CN112102266A - 基于注意力机制的脑梗死医学影像分类模型的训练方法 - Google Patents
基于注意力机制的脑梗死医学影像分类模型的训练方法 Download PDFInfo
- Publication number
- CN112102266A CN112102266A CN202010898527.6A CN202010898527A CN112102266A CN 112102266 A CN112102266 A CN 112102266A CN 202010898527 A CN202010898527 A CN 202010898527A CN 112102266 A CN112102266 A CN 112102266A
- Authority
- CN
- China
- Prior art keywords
- medical image
- neural network
- convolutional neural
- network model
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
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)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种基于注意力机制的脑梗死医学影像分类模型的训练方法,包括:获取训练样本集,训练样本集中包括多个已标注的脑部医学影像三维序列图;将训练样本集输入至预设的卷积神经网络模型中,并从卷积神经网络模型获取与脑部医学影像三维序列图对应的特征图,卷积神经网络模型中包括注意力模块,注意力模块用于对脑部医学影像三维序列图所包含的特征信息进行筛选;将特征图输入至卷积神经网络模型的分类器中进行训练,基于焦点损失函数更新卷积神经网络模型的参数,当更新参数后的卷积神经网络模型收敛时,确定卷积神经网络模型训练完成,输出卷积神经网络模型。本发明能够使得训练得到的分类模型具有更好的分类表现,提高分类的准确率。
Description
技术领域
本发明涉及计算机视觉、深度学习、医学影像处理技术领域,更具体地,涉及一种基于注意力机制的脑梗死医学影像分类模型的训练方法。
背景技术
医学图像(如计算机断层扫描CT、MRI图像等)是医学领域一类重要数据,在辅助医生进行诊断、病理研究等方面有举足轻重的作用。利用人工智能技术对医学图像进行智能、自动分析,对提升医疗效率、节省医疗成本、减少患者痛苦等方面有重要意义,将为我国医疗信息化、智能化建设、提高我国医疗水平提供有力保障。其中,针对医学图像的分类是基于医学图像的智能分析中的一个最为基础的任务,它在疾病类型的识别、病灶严重程度的判断、病人恢复状况的量化等多种具体场景中有重要的需求。因此,发展准确的医学图像自动分类方法与系统在实际场景中有急迫的需求和重要的意义。
脑部医学影像在成像过程中会有若干噪音,成像区域中也会有各种无关特征干扰医生诊断。在脑部医学影像中,脑梗死病灶区域往往只占整张图像的小部分,致使背景中的无关信息较多。目前,医生在对脑梗死医学影像进行诊断时,往往依据临床经验对画面中的信息进行筛选,通过脑梗死有关特征快速锁定潜在区域,忽略无用信息的干扰,尚没有能够准确识别脑梗死病灶区域的网络模型为医生诊断提供帮助。
发明内容
针对上述问题,本发明提出了一种基于注意力机制的脑梗死医学影像分类模型的训练方法,能够实现利用深度学习方法对脑部医学影像进行脑梗死诊断,判断影像图是否含有脑梗死病灶。本发明中,基于卷积神经网络并在其中加入注意力模块对关键特征进行强化,注意力机制可以对影像中的有用信息进行筛选,提高网络的特征表征能力并将预测重点放在潜在病灶区域,从而使得训练得到的分类模型具有更好的分类表现,提高分类的准确率。
本发明第一方面实施例提出了一种基于注意力机制的脑梗死医学影像分类模型的训练方法,包括:
获取训练样本集,所述训练样本集中包括多个已标注的脑部医学影像三维序列图;
将所述训练样本集输入至预设的卷积神经网络模型中,并从所述卷积神经网络模型获取与所述脑部医学影像三维序列图对应的特征图,所述卷积神经网络模型中包括注意力模块,所述注意力模块用于对所述脑部医学影像三维序列图所包含的特征信息进行筛选;
将所述特征图输入至所述卷积神经网络模型的分类器中进行训练,并基于焦点损失函数更新所述卷积神经网络模型的参数,以使所述焦点损失函数最小化;
当更新参数后的所述卷积神经网络模型收敛时,确定所述卷积神经网络模型训练完成,并输出所述卷积神经网络模型。
本发明第二方面实施例提出了一种脑梗死医学影像分类方法,包括:
获取待分类的脑部医学影像三维序列图,所述脑部医学影像三维序列图包括多张二维轴向切片;
将所述脑部医学影像三维序列图输入至预先训练得到的脑梗死医学影像分类模型中,并获取所述脑梗死医学影像分类模型输出的所述多张二维轴向切片的预测结果;
根据所述多张二维轴向切片的预测结果,确定所述脑部医学影像三维序列图所属的目标类别。
本发明第三方面实施例提出了一种基于注意力机制的脑梗死医学影像分类模型的训练装置,包括:
第一获取模块,用于获取训练样本集,所述训练样本集中包括多个已标注的脑部医学影像三维序列图;
第二获取模块,用于将所述训练样本集输入至预设的卷积神经网络模型中,并从所述卷积神经网络模型获取与所述脑部医学影像三维序列图对应的特征图,所述卷积神经网络模型中包括注意力模块,所述注意力模块用于对所述脑部医学影像三维序列图所包含的特征信息进行筛选;
训练模块,用于将所述特征图输入至所述卷积神经网络模型的分类器中进行训练,并基于焦点损失函数更新所述卷积神经网络模型的参数,以使所述焦点损失函数最小化;
输出模块,用于当更新参数后的所述卷积神经网络模型收敛时,确定所述卷积神经网络模型训练完成,并输出所述卷积神经网络模型。
本发明第四方面实施例提出了一种脑梗死医学影像分类装置,包括:
获取模块,用于获取待分类的脑部医学影像三维序列图,所述脑部医学影像三维序列图包括多张二维轴向切片;
输入模块,用于将所述脑部医学影像三维序列图输入至预先训练得到的脑梗死医学影像分类模型中,并获取所述脑梗死医学影像分类模型输出的所述多张二维轴向切片的预测结果;
确定模块,用于根据所述多张二维轴向切片的预测结果,确定所述脑部医学影像三维序列图所属的目标类别。
本发明第五方面实施例提出了一种计算机设备,包括处理器、存储器和存储在所述存储器上并可在所述处理器上运行的计算机程序,当所述计算机程序被所述处理器执行时,实现如第一方面实施例所述的基于注意力机制的脑梗死医学影像分类模型的训练方法,或者,实现如第二方面实施例所述的脑梗死医学影像分类方法。
本发明第六方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被处理器执行时,实现如第一方面实施例所述的基于注意力机制的脑梗死医学影像分类模型的训练方法,或者,实现如第二方面实施例所述的脑梗死医学影像分类方法。
本发明提供的技术方案,至少可以带来如下有益效果:
利用脑部医学影像数据集以及对应的标注信息对加入了注意力机制的卷积神经网络模型进行有监督训练,注意力机制可以对影像中的有用信息进行筛选,提高网络的特征表征能力并将预测重点放在潜在病灶区域,从而使得训练得到的分类模型具有更好的分类表现,提高分类的准确率。进而,将待分类的脑部医学影像三维序列图输入至预先训练好的脑梗死医学影像分类模型中,以获取序列图中多张二维轴向切片的预测结果,并根据多张二维轴向切片的预测结果,确定脑部医学影像三维序列图所属的目标类别,由此,实现了脑梗死病灶区域的自动识别,为医生诊断提供了帮助。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明一实施例提出的基于注意力机制的脑梗死医学影像分类模型的训练方法的流程示意图;
图2为本发明另一实施例提出的基于注意力机制的脑梗死医学影像分类模型的训练方法的流程示意图;
图3为注意力模块的结构示例图;
图4为特征图拼接示例图;
图5为本发明一实施例提出的脑梗死医学影像分类方法的流程示意图;
图6为本发明一实施例提出的基于注意力机制的脑梗死医学影像分类模型的训练装置的结构示意图;
图7为本发明一实施例提出的脑梗死医学影像分类装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本发明实施例的基于注意力机制的脑梗死医学影像分类模型的训练方法。
图1为本发明一实施例提出的基于注意力机制的脑梗死医学影像分类模型的训练方法的流程示意图,该方法可以由本发明提供的基于注意力机制的脑梗死医学影像分类模型的训练装置执行,所述基于注意力机制的脑梗死医学影像分类模型的训练装置可以应用于本发明提供的计算机设备中,所述计算机设备可以是服务器,也可以是台式电脑、笔记本电脑等电子设备。
如图1所示,该基于注意力机制的脑梗死医学影像分类模型的训练方法,可以包括以下步骤:
步骤101,获取训练样本集,训练样本集中包括多个已标注的脑部医学影像三维序列图。
本发明实施例中,可以收集任务特定的脑部医学影像三维序列图,并由医生对脑部医学影像三维序列图中的每张二维轴向切片进行标注,给出二维轴向切对应的类别标签。例如1表示影像中含有脑梗死病灶,0表示影像不含脑梗死病灶。进而,将标注好的脑部医学影像三维序列图作为训练样本,多个标注好的脑部医学影像三维序列图即构成了训练样本集。
由于标注医学影像需要医生花费大量的时间精力,最终收集到的精细标注的训练样本集通常较小。为了满足深度学习依赖于足量训练样本的需求,在本发明实施例一种可能的实现方式中,可以通过多种数据增强方式对训练样本集进行扩充,以增强模型的泛化能力。
因此,在本发明实施例一种可能的实现方式中,获取训练样本集,可以包括:获取多个脑部医学影像三维序列图,并对每个脑部医学影像三维序列图中包含的多张二维轴向切片进行标注,生成多个训练数据;采用预设的数据增强操作,对多个训练数据进行数据增强处理,生成多个增强数据;利用多个训练数据和多个增强数据,组成训练样本集。
其中,预设的数据增强操作包括但不限于翻转、缩放、位移、旋转、随机非线性变形、图像降噪中的至少一种。
考虑到脑部影像摄制过程中存在的几何扰动以及成像噪音,本发明实施例中,在生成多个训练数据后,可以对训练数据进行翻转、缩放、位移、旋转、随机非线性变形、图像降噪等数据增强处理,生成多个增强数据,进而利用多个训练数据和多个增强数据,组成得到训练样本集。
本发明通过预设的数据增强操作对训练数据进行数据增强处理,实现了对训练样本的扩充,从而利用训练样本集对模型进行训练时,有利于增强模型的泛化能力。
步骤102,将训练样本集输入至预设的卷积神经网络模型中,并从卷积神经网络模型获取与脑部医学影像三维序列图对应的特征图,卷积神经网络模型中包括注意力模块,注意力模块用于对脑部医学影像三维序列图所包含的特征信息进行筛选。
注意力机制可以对有用信息进行筛选,提高模型的特征表征能力。本发明实施例中,卷积神经网络模型中可以加入注意力模块,用于对脑部医学影像三维序列图所包含的特征信息进行筛选,以将注意力机制融入卷积神经网络模型中,增强卷积神经网络模型的特征表征能力。
本实施例中,对加入了注意力模块的卷积神经网络模型进行训练时,可以将训练样本集中的训练样本输入至卷积神经网络模型中,并从卷积神经网络模型获取与脑部医学影像三维序列图对应的特征图。其中,为了利用三维序列图中包含的立体信息,可以将连续多层轴向切片作为一个图像块输入至卷积神经网络模型中进行预测,比如,可以从训练样本集中随机选择一个脑部医学影像三维序列图(包括多张已标注的二维轴向切片)输入至卷积神经网络模型中,并获取该脑部医学影像三维序列图对应的特征图。
步骤103,将特征图输入至卷积神经网络模型的分类器中进行训练,并基于焦点损失函数更新卷积神经网络模型的参数,以使焦点损失函数最小化。
训练样本集通常存在正负样本不平衡的问题,负样本数量远多于正样本;另外,这些负样本不含有脑梗死灶,影像学上看特征比较单一,相较于正样本而言比较容易分类。基于上述特点,可以采用焦点损失函数对卷积神经网络模型进行改进,在原有的交叉熵损失函数中增加调制系数来降低大量易分类样本(即负样本)的权重,从而使得卷积神经网络模型的训练重点放在对难分类样本(即正样本)的学习上。
本发明实施例中,将获取的脑部医学影像三维序列图对应的特征图输入至卷积神经网络模型的分类器(包括全连接层和softmax层)中进行训练,并基于焦点损失函数更新卷积神经网络模型的参数,以使焦点损失函数最小化。
步骤104,当更新参数后的卷积神经网络模型收敛时,确定卷积神经网络模型训练完成,并输出卷积神经网络模型。
经过若干轮的训练之后,模型训练到一定程度,此时,模型的性能达到最优状态,焦点损失函数无法继续下降,即收敛。而判断收敛的方式只需要计算前后两轮迭代中的损失函数值,若损失函数值仍在变化,则可以继续从训练样本集中选择训练样本输入至该卷积神经网络模型中以对模型继续进行迭代训练;若损失函数值没有显著变化,则可认为模型收敛,此时确定卷积神经网络模型训练完成,则停止训练,并输出得到的卷积神经网络模型。
本实施例的基于注意力机制的脑梗死医学影像分类模型的训练方法,通过获取训练样本集,训练样本集中包括多个已标注的脑部医学影像三维序列图,将训练样本集输入至预设的卷积神经网络模型中,并从卷积神经网络模型获取与脑部医学影像三维序列图对应的特征图,卷积神经网络模型中包括注意力模块,注意力模块用于对脑部医学影像三维序列图所包含的特征信息进行筛选,将特征图输入至卷积神经网络模型的分类器中进行训练,并基于焦点损失函数更新卷积神经网络模型的参数,以使焦点损失函数最小化,当更新参数后的卷积神经网络模型收敛时,确定卷积神经网络模型训练完成,并输出卷积神经网络模型,由此,通过利用脑部医学影像数据集以及对应的标注信息对加入了注意力机制的卷积神经网络模型进行有监督训练,注意力机制可以对影像中的有用信息进行筛选,提高网络的特征表征能力并将预测重点放在潜在病灶区域,从而使得训练得到的分类模型具有更好的分类表现,提高分类的准确率。
为了更加清楚地说明前述实施例中从卷积神经网络模型获取与脑部医学影像三维序列图对应的特征图的具体实现过程,下面结合附图2进行详细描述。
图2为本发明另一实施例提出的基于注意力机制的脑梗死医学影像分类模型的训练方法的流程示意图。本实施例中,注意力模块由特征分支和掩码分支组成,图3为注意力模块的结构示例图。如图3所示,掩码分支采用自底向上-自顶向下的对称结构,在一次前馈中实现顶层信息的提取、顶层信息在特征图上的分布推理。具体而言,利用多次最大池化快速增加感受野获取全局信息,再通过相同次数的线性插值将全局信息扩展到输入/输出特征图大小,同时通过自底向上和自顶向下结构间的跳跃连接来获取不同尺度的信息。为了避免多次[0,1]范围内的掩码点积操作降低网络深层的特征值,将原特征直接加入注意力模块的输出中。另外,在卷积网络的不同阶段插入注意力模块可以对不同尺度的特征进行注意力建模,从而适应背景复杂、病灶外观多样的脑梗死医学影像诊断。
如图2所示,在如图1所示实施例的基础上,步骤102可以包括以下步骤:
步骤201,获取特征分支提取的特征向量和掩码分支生成的掩码向量。
本发明实施例中,注意力模块包括由特征分支和掩码分支组成,特征分支进行特征提取,掩码分支则作为特征选择器,对特征分支输出的特征进行软加权。
其中,掩码分支生成的掩码向量的大小与特征分支输出的特征向量的大小相同。
步骤202,根据特征向量和掩码向量,生成加权注意力特征图。
本发明实施例中,掩码向量中的每一个值相当于对特征分支输出的特征向量中每一个像素值的权重,可以对特征向量和掩码向量中对应元素的值进行相乘,得到加权注意力特征图。
步骤203,根据特征向量和加权注意力特征图,确定特征分支和掩码分支所属的注意力模块的输出特征图。
本发明实施例中,卷积神经网络模型可以包括多个注意力模块,每个注意力模块包括一个特征分支和一个掩码分支,对于每个注意力模块,其输出特征图可以根据对应的特征分支输出的特征向量和对应的加权注意力特征图确定。
假设特征分支的输入记为x,特征分支的输出记为T(x),掩码分支产生和T(x)相同大小的掩码向量M(x),则特征分支和掩码分支所属的注意力模块的输出特征图(记为H)可以通过如下公式(1)表示:
Hi,c(x)=(1+Mi,c(x))*Ti,c(x) (1)
其中,i是对所有空间位置取值,c∈{1,2,...,C}是通道的索引,C为总通道数。
步骤204,从每个注意力模块的输出特征图中提取出掩码大于预设阈值的局部特征图。
其中,预设阈值可以预先设定,比如设置预设阈值为Mi,c>0.5。
本发明实施例中,确定了注意力模块的输出特征图之后,可以对不同注意力模型提取的输出特征图进行处理,从各个输出特征图中提取出掩码大于预设阈值的局部特征图,以提取出掩码强调的区域。
步骤205,通过线性插值法将局部特征图依次进行缩放后,与全局特征图在通道域上进行拼接,生成脑部医学影像三维序列图对应的特征图。
其中,全局特征图由卷积神经网络模型的最后一层神经网络输出。本发明的卷积神经网络模型包括多层神经网络层和多个注意力模块,输入图像依次经过包含多个注意力模块的卷积升级网络模型,不同注意力模块输出的中间特征图包含了输入图像不同尺度的局部特征图,而卷积神经网络模型的最后一层神经网络输出的特征图包含了输入图像的最高级语义信息,对应输入图像的全局特征。
本实施例中,从各个中间注意力模块输出的特征图中提取出掩码强调的局部特征图之后,可以通过线性插值法对局部特征图进行缩放,将局部特征图缩放到最后一层特征图大小,之后,将缩放后的局部特征图与全局特征图在通道域上进行拼接,生成脑部医学影像三维序列图对应的特征图。
图4为特征图拼接示例图。由于脑梗病灶区域呈现出病理学的多样性,病灶的形态、大小、位置都有较大变异度,医生往往需要对多种有用特征进行强化从而得到最终诊断结果。为了适应这种多样性,本发明实施例中,训练的卷积神经网络模型需要对不同尺度特征进行注意力建模从而提取出多种有用特征。不同阶段的注意力模块对不同层级的特征进行筛选,不同尺度的特征及对应的注意力越丰富,对脑梗死的特征表述更准确。因此本发明实施例中,除了直接将特征图顺序经过一系列注意力模块以进行特征筛选外,还可以对不同注意力模块提取出的输出特征图进行处理,提取出掩码强调的区域(掩码大于预设阈值,例如Mi,c>0.5),再将这些局部特征图通过线性插值缩放到最后一层特征图大小,和原来的全局特征图在通道域上进行拼接,如图4所示。合并得到的特征图既包含了经过特征筛选后的全空间信息,也包含了不同尺度的关键局部放大信息。最后将合并得到的特征图输入至分类器中进行训练。
本实施例的基于注意力机制的脑梗死医学影像分类模型的训练方法,通过获取注意力模块的特征分支提取的特征向量和掩码分支生成的掩码向量,根据特征向量和掩码向量,生成加权注意力特征图,根据特征向量和加权注意力特征图,确定特征分支和掩码分支所属的注意力模块的输出特征图,从每个注意力模块的输出特征图中提取出掩码大于预设阈值的局部特征图,进而通过线性插值法将局部特征图进行缩放后,与全局特征图在通道域上进行拼接,生成脑部医学影像三维序列图对应的特征图,由此,使得最终获取的特征图不仅包含了经过特征筛选后的全空间信息,还包含了不同尺度的关键局部放大信息,从而使得训练得到的卷积神经网络模型能够提取出脑部医学影像三维序列图中的多种有用特征,能够适应脑梗病灶的病理多样性,进而提高分类的准确率。
为了实现上述实施例,本发明还提出一种脑梗死医学影像分类方法。
图5为本发明一实施例提出的脑梗死医学影像分类方法的流程示意图,该方法可以由本发明提供的脑梗死医学影像分类装置执行,所述脑梗死医学影像分类装置可以应用于本发明提供的计算机设备中,所述计算机设备可以是服务器,也可以是台式电脑、笔记本电脑等电子设备。
如图5所示,该脑梗死医学影像分类方法,可以包括以下步骤:
步骤301,获取待分类的脑部医学影像三维序列图,脑部医学影像三维序列图包括多张二维轴向切片。
步骤302,将脑部医学影像三维序列图输入至预先训练得到的脑梗死医学影像分类模型中,并获取脑梗死医学影像分类模型输出的多张二维轴向切片的预测结果。
其中,本实施例的脑梗死医学影像分类模型通过前述实施例所述的基于注意力机制的脑梗死医学影像分类模型的训练方法训练得到,该脑梗死医学影像分类模型中加入了注意力机制,具有更好的分类表现。
本实施例中,获取了待分类的脑部医学影像三维序列图之后,可以将脑部医学影像三维序列图输入至预先训练好的脑梗死医学影像分类模型中,由脑梗死医学影像分类模型进行相关计算,并输出该脑部医学影像三维序列图中每张二维轴向切片的预测结果,其中,该预设结果可以是二维轴向切片中包含脑梗死病灶的概率。
步骤303,根据多张二维轴向切片的预测结果,确定脑部医学影像三维序列图所属的目标类别。
本发明实施例中,获取了脑梗死医学影像分类模型输出的多张二维轴向切片的预测结果之后,可以根据各个预测结果,确定脑部医学影像三维序列图所属的目标类别。
通常,选择概率最大的那一类别作为脑部医学影像三维序列图所属的目标类别。比如,某张二维轴向切片的预测结果为该切片包含脑梗死病灶的概率为0.9,则可以确定脑部医学影像三维序列图包含脑梗死病灶。
本实施例的脑梗死医学影像分类方法,通过获取待分类的脑部医学影像三维序列图,脑部医学影像三维序列图包括多张二维轴向切片,将脑部医学影像三维序列图输入至预先训练得到的脑梗死医学影像分类模型中,并获取脑梗死医学影像分类模型输出的多张二维轴向切片的预测结果,根据多张二维轴向切片的预测结果,确定脑部医学影像三维序列图所属的目标类别,由此,实现了脑梗死病灶区域的自动识别,为医生诊断提供了帮助。
为了实现上述实施例,本发明还提出了一种基于注意力机制的脑梗死医学影像分类模型的训练装置。
图6为本发明一实施例提出的基于注意力机制的脑梗死医学影像分类模型的训练装置的结构示意图,如图6所示,该基于注意力机制的脑梗死医学影像分类模型的训练装置40包括:第一获取模块410、第二获取模块420、训练模块430和输出模块440。
其中,第一获取模块410,用于获取训练样本集,所述训练样本集中包括多个已标注的脑部医学影像三维序列图。
在本发明实施例一种可能的实现方式中,第一获取模块410具体用于:获取多个脑部医学影像三维序列图,并对每个所述脑部医学影像三维序列图中包含的多张二维轴向切片进行标注,生成多个训练数据;采用预设的数据增强操作,对所述多个训练数据进行数据增强处理,生成多个增强数据;利用所述多个训练数据和所述多个增强数据,组成所述训练样本集。
第二获取模块420,用于将所述训练样本集输入至预设的卷积神经网络模型中,并从所述卷积神经网络模型获取与所述脑部医学影像三维序列图对应的特征图,所述卷积神经网络模型中包括注意力模块,所述注意力模块用于对所述脑部医学影像三维序列图所包含的特征信息进行筛选。
在本发明实施例一种可能的实现方式中,第二获取模块420具体用于:获取所述特征分支提取的特征向量和所述掩码分支生成的掩码向量;根据所述特征向量和所述掩码向量,生成加权注意力特征图;根据所述特征向量和所述加权注意力特征图,确定所述特征分支和所述掩码分支所属的注意力模块的输出特征图;从每个所述注意力模块的输出特征图中提取出掩码大于预设阈值的局部特征图;通过线性插值法将所述局部特征图依次进行缩放后,与最后一层神经网络输出的全局特征图在通道域上进行拼接,生成所述脑部医学影像三维序列图对应的所述特征图。
训练模块430,用于将所述特征图输入至所述卷积神经网络模型的分类器中进行训练,并基于焦点损失函数更新所述卷积神经网络模型的参数,以使所述焦点损失函数最小化。
输出模块440,用于当更新参数后的所述卷积神经网络模型收敛时,确定所述卷积神经网络模型训练完成,并输出所述卷积神经网络模型。
需要说明的是,前述对基于注意力机制的脑梗死医学影像分类模型的训练方法实施例的解释说明也适用于本实施例的基于注意力机制的脑梗死医学影像分类模型的训练装置,其实现原理类似,此处不再赘述。
本发明实施例的基于注意力机制的脑梗死医学影像分类模型的训练装置,通过获取训练样本集,训练样本集中包括多个已标注的脑部医学影像三维序列图,将训练样本集输入至预设的卷积神经网络模型中,并从卷积神经网络模型获取与脑部医学影像三维序列图对应的特征图,卷积神经网络模型中包括注意力模块,注意力模块用于对脑部医学影像三维序列图所包含的特征信息进行筛选,将特征图输入至卷积神经网络模型的分类器中进行训练,并基于焦点损失函数更新卷积神经网络模型的参数,以使焦点损失函数最小化,当更新参数后的卷积神经网络模型收敛时,确定卷积神经网络模型训练完成,并输出卷积神经网络模型,由此,通过利用脑部医学影像数据集以及对应的标注信息对加入了注意力机制的卷积神经网络模型进行有监督训练,注意力机制可以对影像中的有用信息进行筛选,提高网络的特征表征能力并将预测重点放在潜在病灶区域,从而使得训练得到的分类模型具有更好的分类表现,提高分类的准确率。
为了实现上述实施例,本发明还提出一种脑梗死医学影像分类装置。
图7为本发明一实施例提出的脑梗死医学影像分类装置的结构示意图,如图7所示,该脑梗死医学影像分类装置50包括:获取模块510、输入模块520和确定模块530。
其中,获取模块510,用于获取待分类的脑部医学影像三维序列图,所述脑部医学影像三维序列图包括多张二维轴向切片。
输入模块520,用于将所述脑部医学影像三维序列图输入至预先训练得到的脑梗死医学影像分类模型中,并获取所述脑梗死医学影像分类模型输出的所述多张二维轴向切片的预测结果。
确定模块530,用于根据所述多张二维轴向切片的预测结果,确定所述脑部医学影像三维序列图所属的目标类别。
需要说明的是,前述对脑梗死医学影像分类方法实施例的解释说明也适用于本实施例的脑梗死医学影像分类装置,其实现原理类似,此处不再赘述。
本实施例的脑梗死医学影像分类装置,通过获取待分类的脑部医学影像三维序列图,脑部医学影像三维序列图包括多张二维轴向切片,将脑部医学影像三维序列图输入至预先训练得到的脑梗死医学影像分类模型中,并获取脑梗死医学影像分类模型输出的多张二维轴向切片的预测结果,根据多张二维轴向切片的预测结果,确定脑部医学影像三维序列图所属的目标类别,由此,实现了脑梗死病灶区域的自动识别,为医生诊断提供了帮助。
为了实现上述实施例,本发明还提出一种计算机设备,包括处理器、存储器和存储在所述存储器上并可在所述处理器上运行的计算机程序,当所述计算机程序被所述处理器执行时,实现如前述实施例所述的基于注意力机制的脑梗死医学影像分类模型的训练方法,或者,实现如前述实施例所述的脑梗死医学影像分类方法。
为了实现上述实施例,本发明还提出一种非临时性计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被处理器执行时,实现如前述实施例所述的基于注意力机制的脑梗死医学影像分类模型的训练方法,或者,实现如前述实施例所述的脑梗死医学影像分类方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于注意力机制的脑梗死医学影像分类模型的训练方法,其特征在于,包括:
获取训练样本集,所述训练样本集中包括多个已标注的脑部医学影像三维序列图;
将所述训练样本集输入至预设的卷积神经网络模型中,并从所述卷积神经网络模型获取与所述脑部医学影像三维序列图对应的特征图,所述卷积神经网络模型中包括注意力模块,所述注意力模块用于对所述脑部医学影像三维序列图所包含的特征信息进行筛选;
将所述特征图输入至所述卷积神经网络模型的分类器中进行训练,并基于焦点损失函数更新所述卷积神经网络模型的参数,以使所述焦点损失函数最小化;
当更新参数后的所述卷积神经网络模型收敛时,确定所述卷积神经网络模型训练完成,并输出所述卷积神经网络模型。
2.根据权利要求1所述的方法,其特征在于,所述获取训练样本集,包括:
获取多个脑部医学影像三维序列图,并对每个所述脑部医学影像三维序列图中包含的多张二维轴向切片进行标注,生成多个训练数据;
采用预设的数据增强操作,对所述多个训练数据进行数据增强处理,生成多个增强数据;
利用所述多个训练数据和所述多个增强数据,组成所述训练样本集。
3.根据权利要求1所述的方法,其特征在于,所述注意力模块由特征分支和掩码分支组成,从所述卷积神经网络模型获取与所述脑部医学影像三维序列图对应的特征图,包括:
获取所述特征分支提取的特征向量和所述掩码分支生成的掩码向量;
根据所述特征向量和所述掩码向量,生成加权注意力特征图;
根据所述特征向量和所述加权注意力特征图,确定所述特征分支和所述掩码分支所属的注意力模块的输出特征图;
从每个所述注意力模块的输出特征图中提取出掩码大于预设阈值的局部特征图;
通过线性插值法将所述局部特征图依次进行缩放后,与全局特征图在通道域上进行拼接,生成所述脑部医学影像三维序列图对应的所述特征图。
4.一种脑梗死医学影像分类方法,其特征在于,包括:
获取待分类的脑部医学影像三维序列图,所述脑部医学影像三维序列图包括多张二维轴向切片;
将所述脑部医学影像三维序列图输入至预先训练得到的脑梗死医学影像分类模型中,并获取所述脑梗死医学影像分类模型输出的所述多张二维轴向切片的预测结果;
根据所述多张二维轴向切片的预测结果,确定所述脑部医学影像三维序列图所属的目标类别。
5.一种基于注意力机制的脑梗死医学影像分类模型的训练装置,其特征在于,包括:
第一获取模块,用于获取训练样本集,所述训练样本集中包括多个已标注的脑部医学影像三维序列图;
第二获取模块,用于将所述训练样本集输入至预设的卷积神经网络模型中,并从所述卷积神经网络模型获取与所述脑部医学影像三维序列图对应的特征图,所述卷积神经网络模型中包括注意力模块,所述注意力模块用于对所述脑部医学影像三维序列图所包含的特征信息进行筛选;
训练模块,用于将所述特征图输入至所述卷积神经网络模型的分类器中进行训练,并基于焦点损失函数更新所述卷积神经网络模型的参数,以使所述焦点损失函数最小化;
输出模块,用于当更新参数后的所述卷积神经网络模型收敛时,确定所述卷积神经网络模型训练完成,并输出所述卷积神经网络模型。
6.根据权利要求5所述的装置,其特征在于,所述第一获取模块,具体用于:
获取多个脑部医学影像三维序列图,并对每个所述脑部医学影像三维序列图中包含的多张二维轴向切片进行标注,生成多个训练数据;
采用预设的数据增强操作,对所述多个训练数据进行数据增强处理,生成多个增强数据;
利用所述多个训练数据和所述多个增强数据,组成所述训练样本集。
7.根据权利要求5所述的装置,其特征在于,所述注意力模块由特征分支和掩码分支组成,所述第二获取模块,具体用于:
获取所述特征分支提取的特征向量和所述掩码分支生成的掩码向量;
根据所述特征向量和所述掩码向量,生成加权注意力特征图;
根据所述特征向量和所述加权注意力特征图,确定所述特征分支和所述掩码分支所属的注意力模块的输出特征图;
从每个所述注意力模块的输出特征图中提取出掩码大于预设阈值的局部特征图;
通过线性插值法将所述局部特征图依次进行缩放后,与全局特征图在通道域上进行拼接,生成所述脑部医学影像三维序列图对应的所述特征图。
8.一种脑梗死医学影像分类装置,其特征在于,包括:
获取模块,用于获取待分类的脑部医学影像三维序列图,所述脑部医学影像三维序列图包括多张二维轴向切片;
输入模块,用于将所述脑部医学影像三维序列图输入至预先训练得到的脑梗死医学影像分类模型中,并获取所述脑梗死医学影像分类模型输出的所述多张二维轴向切片的预测结果;
确定模块,用于根据所述多张二维轴向切片的预测结果,确定所述脑部医学影像三维序列图所属的目标类别。
9.一种计算机设备,其特征在于,包括处理器、存储器和存储在所述存储器上并可在所述处理器上运行的计算机程序,当所述计算机程序被所述处理器执行时,实现如权利要求1-3任一项所述的基于注意力机制的脑梗死医学影像分类模型的训练方法,或者,实现如权利要求4所述的脑梗死医学影像分类方法。
10.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,当所述计算机程序被处理器执行时,实现如权利要求1-3任一项所述的基于注意力机制的脑梗死医学影像分类模型的训练方法,或者,实现如权利要求4所述的脑梗死医学影像分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010898527.6A CN112102266B (zh) | 2020-08-31 | 2020-08-31 | 基于注意力机制的脑梗死医学影像分类模型的训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010898527.6A CN112102266B (zh) | 2020-08-31 | 2020-08-31 | 基于注意力机制的脑梗死医学影像分类模型的训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112102266A true CN112102266A (zh) | 2020-12-18 |
CN112102266B CN112102266B (zh) | 2022-09-20 |
Family
ID=73756802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010898527.6A Active CN112102266B (zh) | 2020-08-31 | 2020-08-31 | 基于注意力机制的脑梗死医学影像分类模型的训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112102266B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819818A (zh) * | 2021-02-26 | 2021-05-18 | 中国人民解放军总医院第一医学中心 | 图像识别模块训练方法和装置 |
CN113052831A (zh) * | 2021-04-14 | 2021-06-29 | 清华大学 | 脑部医学影像异常检测方法、装置、设备及存储介质 |
CN113159209A (zh) * | 2021-04-29 | 2021-07-23 | 深圳市商汤科技有限公司 | 目标检测方法、装置、设备和计算机可读存储介质 |
CN113192014A (zh) * | 2021-04-16 | 2021-07-30 | 深圳市第二人民医院(深圳市转化医学研究院) | 改进脑室分割模型的训练方法、装置、电子设备和介质 |
CN113468364A (zh) * | 2021-07-21 | 2021-10-01 | 京东数科海益信息科技有限公司 | 一种图像处理方法及装置 |
CN113554642A (zh) * | 2021-08-12 | 2021-10-26 | 北京安德医智科技有限公司 | 对病灶鲁棒的脑区定位方法及装置、电子设备和存储介质 |
CN114792315A (zh) * | 2022-06-22 | 2022-07-26 | 浙江太美医疗科技股份有限公司 | 医学图像视觉模型训练方法和装置、电子设备和存储介质 |
CN114882301A (zh) * | 2022-07-11 | 2022-08-09 | 四川大学 | 基于感兴趣区域的自监督学习医学图像识别方法及装置 |
CN115115628A (zh) * | 2022-08-29 | 2022-09-27 | 山东第一医科大学附属省立医院(山东省立医院) | 一种基于三维精细化残差网络的腔隙性脑梗死识别系统 |
CN116644738A (zh) * | 2023-05-04 | 2023-08-25 | 合芯科技(苏州)有限公司 | 一种基于神经网络模型的文本纠错方法与装置 |
CN116681706A (zh) * | 2023-08-04 | 2023-09-01 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 医学影像的处理方法、装置、电子设备及存储介质 |
CN113159209B (zh) * | 2021-04-29 | 2024-05-24 | 深圳市商汤科技有限公司 | 目标检测方法、装置、设备和计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200005460A1 (en) * | 2018-06-28 | 2020-01-02 | Shenzhen Imsight Medical Technology Co. Ltd. | Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium |
CN111339890A (zh) * | 2020-02-20 | 2020-06-26 | 中国测绘科学研究院 | 基于高分辨率遥感影像提取新增建设用地信息的方法 |
CN111524106A (zh) * | 2020-04-13 | 2020-08-11 | 北京推想科技有限公司 | 颅骨骨折检测和模型训练方法、装置、设备和存储介质 |
-
2020
- 2020-08-31 CN CN202010898527.6A patent/CN112102266B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200005460A1 (en) * | 2018-06-28 | 2020-01-02 | Shenzhen Imsight Medical Technology Co. Ltd. | Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium |
CN111339890A (zh) * | 2020-02-20 | 2020-06-26 | 中国测绘科学研究院 | 基于高分辨率遥感影像提取新增建设用地信息的方法 |
CN111524106A (zh) * | 2020-04-13 | 2020-08-11 | 北京推想科技有限公司 | 颅骨骨折检测和模型训练方法、装置、设备和存储介质 |
Non-Patent Citations (4)
Title |
---|
LINYING YU 等: ""Pneumoconiosis"s Gross Tissue Imaging Classification based on Morphological Feature Description"", 《IEEE》 * |
刘洋: ""肺结核病灶自动检测方法研究"", 《中国优秀博硕士学位论文全文数据库(硕士)》 * |
方桃: ""基于卷积神经网络的农作物叶片病害分类研究"", 《中国优秀博硕士学位论文全文数据库(硕士)》 * |
李佳昇: ""基于深度学习的肝脏及肝脏肿瘤分割和检测的研究"", 《中国优秀博硕士学位论文全文数据库(硕士)》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819818B (zh) * | 2021-02-26 | 2023-11-14 | 中国人民解放军总医院第一医学中心 | 图像识别模块训练方法和装置 |
CN112819818A (zh) * | 2021-02-26 | 2021-05-18 | 中国人民解放军总医院第一医学中心 | 图像识别模块训练方法和装置 |
CN113052831A (zh) * | 2021-04-14 | 2021-06-29 | 清华大学 | 脑部医学影像异常检测方法、装置、设备及存储介质 |
CN113052831B (zh) * | 2021-04-14 | 2024-04-23 | 清华大学 | 脑部医学影像异常检测方法、装置、设备及存储介质 |
CN113192014A (zh) * | 2021-04-16 | 2021-07-30 | 深圳市第二人民医院(深圳市转化医学研究院) | 改进脑室分割模型的训练方法、装置、电子设备和介质 |
CN113192014B (zh) * | 2021-04-16 | 2024-01-30 | 深圳市第二人民医院(深圳市转化医学研究院) | 改进脑室分割模型的训练方法、装置、电子设备和介质 |
CN113159209A (zh) * | 2021-04-29 | 2021-07-23 | 深圳市商汤科技有限公司 | 目标检测方法、装置、设备和计算机可读存储介质 |
CN113159209B (zh) * | 2021-04-29 | 2024-05-24 | 深圳市商汤科技有限公司 | 目标检测方法、装置、设备和计算机可读存储介质 |
CN113468364A (zh) * | 2021-07-21 | 2021-10-01 | 京东数科海益信息科技有限公司 | 一种图像处理方法及装置 |
CN113468364B (zh) * | 2021-07-21 | 2024-04-09 | 京东科技信息技术有限公司 | 一种图像处理方法及装置 |
CN113554642A (zh) * | 2021-08-12 | 2021-10-26 | 北京安德医智科技有限公司 | 对病灶鲁棒的脑区定位方法及装置、电子设备和存储介质 |
CN114792315A (zh) * | 2022-06-22 | 2022-07-26 | 浙江太美医疗科技股份有限公司 | 医学图像视觉模型训练方法和装置、电子设备和存储介质 |
CN114882301B (zh) * | 2022-07-11 | 2022-09-13 | 四川大学 | 基于感兴趣区域的自监督学习医学图像识别方法及装置 |
CN114882301A (zh) * | 2022-07-11 | 2022-08-09 | 四川大学 | 基于感兴趣区域的自监督学习医学图像识别方法及装置 |
CN115115628B (zh) * | 2022-08-29 | 2022-11-22 | 山东第一医科大学附属省立医院(山东省立医院) | 一种基于三维精细化残差网络的腔隙性脑梗死识别系统 |
CN115115628A (zh) * | 2022-08-29 | 2022-09-27 | 山东第一医科大学附属省立医院(山东省立医院) | 一种基于三维精细化残差网络的腔隙性脑梗死识别系统 |
CN116644738A (zh) * | 2023-05-04 | 2023-08-25 | 合芯科技(苏州)有限公司 | 一种基于神经网络模型的文本纠错方法与装置 |
CN116681706B (zh) * | 2023-08-04 | 2023-11-10 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 医学影像的处理方法、装置、电子设备及存储介质 |
CN116681706A (zh) * | 2023-08-04 | 2023-09-01 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 医学影像的处理方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112102266B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112102266B (zh) | 基于注意力机制的脑梗死医学影像分类模型的训练方法 | |
CN111476292B (zh) | 医学图像分类处理人工智能的小样本元学习训练方法 | |
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
CN108268870B (zh) | 基于对抗学习的多尺度特征融合超声图像语义分割方法 | |
CN106682435B (zh) | 一种多模型融合自动检测医学图像中病变的系统及方法 | |
CN111401480B (zh) | 一种基于融合注意力机制的乳腺mri自动辅助诊断新方法 | |
Shamrat et al. | High-precision multiclass classification of lung disease through customized MobileNetV2 from chest X-ray images | |
CN112102237A (zh) | 基于半监督学习的脑部肿瘤识别模型的训练方法及装置 | |
CN107563434B (zh) | 一种基于三维卷积神经网络的脑部mri图像分类方法、装置 | |
Liu et al. | A framework of wound segmentation based on deep convolutional networks | |
CN114581662B (zh) | 一种脑肿瘤图像的分割方法、系统、装置及存储介质 | |
CN112149717B (zh) | 基于置信度加权的图神经网络训练方法及装置 | |
Huang et al. | Lesion-based contrastive learning for diabetic retinopathy grading from fundus images | |
CN113298830B (zh) | 一种基于自监督的急性颅内ich区域图像分割方法 | |
Wang et al. | Medical matting: a new perspective on medical segmentation with uncertainty | |
Tang et al. | Detection of pulmonary nodules based on a multiscale feature 3D U-Net convolutional neural network of transfer learning | |
Debnath et al. | Brain tumour segmentation using memory based learning method | |
Hosseinzadeh Kassani et al. | Automatic polyp segmentation using convolutional neural networks | |
Bhuvaneswari et al. | Contrast enhancement of retinal images using green plan masking and whale optimization algorithm | |
Cho et al. | Affinity graph based end-to-end deep convolutional networks for CT hemorrhage segmentation | |
Bigolin Lanfredi et al. | Interpretation of disease evidence for medical images using adversarial deformation fields | |
CN114972291B (zh) | 基于混合增强智能的医学影像结构化自动标注方法与系统 | |
CN116092667A (zh) | 基于多模态影像的疾病检测方法、系统、装置及存储介质 | |
CN115409812A (zh) | 一种基于融合时间注意机制的ct图像自动分类方法 | |
CN112634255B (zh) | 脑部病灶检测模型的建立方法、装置以及计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |