (1) WO2021189855A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023040164A1 (zh) * 2021-09-14 2023-03-23 之江实验室 一种基于pet/ct的肺腺癌鳞癌诊断模型训练方法及装置

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114495090A (zh) * 2022-01-18 2022-05-13 上海微创医疗机器人（集团）股份有限公司 靶点识别方法、装置、手术系统、计算机设备和存储介质
CN114429493B (zh) * 2022-01-26 2023-05-09 数坤(北京)网络科技股份有限公司 影像序列处理方法、装置、电子设备及存储介质
CN114494239B (zh) * 2022-02-17 2024-07-19 平安科技（深圳）有限公司 病灶识别方法、装置、电子设备及计算机存储介质
CN114722925B (zh) * 2022-03-22 2022-11-15 北京安德医智科技有限公司 病灶分类装置与非易失性计算机可读存储介质
CN114782321B (zh) * 2022-03-24 2022-12-06 北京医准智能科技有限公司 胸部ct影像选择方法、装置、设备及存储介质
CN116486196B (zh) * 2023-03-17 2024-01-23 哈尔滨工业大学（深圳） 病灶分割模型训练方法、病灶分割方法及装置
CN116030201B (zh) * 2023-03-28 2023-06-02 美众(天津)科技有限公司 多颜色发型演示图像的生成方法、装置、终端及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685066A (zh) * 2018-12-24 2019-04-26 中国矿业大学(北京) 一种基于深度卷积神经网络的矿井目标检测与识别方法
CN111414916A (zh) * 2020-02-29 2020-07-14 中国平安财产保险股份有限公司 图像中文本内容提取生成方法、装置及可读存储介质
CN111429460A (zh) * 2020-06-12 2020-07-17 腾讯科技（深圳）有限公司 图像分割方法、图像分割模型训练方法、装置和存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10572996B2 (en) * 2016-06-28 2020-02-25 Contextvision Ab Method and system for detecting pathological anomalies in a digital pathology image and method for annotating a tissue slide
CN106780475B (zh) * 2016-12-27 2019-10-01 北京市计算中心 一种基于病理组织切片图像组织区域的图像处理装置
CN108257674A (zh) * 2018-01-24 2018-07-06 龙马智芯（珠海横琴）科技有限公司 疾病预测方法和装置、设备、计算机可读存储介质
CN109671049B (zh) * 2018-11-07 2024-03-01 哈尔滨工业大学（深圳） 一种医学图像处理方法、系统、设备、存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109685066A (zh) * 2018-12-24 2019-04-26 中国矿业大学(北京) 一种基于深度卷积神经网络的矿井目标检测与识别方法
CN111414916A (zh) * 2020-02-29 2020-07-14 中国平安财产保险股份有限公司 图像中文本内容提取生成方法、装置及可读存储介质
CN111429460A (zh) * 2020-06-12 2020-07-17 腾讯科技（深圳）有限公司 图像分割方法、图像分割模型训练方法、装置和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023040164A1 (zh) * 2021-09-14 2023-03-23 之江实验室 一种基于pet/ct的肺腺癌鳞癌诊断模型训练方法及装置
JP2023544466A (ja) * 2021-09-14 2023-10-24 之江実験室 Ｐｅｔ／ｃｔに基づく肺腺癌扁平上皮癌診断モデルの訓練方法及び装置

Also Published As

Publication number Publication date
WO2021189855A1 (zh) 2021-09-30
CN111932562B (zh) 2021-01-19

Similar Documents

Publication Publication Date Title
CN111932562B (zh) 基于ct序列的图像识别方法、装置、电子设备及介质
CN111932564B (zh) 图片识别方法、装置、电子设备及计算机可读存储介质
CN112396005A (zh) 生物特征图像识别方法、装置、电子设备及可读存储介质
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
CN111862096B (zh) 图像分割方法、装置、电子设备及存储介质
CN111652279B (zh) 基于时序数据的行为评价方法、装置及可读存储介质
CN111694844B (zh) 基于配置算法的企业运行数据分析方法、装置及电子设备
CN112052850A (zh) 车牌识别方法、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
CN113705462A (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
CN114491047A (zh) 多标签文本分类方法、装置、电子设备及存储介质
CN112990374A (zh) 图像分类方法、装置、电子设备及介质
CN111831708A (zh) 基于缺失数据的样本分析方法、装置、电子设备及介质
CN112668575A (zh) 关键信息提取方法、装置、电子设备及存储介质
CN113868529A (zh) 知识推荐方法、装置、电子设备及可读存储介质
CN113850260A (zh) 关键信息抽取方法、装置、电子设备及可读存储介质
CN112733531A (zh) 虚拟资源分配方法、装置、电子设备及计算机存储介质
CN116434934A (zh) 基于消息队列的患者候诊方法、装置、电子设备及介质
CN111950707B (zh) 基于行为共现网络的行为预测方法、装置、设备及介质
CN113627394A (zh) 人脸提取方法、装置、电子设备及可读存储介质
CN115294426B (zh) 介入医学设备的跟踪方法、装置、设备及存储介质
CN113705686B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN113255456B (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
CN112233194B (zh) 医学图片优化方法、装置、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