CN112151179A - 影像数据评估方法、装置、设备及存储介质 - Google Patents
影像数据评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112151179A CN112151179A CN202011051897.2A CN202011051897A CN112151179A CN 112151179 A CN112151179 A CN 112151179A CN 202011051897 A CN202011051897 A CN 202011051897A CN 112151179 A CN112151179 A CN 112151179A
- Authority
- CN
- China
- Prior art keywords
- image data
- standard
- evaluation model
- network
- sub
- 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
- 238000011157 data evaluation Methods 0.000 title claims abstract description 168
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005192 partition Methods 0.000 claims abstract description 182
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 141
- 238000011176 pooling Methods 0.000 claims description 122
- 238000013210 evaluation model Methods 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 28
- 238000001514 detection method Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 14
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000004807 localization Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 description 18
- 210000004556 brain Anatomy 0.000 description 16
- 238000010586 diagram Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000003902 lesion Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 210000002469 basement membrane Anatomy 0.000 description 3
- 210000003140 lateral ventricle Anatomy 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000001159 caudate nucleus Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 210000001653 corpus striatum Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 210000002307 prostate Anatomy 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种影像数据评估方法、装置、设备及存储介质。获取医学影像数据和医学影像数据的分区定位图像，将所述医学影像数据和所述分区定位图像输入至预先训练的影像数据评估模型，确定所述医学影像数据的评分结果。解决了现有技术中需要大量人工参与且生成无效特征的问题。可以自动对医学影像数据进行特征提取，通过预先训练的影像数据评估模型，可以自动挖掘医学影像数据和分区定位图像的有效特征，无需人工参与。并且，将医学影像数据和分区定位图像结合确定评分结果，可以提高评分结果确定因子的维度，有利于得到可靠的评分结果。
Description
技术领域
本发明实施例涉及数据处理技术，尤其涉及一种影像数据评估方法、装置、设备及存储介质。
背景技术
在临床应用中，为了统一病人之间的病情情况，往往会制定一种评分系统，来给病人进行评级。比如基于MR多模态影像的前列腺PI-RADS评分，基于CT或者MR影像的缺血性卒中病人的ASPECT评分。
目前，临床医生往往直接通过个人经验通过对影像数据进行评估或者通过自动评分系统进行评估。通过个人经验评估的弊端是，不同医生经验不同以及资历不同，评估结果存在很大的差异；通过影像数据自动评分系统对影像数据进行评估时，先对影像数据进行分区定位，然后对每一个定位区域通过人工方式提取特征，进行特征分析后送入学习网络中，比如将特征分析结果送人随机森林，通过随机森林将特征分析结果转换为分类任务，从而获取最终的评估结果。
但是，上述评估方式需要大量人工参与，费时费力，且大量特征为无效特征，容易对影像数据的评估产生干扰。
发明内容
本发明实施例提供了一种影像数据评估、装置、设备及存储介质，以实现对影像数据自动评估，提高评估效率和效果。
第一方面，本发明实施例提供了一种影像数据评估方法，包括：
获取医学影像数据和所述医学影像数据的分区定位图像；
将所述医学影像数据和所述分区定位图像输入至预先训练的影像数据评估模型，确定所述医学影像数据的评分结果，其中，所述影像数据评估模型根据标准影像数据、标准分区定位图像以及标准评分训练得到。
第二方面，本发明实施例还提供了一种影像数据评估装置，包括：
信息获取模块，用于获取医学影像数据和所述医学影像数据的分区定位图像；
评分结果确定模块，用于将所述医学影像数据和所述分区定位图像输入至预先训练的影像数据评估模型，确定所述医学影像数据的评分结果，其中，所述影像数据评估模型根据标准影像数据、标准分区定位图像以及标准评分训练得到。
第三方面，本发明实施例还提供了一种影像数据评估设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任一项所述的影像数据评估方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时实现如第一方面中任一项所述的影像数据评估方法。
本实施例提供的技术方案，获取医学影像数据和医学影像数据的分区定位图像，将所述医学影像数据和所述分区定位图像输入至预先训练的影像数据评估模型，确定所述医学影像数据的评分结果。解决了现有技术中需要大量人工参与且生成无效特征的问题。可以自动对医学影像数据进行特征提取，通过预先训练的影像数据评估模型，可以自动挖掘医学影像数据和分区定位图像的有效特征，无需人工参与。并且，将医学影像数据和分区定位图像结合确定评分结果，可以提高评分结果确定因子的维度，有利于得到可靠的评分结果。
附图说明
图1为本发明实施例一提供的一种影像数据评估方法的流程示意图；
图2为本发明实施例二提供的一种影像数据评估方法的流程示意图；
图3为本发明实施例二提供的影像评分数据的相关模型示意图；
图4为本发明实施例三提供的一种影像数据评估方法的流程示意图；
图5为本发明实施例四提供的一种影像数据评估装置的结构示意图；
图6为本发明实施例五提供的一种影像数据评估设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种影像数据评估方法的流程示意图，本实施例可适用于将获取的医学影像数据和医学影像数据的分区定位图像输入至影像数据评估模型，通过影像数据评估模型自动确定影像数据的评分结果的情况，该方法可以由影像数据评估装置来执行，其中该装置可由软件和/或硬件实现，并一般集成在终端或影像数据评估设备中。具体参见图1所示，该方法可以包括如下步骤：
S110、获取医学影像数据和医学影像数据的分区定位图像。
其中，医学影像数据可以包括磁共振多模态图像、计算机断层扫描图像等。可选地，医学影像数据可以是平扫图像或增强图像，医学影像数据可以是对称图像也可以是非对称图像。可以理解的是，如果医学影像数据为头部平扫图像，可以将头部平扫图像中的左右半脑各分为十个区域，左右半脑的十个区域分别为尾状核、豆状核、内囊、岛带、基底节片层的脑叶的前端、基底节片层的脑叶的终端、基底节片层的脑叶的后端、侧脑室体部层的脑叶的前端、侧脑室体部层的脑叶的中段以及侧脑室体部层的脑叶的后端。
其中，分区定位图像可以通过对医学影像数据进行定位或配准确定。例如，如果医学影像数据是头部平扫图像，分区定位图像可以是左右半脑的至少一个区域。可选地，分区定位图像的确定方法可以是：获取预先确定的模板图像与影像数据之间的配准关系；基于所述配准关系，将所述模板图像的分区映射至所述医学影像数据上，获取所述医学影像数据的每个分区的概率值；根据所述医学影像数据的每个分区的概率值确定所述医学影像数据的分区定位图像。可选地，分区定位图像的确定方法还可以是：确定医学影像数据的至少一个区域的中心点；基于至少一个区域的中心点的图像信息，确定医学影像数据的分区定位图像。可选地，所述分区定位图像可以是分区掩膜或显著图。
S120、将医学影像数据和分区定位图像输入至预先训练的影像数据评估模型，确定医学影像数据的评分结果。
其中，所述影像数据评估模型根据标准影像数据、标准分区定位图像以及标准评分训练得到。所述标准影像数据可以是单一影像数据也可以是多模态影像数据。所述标准分区定位图像为分区掩膜或显著图。
可选地，所述影像数据评估模型可以为卷积神经网络。所述影像数据评估模型包括：特征提取子网络、池化子网络和全连接子网络；所述池化子网络包括掩膜池化子网络，所述全连接子网络包括分区分类子网络。所述影像数据评估模型的训练方法为：获取所述标准影像数据、所述标准分区定位图像和所述标准评分；迭代执行以下训练步骤，将满足预设迭代要求的当前评估模型确定为训练完成的影像数据评估模型：将所述标准影像数据输入至特征提取子网络，得到标准特征数据；基于池化子网络的掩膜池化子网络，对所述标准特征数据和所述标准分区定位图像进行掩膜池化，得到掩膜池化结果；基于所述全连接子网络的分区分类子网络，对掩膜池化结果进行分区分类计算，得到第一分区分类结果；根据所述第一分区分类结果与所述标准评分计算所述当前评估模型的第一损失函数；基于所述第一损失函数对所述当前评估模型进行参数调节，得到当前迭代的影像数据评估模型，直至当前迭代的影像数据评估模型的第一损失函数小于设定阈值，将当前迭代的影像数据评估模型作为训练完成的影像数据评估模型。
具体地，在当前评估模型的输入端输入格式为N×C×Z×H×W的标准影像数据，基于特征提取子网络对标准影像数据进行降采样，特征提取子网络的输出格式为N×C1×Z/t×H/t×W/t的标准特征数据，其中，N是标准影像数据的个数，C1是标准影像数据的通道数，Z，H，W分别为标准影像数据在3个维度的数据大小，C1是标准特征数据的个数，t是降采样的倍数；进一步地，将标准影像数据和标准分区图像输入至池化子网络，基于池化子网络中的掩膜池化子网络对标准特征数据和所述标准分区定位图像进行掩膜池化，得到掩膜池化结果。所述掩膜池化可以是平均池化也可以是最大池化，本实施例采用平均池化，所述掩膜池化结果可以是N×CM×C1的特征矩阵，所述C1是特征维度，所述CM是分区个数；进一步地，将掩膜池化结果输入至全连接子网络，基于全连接子网络的分区分类子网络，对掩膜池化结果进行分区分类计算，得到第一分区分类结果，所述第一分区分类结果包括每个区域分类的类别个数，比如，层面评分对每一个区域判断存在早期缺血性改变或不存在早期缺血性改变，类似于一个二分类问题，得到的第一分区分类结果个数为2；进一步地，根据第一分区分类结果与标准评分计算第一损失函数，根据第一损失函数对当前评估模型进行参数调节，直至第一损失函数小于设定阈值，将当前迭代的影像数据评估模型作为训练完成的影像数据评估模型。
其中，平均池化的计算公式为：
其中，Mij(k)是第i个标准特征数据和标准分区定位图像的第j个分区的降采样后的数据，Tic(k)是影像数据评估模型的第i个标准特征数据和标准分区定位图像的第c个通道的特征图，k是遍历标准特征数据和标准分区定位图像的所有像素点。经过平均池化计算之后，可以得到N×CM×C1的特征矩阵，将该特征矩阵做矩阵重排，得到NCM×C1的特征矩阵。其中，NCM是采样后的标准特征数据和标准分区定位图像的个数，C1是特征维度。
其中，第一损失函数的表达式是：
其中，y′是分区分类子网络输出概率结果，α和γ均是调节参数，α一般取值是0.25，γ一般取值是2。
进一步地，基于上述方式训练得到影像数据评估模型后，将医学影像数据和分区定位图像输入至影像数据评估模型，通过特征提取子网络对医学影像数据进行特征提取，得到医学影像数据的医学特征数据，基于池化子网络中的掩膜池化子网络对医学特征数据和分区定位图像进行掩膜池化，得到掩膜池化特征，进一步基于全连接子网络的分区分类子网络对掩膜池化特征进行分区分类计算，得到第一分区分类特征，将第一分区分类特征作为影像数据的评分结果。上述方式为基于医学影像数据和分区定位图像结合确定评分结果，可以提高评分结果确定因子的维度，有利于得到可靠的评分结果。
本实施例提供的技术方案，获取医学影像数据和医学影像数据的分区定位图像，将所述医学影像数据和所述分区定位图像输入至预先训练的影像数据评估模型，确定所述医学影像数据的评分结果。解决了现有技术中需要大量人工参与且生成无效特征的问题。可以自动挖掘医学影像数据和分区定位图像的有效特征，无需人工参与。并且，将医学影像数据和分区定位图像结合确定评分结果，可以提高评分结果确定因子的维度，有利于得到可靠的评分结果。
实施例二
图2为本发明实施例二提供的一种影像数据评估方法的流程示意图。本实施例的技术方案在上述实施例的基础上增加了新的步骤。可选地，所述池化子网络还包括：全局池化子网络，所述全连接子网络还包括：多目标回归子网络和总评分回归子网络；所述方法还包括：获取临床特征信息，其中，所述临床特征信息通过对与所述标准影像数据对应的临床相关信息进行数值化操作得到；相应的，所述影像数据评估模型的训练方法还包括：将所述标准特征数据、所述标准分区定位图像和所述临床特征信息输入至池化子网络，并基于所述池化子网络的全局池化子网络确定全局池化结果；基于所述全连接子网络的多目标回归子网络对所述全局池化结果进行多目标回归处理，并基于所述全连接子网络的总评分回归子网络对所述全局池化结果进行总评分回归处理，得到多目标回归结果和总评分回归结果；根据所述多目标回归结果和所述标准评分计算所述当前评估模型的第二损失函数，并根据所述总评分回归结果和所述标准评分计算所述当前评估模型的第三损失函数；相应的，所述基于所述第一损失函数对所述当前评估模型进行参数调节，得到当前迭代的影像数据评估模型，包括：基于所述第一损失函数、所述第二损失函数和所述第三损失函数对所述当前评估模型进行参数调节，得到当前迭代的影像数据评估模型。在该方法实施例中未详尽描述的部分请参考上述实施例。具体参见图2所示，该方法可以包括如下步骤：
S210、获取标准影像数据、标准分区定位图像、临床特征信息和标准评分。
其中，所述临床特征信息通过对与所述标准影像数据对应的临床相关信息进行数值化操作得到。
S220、将标准影像数据输入至特征提取子网络，得到标准特征数据，将标准特征数据、标准分区定位图像和临床特征信息输入至池化子网络。
S230、基于池化子网络的掩膜池化子网络，对标准特征数据和标准分区定位图像进行掩膜池化，得到掩膜池化结果，并基于池化子网络的全局池化子网络对标准特征数据和临床特征信息进行全局池化，确定全局池化结果。
S240、基于全连接子网络的分区分类子网络，对掩膜池化结果进行分区分类计算，得到第一分区分类结果，基于全连接子网络的多目标回归子网络对全局池化结果进行多目标回归处理，并基于全连接子网络的总评分回归子网络对全局池化结果进行总评分回归处理，得到多目标回归结果和总评分回归结果。
S250，根据第一分区分类结果与标准评分计算当前评估模型的第一损失函数，根据多目标回归结果和标准评分计算当前评估模型的第二损失函数，并根据总评分回归结果和标准评分计算当前评估模型的第三损失函数。
S260、基于第一损失函数、第二损失函数和第三损失函数对当前评估模型进行参数调节，得到当前迭代的影像数据评估模型。
S270、如果当前迭代的影像数据评估模型达到稳定状态，获取医学影像数据和医学影像数据的分区定位图像。
上述S210-S270为训练影像数据评估模型的具体逻辑过程。具体的，结合图3所示的影像数据评估模型的示意图具体的解释上述影像数据评估模型的训练过程。如图3所示，获取标准影像数据、标准分区定位图像、临床特征信息和标准评分；将标准影像数据、标准分区定位图像和临床特征信息输入至当前评估模型，基于当前评估模型的特征提取子网络对标准影像数据进行特征提取，得到标准特征数据；基于池化子网络的掩膜池化子网络，对所述标准特征数据和所述标准分区定位图像进行掩膜池化，得到掩膜池化结果，并基于全局池化子网络对标准特征数据和临床特征信息进行全局池化，得到全局池化结果；将得到的掩膜池化结果输入至全连接子网络的分区分类子网络(ANN1)，基于分区分类子网络(ANN1)掩膜池化结果进行分区分类计算，得到第一分区分类结果，并将得到的全局池化结果分别输入至全连接子网络中的多目标回归子网络(ANN2)和总评分回归子网络(ANN3)，基于多目标回归子网络(ANN2)对全局池化结果进行多目标回归处理，并基于总评分回归子网络(ANN3)对全局池化结果进行总评分回归处理；进一步地，根据第一分区分类结果与所述标准评分计算所述当前评估模型的第一损失函数，根据多目标回归子网络(ANN2)输出的多目标回归结果与标准评分计算第二损失函数(即多目标回归Loss)，并根据总评分回归子网络(ANN3)输出的总评分回归结果与标准评分计算第三损失函数(即得分归回Loss)；进一步地，根据第一损失函数、第二损失函数和第三损失函数迭代调节当前评估模型的参数，直至得到当前迭代的影像数据评估模型。可选地，所述多目标回归结果和总评分回归结果可以为分类概率。本实施例中，分别为第一损失函数、第二损失函数和第三损失函数分配不同的权重，基于第一损失函数、第二损失函数和第三损失函数以及各自对应的权重迭代调节当前评估模型的参数，得到当前迭代的影像数据评估模型，直至根据当前迭代的影像数据评估模型的第一损失函数、第二损失函数和第三损失函数以及各自对应的权重确定的目标损失函数小于设定阈值，将当前迭代的影像数据评估模型作为训练完成的影像数据评估模型。
本实施例中，如果临床特征信息的维度为C2，结合前述实施例中的公式(1)，则得到的全局池化结果的特征维度为N×(C1+C2)。可选地，第二损失函数的表达式为：
其中，
是标准影像数据和临床特征信息的多目标回归结果，
是金标准，即标准评分，CM是图像的分区，
可以是1或0。
可选地，第三损失函数Lscore的表达式为：
Lscore＝||Sall-Sall’||2 (公式5)
其中，Sall’是标准影像数据和临床特征信息的总评分回归结果，Sall是金标准，即标准评分。
可以理解的是，上述方式可以将临床特征信息、标准影像数据和标准分区定位图像这些多个维度的数据灵活融合训练影像数据评估模型，得到可靠的影像数据评估模型并提高影像数据评估模型的鲁棒性。并且，通过对标准影像数据和临床特征信息进行全局池化，可以增加全局图像，将标准分区定位图像与全局图像融合训练影像数据评估模型，可以进一步提高影像数据评估模型的可靠性和鲁棒性。
S280，如果当前迭代的影像数据评估模型达到稳定状态，获取临床检测信息，并确定临床检测信息对应的数值化检测信息。
其中，临床检测信息可以包括血压、血脂、血压等数据。可以理解的是，临床检测信息是一些离散数据，可以通过对临床检测信息进行数值化处理，将临床检测信息转化为向量形式的数值化检测信息。
S290，将医学影像数据、数值化检测信息和分区定位图像输入至预先训练的影像数据评估模型，得到影像数据的评分结果。
通过前述步骤得到影像数据评估模型后，可以将医学影像数据、数值化检测信息和分区定位图像输入至预先训练的影像数据评估模型中，通过影像数据评估模型的特征提取子网络对医学影像数据进行特征提取，预测出医学特征数据；基于掩膜池化子网络对医学特征数据和分区定位图像进行掩膜池化，预测出当前的掩膜池化结果，并基于影像数据评估模型的全局池化子网络对影像特征数据和数值化检测信息进行全局池化，预测出当前的全局池化结果；进一步地，基于全连接子网络的分区分类子网络对掩膜池化结果进行分区分类计算，预测出当前的分区分类结果，并基于多目标回归子网络和总评分回归子网络分别对当前的全局池化结果进行多目标回归处理和总评分回归处理，预测出当前的多目标回归结果和当前的总评分回归结果；根据当前的掩膜池化结果、当前的多目标回归结果和当前的总评分回归结果确定评分结果。可以理解的是，当前的分区分类结果、当前的多目标回归结果和当前的总评分回归结果可以包括每个区的评分。
本实施例提供的技术方案，通过融合临床特征信息、标准影像数据和标准分区定位图像这些多个维度的数据训练影像数据评估模型，可以得到可靠的影像数据评估模型并提高影像数据评估模型的鲁棒性。因此，获取到临床检测信息后，将临床检测信息对应的数值化检测信息、医学影像数据和分区定位图像输入至影像数据评估模型中，自动挖掘有效特征，无需人工参与。并且，将通过灵活融合临床检测信息对应的数值化检测信息、医学影像数据和分区定位图像确定评分结果，可以提高评分结果确定因子的维度，有利于得到可靠的评分结果。
实施例三
图4为本发明实施例三提供的一种影像数据评估方法的流程示意图。本实施例的技术方案在上述实施例的基础上进行了细化。可选地，所述全连接子网络还包括中继监督子网络；相应的，所述影像数据评估模型的训练方法还包括：将所述标准特征数据输入至所述全连接子网络的中继监督子网络，基于所述中继监督子网络，对所述标准特征数据进行分区分类操作；根据所述中继监督子网络输出的第二分区分类结果和所述标准评分计算当前评估模型的第四损失函数；相应的，所述基于所述第一损失函数对所述当前评估模型进行参数调节，得到当前迭代的影像数据评估模型，包括：基于所述第一损失函数和所述第四损失函数对所述当前评估模型进行参数调节，得到当前迭代的影像数据评估模型；或者，基于所述第一损失函数、第二损失函数、第三损失函数和所述第四损失函数对所述当前评估模型进行参数调节，得到当前迭代的影像数据评估模型，其中，所述第一损失函数、所述第二损失函数、所述第三损失函数和所述第四损失函数分别分配不同的贡献权重。在该方法实施例中未详尽描述的部分请参考上述实施例。具体参见图4所示，该方法可以包括如下步骤：
S310、获取标准影像数据、标准分区定位图像、临床特征信息和标准评分。
其中，所述临床特征信息通过对与所述标准影像数据对应的临床相关信息进行数值化操作得到。可选地，标准分区定位图像的确定方法，包括：获取标准影像数据对应的模板图像；根据所述模板图像对所述标准影像数据进行仿射变换，将仿射变换后的标准影像数据与所述模板图像进行非刚性配准，得到标准影像数据与模板图像之间的配准关系；根据所述配准关系，将所述模板图像的分区图像映射至所述标准影像数据，确定所述标准影像数据的标准分区定位图像。其中，模板图像可以理解为标准影像数据的参考图像，可以包括各区域的概率。可以理解的是，标准影像数据与模板图像不完全对齐，通过仿射变换对标准影像数据的特征向量进行变换或者平移，以使标准影像数据与模板图像对齐，进一步进行非刚性配准，得到配准关系。
其中，所述标准影像数据的标准分区定位图像的确定方法，包括：根据所述配准关系对所述模板图像和所述标准影像数据进行非刚性配准，并将模板的第一分区的概率图转为所述标准影像数据的第一分区的概率图；获取输入的特定截取区域，基于所述特定截取区域、所述标准影像数据的第一分区的概率图，确定截取区域的所述标准影像数据的第二分区的概率图；将标准影像数据的第一分区的概率图和所述标准影像数据的第二分区的概率图作为所述标准分区定位图像。
其中，所述特定截取区域可以为从外部获取的截取区域。所述第一分区和所述第二分区具有对称性。可选地，可以通过如下方式确定是否将模板图像的第一分区的概率图仿射映射至所述模板图像的第二分区：计算模板图像的第一分区与第二分区的互信息的比值；如果所述比值大于设定阈值，将模板图像的第一分区的概率图仿射映射至所述模板图像的第二分区。通过将第一分区的概率图仿射映射至所述模板图像的第二分区，实现通过对侧映射的方式将分割良好的第一分区的概率图映射至分割不良的第二区域。例如，模板图像为人脑图像，根据配准关系对所述标准影像数据与所述模板图像进行非刚性配准，将所述模板图像的左半脑的概率图作为标准影像数据的第一分区的概率图，获取输入的特定截取区域，基于特定截取区域，将人脑图像的左半脑概率图映射到标准影像数据的右半脑，将特定截取区域的所述标准影像数据的左半脑的概率图和特定截取区域的所述标准影像数据的有半脑的概率图作为标准分区图像定位图像。通过这种方式，可以提高标准分区定位图像的确定效率，进一步提高影像数据评估模型的训练效率。
S320、将标准影像数据输入至特征提取子网络，得到标准特征数据，将标准特征数据、标准分区定位图像和临床特征信息输入至池化子网络，以及将标准特征数据输入至全连接子网络的中继监督子网络。
S330、基于池化子网络的掩膜池化子网络对标准特征数据和标准分区定位图像进行掩膜池化，得到掩膜池化结果，并基于池化子网络的全局池化子网络确定全局池化结果。
S340、基于全连接子网络的分区分类子网络，对掩膜池化结果进行分区分类计算，得到第一分区分类结果，基于全连接子网络的多目标回归子网络对全局池化结果进行多目标回归处理，基于全连接子网络的总评分回归子网络对全局池化结果进行总评分回归处理，得到多目标回归结果和总评分回归结果，基于中继监督子网络，对标准特征数据进行分区分类操作；
S350、根据第一分区分类结果与标准评分计算当前评估模型的第一损失函数，根据多目标回归结果和标准评分计算当前评估模型的第二损失函数，根据总评分回归结果和标准评分计算当前评估模型的第三损失函数，以及根据中继监督子网络输出的第二分区分类结果和标准评分计算当前评估模型的第四损失函数。
S360、基于第一损失函数和第四损失函数对当前评估模型进行参数调节，得到当前迭代的影像数据评估模型，或者，基于第一损失函数、第二损失函数、第三损失函数和所述第四损失函数对当前评估模型进行参数调节，得到当前迭代的影像数据评估模型。
其中，所述第一损失函数、所述第二损失函数、所述第三损失函数和所述第四损失函数分别分配不同的贡献权重。通过将第一损失函数和第四损失函数组合进行参数调节，或者将第一损失函数、第二损失函数、第三损失函数和第四损失函数组合进行参数调节，可以减少反向传播梯度的信息的损失，并且，将多个损失函数融合调节参数可以得到更稳定的影响数据评估模型。
结合图3具体的解释，如前述描述，基于分区分类子网络(ANN1)掩膜池化结果进行分区分类计算，得到第一分区分类结果，并将得到的全局池化结果分别输入至全连接子网络中的多目标回归子网络(ANN2)和总评分回归子网络(ANN3)，基于多目标回归子网络(ANN2)对全局池化结果进行多目标回归处理，并基于总评分回归子网络(ANN3)对全局池化结果进行总评分回归处理，以及将标准特征数据输入至全连接子网络的中继监督子网络(ANNn)，基于中继监督子网络(ANNn)对标准特征数据进行分区分类操作，得到第二分区分类结果；进一步地，根据第一分区分类结果与所述标准评分计算所述当前评估模型的第一损失函数，根据多目标回归子网络(ANN2)输出的多目标回归结果与标准评分计算第二损失函数(即多目标回归Loss)，根据总评分回归子网络(ANN3)输出的总评分回归结果与标准评分计算第三损失函数(即得分归回Loss)，以及根据第二分区分类结果所述标准评分计算所述当前评估模型的第四损失函数(即中继监督Loss)；进一步地，根据第一损失函数和第四损失函数对当前评估模型进行参数调节，直至得到当前迭代的影像数据评估模型，或者，根据第一损失函数、第二损失函数、第三损失函数和第四损失函数计算整体损失函数，基于整体损失函数对当前评估模型进行参数调节，直至得到当前迭代的影像数据评估模型。本实施例中，分别为第一损失函数、第二损失函数和第三损失函数分配不同的权重，基于第一损失函数、第二损失函数、第三损失函数和第四损失函数以及各自对应的权重，计算当前迭代的影像数据评估模型的整体损失函数，如果整体损失函数小于设定阈值，将当前迭代的影像数据评估模型作为训练完成的影像数据评估模型。其中，整体损失函数的表达式为：
其中，Lfocal_i是第四损失函数，λ1，λ2，λi为贡献权重，均大于等于0。
本实施例中，训练影像数据评估模型之前，还可以对标准影像数据、标准分区定位图像以及临床特征信息进行翻转、旋转、平移以及缩放等处理，以提高影像数据评估模型的泛化能力；在训练完影像数据评估模型之后，还可以通过测试数据对影像数据评估模型进行测试，在测试影像数据评估模型时，无需中继监督子网络，可以将掩膜池化子网络和全局池化子网络进行自由组合。具体测试方法为：测试数据包括测试影像数据、测试分区定位图像、金标准和临床特征信息，将测试影像数据、测试分区定位图像和临床特征信息输入至影像数据评估模型，经过特征提取子网络提取测试影像数据的测试特征数据，基于测试特征数据和测试分区定位图像并经过掩膜池化子网络，得到掩膜池化结果和全局池化结果；进一步地，经过分区分类子网络确定第一分区分类结果；和/或，基于测试特征数据和临床特征信息并经过全连接子网络，得到多目标回归结果和总评分回归结果，所述第一分区分类结果、多目标回归结果和总评分回归结果均为影像数据评估模型输出的预测评分；进一步地，根据预测评分与金标准对影像数据评估模型的特征提取子网络、掩膜池化子网络、全局池化子网络、多目标回归子网络以及总评分回归子网络进行测试；如果预测评分与金标准之间的差值小于设定阈值，确定影像数据评估模型通过测试。通过对影像数据评估模型进行测试，可以得到准确的影像数据评估模型，有利于提高影像数据的评分结果的准确性。
S380、如果当前迭代的影像数据评估模型达到稳定状态，获取医学影像数据和医学影像数据的分区定位图像，获取临床检测信息，并确定临床检测信息对应的数值化检测信息；
S390、将医学影像数据、数值化检测信息和分区定位图像输入至预先训练的影像数据评估模型，得到影像数据的评分结果。
可以理解的是，医学影像数据的左右区域具有对称性，对医学影像数据进行特征提取后，将分区定位图像和左右区域对称的影像特征数据输入至影像数据评估模型，通过影像数据评估模型对医学影像数据进行分类，输出影像数据的评分结果，该评分结果可能包括左右都没有病变、左边有病变右边没有病变、左边没有病变右边有病变以及左右都有病变四种结果。
本实施例提供的技术方案，获取标准影像数据对应的模板图像，根据模板图像对标准影像数据进行仿射变换，将仿射变换后的标准影像数据与模板图像进行非刚性配准，得到所述标准影像数据与所述模板图像之间的配准关系，根据所述配准关系对所述模板图像和所述标准影像数据进行非刚性配准，并将模板的第一分区的概率图转为所述标准影像数据的第一分区的概率图；获取输入的特定截取区域，基于所述特定截取区域、所述标准影像数据的第一分区的概率图，确定截取区域的所述标准影像数据的第二分区的概率图；将特定截取区域的所述标准影像数据的第一分区的概率图和特定截取区域的所述标准影像数据的第二分区的概率图作为所述标准分区定位图像。这种方式可以准确确定标准分区定位图像，对于具有对称性的标准影像数据，可以提高标准分区定位图像的确定效率，进一步提高影像数据评估模型的训练效率。另外，在训练影像数据评估模型时，加入中继监督子网络，并根据中继监督子网络的计算结果计算第四损失函数，将第四损失函数与其他损失函数融合进行参数调节，可以减少反向传播梯度的信息的损失，并且，通过将多个损失函数融合，可以得到更稳定的影响数据评估模型，进一步利于得到可靠的评分结果。
实施例四
图5为本发明实施例四提供的一种影像数据评估装置的结构示意图。参见图5所示，该系统包括：信息获取模块410和评分结果确定模块420。
其中，信息获取模块410，用于获取医学影像数据和所述医学影像数据的分区定位图像；
评分结果确定模块420，用于将所述医学影像数据和所述分区定位图像输入至预先训练的影像数据评估模型，确定所述医学影像数据的评分结果，其中，所述影像数据评估模型根据标准影像数据、标准分区定位图像以及标准评分训练得到。
在上述各技术方案的基础上，该装置还包括：临床检测信息获取模块；其中，临床检测信息获取模块，用于获取临床检测信息，并确定所述临床检测信息对应的数值化检测信息；
相应的，评分结果确定模块420还用于，将得到的所述医学影像数据、所述数值化检测信息和所述分区定位图像输入至预先训练的影像数据评估模型，得到所述影像数据的评分结果。
在上述各技术方案的基础上，影像数据评估模型包括：特征提取子网络、池化子网络和全连接子网络；所述池化子网络包括掩膜池化子网络，所述全连接子网络包括分区分类子网络；相应的，该装置还包括：影像数据评估模型训练模块；其中，影像数据评估模型训练模块，用于获取所述标准影像数据、所述标准分区定位图像和所述标准评分；
将所述标准影像数据输入至所述特征提取子网络，得到标准特征数据；
基于所述池化子网络的掩膜池化子网络，对所述标准特征数据和所述标准分区定位图像进行掩膜池化，得到掩膜池化结果；
基于所述全连接子网络的分区分类子网络，对所述掩膜池化结果进行分区分类计算，得到第一分区分类结果；
根据所述第一分区分类结果与所述标准评分计算所述当前评估模型的第一损失函数；
基于所述第一损失函数对所述当前评估模型进行参数调节，得到当前迭代的影像数据评估模型。
在上述各技术方案的基础上，所述池化子网络还包括：全局池化子网络，所述全连接子网络还包括：多目标回归子网络和总评分回归子网络；相应的，该装置还包括：临床特征信息获取模块、全局池化模块、回归操作模块和第二损失函数和第三损失函数计算模块；其中，临床特征信息获取模块，用于获取临床特征信息，其中，所述临床特征信息通过对与所述标准影像数据对应的临床相关信息进行数值化操作得到；
相应地，影像数据评估模型训练模块还用于，将所述标准特征数据、所述标准分区定位图像和所述临床特征信息输入至池化子网络，基于所述池化子网络的全局池化子网络确定全局池化结果；
基于所述全连接子网络的多目标回归子网络对所述全局池化结果进行多目标回归处理，并基于所述全连接子网络的总评分回归子网络对所述全局池化结果进行总评分回归处理，得到多目标回归结果和总评分回归结果；
根据所述多目标回归结果和所述标准评分计算所述当前评估模型的第二损失函数，并根据所述总评分回归结果和所述标准评分计算所述当前评估模型的第三损失函数；
基于所述第一损失函数、所述第二损失函数和所述第三损失函数对所述当前评估模型进行参数调节，得到当前迭代的影像数据评估模型。
在上述各技术方案的基础上，全连接子网络还包括中继监督子网络；
相应的，影像数据评估模型训练模块还用于，将所述标准特征数据输入至所述全连接子网络的中继监督子网络，基于所述中继监督子网络，对所述标准特征数据进行分区分类操作；
根据所述中继监督子网络输出的第二分区分类结果和所述标准评分计算当前评估模型的第四损失函数；
基于所述第一损失函数和所述第四损失函数对所述当前评估模型进行参数调节，得到当前迭代的影像数据评估模型；
或者，
基于所述第一损失函数、第二损失函数、第三损失函数和所述第四损失函数对所述当前评估模型进行参数调节，得到当前迭代的影像数据评估模型，其中，所述第一损失函数、所述第二损失函数、所述第三损失函数和所述第四损失函数分别分配不同的贡献权重。
在上述各技术方案的基础上，影像数据评估模型训练模块包括：标准分区定位图像确定子模块；其中，标准分区定位图像确定子模块，用于获取所述标准影像数据对应的模板图像；
根据所述模板图像对所述标准影像数据进行仿射变换，将仿射变换后的标准影像数据与所述模板图像进行非刚性配准，得到所述标准影像数据与所述模板图像之间的配准关系；
根据所述配准关系，将所述模板图像的分区图像映射至所述标准影像数据，确定所述标准影像数据的标准分区定位图像。
在上述各技术方案的基础上，标准分区定位图像确定子模块还用于，根据所述配准关系对所述模板图像和所述标准影像数据进行非刚性配准，并将模板的第一分区的概率图转为所述标准影像数据的第一分区的概率图；
获取输入的特定截取区域，基于所述特定截取区域、所述标准影像数据的第一分区的概率图，确定截取区域的所述标准影像数据的第二分区的概率图；
将特定截取区域的所述标准影像数据的第一分区的概率图和特定截取区域的所述标准影像数据的第二分区的概率图作为所述标准分区定位图像
本实施例提供的技术方案，获取医学影像数据和医学影像数据的分区定位图像，将所述医学影像数据和所述分区定位图像输入至预先训练的影像数据评估模型，确定所述医学影像数据的评分结果。解决了现有技术中需要大量人工参与且生成无效特征的问题。通过预先训练的影像数据评估模型，可以自动挖掘医学影像数据和分区定位图像的有效特征，无需人工参与。并且，将医学影像数据和分区定位图像结合确定评分结果，可以提高评分结果确定因子的维度，有利于得到可靠的评分结果。
实施例五
图6为本发明实施例五提供的一种影像数据评估设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性影像数据评估设备12的框图。图6显示的影像数据评估设备12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6所示，影像数据评估设备12以通用计算设备的形式表现。影像数据评估设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
影像数据评估设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被影像数据评估设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存32。影像数据评估设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如影像数据评估装置的信息获取模块410和评分结果确定模块420)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(例如影像数据评估装置的信息获取模块410和评分结果确定模块420)程序模块46的程序/实用工具44，可以存储在例如存储器28中，这样的程序模块46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。程序模块46通常执行本发明所描述的实施例中的功能和/或方法。
影像数据评估设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该影像数据评估设备12交互的设备通信，和/或与使得该影像数据评估设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，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22进行。并且，影像数据评估设备12还可以通过网络适配器20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20通过总线18与影像数据评估设备12的其它模块通信。应当明白，尽管图中未示出，可以结合影像数据评估设备12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。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种影像数据评估方法，该方法包括：
获取医学影像数据和所述医学影像数据的分区定位图像；
将所述医学影像数据和所述分区定位图像输入至预先训练的影像数据评估模型，确定所述医学影像数据的评分结果，其中，所述影像数据评估模型根据标准影像数据、标准分区定位图像以及标准评分训练得到。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种影像数据评估方法。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的一种影像数据评估方法的技术方案。
实施例六
本发明实施例六还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的一种影像数据评估方法，该方法包括：
获取医学影像数据和所述医学影像数据的分区定位图像；
将所述医学影像数据和所述分区定位图像输入至预先训练的影像数据评估模型，确定所述医学影像数据的评分结果，其中，所述影像数据评估模型根据标准影像数据、标准分区定位图像以及标准评分训练得到。
当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上的方法操作，还可以执行本发明任意实施例所提供的一种影像数据评估方法中的相关操作。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机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、便携式计算机磁盘、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、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机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、系统或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在医学影像数据、分区定位图像、影像特征数据和评分结果等，其中承载了计算机可读的程序代码。这种传播的医学影像数据、分区定位图像、影像特征数据和评分结果等形式。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、系统或者器件使用或者与其结合使用的程序。
计算机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、电线、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或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
值得注意的是，上述影像数据评估装置的实施例中，所包括的各个模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种影像数据评估方法，其特征在于，包括：
获取医学影像数据和所述医学影像数据的分区定位图像；
将所述医学影像数据和所述分区定位图像输入至预先训练的影像数据评估模型，确定所述医学影像数据的评分结果，其中，所述影像数据评估模型根据标准影像数据、标准分区定位图像以及标准评分训练得到。
2.根据权利要求1所述的方法，其特征在于，还包括：
获取临床检测信息，并确定所述临床检测信息对应的数值化检测信息；
相应的，所述将所述医学影像数据和和所述分区定位图像输入至预先训练的影像数据评估模型，确定所述医学影像数据的评分结果，包括：
将所述医学影像数据、所述数值化检测信息和所述分区定位图像输入至预先训练的影像数据评估模型，得到所述医学影像数据的评分结果。
3.根据权利要求1所述的方法，其特征在于，所述影像数据评估模型包括：特征提取子网络、池化子网络和全连接子网络；所述池化子网络包括掩膜池化子网络，所述全连接子网络包括分区分类子网络；
相应的，所述影像数据评估模型的训练方法包括：
获取所述标准影像数据、所述标准分区定位图像和所述标准评分；
迭代执行以下训练步骤，将满足预设迭代要求的当前评估模型确定为训练完成的影像数据评估模型：
将所述标准影像数据输入至所述特征提取子网络，得到标准特征数据；
基于所述池化子网络的掩膜池化子网络，对所述标准特征数据和所述标准分区定位图像进行掩膜池化，得到掩膜池化结果；
基于所述全连接子网络的分区分类子网络，对所述掩膜池化结果进行分区分类计算，得到第一分区分类结果；
根据所述第一分区分类结果与所述标准评分计算所述当前评估模型的第一损失函数；
基于所述第一损失函数对所述当前评估模型进行参数调节，得到当前迭代的影像数据评估模型。
4.根据权利要求3所述的方法，其特征在于，所述池化子网络还包括：全局池化子网络，所述全连接子网络还包括：多目标回归子网络和总评分回归子网络；所述方法还包括：
获取临床特征信息，其中，所述临床特征信息通过对与所述标准影像数据对应的临床相关信息进行数值化操作得到；
相应的，所述影像数据评估模型的训练方法还包括：
将所述标准特征数据、所述标准分区定位图像和所述临床特征信息输入至池化子网络，并基于所述池化子网络的全局池化子网络对所述标准特征数据和所述临床特征信息进行全局池化，确定全局池化结果；
基于所述全连接子网络的多目标回归子网络对所述全局池化结果进行多目标回归处理，并基于所述全连接子网络的总评分回归子网络对所述全局池化结果进行总评分回归处理，得到多目标回归结果和总评分回归结果；
根据所述多目标回归结果和所述标准评分计算所述当前评估模型的第二损失函数，并根据所述总评分回归结果和所述标准评分计算所述当前评估模型的第三损失函数；
相应的，所述基于所述第一损失函数对所述当前评估模型进行参数调节，得到当前迭代的影像数据评估模型，包括：
基于所述第一损失函数、所述第二损失函数和所述第三损失函数对所述当前评估模型进行参数调节，得到当前迭代的影像数据评估模型。
5.根据权利要求3或4所述的方法，其特征在于，所述全连接子网络还包括中继监督子网络；
相应的，所述影像数据评估模型的训练方法还包括：
将所述标准特征数据输入至所述全连接子网络的中继监督子网络，基于所述中继监督子网络，对所述标准特征数据进行分区分类操作；
根据所述中继监督子网络输出的第二分区分类结果和所述标准评分计算当前评估模型的第四损失函数；
相应的，所述基于所述第一损失函数对所述当前评估模型进行参数调节，得到当前迭代的影像数据评估模型，包括：
基于所述第一损失函数和所述第四损失函数对所述当前评估模型进行参数调节，得到当前迭代的影像数据评估模型；
或者，
基于所述第一损失函数、第二损失函数、第三损失函数和所述第四损失函数对所述当前评估模型进行参数调节，得到当前迭代的影像数据评估模型，其中，所述第一损失函数、所述第二损失函数、所述第三损失函数和所述第四损失函数分别分配不同的贡献权重。
6.根据权利要求3所述的方法，其特征在于，所述标准分区定位图像的确定方法，包括：
获取所述标准影像数据对应的模板图像；
根据所述模板图像对所述标准影像数据进行仿射变换，将仿射变换后的标准影像数据与所述模板图像进行非刚性配准，得到所述标准影像数据与所述模板图像之间的配准关系；
根据所述配准关系，将所述模板图像的分区图像映射至所述标准影像数据，确定所述标准影像数据的标准分区定位图像。
7.根据权利要求6所述的方法，其特征在于，所述根据所述配准关系，将所述模板图像的分区图像映射至所述标准影像数据，确定所述标准影像数据的标准分区定位图像，包括：
根据所述配准关系对所述模板图像和所述标准影像数据进行非刚性配准，并将模板的第一分区的概率图转为所述标准影像数据的第一分区的概率图；
获取输入的特定截取区域，基于所述特定截取区域、所述标准影像数据的第一分区的概率图，确定截取区域的所述标准影像数据的第二分区的概率图；
将特定截取区域的所述标准影像数据的第一分区的概率图和特定截取区域的所述标准影像数据的第二分区的概率图作为所述标准分区定位图像。
8.一种影像数据评估装置，其特征在于，包括：
信息获取模块，用于获取医学影像数据和所述医学影像数据的分区定位图像；
评分结果确定模块，用于将所述医学影像数据和所述分区定位图像输入至预先训练的影像数据评估模型，确定所述影像数据的评分结果，其中，所述影像数据评估模型根据标准影像数据、标准分区定位图像以及标准评分训练得到。
9.一种影像数据评估设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的影像数据评估方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时实现如权利要求1-7中任一项所述的影像数据评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011051897.2A CN112151179B (zh) | 2020-09-29 | 2020-09-29 | 影像数据评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011051897.2A CN112151179B (zh) | 2020-09-29 | 2020-09-29 | 影像数据评估方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112151179A true CN112151179A (zh) | 2020-12-29 |
| CN112151179B CN112151179B (zh) | 2023-11-14 |
Family
ID=73894306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011051897.2A Active CN112151179B (zh) | 2020-09-29 | 2020-09-29 | 影像数据评估方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112151179B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113223723A (zh) * | 2021-05-11 | 2021-08-06 | 胡敏雄 | 一种多模态肾肿瘤保肾手术难度和并发症的预测方法 |
| CN113989574A (zh) * | 2021-11-04 | 2022-01-28 | 中国科学技术大学 | 图像解释方法、图像解释装置、电子设备和存储介质 |
| CN114119519A (zh) * | 2021-11-16 | 2022-03-01 | 高峰 | 一种侧支循环评估方法 |
| CN114708973A (zh) * | 2022-06-06 | 2022-07-05 | 首都医科大学附属北京友谊医院 | 一种用于对人体健康进行评估的方法和相关产品 |
| WO2022217496A1 (zh) * | 2021-04-14 | 2022-10-20 | 中国科学院深圳先进技术研究院 | 影像数据质量评估方法、装置、终端设备及可读存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019047949A1 (zh) * | 2017-09-08 | 2019-03-14 | 众安信息技术服务有限公司 | 图像质量评估方法及图像质量评估系统 |
| CN109658407A (zh) * | 2018-12-27 | 2019-04-19 | 上海联影医疗科技有限公司 | 冠状动脉病变的评分方法、装置、服务器和存储介质 |
| CN110321952A (zh) * | 2019-07-02 | 2019-10-11 | 腾讯医疗健康(深圳)有限公司 | 一种图像分类模型的训练方法及相关设备 |
| CN110934606A (zh) * | 2019-10-31 | 2020-03-31 | 上海杏脉信息科技有限公司 | 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质 |
| CN111063410A (zh) * | 2019-12-20 | 2020-04-24 | 京东方科技集团股份有限公司 | 一种医学影像文本报告的生成方法及装置 |
| CN111402231A (zh) * | 2020-03-16 | 2020-07-10 | 杭州健培科技有限公司 | 一种用于肺部ct影像质量的自动评估系统及方法 |
| US20200273573A1 (en) * | 2019-02-26 | 2020-08-27 | International Business Machines Corporation | Architecture for machine learning model to leverage hierarchical semantics between medical concepts in dictionaries |
-
2020
- 2020-09-29 CN CN202011051897.2A patent/CN112151179B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019047949A1 (zh) * | 2017-09-08 | 2019-03-14 | 众安信息技术服务有限公司 | 图像质量评估方法及图像质量评估系统 |
| CN109658407A (zh) * | 2018-12-27 | 2019-04-19 | 上海联影医疗科技有限公司 | 冠状动脉病变的评分方法、装置、服务器和存储介质 |
| US20200273573A1 (en) * | 2019-02-26 | 2020-08-27 | International Business Machines Corporation | Architecture for machine learning model to leverage hierarchical semantics between medical concepts in dictionaries |
| CN110321952A (zh) * | 2019-07-02 | 2019-10-11 | 腾讯医疗健康(深圳)有限公司 | 一种图像分类模型的训练方法及相关设备 |
| CN110934606A (zh) * | 2019-10-31 | 2020-03-31 | 上海杏脉信息科技有限公司 | 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质 |
| CN111063410A (zh) * | 2019-12-20 | 2020-04-24 | 京东方科技集团股份有限公司 | 一种医学影像文本报告的生成方法及装置 |
| CN111402231A (zh) * | 2020-03-16 | 2020-07-10 | 杭州健培科技有限公司 | 一种用于肺部ct影像质量的自动评估系统及方法 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022217496A1 (zh) * | 2021-04-14 | 2022-10-20 | 中国科学院深圳先进技术研究院 | 影像数据质量评估方法、装置、终端设备及可读存储介质 |
| CN113223723A (zh) * | 2021-05-11 | 2021-08-06 | 胡敏雄 | 一种多模态肾肿瘤保肾手术难度和并发症的预测方法 |
| CN113223723B (zh) * | 2021-05-11 | 2023-08-25 | 福建省立医院 | 一种多模态肾肿瘤保肾手术难度和并发症的预测方法 |
| CN113989574A (zh) * | 2021-11-04 | 2022-01-28 | 中国科学技术大学 | 图像解释方法、图像解释装置、电子设备和存储介质 |
| CN113989574B (zh) * | 2021-11-04 | 2024-04-02 | 中国科学技术大学 | 图像解释方法、图像解释装置、电子设备和存储介质 |
| CN114119519A (zh) * | 2021-11-16 | 2022-03-01 | 高峰 | 一种侧支循环评估方法 |
| CN114708973A (zh) * | 2022-06-06 | 2022-07-05 | 首都医科大学附属北京友谊医院 | 一种用于对人体健康进行评估的方法和相关产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112151179B (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112151179B (zh) | 影像数据评估方法、装置、设备及存储介质 | |
| US12051199B2 (en) | Image processing method and apparatus, server, medical image processing device and storage medium | |
| CN111292314B (zh) | 冠脉分段方法、装置、图像处理系统和存储介质 | |
| Zhang et al. | SHA-MTL: soft and hard attention multi-task learning for automated breast cancer ultrasound image segmentation and classification | |
| CN109102490B (zh) | 自动图像注册质量评估 | |
| CN111028246A (zh) | 一种医学图像分割方法、装置、存储介质及电子设备 | |
| CN110717905B (zh) | 脑部图像检测方法、计算机设备和存储介质 | |
| CN111325714B (zh) | 感兴趣区域的处理方法、计算机设备和可读存储介质 | |
| US20220383661A1 (en) | Method and device for retinal image recognition, electronic equipment, and storage medium | |
| CN110930386B (zh) | 图像处理方法、装置、设备及存储介质 | |
| CN111667459B (zh) | 一种基于3d可变卷积和时序特征融合的医学征象检测方法、系统、终端及存储介质 | |
| US11282203B2 (en) | Method and system for image analysis | |
| US11996184B2 (en) | Method and system for detecting pneumothorax | |
| CN111951276A (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
| US12119117B2 (en) | Method and system for disease quantification of anatomical structures | |
| CN113935943A (zh) | 颅内动脉瘤识别检测的方法、装置、计算机设备和存储介质 | |
| CN113656706A (zh) | 基于多模态深度学习模型的信息推送方法及装置 | |
| CN112926537A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
| CN113920309A (zh) | 图像检测方法、装置、医学图像处理设备及存储介质 | |
| CN111968130A (zh) | 脑部造影图像处理方法、装置、介质及电子设备 | |
| CN111681204B (zh) | 基于图神经网络的ct肋骨骨折病灶关系建模方法及装置 | |
| CN110751187A (zh) | 异常区域图像生成网络的训练方法和相关产品 | |
| CN111951278A (zh) | 医学图像的分割方法和计算机可读存储介质 | |
| CN110738702B (zh) | 一种三维超声图像的处理方法、装置、设备及存储介质 | |
| CN115409879A (zh) | 图像配准的数据处理方法及装置、存储介质、电子设备 |
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 |