CN112200802B - 图像检测模型的训练方法及相关装置、设备、存储介质 - Google Patents
图像检测模型的训练方法及相关装置、设备、存储介质 Download PDFInfo
- Publication number
- CN112200802B CN112200802B CN202011193266.4A CN202011193266A CN112200802B CN 112200802 B CN112200802 B CN 112200802B CN 202011193266 A CN202011193266 A CN 202011193266A CN 112200802 B CN112200802 B CN 112200802B
- Authority
- CN
- China
- Prior art keywords
- target object
- value
- image
- feature
- area
- 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.)
- Active
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种图像检测模型的训练方法及相关装置、设备、存储介质,其中,图像检测模型的训练方法包括:获取样本医学图像;其中,样本医学图像中标注有至少一个目标对象的实际区域;利用图像检测模型对样本医学图像进行检测,得到样本医学图像中目标对象的检测区域;分析同一目标对象的实际区域和检测区域的形态特征,得到对应目标对象的实际区域和检测区域之间的形态差异信息;利用形态差异信息,调整图像检测模型的网络参数。上述方案中图像检测模型可以具体用于检测医学图像中肝脏、心脏、肺等具有规则形状的组织、器官,且能够提高医学图像检测的准确性。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种图像检测模型的训练方法及相关装置、设备、存储介质。
背景技术
CT(Computed Tomography,计算机断层扫描)和MRI(Magnetic ResonanceImaging,核磁共振扫描)等医学图像在临床具有重要意义。通过对医学图像中器官、血管等目标对象的检测识别,能够在诸如解剖结构研究、放射治疗规划等临床应用中为医护人员提供有力支撑。有鉴于此,如何提高医学图像检测的准确性成为极具研究价值的课题。
发明内容
本申请提供一种图像检测模型的训练方法及相关装置、设备、存储介质。
本申请第一方面提供了一种图像检测模型的训练方法,包括:获取样本医学图像;其中,样本医学图像中标注有至少一个目标对象的实际区域;利用图像检测模型对样本医学图像进行检测,得到样本医学图像中目标对象的检测区域;分析同一目标对象的实际区域和检测区域的形态特征,得到对应目标对象的实际区域和检测区域之间的形态差异信息;利用形态差异信息,调整图像检测模型的网络参数。
因此,通过获取样本医学图像,且样本医学图像中标注有至少一个目标对象的实际区域,从而利用图像检测模型对样本医学图像进行检测,得到样本医学图像中目标对象的检测区域,并分析同一目标对象的实际区域和检测区域的形态特征,得到对应目标对象的实际区域和检测区域之间的形态差异信息,进而利用形态差异信息,调整图像检测模型的网络参数,故能够在训练图像检测模型的过程中,引入医学图像中目标对象的形态特征,通过目标对象的实际区域和检测区域之间的形态差异信息来约束图像检测模型学习,从而能够抑制不符合实际区域形态特征的检测结果,提高图像检测模型的准确性,进而能够有利于提高医学图像检测的准确性。
其中,形态特征包括以下至少一种:形状特征、预设维度空间特征、边缘曲率特征。
因此,将形态特征设置为包括形状特征、预设维度空间特征、边缘曲率特征中的至少一种,能够有利于从多种形态特征约束图像检测模型学习,有利于进一步提高图像检测模型的准确性。
其中,形态特征包括形状特征,分析同一目标对象的实际区域和检测区域的形态特征,得到对应目标对象的实际区域和检测区域之间的形态差异信息,包括:对若干样本医学图像中同一目标对象的实际区域进行融合,得到融合图像,其中,融合图像包括对应目标对象的融合区域;利用检测区域第一像素点的权值,对相应第一像素点属于目标对象的概率值进行加权处理,得到与形状特征相关的第一损失值;其中,第一像素点的权值和融合图像中与第一像素点匹配的第二像素点至融合区域边缘的距离为正相关关系。
因此,在形态特征包括形状特征的情况下,通过对若干样本医学图像中同一目标对象的实际区域进行融合,得到融合图像,且融合图像包括对应目标对象的融合区域,从而利用检测区域第一像素点的权值,对相应第一像素点属于目标对象的概率值进行加权处理,得到与形状特征相关的第一损失值,且第一像素点的权值和融合图像中与第一像素点匹配的第二像素点至融合区域边缘的距离为正相关关系,故能够有效抑制离融合区域边缘较远的异常像素点,有利于提高图像检测模型的准确性。
其中,形态特征包括预设维度空间特征,分析同一目标对象的实际区域和检测区域的形态特征,得到对应目标对象的实际区域和检测区域之间的形态差异信息,包括:对同一目标对象的实际区域在预设维度空间进行特征分析,得到对应目标对象的特征值范围;以及,对对应目标对象的检测区域在预设维度空间进行特征分析,得到对应目标对象的特征值;基于特征值与特征值范围之间的大小关系,采用与大小关系对应的处理方式对特征值进行处理,得到与预设维度空间特征相关的第二损失值。
因此,在形态特征包括预设维度空间特征的情况下,通过对同一目标对象的实际区域在预设维度空间进行特征分析,得到对应目标对象的特征值范围,并通过对对应目标对象的检测区域在预设维度空间进行特征分析,得到对应目标对象的特征值,从而基于特征值与特征值范围之间的大小关系,采用与大小关系对应的处理方式对特征值进行处理,得到与预设维度空间特征相关的第二损失值,进而能够有利于通过目标对象的特征值范围约束目标对象在预设维度空间的特征值,能够抑制多检测或漏检测等不符合预设维度空间特征的情况,有利于提高检测模型的准确性。
其中,预设维度空间特征包括一维空间长度特征、二维空间面积特征、三维空间体积特征中的至少一者;和/或,特征值包括边缘长度值、面积值、体积值中的至少一者。
因此,通过将预设维度空间特征设置为包括一维空间长度特征、二维空间面积特征、三维空间体积特征中的至少一者,能够有利于在多种维度空间约束图像检测模型学习,有利于提高图像检测模型的准确性;而通过将特征值设置为包括边缘长度值、面积值、体积值中的至少一者,能够有利于在多种维度空间约束图像检测模型学习,有利于提高图像检测模型的准确性。
其中,特征值范围包括上限值和下限值;基于特征值与特征值范围之间的大小关系,采用与大小关系对应的处理方式对特征值进行处理,得到第二损失值,包括:在特征值在特征值范围内的情况下,第二损失值为预设数值;在特征值小于下限值的情况下,特征值与下限值之间的绝对差值和第二损失值为正相关关系;在特征值大于上限值的情况下,特征值与上限值之间的绝对差值和第二损失值为正相关关系。
因此,在特征值在特征值范围内的情况下,将第二损失值设置为预设数值,而在特征值小于下限值的情况下,特征值与下限值之间的绝对差值和第二损失值为正相关关系,且在特征值大于上限值的情况下,特征值与上限值之间的绝对差值和第二损失值为正相关关系,故能够有利于在图像检测模型的训练过程中,约束目标对象在预设维度空间的特征值,使其处于特征值范围内,从而能够有利于提高图像检测模型的准确性。
其中,形态特征包括边缘曲率特征,分析同一目标对象的实际区域和检测区域的形态特征,得到对应目标对象的实际区域和检测区域之间的形态差异信息,包括:对检测区域进行边缘提取,得到检测区域的边缘曲率值,并将边缘曲率值作为与边缘曲率特征相关的第三损失值。
因此,在形态特征包括边缘曲率特征的情况下,通过对检测区域进行边缘提取,得到检测区域的边缘曲率值,并将边缘曲率值作为与边缘曲率特征相关的第三损失值,从而利用边缘曲率值约束图像检测模型学习,能够抑制复杂边缘的情况,有利于提高图像检测模型的准确性。
其中,样本医学图像中包含多个目标对象,方法还包括:基于多个目标对象之间的预设包含关系,确定检测到的目标对象是否满足预设共现条件;在检测到的目标对象不满足预设共现条件的情况下,利用检测到的目标对象的检测区域的预设特征,得到共现差异信息;利用形态差异信息,调整图像检测模型的网络参数,包括:利用共现差异信息和形态差异信息,调整图像检测模型的网络参数。
因此,在样本医学图像包括多个目标对象的情况下,通过基于多个目标对象之间的预设包含关系,确定检测到的目标对象是否满足预设共现条件,并在检测到的目标对象不满足预设共现条件的情况下,利用检测到的目标对象的检测区域的预设特征,得到共现差异信息,从而利用共现差异信息和形态差异信息,调整图像检测模型的网络参数,进而能够在多个目标对象的情况下,进一步利用形态差异信息结合多个目标对象之间的预设包含关系,约束图像检测模型学习,有利于提高图像检测模型对多个目标对象检测的准确性。
其中,预设共现条件包括:在检测到的目标对象数量为一个的情况下,检测到的目标对象在预设包含关系中具有最大包含范围;在检测到的目标对象数量为多个的情况下,检测到的多个目标对象在预设包含关系中为连续包含关系,且其中一个目标对象在预设包含关系中具有最大包含范围;和/或,预设特征为二维空间面积特征、三维空间体积特征中任一者。
因此,将预设共现条件设置为包括:在检测到的目标对象数量为一个的情况下,检测到的目标对象在预设包含关系中具有最大包含范围;在检测到的目标对象数量为多个的情况下,检测到的多个目标对象在预设包含关系中为连续包含关系,且其中一个目标对象在预设包含关系中具有最大包含范围,有利于在图像检测模型训练过程中,抑制无关对象的学习,提高图像检测模型对多个目标对象检测的准确性和完整性。
其中,目标对象包括器官、组织、病灶中的至少一者;和/或,样本医学图像包括二维图像、三维图像中的任一者;和/或,样本医学图像属于不同的领域;和/或,样本医学图像属于相同的领域,且图像检测模型是利用属于另一领域的样本医学图像预先训练得到的。
因此,通过将目标对象设置为包括器官、组织、病灶中的至少一者,能够有利于使图像检测模型对器官、病灶进行检测,通过有利于提高图像检测模型的检测范围;通过将样本医学图像设置为包括二维图像、三维图像中的任一者,能够有利于使图像检测模型适用于二维图像或三维图像,能够有利于提高图像检测模型的使用范围;通过将样本医学图像设置为属于不同的领域,能够使图像检测模型适用于不同域图像的检测,从而能够有利于提高图像检测模型的使用范围,且在训练过程中入的形态特征能够有利于辅助图像检测模型收敛,提高训练效率,能够;通过将样本医学图像设置为属于相同的领域,且图像检测模型是利用属于另一领域的样本医学图像预先训练得到的,能够使检测模型的适用范围从某一域迁移到另一域,且在训练过程中引入的形态特征能够有利于防止网络过拟合,提高图像检测模型的准确性。
本申请第二方面提供了一种图像检测模型的训练装置,包括:图像获取模块、区域检测模块、形态分析模块和参数调整模块,图像获取模块用于获取样本医学图像;其中,样本医学图像中标注有至少一个目标对象的实际区域;区域检测模块用于利用图像检测模型对样本医学图像进行检测,得到样本医学图像中目标对象的检测区域;形态分析模块用于分析同一目标对象的实际区域和检测区域的形态特征,得到对应目标对象的实际区域和检测区域之间的形态差异信息;参数调整模块用于利用形态差异信息,调整图像检测模型的网络参数。
本申请第三方面提供了一种电子设备,包括相互耦接的存储器和处理器,处理器用于执行存储器中存储的程序指令,以实现上述第一方面中的服务匹配方法。
本申请第四方面提供了一种计算机可读存储介质,其上存储有程序指令,程序指令被处理器执行时实现上述第一方面中的图像检测模型的训练方法。
上述方案,通过获取样本医学图像,且样本医学图像中标注有至少一个目标对象的实际区域,从而利用图像检测模型对样本医学图像进行检测,得到样本医学图像中目标对象的检测区域,并分析同一目标对象的实际区域和检测区域的形态特征,得到对应目标对象的实际区域和检测区域之间的形态差异信息,进而利用形态差异信息,调整图像检测模型的网络参数,故能够在训练图像检测模型的过程中,引入医学图像中目标对象的形态特征,通过目标对象的实际区域和检测区域之间的形态差异信息来约束图像检测模型学习,从而能够抑制不符合实际区域形态特征的检测结果,提高图像检测模型的准确性,进而能够有利于提高医学图像检测的准确性。
附图说明
图1是本申请图像检测模型的训练方法一实施例的流程示意图;
图2是本申请图像检测模型的训练方法一实施例的状态示意图;
图3是形状特征相关的损失值计算方式一实施例的示意图;
图4是本申请图像检测模型的训练方法另一实施例的流程示意图;
图5是预设包含关系一实施例的示意图;
图6是预设包含关系另一实施例的示意图;
图7本申请图像检测模型的训练装置一实施例的框架示意图;
图8是本申请电子设备一实施例的框架示意图;
图9是本申请计算机可读存储介质一实施例的框架示意图。
具体实施方式
下面结合说明书附图,对本申请实施例的方案进行详细说明。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、接口、技术之类的具体细节,以便透彻理解本申请。
本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。此外,本文中的“多”表示两个或者多于两个。
请参阅图1,图1是本申请图像检测模型的训练方法一实施例的流程示意图。具体而言,可以包括如下步骤:
步骤S11:获取样本医学图像;其中,样本医学图像中标注有至少一个目标对象的实际区域。
在一个实施场景中,样本医学图像可以是MR图像、CT图像等等,在此不做限定。
在一个实施场景中,样本医学图像属于相同的领域。在此情形下,不同样本医学图像可以具有相同的特征,且特征分布也相同。例如,样本医学图像是对同一部位扫描得到的,且不同样本医学图像的成像效果相同,如不同样本医学图像中对于同一器官或组织采用相同的显示方式(如,颜色、对比度等等)。具体地,样本医学图像可以是由同一医疗机构(如,医院、体检中心)采集得到的;或者,样本医学图像也可以是由同一厂家生产的医疗仪器(如,CT机、核磁共振仪)扫描得到的;或者,样本医学图像也可以是利用相同的扫描参数扫描得到的。
在另一个实施场景中,为了提高图像检测模型的适用范围,样本医学图像也可以属于不同的领域。在此情形下,不同样本医学图像可以具有相同的特征,但特征分布并不相同。例如,样本医学图像是对同一部位扫描得到的,但不同样本医学图像的成像效果不同,如不同样本医学图像中对于同一器官或组织采用不同的显示方式(如,颜色、对比度等等)。具体地,样本医学图像可以是由不同医疗机构(如,医院、体检中心)采集得到的;或者,样本医学图像也可以是由不同厂家生产的医疗仪器(如,CT机、核磁共振仪)扫描得到的;或者,样本医学图像也可以是利用不同的扫描参数扫描得到的。
在一个实施场景中,为了提高图像检测模型的适用范围,样本医学图像可以是二维图像,也可以是三维图像,在此不做限定。
在一个实施场景中,样本医学图像中所标注的目标对象可以仅有一个,例如,样本医学图像中可以仅标注有肝脏,或者,样本医学图像中也可以仅标注有肾脏;或者,样本医学图像中还可以仅标注有脾脏,具体可以根据实际应用需要进行设置,在此不做限定。
在另一个实施场景中,样本医学图像中所标注的目标对象也可以有多个,例如,样本医学图像中可以标注有肝脏、肾脏、脾脏等,具体可以根据实际应用需要进行设置,在此不做限定。
在一个实施场景中,样本医学图像中所标注的目标对象可以是器官,如前述描述中的肝脏、肾脏、脾脏等,在此不做限定;在另一个实施场景中,样本医学图像中所标注的目标对象也可以是病灶,例如,肿瘤、血肿、积水等,在此不做限定;在又一个实施场景中,样本医学图像中所标注的目标对象还可以包括器官和病灶,例如,样本医学图像中可以标注有肝脏以及肝脏上的肿瘤,或者,样本医学图像上也可以标注有肾脏以及肾脏上的肿瘤等等,在此不做限定。
步骤S12:利用图像检测模型对样本医学图像进行检测,得到样本医学图像中目标对象的检测区域。
本公开实施例中,通过将样本医学图像输入图像检测模型,即可利用图像检测模型对样本医学图像进行检测,得到样本医学图像中与目标对象对应的检测区域。例如,通过对标注有肝脏和肝脏上的肿瘤的样本医学图像进行检测,可以得到样本医学图像上与肝脏对应的检测区域和与肿瘤对应的检测区域,其他情况可以以此类推,在此不再一一举例。请结合参阅图2,图2是本申请图像检测模型的训练方法一实施例的状态示意图,如图2所示,图2左侧所示的样本医学图像中以白色线条标注有目标对象的实际区域,具体地,最大范围为肝脏对应的实际区域,肝脏对应的实际区域内所标注的为肿瘤对应的实际区域,图2右侧所示为肝脏对应的检测区域和肿瘤对应的检测区域。其他场景可以以此类推,在此不再一一举例。
在一个实施场景中,图形检测模型具体可以是卷积神经网络(ConvolutionalNeural Network,CNN),例如,U-Net等,具体可以根据实际应用需要进行设置,在此不做限定。
在一个实施场景中,样本医学图像属于相同的领域,且图像检测模型是利用属于另一领域的样本医学图像预先训练得到的,从而能够使检测模型的适用范围从某一域迁移到另一域,且在训练过程中引入的形态特征能够有利于防止网络过拟合,提高图像检测模型的准确性。
步骤S13:分析同一目标对象的实际区域和检测区域的形态特征,得到对应目标对象的实际区域和检测区域之间的形态差异信息。
在一个实施场景中,形态特征具体可以包括形状特征、预设维度空间特征、边缘曲率特征中的至少一者,从而能够有利于从多种形态特征约束图像检测模型学习,提高图像检测模型的准确性。具体地,形状特征表示与目标对象的外形相关的特征,如,目标对象整体呈锥形、纺锤形等等,边缘曲率特征表示与目标对象边缘的曲率相关的特征,如,目标对象边缘平滑,或者,目标对象边缘坑洼不平等等。此外,预设维度空间特征具体可以包括一维空间长度特征,如,目标对象边缘长度;或者,预设维度空间特征具体还可以包括二维空间面积特征,如,目标对象所占面积;或者,预设维度空间特征具体可以包括三维空间提及特种,如目标兑现所占体积。预设维度空间具体可以根据实际应用需要进行设置,如在样本医学图像为二维图像的情况下,预设维度空间特征具体可以是一维空间长度特征,或者也可以是二维空间面积特征,而在样本医学图像为三维图像的情况下,预设维度空间特征具体可以是三维空间体积特征,在此不做限定。
在一个实施场景中,在形态特征包括预设维度空间特征的情况下,可以对同一目标对象的实际区域在预设维度空间进行特征分析,得到对应目标对象的特征值范围,并对对应目标对象的检测区域在预设维度空间进行特征分析,得到对应目标对象的特征值,从而基于特征值与特征值范围之间的大小关系,采用与大小关系对应的处理方式对特征值进行处理,得到与预设维度空间相关的损失值。上述方式,能够有利于通过目标对象的特征值范围约束目标对象在预设维度空间的特征值,能够抑制多检测(即检测得到的实际区域中包含实际不属于目标对象的像素点)或漏检测(即检测得到的实际区域并不完全包含实际属于目标对象的像素点)等不符合预设维度空间特征的情况,有利于提高检测模型的准确性。
在一个具体的实施场景中,以一维空间长度特征为例,可以对检测区域进行边缘提取,得到检测区域的边缘长度值,作为形态特征包括一维空间长度特征时的特征值。具体地,可以采用sobel、canny等边缘提取算子或差分法进行边缘提取,在此不做限定,例如,可以采用和两个sobel算子。例如,可以对肝脏对应的检测区域进行边缘提取,得到肝脏检测区域的边缘长度值,或者,可以对肿瘤对应的检测区域进行边缘提取,得到肿瘤检测区域的边缘长度值,其他情况可以以此类推,在此不再一一举例。此外,还可以对多个样本医学图像中同一目标对象的实际区域进行边缘提取,得到多个实际区域分别对应的边缘长度值,从而可以对多个边缘长度值进行统计分析,得到长度值范围,作为形态特征包括一维空间长度特征时的特征值范围。具体地,可以将多个边缘长度值中的最小值作为长度值范围的下限值,将多个边缘长度值中的最大值作为长度值范围的上限值;或者,还可以将多个边缘长度值按照由小到大的顺序进行排列,取位于第一比例(如,5%)的边缘长度值作为长度值范围的下限值,取位于第二比例(如,95%)的边缘长度值作为长度值范围的上限值,具体可以根据实际应用需要进行设置,在此不做限定。例如,通过对多个样本医学图像中肝脏的实际区域进行边缘提取,最终得到肝脏的长度值范围,或者,通过对多个样本医学图像中肿瘤的实际区域进行边缘提取,最终得到肿瘤的长度值范围,其他情况可以以此类推,在此不再一一举例。
在另一个具体的实施场景中,以二维空间面积特征为例,可以将检测区域中所包含的像素点个数,作为检测区域的面积值,或者,也可以将检测区域中所包含的像素点属于目标对象的概率值之和,作为检测区域的面积值,从而将上述面积值作为形态特征包括二维空间面积特征时的特征值,具体可以根据实际应用需要进行设置,在此不做限定。例如,可以对肝脏对应的检测区域进行统计分析,得到肝脏检测区域的面积值,或者,可以对肿瘤对应的检测区域进行统计分析,得到肿瘤检测区域的面积值。此外,还可以对多个样本医学图像中同一目标对象的实际区域进行统计分析,得到多个实际区域分别对应的面积值,从而可以对多个面积值进行统计分析,得到面积值范围,作为形态特征包括二维空间面积特征时的特征值范围。具体地,可以将多个面积值中的最小值作为面积值范围的下限值,将多个面积值中的最大值作为面积值范围的上限值;或者,还可以将多个面积值按照由小到大的顺序进行排列,取位于第一比例(如,5%)的面积值作为面积值范围的下限值,取位于第二比例(如,95%)的面积值作为面积值范围的上限值,具体可以根据实际应用需要进行设置,在此不做限定。例如,通过对多个样本医学图像中肝脏的实际区域进行统计分析,最终得到肝脏的面积值范围,或者,通过对多个样本医学图像中肿瘤的实际区域进行统计分析,最终得到肿瘤的面积值范围,其他情况可以以此类推,在此不再一一举例。
在又一个具体的实施场景中,以三维空间体积特征为例,在样本医学图像为三维图像的情况下,可以将检测区域中所包含的像素点个数,作为检测区域的体积值,或者,也可以将检测区域中所包含的像素点属于目标对象的概率值之和,作为检测区域的体积值,从而将上述体积值作为形态特征包括三维空间体积特征时的特征值,具体可以根据实际应用需要进行设置,在此不做限定。例如,可以对肝脏对应的检测区域进行统计分析,得到肝脏检测区域的体积值,或者,可以对肿瘤对应的检测区域进行统计分析,得到肿瘤检测区域的体积值。此外,还可以对多个样本医学图像中同一目标对象的实际区域进行统计分析,得到多个实际区域分别对应的体积值,从而可以对多个体积值进行统计分析,得到体积值范围,作为形态特征包括三维空间体积特征时的特征值范围。具体地,可以将多个体积值中的最小值作为体积值范围的下限值,将多个体积值中的最大值作为体积值范围的上限值;或者,还可以将多个体积值按照由小到大的顺序进行排列,取位于第一比例(如,5%)的体积值作为体积值范围的下限值,取位于第二比例(如,95%)的体积值作为体积值范围的上限值,具体可以根据实际应用需要进行设置,在此不做限定。例如,通过对多个样本医学图像中肝脏的实际区域进行统计分析,最终得到肝脏的体积值范围,或者,通过对多个样本医学图像中肿瘤的实际区域进行统计分析,最终得到肿瘤的体积值范围,其他情况可以以此类推,在此不再一一举例。
在又一个具体的实施场景中,为了便于描述,可以将上述特征值记为pre,将上述特征值对应的特征值范围的下限值记为min,将上述特征值对应的特征值范围的上限值记为max,则在特征值pre在特征值范围(即min至max之间)的情况下,与预设维度空间特征相关的损失值为预设数值(例如,0),在特征值pre小于下限值min的情况下,特征值pre与下限值min之间的绝对差值和损失值为正相关关系,即pre与min之间的绝对差值越大,损失值越大,而在特征值pre大于上限值max的情况下,特征值pre与上限值max之间的绝对差值和损失值为正相关关系,即pre与max之间的绝对差值越大,损失值越大。具体可以根据实际应用需要进行设置,例如,可以表示为:
上述公式(1)中,Loss 1表示与预设维度空间特征相关的损失值,f(x,y)可以是任意一个表示距离或者散度的函数,例如,f(x,y)=(x-y)2。例如,可以计算得到目标对象肝脏对应的损失值Loss 1,或者,可以计算得到目标对象肿瘤对应的损失值Loss 1,其他情况可以以此类推,在此不再一一举例。
在另一个实施场景中,在形态特征包括形状特征的情况下,可以对若干样本医学图像中同一目标对象的实际区域进行融合,得到融合图像,且融合图像包括对应目标对象的融合区域,从而利用检测区域第一像素点的权值,对相应第一像素点术语目标对象的概率值进行加权处理,得到与形状特征相关的损失值,且第一像素点的权值和融合图像中与第一像素点匹配的第二像素点至融合区域边缘的距离为正相关关系,即距离越大,权值越大,例如,可以将权值直接设置为距离,或者,可以将权值设置为距离与一系数的乘积等等,在此不做限定。上述方式,能够有效抑制离融合区域边缘较远的异常像素点,有利于提高图像检测模型的准确性。
在一个具体的实施场景中,可以将同一目标对象实际区域通过刚体配准、普氏分析等方式,进行空间变换,并匹配至同一空间坐标系中,并对实际区域进行尺度归一化处理,具体地,对于样本医学图像为三维图像的情况,可以对体素进行归一化,而对于样本医学图像为二维图像的情况,可以将实际区域的长宽等进行归一化,最后对实际区域的对应像素点的像素值进行平均处理,即可得到包含融合区域的融合图像,该融合区域即可认为是对应目标对象的平均形状模型。
在一个具体的实施场景中,可以对融合区域进行欧氏距离变换(EuclideanDistance Transform),得到融合区域对应的距离热图,距离热图中各个像素点的像素值表示,对应像素点至融合区域的边缘的距离,具体地,距离越大,像素值越大。再将样本医学图像匹配至融合图像所在的空间,以使样本医学图像的实际区域与融合图像中的融合区域配准,再对配准后的样本医学图像进行检测,得到样本医学图像中的检测区域,从而结合检测区域和距离热图,可以得到检测区域的第一像素点在融合图像中匹配的第二像素点至融合区域边缘的距离,并基于该距离,得到与之具有正相关关系的权值,以对第一像素点经图像检测模型检测为属于目标对象的概率值进行加权处理,作为与形状特征相关的损失值。具体地,检测区域的第一像素点可以具体指检测区域边缘上的像素点。请结合参阅图3,图3是形状特征相关的损失值计算方式一实施例的示意图,如图3所示,融合图像内实线封闭区域表示融合区域,虚线封闭区域表示检测区域,p1、p2均表示检测区域的第一像素点,p11表示融合图像中与第一像素点p1匹配的第二像素点,p21表示融合图像中与第一像素点p2匹配的第二像素点,d1表示第二像素点p11至融合区域边缘的距离,d2表示第二像素点p21至融合区域边缘的距离,则可以将距离d1作为第一像素点p1属于目标对象的概率值P1的权值,将距离d2作为第一像素点p2属于目标对象的概率值P2的权值,以此类推,最终可以将检测区域的第一像素点的加权之和,作为与形状特征相关的损失值。其他情况可以以此类推,在此不再一一举例。
在又一个实施场景中,在形态特征包括边缘曲率特征的情况下,还可以直接对检测区域进行边缘提取,得到检测区域的边缘曲率值,并将边缘曲率值作为与边缘曲率特征相关的损失值。具体地,可以采用差分法或诸如的拉普拉斯算子、诸如的曲率算子得到边缘曲率值。例如,病灶的边缘通常近似于一个光滑的凸包,即病灶的边缘曲率值一般较小,故可以直接将检测区域的边缘曲率值,作为与边缘曲率特征相关的损失值,其他情况可以以此类推,在此不再一一举例。
具体地,上述损失值可以根据实际应用需要进行选取,例如,可以仅选取与形状特征相关的损失值,或者仅选取与预设维度空间特征相关的损失值,或者仅选取与边缘曲率特征相关的损失值,或者,还可以选取上述三者的任意组合,在此不做限定。此外,还可以预先设置一损失函数,且该损失函数包含二维空间面积特征、一维空间长度特征和边缘曲率特征,具体可以参阅前述相关描述,在此不再赘述。
步骤S14:利用形态差异信息,调整图像检测模型的网络参数。
在一个实施场景中,为了提高图像检测的准确性,除了形态差异信息,还可以计算同一目标对象的实际区域和检测区域的区域差异信息,具体可以利用交叉熵损失函数(cross entropy loss)、dice loss等进行计算,在此不做限定。从而可以结合形态差异信息和区域差异信息,调整图像检测模型的网络参数。
在一个实施场景中,可以采用随机梯度下降(Stochastic Gradient Descent,SGD)、批量梯度下降(Batch Gradient Descent,BGD)、小批量梯度下降(Mini-BatchGradient Descent,MBGD)等方式,利用损失值对图像检测模型的参数进行调整,其中,批量梯度下降是指在每一次迭代时,使用所有样本来进行参数更新;随机梯度下降是指在每一次迭代时,使用一个样本来进行参数更新;小批量梯度下降是指在每一次迭代时,使用一批样本来进行参数更新,在此不再赘述。
在一个实施场景中,还可以设置一训练结束条件,当满足训练结束条件时,可以结束对图像检测模型的训练。具体地,训练结束条件可以包括:损失值小于一预设损失阈值,且损失值不再减小;当前训练次数达到预设次数阈值(例如,500次、1000次等),在此不做限定。
在一个实施场景中,在使用训练得到的图像检测模型对待测医学图像进行检测时,还可以对待测医学图像中检测得到的检测区域进行形态特征分析等后处理,以确定检测得到的检测区域是否符合目标对象的形态特征,例如,可以从边缘长度特征、二维空间面积特征、三维空间体积特征等方面对检测得到的检测区域进行分析,在边缘长度值超出长度值范围,或面积值超出面积值范围,或体积值超出体积值范围时,可以认为检测得到的检测区域可能存在多检测或漏检测的情况,在此情况下,还可以输出相关提示信息。
上述方案,通过获取样本医学图像,且样本医学图像中标注有至少一个目标对象的实际区域,从而利用图像检测模型对样本医学图像进行检测,得到样本医学图像中目标对象的检测区域,并分析同一目标对象的实际区域和检测区域的形态特征,得到对应目标对象的实际区域和检测区域之间的形态差异信息,进而利用形态差异信息,调整图像检测模型的网络参数,故能够在训练图像检测模型的过程中,引入医学图像中目标对象的形态特征,通过目标对象的实际区域和检测区域之间的形态差异信息来约束图像检测模型学习,从而能够抑制不符合实际区域形态特征的检测结果,提高图像检测模型的准确性,进而能够有利于提高医学图像检测的准确性。
请参阅图4,图4是本申请图像检测模型的训练方法另一实施例的流程示意图。具体地,图4是包含多个目标对象时,图像检测模型的训练方法实施例的流程示意图。具体可以包括如下步骤:
步骤S41:获取样本医学图像;其中,样本医学图像中标注有至少一个目标对象的实际区域。
具体可以参阅前述公开实施例中的相关步骤,在此不再赘述。
步骤S42:利用图像检测模型对样本医学图像进行检测,得到样本医学图像中目标对象的检测区域。
具体可以参阅前述公开实施例中的相关步骤,在此不再赘述。
步骤S43:分析同一目标对象的实际区域和检测区域的形态特征,得到对应目标对象的实际区域和检测区域之间的形态差异信息。
具体可以参阅前述公开实施例中的相关步骤,在此不再赘述。
步骤S44:基于多个目标对象之间的预设包含关系,确定检测到的目标对象是否满足预设共现条件。
本公开实施例中,多个目标对象之间的预设包含关系可以根据实际检测任务进行设置,例如,请结合参阅图5,图5是预设包含关系一实施例的示意图,当实际检测任务为检测出躯干,并检测出肝脏,以及肝脏上的肿瘤时,则多个目标对象之间的预设包含关系为:躯干包含肝脏,肝脏包含肿瘤,即躯干具有最大的包含范围,躯干和肝脏为连续包含关系,肝脏和肿瘤也为连续包含关系,但躯干和肿瘤不为连续包含关系;或者,请结合参阅图6,图是预设包含关系另一实施例的示意图,当检测任务为检测出躯干,并检测出胆囊、肾脏、肝脏以及躯干、肝脏中的血管,以及肝脏和肾脏上的肿瘤时,则多个目标对象之间的预设包含关系为:躯干包含血管(如下腔静脉)、肝脏、肾脏和胆囊,且肝脏包含血管(如肝内静脉),肝脏、肾脏包含肿瘤,即躯干具有最大的包含范围,躯干、肝脏具有连续包含关系,躯干、肾脏也具有连续包含关系,躯干、肿瘤不为连续包含关系,此外,在其他实施场景中,肾脏也可以包括血管(如肾内血管),具体可以根据实际应用需要进行设置,在此不做限定。其他情况可以以此类推,在此不再一一赘述。
在一个实施场景中,在检测到的目标对象数量为一个的情况下,预设共现条件包括在预设包含关系中具有最大包含范围。以图5所示的预设包含关系为例,若检测到一个目标对象且该目标对象为躯干,则可以认为检测到的目标对象满足预设共现条件,而若检测到一个目标对象但该目标对象为肝脏或肿瘤,则可以认为检测到的目标对象不满足预设共现条件。在另一个实施场景中,在检测到目标对象数量为多个的情况下,预设共现条件可以包括:检测到的多个目标对象在预设包含关系中为连续包含关系,且其中一个目标对象在预设包含关系中具有最大包含范围。仍以图5所示的预设包含关系为例,若检测到的多个目标对象为躯干和肝脏,则由于两者为连续包含关系,且躯干具有最大包含范围,故可以认为检测到的躯干和肝脏满足预设共现条件;或者,若检测到的多个目标对象为肝脏和肿瘤,则由于两者虽然为连续包含关系,但两者均不具有最大包含范围,故可以认为检测到的躯干和肝脏不满足预设共现条件。具体可以参阅表1,表1是与图5所示的预设包含关系所对应的共现情况:
表1与图5所示的预设包含关系所对应的共现情况
躯干 | 0 | 0 | 0 | 0 | 1 | 1 | 1 | 1 |
肝脏 | 0 | 0 | 1 | 1 | 0 | 0 | 1 | 1 |
肿瘤 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 1 |
有效 | 1 | 0 | 0 | 0 | 1 | 0 | 1 | 1 |
如表1所示,躯干、肝脏、肿瘤对应行的数值为1时,表示检测到对应的实际区域,反之当数值为0时,表示未检测到对应的实际区域;有效行对应的数值为1时,表示数值所在的列对应的检测结果满足预设共现条件,反之当数值为0时,表示数值所在的列对应的检测结果不满足预设共现条件。例如,当躯干、肝脏、肿瘤均未检测到时,表示满足预设共现条件;当仅检测到肿瘤时,表示不满足预设共现条件,以此类推,在此不再一一举例。当预设包含关系为其他关系时,可以以此类推,在此不再一一举例。
步骤S45:在检测到的目标对象不满足预设共现条件的情况下,利用检测到的目标对象的检测区域的预设特征,得到共现差异信息。
仍以图5所示的预设包含关系为例,请结合参阅图表1,当仅检测到肿瘤时,可以利用非躯干非肝脏的肿瘤的检测区域的预设特征,得到共现差异信息,即可以利用检测到的肿瘤中位于躯干之外、肝脏之外的实际区域的预设特征,得到共现差异信息;或者,当检测到躯干和肿瘤时,可以利用躯干且非肝脏的肿瘤的检测区域的预设特征,得到共现差异信息,即可以利用检测到的肿瘤中位于躯干内且肝脏外的实际区域的预设特征,得到共现差异信息,其他情况可以以此类推,在此不再一一举例。
在一个实施场景中,上述预设特征可以是二维空间面积特征、三维空间体积特征中任一者。共现差异信息具体可以是二维空间面积特征相关的损失值,或者,也可以是三维空间体积特征相关的损失值。具体地,当样本医学图像为二维图像时,预设特征可以是二维空间面积特征,当样本医学图像为三维图像时,预设特征可以是三维空间体积特征。二维空间面积特征和三维空间体积特征,以及相关的损失值,具体可以参阅前述公开实施例中的相关描述,在此不再赘述。
在一个实施场景中,上述步骤S43和步骤S44、步骤S45可以按照先后顺序执行,例如,先执行步骤S43,后执行步骤S44、步骤S45,或者,也可以先执行步骤S44、步骤S45,后执行步骤S43。在另一个实施场景中,上述步骤S43和步骤S44、步骤S45也可以同时执行,即同时获取形态差异信息和共现差异信息。
在一个实施场景中,在检测到的目标对象满足预设共现条件的情况下,可以认为无共现差异信息,并直接执行下述步骤S46。
步骤S46:利用共现差异信息和形态差异信息,调整图像检测模型的网络参数。
在一个实施场景中,除了上述共现差异信息和形态差异信息,还可以利用交叉熵损失函数(cross entropy loss)、dice loss等计算实际区域和检测区域之间的区域差异信息,从而可以利用共现差异信息、形态差异信息和区域差异信息,调整图像检测模型的网络参数。具体可以参阅前述公开实施例中的相关描述,在此不再赘述。
区别于前述实施例,在样本医学图像包括多个目标对象的情况下,通过基于多个目标对象之间的预设包含关系,确定检测到的目标对象是否满足预设共现条件,并在检测到的目标对象不满足预设共现条件的情况下,利用检测到的目标对象的检测区域的预设特征,得到共现差异信息,从而利用共现差异信息和形态差异信息,调整图像检测模型的网络参数,进而能够在多个目标对象的情况下,进一步利用形态差异信息结合多个目标对象之间的预设包含关系,约束图像检测模型学习,有利于提高图像检测模型对多个目标对象检测的准确性。
请参阅图7,图7是本申请图像检测模型的训练装置70一实施例的框架示意图。图像检测模型的训练装置70包括:图像获取模块71、区域检测模块72、形态分析模块73和参数调整模块74,图像获取模块71用于获取样本医学图像;其中,样本医学图像中标注有至少一个目标对象的实际区域;区域检测模块72用于利用图像检测模型对样本医学图像进行检测,得到样本医学图像中目标对象的检测区域;形态分析模块73用于分析同一目标对象的实际区域和检测区域的形态特征,得到对应目标对象的实际区域和检测区域之间的形态差异信息;参数调整模块74用于利用形态差异信息,调整图像检测模型的网络参数。
上述方案,通过获取样本医学图像,且样本医学图像中标注有至少一个目标对象的实际区域,从而利用图像检测模型对样本医学图像进行检测,得到样本医学图像中目标对象的检测区域,并分析同一目标对象的实际区域和检测区域的形态特征,得到对应目标对象的实际区域和检测区域之间的形态差异信息,进而利用形态差异信息,调整图像检测模型的网络参数,故能够在训练图像检测模型的过程中,引入医学图像中目标对象的形态特征,通过目标对象的实际区域和检测区域之间的形态差异信息来约束图像检测模型学习,从而能够抑制不符合实际区域形态特征的检测结果,提高图像检测模型的准确性,进而能够有利于提高医学图像检测的准确性。
在一些公开实施例中,形态特征包括以下至少一种:形状特征、预设维度空间特征、边缘曲率特征。
区别于前述实施例,将形态特征设置为包括形状特征、预设维度空间特征、边缘曲率特征中的至少一种,能够有利于从多种形态特征约束图像检测模型学习,有利于进一步提高图像检测模型的准确性。
在一些公开实施例中,形态特征包括形状特征,形态分析模块73包括区域融合子模块,用于对若干样本医学图像中同一目标对象的实际区域进行融合,得到融合图像,其中,融合图像包括对应目标对象的融合区域,形态分析模块73包括加权处理子模块,用于利用检测区域第一像素点的权值,对相应第一像素点属于目标对象的概率值进行加权处理,得到与形状特征相关的第一损失值;其中,第一像素点的权值和融合图像中与第一像素点匹配的第二像素点至融合区域边缘的距离为正相关关系。
区别于前述实施例,在形态特征包括形状特征的情况下,通过对若干样本医学图像中同一目标对象的实际区域进行融合,得到融合图像,且融合图像包括对应目标对象的融合区域,从而利用检测区域第一像素点的权值,对相应第一像素点属于目标对象的概率值进行加权处理,得到与形状特征相关的第一损失值,且第一像素点的权值和融合图像中与第一像素点匹配的第二像素点至融合区域边缘的距离为正相关关系,故能够有效抑制离融合区域边缘较远的异常像素点,有利于提高图像检测模型的准确性。
在一些公开实施例中,形态特征包括预设维度空间特征,形态分析模块73包括特征分析子模块,用于对同一目标对象的实际区域在预设维度空间进行特征分析,得到对应目标对象的特征值范围;以及,对对应目标对象的检测区域在预设维度空间进行特征分析,得到对应目标对象的特征值,形态分析模块73包括特征处理子模块,用于基于特征值与特征值范围之间的大小关系,采用与大小关系对应的处理方式对特征值进行处理,得到与预设维度空间特征相关的第二损失值。
区别于前述实施例,在形态特征包括预设维度空间特征的情况下,通过对同一目标对象的实际区域在预设维度空间进行特征分析,得到对应目标对象的特征值范围,并通过对对应目标对象的检测区域在预设维度空间进行特征分析,得到对应目标对象的特征值,从而基于特征值与特征值范围之间的大小关系,采用与大小关系对应的处理方式对特征值进行处理,得到与预设维度空间特征相关的第二损失值,进而能够有利于通过目标对象的特征值范围约束目标对象在预设维度空间的特征值,能够抑制多检测或漏检测等不符合预设维度空间特征的情况,有利于提高检测模型的准确性。
在一些公开实施例中,预设维度空间特征包括一维空间长度特征、二维空间面积特征、三维空间体积特征中的至少一者;和/或,特征值包括边缘长度值、面积值、体积值中的至少一者。
区别于前述实施例,通过将预设维度空间特征设置为包括一维空间长度特征、二维空间面积特征、三维空间体积特征中的至少一者,能够有利于在多种维度空间约束图像检测模型学习,有利于提高图像检测模型的准确性;而通过将特征值设置为包括边缘长度值、面积值、体积值中的至少一者,能够有利于在多种维度空间约束图像检测模型学习,有利于提高图像检测模型的准确性。
在一些公开实施例中,特征值范围包括上限值和下限值,特征处理子模块具体用于:在特征值在特征值范围内的情况下,第二损失值为预设数值;在特征值小于下限值的情况下,特征值与下限值之间的绝对差值和第二损失值为正相关关系;在特征值大于上限值的情况下,特征值与上限值之间的绝对差值和第二损失值为正相关关系。
区别于前述实施例,在特征值在特征值范围内的情况下,将第二损失值设置为预设数值,而在特征值小于下限值的情况下,特征值与下限值之间的绝对差值和第二损失值为正相关关系,且在特征值大于上限值的情况下,特征值与上限值之间的绝对差值和第二损失值为正相关关系,故能够有利于在图像检测模型的训练过程中,约束目标对象在预设维度空间的特征值,使其处于特征值范围内,从而能够有利于提高图像检测模型的准确性。
在一些公开实施例中,形态特征包括边缘曲率特征,形态分析模块73包括曲率分析子模块,用于对检测区域进行边缘提取,得到检测区域的边缘曲率值,并将边缘曲率值作为与边缘曲率特征相关的第三损失值。
区别于前述实施例,在形态特征包括边缘曲率特征的情况下,通过对检测区域进行边缘提取,得到检测区域的边缘曲率值,并将边缘曲率值作为与边缘曲率特征相关的第三损失值,从而利用边缘曲率值约束图像检测模型学习,能够抑制复杂边缘的情况,有利于提高图像检测模型的准确性。
在一些公开实施例中,样本医学图像中包含多个目标对象,图像检测模型的训练装置70还包括共现检查模块,用于基于多个目标对象之间的预设包含关系,确定检测到的目标对象是否满足预设共现条件,图像检测模型的训练装置70还包括共现差异模块,用于在检测到的目标对象不满足预设共现条件的情况下,利用检测到的目标对象的检测区域的预设特征,得到共现差异信息,参数调整模块74具体用于利用共现差异信息和形态差异信息,调整图像检测模型的网络参数。
区别于前述实施例,在样本医学图像包括多个目标对象的情况下,通过基于多个目标对象之间的预设包含关系,确定检测到的目标对象是否满足预设共现条件,并在检测到的目标对象不满足预设共现条件的情况下,利用检测到的目标对象的检测区域的预设特征,得到共现差异信息,从而利用共现差异信息和形态差异信息,调整图像检测模型的网络参数,进而能够在多个目标对象的情况下,进一步利用形态差异信息结合多个目标对象之间的预设包含关系,约束图像检测模型学习,有利于提高图像检测模型对多个目标对象检测的准确性。
在一些公开实施例中,预设共现条件包括:在检测到的目标对象数量为一个的情况下,检测到的目标对象在预设包含关系中具有最大包含范围;在检测到的目标对象数量为多个的情况下,检测到的多个目标对象在预设包含关系中为连续包含关系,且其中一个目标对象在预设包含关系中具有最大包含范围;和/或,预设特征为二维空间面积特征、三维空间体积特征中任一者。
区别于前述实施例,将预设共现条件设置为包括:在检测到的目标对象数量为一个的情况下,检测到的目标对象在预设包含关系中具有最大包含范围;在检测到的目标对象数量为多个的情况下,检测到的多个目标对象在预设包含关系中为连续包含关系,且其中一个目标对象在预设包含关系中具有最大包含范围,有利于在图像检测模型训练过程中,抑制无关对象的学习,提高图像检测模型对多个目标对象检测的准确性和完整性。
在一些公开实施例中,目标对象包括器官、组织、病灶中的至少一者;和/或,样本医学图像包括二维图像、三维图像中的任一者;和/或,样本医学图像属于不同的领域;和/或,样本医学图像属于相同的领域,且图像检测模型是利用属于另一领域的样本医学图像预先训练得到的。
区别于前述实施例,通过将目标对象设置为包括器官、组织、病灶中的至少一者,能够有利于使图像检测模型对器官、病灶进行检测,通过有利于提高图像检测模型的检测范围;通过将样本医学图像设置为包括二维图像、三维图像中的任一者,能够有利于使图像检测模型适用于二维图像或三维图像,能够有利于提高图像检测模型的使用范围;通过将样本医学图像设置为属于不同的领域,能够使图像检测模型适用于不同域图像的检测,从而能够有利于提高图像检测模型的使用范围,且在训练过程中入的形态特征能够有利于辅助图像检测模型收敛,提高训练效率,能够;通过将样本医学图像设置为属于相同的领域,且图像检测模型是利用属于另一领域的样本医学图像预先训练得到的,能够使检测模型的适用范围从某一域迁移到另一域,且在训练过程中引入的形态特征能够有利于防止网络过拟合,提高图像检测模型的准确性。
请参阅图8,图8是本申请电子设备80一实施例的框架示意图。电子设备80包括相互耦接的存储器81和处理器82,处理器82用于执行存储器81中存储的程序指令,以实现上述任一图像检测模型的训练方法实施例的步骤。在一个具体的实施场景中,电子设备80可以包括但不限于:微型计算机、服务器,此外,电子设备80还可以包括笔记本电脑、平板电脑等移动设备,在此不做限定。
具体而言,处理器82用于控制其自身以及存储器81以实现上述任一图像检测模型的训练方法实施例的步骤。处理器82还可以称为CPU(Central Processing Unit,中央处理单元)。处理器82可能是一种集成电路芯片,具有信号的处理能力。处理器82还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。另外,处理器82可以由集成电路芯片共同实现。
上述方案,能够提高医学图像检测的准确性。
请参阅图9,图9为本申请计算机可读存储介质90一实施例的框架示意图。计算机可读存储介质90存储有能够被处理器运行的程序指令901,程序指令901用于实现上述任一图像检测模型的训练方法实施例的步骤。
上述方案,能够提高医学图像检测的准确性。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考,为了简洁,本文不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,模块或单元的划分,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,例如单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施方式方案的目的。
另外,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,也可以采用软件功能单元的形式实现。
集成的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。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (12)
1.一种图像检测模型的训练方法,其特征在于,包括:
获取样本医学图像;其中,所述样本医学图像中标注有至少一个目标对象的实际区域;
利用所述图像检测模型对所述样本医学图像进行检测,得到所述样本医学图像中所述目标对象的检测区域;
分析同一所述目标对象的实际区域和检测区域的形态特征,得到对应所述目标对象的实际区域和检测区域之间的形态差异信息;
利用所述形态差异信息,调整所述图像检测模型的网络参数;
其中,所述形态特征包括形状特征,所述分析同一所述目标对象的实际区域和检测区域的形态特征,得到对应所述目标对象的实际区域和检测区域之间的形态差异信息,包括:
对若干样本医学图像中同一所述目标对象的实际区域进行融合,得到融合图像,其中,所述融合图像包括对应所述目标对象的融合区域;
利用所述检测区域第一像素点的权值,对相应所述第一像素点属于所述目标对象的概率值进行加权处理,得到与所述形状特征相关的第一损失值;
其中,所述第一像素点的权值和所述融合图像中与所述第一像素点匹配的第二像素点至所述融合区域边缘的距离为正相关关系。
2.根据权利要求1所述的方法,其特征在于,所述形态特征还包括以下至少一种:预设维度空间特征、边缘曲率特征。
3.根据权利要求1或2所述的方法,其特征在于,所述形态特征包括预设维度空间特征,所述分析同一所述目标对象的实际区域和检测区域的形态特征,得到对应所述目标对象的实际区域和检测区域之间的形态差异信息,包括:
对同一所述目标对象的实际区域在预设维度空间进行特征分析,得到对应所述目标对象的特征值范围;以及,对对应所述目标对象的检测区域在所述预设维度空间进行特征分析,得到对应所述目标对象的特征值;
基于所述特征值与所述特征值范围之间的大小关系,采用与所述大小关系对应的处理方式对所述特征值进行处理,得到与所述预设维度空间特征相关的第二损失值。
4.根据权利要求3所述的方法,其特征在于,所述预设维度空间特征包括一维空间长度特征、二维空间面积特征、三维空间体积特征中的至少一者;
和/或,所述特征值包括边缘长度值、面积值、体积值中的至少一者。
5.根据权利要求3所述的方法,其特征在于,所述特征值范围包括上限值和下限值;所述基于所述特征值与所述特征值范围之间的大小关系,采用与所述大小关系对应的处理方式对所述特征值进行处理,得到与所述预设维度空间特征相关的第二损失值,包括:
在所述特征值在所述特征值范围内的情况下,所述第二损失值为预设数值;
在所述特征值小于所述下限值的情况下,所述特征值与所述下限值之间的绝对差值和所述第二损失值为正相关关系;
在所述特征值大于所述上限值的情况下,所述特征值与所述上限值之间的绝对差值和所述第二损失值为正相关关系。
6.根据权利要求1或2所述的方法,其特征在于,所述形态特征包括边缘曲率特征,所述分析同一所述目标对象的实际区域和检测区域的形态特征,得到对应所述目标对象的实际区域和检测区域之间的形态差异信息,包括:
对所述检测区域进行边缘提取,得到所述检测区域的边缘曲率值,并将所述边缘曲率值作为与所述边缘曲率特征相关的第三损失值。
7.根据权利要求1所述的方法,其特征在于,所述样本医学图像中包含多个目标对象,所述方法还包括:
基于所述多个目标对象之间的预设包含关系,确定检测到的目标对象是否满足预设共现条件;
在所述检测到的目标对象不满足预设共现条件的情况下,利用检测到的目标对象的检测区域的预设特征,得到共现差异信息;
所述利用所述形态差异信息,调整所述图像检测模型的网络参数,包括:
利用所述共现差异信息和所述形态差异信息,调整所述图像检测模型的网络参数。
8.根据权利要求7所述的方法,其特征在于,所述预设共现条件包括:在检测到的目标对象数量为一个的情况下,所述检测到的目标对象在所述预设包含关系中具有最大包含范围;在检测到的目标对象数量为多个的情况下,所述检测到的多个目标对象在所述预设包含关系中为连续包含关系,且其中一个所述目标对象在所述预设包含关系中具有最大包含范围;
和/或,所述预设特征为二维空间面积特征、三维空间体积特征中任一者。
9.根据权利要求 1所述的方法,其特征在于,
所述目标对象包括器官、组织、病灶中的至少一者;
和/或,所述样本医学图像包括二维图像、三维图像中的任一者;
和/或,所述样本医学图像属于不同的领域;
和/或,所述样本医学图像属于相同的领域,且所述图像检测模型是利用属于另一领域的样本医学图像预先训练得到的。
10.一种图像检测模型的训练装置,其特征在于,包括:
图像获取模块,用于获取样本医学图像;其中,所述样本医学图像中标注有至少一个目标对象的实际区域;
区域检测模块,用于利用所述图像检测模型对所述样本医学图像进行检测,得到所述样本医学图像中所述目标对象的检测区域;
形态分析模块,用于分析同一所述目标对象的实际区域和检测区域的形态特征,得到对应所述目标对象的实际区域和检测区域之间的形态差异信息;
参数调整模块,用于利用所述形态差异信息,调整所述图像检测模型的网络参数;
其中,所述形态特征包括形状特征,形态分析模块包括区域融合子模块,用于对若干样本医学图像中同一所述目标对象的实际区域进行融合,得到融合图像,其中,所述融合图像包括对应所述目标对象的融合区域;形态分析模块包括加权处理子模块,用于利用所述检测区域第一像素点的权值,对相应所述第一像素点属于所述目标对象的概率值进行加权处理,得到与所述形状特征相关的第一损失值;其中,所述第一像素点的权值和所述融合图像中与所述第一像素点匹配的第二像素点至所述融合区域边缘的距离为正相关关系。
11.一种电子设备,其特征在于,包括相互耦接的存储器和处理器,所述处理器用于执行所述存储器中存储的程序指令,以实现权利要求1至9任一项所述的图像检测模型的训练方法。
12.一种计算机可读存储介质,其上存储有程序指令,其特征在于,所述程序指令被处理器执行时实现权利要求1至9任一项所述的图像检测模型的训练方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011193266.4A CN112200802B (zh) | 2020-10-30 | 2020-10-30 | 图像检测模型的训练方法及相关装置、设备、存储介质 |
JP2021576592A JP7326499B2 (ja) | 2020-10-30 | 2021-03-11 | 画像検出モデルのトレーニング方法及びその関連装置、機器、記憶媒体 |
PCT/CN2021/080322 WO2022088581A1 (zh) | 2020-10-30 | 2021-03-11 | 图像检测模型的训练方法及相关装置、设备、存储介质 |
TW110120820A TW202217837A (zh) | 2020-10-30 | 2021-06-08 | 圖像檢測模型的訓練方法及電子設備、電腦可讀儲存介質 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011193266.4A CN112200802B (zh) | 2020-10-30 | 2020-10-30 | 图像检测模型的训练方法及相关装置、设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112200802A CN112200802A (zh) | 2021-01-08 |
CN112200802B true CN112200802B (zh) | 2022-04-26 |
Family
ID=74010605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011193266.4A Active CN112200802B (zh) | 2020-10-30 | 2020-10-30 | 图像检测模型的训练方法及相关装置、设备、存储介质 |
Country Status (4)
Country | Link |
---|---|
JP (1) | JP7326499B2 (zh) |
CN (1) | CN112200802B (zh) |
TW (1) | TW202217837A (zh) |
WO (1) | WO2022088581A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200802B (zh) * | 2020-10-30 | 2022-04-26 | 上海商汤智能科技有限公司 | 图像检测模型的训练方法及相关装置、设备、存储介质 |
CN113516758A (zh) * | 2021-07-07 | 2021-10-19 | 上海商汤智能科技有限公司 | 图像显示方法及相关装置和电子设备、存储介质 |
CN113633306A (zh) * | 2021-08-31 | 2021-11-12 | 上海商汤智能科技有限公司 | 图像处理方法及相关装置、电子设备和存储介质 |
CN114549445A (zh) * | 2022-02-16 | 2022-05-27 | 上海商汤智能科技有限公司 | 图像检测及相关模型的训练方法、相关装置、设备和介质 |
CN117541771A (zh) * | 2022-08-01 | 2024-02-09 | 马上消费金融股份有限公司 | 图像识别模型训练方法及图像识别方法 |
CN115880614B (zh) * | 2023-01-19 | 2023-05-12 | 清华大学 | 一种宽视场高分辨视频高效智能检测方法及系统 |
CN117218515B (zh) * | 2023-09-19 | 2024-05-03 | 人民网股份有限公司 | 一种目标检测方法、装置、计算设备和存储介质 |
CN117576634B (zh) * | 2024-01-16 | 2024-05-28 | 浙江大华技术股份有限公司 | 基于密度检测的异常分析方法、设备以及存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102348593B1 (ko) * | 2017-10-26 | 2022-01-06 | 삼성에스디에스 주식회사 | 기계 학습 기반의 객체 검출 방법 및 그 장치 |
US11227390B2 (en) * | 2018-09-26 | 2022-01-18 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image processing |
US10885635B2 (en) | 2018-12-18 | 2021-01-05 | Palo Alto Research Center Incorporated | Curvilinear object segmentation with noise priors |
CN109872306B (zh) * | 2019-01-28 | 2021-01-08 | 腾讯科技(深圳)有限公司 | 医学图像分割方法、装置和存储介质 |
CN110599492B (zh) * | 2019-09-19 | 2024-02-06 | 腾讯科技(深圳)有限公司 | 图像分割模型的训练方法、装置、电子设备及存储介质 |
CN110969245B (zh) * | 2020-02-28 | 2020-07-24 | 北京深睿博联科技有限责任公司 | 医学图像的目标检测模型训练方法和装置 |
CN111539947B (zh) * | 2020-04-30 | 2024-03-29 | 上海商汤智能科技有限公司 | 图像检测方法及相关模型的训练方法和相关装置、设备 |
CN111598867B (zh) * | 2020-05-14 | 2021-03-09 | 国家卫生健康委科学技术研究所 | 用于检测特定面部综合征的方法、装置及计算机可读存储介质 |
CN111582409B (zh) * | 2020-06-29 | 2023-12-26 | 腾讯科技(深圳)有限公司 | 图像标签分类网络的训练方法、图像标签分类方法及设备 |
CN112200802B (zh) * | 2020-10-30 | 2022-04-26 | 上海商汤智能科技有限公司 | 图像检测模型的训练方法及相关装置、设备、存储介质 |
-
2020
- 2020-10-30 CN CN202011193266.4A patent/CN112200802B/zh active Active
-
2021
- 2021-03-11 WO PCT/CN2021/080322 patent/WO2022088581A1/zh unknown
- 2021-03-11 JP JP2021576592A patent/JP7326499B2/ja active Active
- 2021-06-08 TW TW110120820A patent/TW202217837A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
JP2023502814A (ja) | 2023-01-26 |
WO2022088581A1 (zh) | 2022-05-05 |
JP7326499B2 (ja) | 2023-08-15 |
CN112200802A (zh) | 2021-01-08 |
TW202217837A (zh) | 2022-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112200802B (zh) | 图像检测模型的训练方法及相关装置、设备、存储介质 | |
Kroon et al. | MRI modalitiy transformation in demon registration | |
Huang et al. | An image-based comprehensive approach for automatic segmentation of left ventricle from cardiac short axis cine mr images | |
Massoptier et al. | A new fully automatic and robust algorithm for fast segmentation of liver tissue and tumors from CT scans | |
Rorden et al. | Stereotaxic display of brain lesions | |
Zhang et al. | Small blob identification in medical images using regional features from optimum scale | |
EP1941453B1 (en) | Method of registering images, algorithm for carrying out the method of registering images, a program for registering images using the said algorithm and a method of treating biomedical images to reduce imaging artefacts caused by object movement | |
EP2443587B1 (en) | Systems for computer aided lung nodule detection in chest tomosynthesis imaging | |
CN107886508B (zh) | 差分减影方法和医学图像处理方法及系统 | |
Zhu et al. | A novel generalized gradient vector flow snake model using minimal surface and component-normalized method for medical image segmentation | |
US9811904B2 (en) | Method and system for determining a phenotype of a neoplasm in a human or animal body | |
Modanwal et al. | Normalization of breast MRIs using cycle-consistent generative adversarial networks | |
Zhong et al. | Automatic localization of the left ventricle from cardiac cine magnetic resonance imaging: a new spectrum-based computer-aided tool | |
Liao et al. | A feature-based learning framework for accurate prostate localization in CT images | |
CN109949288A (zh) | 肿瘤类型确定系统、方法及存储介质 | |
Unay et al. | Medical image search and retrieval using local binary patterns and KLT feature points | |
Perasso et al. | Spinal canal and spinal marrow segmentation by means of the Hough transform of special classes of curves | |
CN113554647B (zh) | 医学图像的配准方法和装置 | |
Czajkowska et al. | HoG feature based detection of tissue deformations in ultrasound data | |
Ruiz‐España et al. | Automatic segmentation of the spine by means of a probabilistic atlas with a special focus on ribs suppression | |
Nyul et al. | Task-specific comparison of 3D image registration methods | |
del Toro et al. | Multi atlas-based segmentation with data driven refinement | |
CN113034534A (zh) | 图像分析方法及相关装置、电子设备、存储介质 | |
US20190251691A1 (en) | Information processing apparatus and information processing method | |
Sun et al. | Medical image registration by minimizing divergence measure based on Tsallis entropy |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40034618 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |