CN112598630A - 肺结节检测方法、设备、介质及计算机程序产品 - Google Patents
肺结节检测方法、设备、介质及计算机程序产品 Download PDFInfo
- Publication number
- CN112598630A CN112598630A CN202011486456.5A CN202011486456A CN112598630A CN 112598630 A CN112598630 A CN 112598630A CN 202011486456 A CN202011486456 A CN 202011486456A CN 112598630 A CN112598630 A CN 112598630A
- Authority
- CN
- China
- Prior art keywords
- model
- nodule
- lung nodule
- detection
- lung
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 293
- 230000002685 pulmonary effect Effects 0.000 title claims abstract description 129
- 238000004590 computer program Methods 0.000 title claims abstract description 14
- 206010056342 Pulmonary mass Diseases 0.000 claims abstract description 349
- 230000003211 malignant effect Effects 0.000 claims abstract description 107
- 238000012549 training Methods 0.000 claims description 78
- 238000000605 extraction Methods 0.000 claims description 31
- 230000002776 aggregation Effects 0.000 claims description 18
- 238000004220 aggregation Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 11
- 206010028980 Neoplasm Diseases 0.000 claims description 5
- 201000011510 cancer Diseases 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioethics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Security & Cryptography (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请公开了一种肺结节检测方法、设备、介质及计算机程序产品,所述肺结节检测方法包括:获取肺结节图像,并基于联邦学习构建的肺结节检测模型,对所述肺结节图像对应的待检测肺结节进行良恶性检测,获得良恶性检测结果,对所述良恶性检测结果进行针对于所述肺结节检测模型的模型解释,得到所述良恶性检测结果的各决策依据肺结节特征,获取所述肺结节图像对应的肺结节特征信息,并在所述肺结节特征信息中确定各所述决策依据肺结节特征对应的目标特征量化信息,基于各所述目标特征量化信息和所述良恶性检测结果,生成肺结节检测报告。本申请解决了肺结节检测报告的置信度低的技术问题。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种肺结节检测方法、设备、介质及计算机程序产品。
背景技术
随着计算机技术的不断发展,基于人工智能的医疗领域应用也发展的越来越快。在传统就医流程中,肺结节患者在拿到肺结节CT图像后,通常需要长时间的人工诊断,才能获得肺结节CT图像对应的肺结节检测报告,其花费时间较长,患者体验较差,目前,通常通过神经网络模型对肺结节进行识别检测,并通过排版工具快速生成肺结节检测报告,以实现肺结节检测报告的自动化快速生成,但是,由于各地的患者群体和医院设备均存在差异性,导致基于神经网络模型进行肺结节检测的准确性较低,进而导致肺结节检测报告的置信度较低。
发明内容
本申请的主要目的在于提供一种肺结节检测方法、设备、介质及计算机程序产品,旨在解决现有技术中肺结节检测报告的置信度低的技术问题。
为实现上述目的,本申请提供一种肺结节检测方法,所述肺结节检测方法应用于肺结节检测设备,所述肺结节检测方法包括:
获取肺结节图像,并基于联邦学习构建的肺结节检测模型,对所述肺结节图像对应的待检测肺结节进行良恶性检测,获得良恶性检测结果;
对所述良恶性检测结果进行针对于所述肺结节检测模型的模型解释,得到所述良恶性检测结果的各决策依据肺结节特征;
获取所述肺结节图像对应的肺结节特征信息,并在所述肺结节特征信息中确定各所述决策依据肺结节特征对应的目标特征量化信息;
基于各所述目标特征量化信息和所述良恶性检测结果,生成肺结节检测报告。
本申请还提供一种肺结节检测装置,所述肺结节检测装置为虚拟装置,且所述肺结节检测装置应用于肺结节检测设备,所述肺结节检测装置包括:
检测模块,用于获取肺结节图像,并基于联邦学习构建的肺结节检测模型,对所述肺结节图像对应的待检测肺结节进行良恶性检测,获得良恶性检测结果;
模型解释模块,用于对所述良恶性检测结果进行针对于所述肺结节检测模型的模型解释,得到所述良恶性检测结果的各决策依据肺结节特征;
量化信息确定模块,用于获取所述肺结节图像对应的肺结节特征信息,并在所述肺结节特征信息中确定各所述决策依据肺结节特征对应的目标特征量化信息;
生成模块,用于基于各所述目标特征量化信息和所述良恶性检测结果,生成肺结节检测报告。
本申请还提供一种肺结节检测设备,所述肺结节检测设备为实体设备,所述肺结节检测设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述肺结节检测方法的程序,所述肺结节检测方法的程序被处理器执行时可实现如上述的肺结节检测方法的步骤。
本申请还提供一种可读存储介质,所述可读存储介质上存储有实现肺结节检测方法的程序,所述肺结节检测方法的程序被处理器执行时实现如上述的肺结节检测方法的步骤。
本申请还提供一计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述的肺结节检测方法的步骤。
本申请提供了一种肺结节检测方法、设备、介质及计算机程序产品,相比于现有技术采用通过神经网络模型对肺结节进行识别检测,并通过排版工具快速生成肺结节检测报告的技术手段,本申请在获取肺结节图像之后,首先获取肺结节图像,并基于联邦学习构建的肺结节检测模型,对所述肺结节图像对应的待检测肺结节进行良恶性检测,获得良恶性检测结果,其中,由于所述肺结节检测模型为基于联邦学习构建的,所以,所述肺结节检测模型为在保护各方的隐私的前提下,联合多方的差异性数据构建的,进而可提升肺结节检测的准确度,进而可提升肺结节检测报告的置信度,进一步地,对所述良恶性检测结果进行针对于所述肺结节检测模型的模型解释,得到所述良恶性检测结果的各决策依据肺结节特征,进而确定了模型作出的良恶性检测结果决策的主要影响因素,也即,解释了导致良恶性检测结果的主要影响因素,进而获取所述肺结节图像对应的肺结节特征信息,并在所述肺结节特征信息中确定各所述决策依据肺结节特征对应的目标特征量化信息,进而基于各所述目标特征量化信息和所述良恶性检测结果,生成肺结节检测报告,进而实现了在生成肺结节图像对应的良恶性检测结果的同时,量化地给出了导致良恶性检测结果的目标特征量化信息的目的,使得肺结节检测报告更具说服力,进一步提高了肺结节检测报告的置信度,所以,克服了现有技术中通过神经网络模型对肺结节进行识别检测,并通过排版工具快速生成肺结节检测报告时,由于各地的患者群体和医院设备均存在差异性,导致基于神经网络模型进行肺结节检测的准确性较低,进而导致肺结节检测报告的置信度较低的技术缺陷,所以,提升了肺结节检测报告的置信度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请肺结节检测方法第一实施例的流程示意图;
图2为本申请肺结节检测方法第二实施例的流程示意图;
图3为本申请实施例方案涉及的硬件运行环境的设备结构示意图。
本申请目的实现、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用以解释本申请,并不用于限定本申请。
本申请实施例提供一种肺结节检测方法,在本申请肺结节检测方法的第一实施例中,参照图1,所述肺结节检测方法包括:
步骤S10,获取肺结节图像,并获取肺结节图像,并基于联邦学习构建的肺结节检测模型,对所述肺结节图像对应的待检测肺结节进行良恶性检测,获得良恶性检测结果;
在本实施例中,需要说明的是,所述肺结节图像为医疗设备的肺结节CT 图像,所述肺结节检测模型为多个医疗机构通过横向联邦学习构建的机器学习模型,其中,由于不同地区的医院对应的患者群体和对应的医院成像设备均存在差异,进而相对于所有医院,基于本地数据训练的本地肺结节检测模型的普适性和预测准确性较低,而横向联邦学习可扩展模型训练数据的样本维度,使得模型训练时对应的样本群体更加丰富,进而相比于本地肺结节检测模型,基于横向联邦学习构建的肺结节检测模型的普适性更强,且预测准确度更高。
获取肺结节图像,并获取肺结节图像,并基于联邦学习构建的肺结节检测模型,对所述肺结节图像对应的待检测肺结节进行良恶性检测,获得良恶性检测结果,具体地,通过医疗成像设备拍摄肺结节图像,其中,所述医疗成像设备包括CT成像设备等,并将所述肺结节图像输入肺结节检测模型,对所述肺结节图像特征提取,获得图像特征提取结果,进而依据所述图像特征提取结果,预测所述肺结节图像对应的待检测肺结节的良恶性,获得所述良恶性检测结果。
其中,所述肺结节识别检测模型包括特征提取层和分类层,
所述获取肺结节图像,并基于联邦学习构建的肺结节检测模型,对所述肺结节图像对应的待检测肺结节进行良恶性检测,获得良恶性检测结果的步骤包括:
步骤S11,基于所述特征提取层,对所述肺结节图像进行特征提取,获得图像特征提取结果;
在本实施例中,基于所述特征提取层,对所述肺结节图像进行特征提取,获得图像特征提取结果,具体地,将所述肺结节图像对应的图像表示矩阵由所述肺结节检测模型的输入层输入特征提取层,对所述肺结节图像进行预设次数的卷积和池化交替处理,获得图像特征提取矩阵,并将所述图像特征提取矩阵作为图像特征提取结果,其中,所述图像表示矩阵为所述肺结节图像对应的像素矩阵。
步骤S12,将所述图像特征提取结果输入所述分类层,以基于所述图像特征提取结果,对所述肺结节图像进行分类,获得图像分类结果。
在本实施例中,将所述图像特征提取结果输入所述分类层,以基于所述图像特征提取结果,对所述肺结节图像进行分类,获得图像分类结果,具体地,将所述图像特征提取矩阵输入所述分类层,对所述图像特征提取矩阵进行全连接,以将所述图像特征提取矩阵映射为分类向量,并将所述分类向量作为所述图像分类结果。
步骤S13,基于所述图像分类结果,确定所述待检测肺结节的良恶性,获得所述良恶性检测结果。
在本实施例中,基于所述图像分类结果,确定所述待检测肺结节的良恶性,获得所述良恶性检测结果,具体地,将所述分类向量作为分类标签,并基于所述分类标签与肺结节的良恶性之间的映射关系,确定所述待检测肺结节的良恶性,获得良恶性检测结果。
步骤S20,对所述良恶性检测结果进行针对于所述肺结节检测模型的模型解释,得到所述良恶性检测结果的各决策依据肺结节特征;
在本实施例中,需要说明的是,所述决策依据肺结节特征为对所述良恶性检测结果的影响程度高于预设影响程度阈值的肺结节特征,也即为对所述良恶性检测结果的特征贡献度高于预设特征贡献度阈值的肺结节特征。
对所述良恶性检测结果进行针对于所述肺结节检测模型的模型解释,得到所述良恶性检测结果的各决策依据肺结节特征,具体地,确定所述肺结节图像对应的各肺结节特征,并对所述良恶性检测结果进行针对于所述肺结节检测模型的模型预测解释,以分别计算各所述肺结节特征对所述良恶性检测结果的特征贡献度,进而基于各所述特征贡献度,在各所述肺结节特征中确定决策依据肺结节特征。
其中,所述基于联邦学习构建的肺结节检测模型包括肺结节检测模型,
所述对所述良恶性检测结果进行针对于所述肺结节检测模型的模型解释,得到所述良恶性检测结果的各决策依据肺结节特征的步骤包括:
步骤S21,确定所述肺结节识别特征信息对应的各肺结节特征;
在本实施例中,需要说明的是,所述肺结节识别特征信息为肺结节特征信息向量,其中,所述肺结节特征信息向量至少对应一肺结节特征。
步骤S22,基于所述肺结节检测模型,分别计算各所述肺结节特征对所述良恶性检测结果的特征贡献度;
在本实施例中,需要说明的是,所述特征贡献度为所述肺结节特征对所述良恶性检测结果的影响程度,其中,所述特征贡献度包括正特征贡献度和负特征贡献度,其中,正特征贡献度表示对所述良恶性检测结果具有正向的影响,负特征贡献度表示对所述良恶性检测结果具有负向的影响,例如,假设肺结节的尺寸为3mm,对应的肺结节特征为肺结节尺寸大小特征,肺结节的数目为10个,对应的肺结节特征为肺结节数目特征,进而由于肺结节尺寸3mm 非常小,则肺结节尺寸大小特征对应的特征贡献度应当为正特征贡献度,对良恶性检测结果为良性的具有正向激励作用,将提升良恶性检测结果为良性的概率,由于肺结节数目为10个,进而肺结节为多发性肺结节,则肺结节数目特征对应的特征贡献度应当为负特征贡献度,对良恶性检测结果为良性的具有反向激励作用,将降低良恶性检测结果为良性的概率。
基于所述肺结节检测模型,分别计算各所述肺结节特征对所述良恶性检测结果的特征贡献度,具体地,基于所述肺结节检测模型,通过预设特征贡献度计算方式,分别计算各所述肺结节特征对所述良恶性检测结果的特征贡献度,其中,所述预设特征贡献度计算方式包括SHAP(SHapley Additive exPlanations,沙普利可加性模型解释)和LIME(LocalInterpretable Model-Agnostic Explanations,模型无关局部解释)等。
其中,所述基于所述肺结节检测模型,分别计算各所述肺结节特征对所述良恶性检测结果的特征贡献度的步骤包括:
步骤S221,基于各所述肺结节特征和所述肺结节识别特征信息,生成模型解释样本集;
在本实施例中,需要说明的是,所述肺结节识别特征信息为各所述肺结节特征对应的肺结节特征数据,本实施例中计算特征贡献度的方法为SHAP,所述模型解释样本集为用于计算SHAP值的样本集,所述模型解释样本集至少包括一个模型输入元素,所述模型输入元素包括一个或者多个第一类型元素和一个或者多个第二类型元素。
基于各所述肺结节特征和所述肺结节识别特征信息,生成模型解释样本集,具体地,在各所述肺结节特征中选取目标特征,进而在所述肺结节特征数据中剔除所述目标特征对应的数据,获得剔除数据集,其中,所述剔除数据集为除所述目标特征之外的其余各肺结节特征对应的数据集,进而在剔除数据集中选取子集作为所述第一类型元素之一,并将所述目标特征加入所述第一类型元素,获得第二类型元素之一,直至所述剔除数据集的子集均被选取过一次,获得所述目标特征对应的各第一类型元素和各第二类型元素,并重新在各所述肺结节特征中选取目标特征以获取所述第一类型元素和第二类型元素,直至各所述肺结节特征均被选取过一次作为所述目标特征,其中,需要说明的是,所述剔除数据集的每一子集和每一目标特征均只选取一次。
步骤S222,基于所述模型解释样本集和所述肺结节检测模型,分别计算各所述特征贡献度。
在本实施例中,需要说明的是,所述模型解释样本集包括各所述肺结节特征分别对应的各所述第一类型元素和各所述第二类型元素,其中,一所述肺结节特征至少对应一所述第一类型元素和一所述第二类型元素。
基于所述肺结节检测模型和所述模型解释样本集,分别计算各所述特征贡献度,具体地,分别将各所述肺结节特征分别对应的各第一类型元素和对应的各第二类型元素输入所述肺结节检测模型,执行模型预测,获得所述肺结节检测模型在所述模型解释样本集中各元素上的输出结果,获得所述模型输出结果集合,其中,一所述第一类型元素或者一所述第二类型元素对应所述模型输出结果集合中的一输出结果元素,进一步地,基于所述模型输出结果集合,通过预设SHAP值计算公式,计算各所述肺结节特征分别对应的各SHAP值,其中,一所述肺结节特征至少对应一SHAP值,进而对每一所述肺结节特征对应的各SHAP值求平均,获得各所述肺结节特征对应的特征贡献度,其中,所述预设SHAP值计算公式如下所示:
其中,φi为所述SHAP值,F为所述肺结节特征数据,F\{i}为F中剔除第i个特征后的剔除数据集,S为所述剔除数据集的一个子集,fS(xS)为所述肺结节检测模型在S集合上的输出值,fS∪{i}(xS∪{i})为S集并上特征i后在所述肺结节检测模型上的输出值。
步骤S23,基于各所述特征贡献度,在各所述肺结节特征中选取各所述决策依据肺结节特征。
在本实施例中,基于各所述特征贡献度,在各所述肺结节特征中选取各所述决策依据肺结节特征,具体地,在各所述特征贡献度中选取大于预设特征贡献度阈值的各目标特征贡献度,进而将各目标特征贡献度对应的肺结节特征作为决策依据肺结节特征。
步骤S30,获取所述肺结节图像对应的肺结节特征信息,并在所述肺结节特征信息中确定各所述决策依据肺结节特征对应的目标特征量化信息;
在本实施例中,需要说明的是,所述肺结节特征信息包括肺结节大小特征数据、肺结节密度特征数据和肺结节数目特征数据等,其中,所述肺结节特征信息可用肺结节特征信息向量进行表示,例如,例如,假设所述肺结节特征信息向量为(a,1,b,2,c,3),其中,a、b和c均为肺结节特征的标签,a表示肺结节为多发性肺结节,1表示肺结节数目为10,b表示肺结节为微小肺结节,2表示肺结节的直径为2mm,c表示肺结节为实性肺结节,3 表示肺结节的密度为3。
获取所述肺结节图像对应的肺结节特征信息,并在所述肺结节特征信息中确定各所述决策依据肺结节特征对应的目标特征量化信息,具体地,抽取所述肺结节图像中的肺结节特征信息,其中所述肺结节特征信息至少包括一肺结节特征对应的肺结节特征数据,进而将各所述决策依据肺结节特征的标签作为索引,在所述肺结节特征信息中查询各所述决策依据肺结节特征对应的决策依据肺结节特征数据,并将各所述决策依据肺结节特征数据分别作为各所述决策依据肺结节特征对应的目标特征量化信息。
其中,所述获取所述肺结节图像对应的肺结节特征信息的步骤包括:
步骤S31,将所述肺结节图像输入预设目标检测模型,对所述肺结节图像中的待检测肺结节进行目标检测,获得所述肺结节特征信息。
在本实施例中,将所述肺结节图像输入预设目标检测模型,对所述肺结节图像中的待检测肺结节进行目标检测,获得所述肺结节特征信息,具体地,将所述肺结节图像输入预设目标检测模型,并将所述肺结节图像中存在肺结节的区域进行框选,获得各框选图像区域,进而分别对框选图像区域进行图像识别,以识别各所述框选图像区域中肺结节的肺结节特征,获得所述肺结节图像中各肺结节对应的肺结节特征数据,并将各所述肺结节特征数据作为所述肺结节特征信息。
步骤S40,基于各所述目标特征量化信息和所述良恶性检测结果,生成肺结节检测报告。
在本实施例中,基于各所述目标特征量化信息和所述良恶性检测结果,生成肺结节检测报告,具体地,将各所述目标特征量化信息和所述良恶性检测结果以报告的形式进行输出,获取肺结节检测报告,进而医生可基于肺结节检测报告中的各所述目标特征量化信息和所述良恶性检测结果,更容易做出肺结节检测的最终决断,例如,假设所述良恶性检测结果为良性,各所述目标特征量化信息分别为微小结节,尺寸为4mm;孤立性结节,数目为1,则所述肺结节检测报告包括的信息为由于肺结节为微小结节,尺寸仅为4mm,且肺结节为孤立性结节,数目为1,所以判定肺结节为良性。
本申请实施例提供了一种肺结节检测方法,相比于现有技术采用通过神经网络模型对肺结节进行识别检测,并通过排版工具快速生成肺结节检测报告的技术手段,本申请实施例在获取肺结节图像之后,首先获取肺结节图像,并基于联邦学习构建的肺结节检测模型,对所述肺结节图像对应的待检测肺结节进行良恶性检测,获得良恶性检测结果,其中,由于所述肺结节检测模型为基于联邦学习构建的,所以,所述肺结节检测模型为在保护各方的隐私的前提下,联合多方的差异性数据构建的,进而可提升肺结节检测的准确度,进而可提升肺结节检测报告的置信度,进一步地,对所述良恶性检测结果进行针对于所述肺结节检测模型的模型解释,得到所述良恶性检测结果的各决策依据肺结节特征,进而确定了模型作出的良恶性检测结果决策的主要影响因素,也即,解释了导致良恶性检测结果的主要影响因素,进而获取所述肺结节图像对应的肺结节特征信息,并在所述肺结节特征信息中确定各所述决策依据肺结节特征对应的目标特征量化信息,进而基于各所述目标特征量化信息和所述良恶性检测结果,生成肺结节检测报告,进而实现了在生成肺结节图像对应的良恶性检测结果的同时,量化地给出了导致良恶性检测结果的目标特征量化信息的目的,使得肺结节检测报告更具说服力,进一步提高了肺结节检测报告的置信度,所以,克服了现有技术中通过神经网络模型对肺结节进行识别检测,并通过排版工具快速生成肺结节检测报告时,由于各地的患者群体和医院设备均存在差异性,导致基于神经网络模型进行肺结节检测的准确性较低,进而导致肺结节检测报告的置信度较低的技术缺陷,所以,提升了肺结节检测报告的置信度。
进一步地,参照图2,基于本申请中第一实施例,在本申请的另一实施例中,在所述获取肺结节图像,并基于联邦学习构建的肺结节检测模型,对所述肺结节图像对应的待检测肺结节进行良恶性检测,获得良恶性检测结果步骤之前,所述肺结节检测方法还包括:
步骤A10,获取待联邦训练模型和待训练数据,并基于所述训练数据,对所述待联邦训练模型进行迭代训练更新,直至满足预设迭代次数,获取所述待联邦训练模型对应的模型参数信息;
在本实施例中,需要说明的是,所述训练数据至少包括一训练样本,所述待联邦训练模型为未进行横向联邦学习的机器学习模型。
获取待联邦训练模型和待训练数据,并基于所述训练数据,对所述待联邦训练模型进行迭代训练更新,直至满足预设迭代次数,获取所述待联邦训练模型对应的模型参数信息,具体地,获取待联邦训练模型和待训练数据,进而将训练数据中的训练样本输入所述待联邦训练模型,对所述待联邦训练模型进行迭代训练更新,直至对所述待联邦学习模型的迭代训练次数满足预设迭代次数,则获取迭代训练更新后的待联邦训练模型的各模型参数,并将各模型参数作为模型参数信息。
其中,所述获取待联邦训练模型的步骤包括:
步骤A11,接收预设参数服务器发送的初始模型,并获取各本地肺结节图像;
在本实施例中,需要说明的是,预设参数服务器为横向联邦学习的协调方,所述肺结节检测方法应用于横向联邦学习的参与方。
接收预设参数服务器发送的初始模型,并获取各本地肺结节图像,具体地,接收所述预设参数服务器发送的当前聚合加密模型参数,并将所述当前聚合加密模型参数解密为当前聚合模型参数,并将预设本地基础模型中的模型参数替换为所述当前聚合模型参数,获得所述初始模型。
步骤A12,基于所述初始模型,对各所述本地肺结节图像进行标签预测,获得各所述本地肺结节图像对应的样本标签;
在本实施例中,需要说明的是,所述本地肺结节图像为无标签的肺结节 CT图像。
基于所述初始模型,对各所述本地肺结节图像进行标签预测,获得各所述本地肺结节图像对应的样本标签,具体地,将各所述本地肺结节图像输入所述初始模型,分别提取各本地肺结节图像的本地肺结节特征信息,进而依据各所述本地肺结节特征信息,分别对各所述本地肺结节图像进行良恶性预测,以判断各所述本地肺结节图像是良性还是恶性,获得各所述良恶性本地预测结果,进而依据各所述良恶性本地预测结果,分别为各所述本地肺结节图像进行标签预测,获得各所述本地肺结节图像对应的样本标签。
步骤A13,对各所述样本标签进行校正,获得各所述样本标签对应的目标样本标签;
在本实施例中,需要说明的是,各所述样本标签可通过有经验的专业医生进行人工校正。
步骤A14,基于各所述目标样本标签和各所述样本标签,计算模型损失;
步骤A15,基于所述模型损失,对所述初始模型进行更新,获得所述待联邦训练模型。
在本实施例中,具体地,计算每一所述样本标签与对应的每一所述目标样本标签之间的标签差值,并将各所述标签差值作为各模型损失,进而基于各所述模型损失,更新所述初始模型的模型参数,获得所述待联邦训练模型。
步骤A20,将所述模型参数信息发送至预设参数服务器,以供所述预设参数服务器对接收的各模型参数信息进行聚合,获得聚合模型参数信息;
在本实施例中,将所述模型参数信息发送至预设参数服务器,以供所述预设参数服务器对接收的各模型参数信息进行聚合,获得聚合模型参数信息,具体地,将所述模型参数信息加密为加密模型参数信息,并将所述加密模型参数信息发送至预设参数服务器,进而预设参数服务器在接收来自各联邦学习的参与方发送的加密模型参数信息后,基于预设聚合规则,对各所述加密模型参数信息进行聚合,获得加密聚合模型参数信息,并将所述加密聚合模型参数信息反馈至各参与方,其中,预设聚合规则包括加权平均和求和等,加密的方式为同态加密。
步骤A30,接收所述预设参数服务器发送的聚合模型参数信息,并基于所述聚合模型参数信息,对所述待联邦训练模型的模型参数进行替换更新,以判断更新后的所述待联邦训练模型是否满足预设迭代训练结束条件;
在本实施例中,接收所述预设参数服务器发送的聚合模型参数信息,并基于所述聚合模型参数信息,对所述待联邦训练模型的模型参数进行替换更新,以判断更新后的所述待联邦训练模型是否满足预设迭代训练结束条件,具体地,接收所述预设参数服务器发送的加密聚合模型参数信息,并将所述加密聚合模型参数信息解密为聚合模型参数信息,并将所述待联邦训练模型中的模型参数替换更新为所述聚合模型参数信息中的模型参数,以判断替换更新后的所述待联邦训练模型是否满足预设迭代训练结束条件,其中,所述预设迭代训练结束条件包括达到预设迭代次数阈值和损失函数收敛等。
步骤A40,若满足,则将所述更新模型作为所述肺结节检测模型;
步骤A50,若不满足,则返回基于所述训练数据,对所述待联邦训练模型进行迭代训练更新的步骤。
在本实施例中,若满足,则判定联邦学习建模结束,并将所述更新模型作为所述肺结节检测模型,若不满足,则返回基于所述训练数据,对所述待联邦训练模型进行迭代训练更新的步骤,以继续在参与方本地对所述待联邦训练模型进行迭代训练更新,并在迭代次数达到预设迭代次数之后,继续进行联邦学习建模,直至所述待联邦训练模型满足预设迭代训练结束条件。
本申请实施例提供了一种基于横向联邦学习的肺结节检测模型的构建方法,具体地,获取待联邦训练模型和待训练数据,并基于所述训练数据,对所述待联邦训练模型进行迭代训练更新,直至满足预设迭代次数,获取所述待联邦训练模型对应的模型参数信息,进而将所述模型参数信息发送至预设参数服务器,以供所述预设参数服务器对接收的各模型参数信息进行聚合,获得聚合模型参数信息,进而接收所述预设参数服务器发送的聚合模型参数信息,并基于所述聚合模型参数信息,对所述待联邦训练模型的模型参数进行替换更新,以判断更新后的所述待联邦训练模型是否满足预设迭代训练结束条件,进而若满足,则将所述更新模型作为所述肺结节检测模型,进而若不满足,则返回基于所述训练数据,对所述待联邦训练模型进行迭代训练更新的步骤。进而在通过横向联邦学习构建肺结节检测模型之后,即可获取肺结节图像,并基于联邦学习构建的肺结节检测模型,对所述肺结节图像对应的待检测肺结节进行良恶性检测,获得良恶性检测结果,其中,由于所述肺结节检测模型为基于联邦学习构建的,所以,所述肺结节检测模型为在保护各方的隐私的前提下,联合多方的差异性数据构建的,进而可提升肺结节检测的准确度,进而可提升肺结节检测报告的置信度,进一步地,对所述良恶性检测结果进行针对于所述肺结节检测模型的模型解释,得到所述良恶性检测结果的各决策依据肺结节特征,进而确定了模型作出的良恶性检测结果决策的主要影响因素,也即,解释了导致良恶性检测结果的主要影响因素,进而获取所述肺结节图像对应的肺结节特征信息,并在所述肺结节特征信息中确定各所述决策依据肺结节特征对应的目标特征量化信息,进而基于各所述目标特征量化信息和所述良恶性检测结果,生成肺结节检测报告,进而实现了在生成肺结节图像对应的良恶性检测结果的同时,量化地给出了导致良恶性检测结果的目标特征量化信息的目的,使得肺结节检测报告更具说服力,进一步提高了肺结节检测报告的置信度,所以,为克服现有技术中通过神经网络模型对肺结节进行识别检测,并通过排版工具快速生成肺结节检测报告时,由于各地的患者群体和医院设备均存在差异性,导致基于神经网络模型进行肺结节检测的准确性较低,进而导致肺结节检测报告的置信度较低的技术缺陷奠定了基础。
参照图3,图3是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图3所示,该肺结节检测设备可以包括:处理器1001,例如CPU,存储器1005,通信总线1002。其中,通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地,该肺结节检测设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard),可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图3中示出的肺结节检测设备结构并不构成对肺结节检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图3所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块以及肺结节检测程序。操作系统是管理和控制肺结节检测设备硬件和软件资源的程序,支持肺结节检测程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与肺结节检测系统中其它硬件和软件之间通信。
在图3所示的肺结节检测设备中,处理器1001用于执行存储器1005中存储的肺结节检测程序,实现上述任一项所述的肺结节检测方法的步骤。
本申请肺结节检测设备具体实施方式与上述肺结节检测方法各实施例基本相同,在此不再赘述。
本申请实施例还提供一种肺结节检测装置,所述肺结节检测装置应用于肺结节检测设备,所述肺结节检测装置包括:
检测模块,用于获取肺结节图像,并基于联邦学习构建的肺结节检测模型,对所述肺结节图像对应的待检测肺结节进行良恶性检测,获得良恶性检测结果;
模型解释模块,用于对所述良恶性检测结果进行针对于所述肺结节检测模型的模型解释,得到所述良恶性检测结果的各决策依据肺结节特征;
量化信息确定模块,用于获取所述肺结节图像对应的肺结节特征信息,并在所述肺结节特征信息中确定各所述决策依据肺结节特征对应的目标特征量化信息;
生成模块,用于基于各所述目标特征量化信息和所述良恶性检测结果,生成肺结节检测报告。
可选地,所述检测模块还用于:
基于所述特征提取层,对所述肺结节图像进行特征提取,获得图像特征提取结果;
将所述图像特征提取结果输入所述分类层,以基于所述图像特征提取结果,对所述肺结节图像进行分类,获得图像分类结果;
基于所述图像分类结果,确定所述待检测肺结节的良恶性,获得所述良恶性检测结果。
可选地,所述量化信息确定模块还用于:
将所述肺结节图像输入预设目标检测模型,对所述肺结节图像中的待检测肺结节进行目标检测,获得所述肺结节特征信息。
可选地,所述模型解释模块还用于:
确定所述肺结节识别特征信息对应的各肺结节特征;
基于所述肺结节检测模型,分别计算各所述肺结节特征对所述良恶性检测结果的特征贡献度;
基于各所述特征贡献度,在各所述肺结节特征中选取各所述决策依据肺结节特征。
可选地,所述模型解释模块还用于:
基于各所述肺结节特征和所述肺结节识别特征信息,生成模型解释样本集;
基于所述模型解释样本集和所述肺结节检测模型,分别计算各所述特征贡献度。
可选地,所述肺结节检测装置还用于:
获取待联邦训练模型和待训练数据,并基于所述训练数据,对所述待联邦训练模型进行迭代训练更新,直至满足预设迭代次数,获取所述待联邦训练模型对应的模型参数信息;
将所述模型参数信息发送至预设参数服务器,以供所述预设参数服务器对接收的各模型参数信息进行聚合,获得聚合模型参数信息;
接收所述预设参数服务器发送的聚合模型参数信息,并基于所述聚合模型参数信息,对所述待联邦训练模型的模型参数进行替换更新,以判断更新后的所述待联邦训练模型是否满足预设迭代训练结束条件;
若满足,则将所述更新模型作为所述肺结节检测模型;
若不满足,则返回基于所述训练数据,对所述待联邦训练模型进行迭代训练更新的步骤。
可选地,所述肺结节检测装置还用于:
接收预设参数服务器发送的初始模型,并获取各本地肺结节图像;
基于所述初始模型,对各所述本地肺结节图像进行标签预测,获得各所述本地肺结节图像对应的样本标签;
对各所述样本标签进行校正,获得各所述样本标签对应的目标样本标签;
基于各所述目标样本标签和各所述样本标签,计算模型损失;
基于所述模型损失,对所述初始模型进行更新,获得所述待联邦训练模型。
本申请肺结节检测装置的具体实施方式与上述肺结节检测方法各实施例基本相同,在此不再赘述。
本申请实施例提供了一种可读存储介质,且所述可读存储介质存储有一个或者一个以上程序,所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的肺结节检测方法的步骤。
本申请可读存储介质具体实施方式与上述肺结节检测方法各实施例基本相同,在此不再赘述。
本申请实施例提供了一种计算机程序产品,且所述计算机程序产品包括有一个或者一个以上计算机程序,所述一个或者一个以上计算机程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的肺结节检测方法的步骤。
本申请计算机程序产品具体实施方式与上述肺结节检测方法各实施例基本相同,在此不再赘述。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利处理范围内。
Claims (10)
1.一种肺结节检测方法,其特征在于,所述肺结节检测方法包括:
获取肺结节图像,并基于联邦学习构建的肺结节检测模型,对所述肺结节图像对应的待检测肺结节进行良恶性检测,获得良恶性检测结果;
对所述良恶性检测结果进行针对于所述肺结节检测模型的模型解释,得到所述良恶性检测结果的各决策依据肺结节特征;
获取所述肺结节图像对应的肺结节特征信息,并在所述肺结节特征信息中确定各所述决策依据肺结节特征对应的目标特征量化信息;
基于各所述目标特征量化信息和所述良恶性检测结果,生成肺结节检测报告。
2.如权利要求1所述肺结节检测方法,其特征在于,所述肺结节识别检测模型包括特征提取层和分类层,
所述获取肺结节图像,并基于联邦学习构建的肺结节检测模型,对所述肺结节图像对应的待检测肺结节进行良恶性检测,获得良恶性检测结果的步骤包括:
基于所述特征提取层,对所述肺结节图像进行特征提取,获得图像特征提取结果;
将所述图像特征提取结果输入所述分类层,以基于所述图像特征提取结果,对所述肺结节图像进行分类,获得图像分类结果;
基于所述图像分类结果,确定所述待检测肺结节的良恶性,获得所述良恶性检测结果。
3.如权利要求1所述肺结节检测方法,其特征在于,所述获取所述肺结节图像对应的肺结节特征信息的步骤包括:
将所述肺结节图像输入预设目标检测模型,对所述肺结节图像中的待检测肺结节进行目标检测,获得所述肺结节特征信息。
4.如权利要求1所述肺结节检测方法,其特征在于,所述对所述良恶性检测结果进行针对于所述肺结节检测模型的模型解释,得到所述良恶性检测结果的各决策依据肺结节特征的步骤包括:
确定所述肺结节识别特征信息对应的各肺结节特征;
基于所述肺结节检测模型,分别计算各所述肺结节特征对所述良恶性检测结果的特征贡献度;
基于各所述特征贡献度,在各所述肺结节特征中选取各所述决策依据肺结节特征。
5.如权利要求4所述肺结节检测方法,其特征在于,所述基于所述肺结节检测模型,分别计算各所述肺结节特征对所述良恶性检测结果的特征贡献度的步骤包括:
基于各所述肺结节特征和所述肺结节识别特征信息,生成模型解释样本集;
基于所述模型解释样本集和所述肺结节检测模型,分别计算各所述特征贡献度。
6.如权利要求1所述肺结节检测方法,其特征在于,在所述获取肺结节图像,并基于联邦学习构建的肺结节检测模型,对所述肺结节图像对应的待检测肺结节进行良恶性检测,获得良恶性检测结果步骤之前,所述肺结节检测方法还包括:
获取待联邦训练模型和待训练数据,并基于所述训练数据,对所述待联邦训练模型进行迭代训练更新,直至满足预设迭代次数,获取所述待联邦训练模型对应的模型参数信息;
将所述模型参数信息发送至预设参数服务器,以供所述预设参数服务器对接收的各模型参数信息进行聚合,获得聚合模型参数信息;
接收所述预设参数服务器发送的聚合模型参数信息,并基于所述聚合模型参数信息,对所述待联邦训练模型的模型参数进行替换更新,以判断更新后的所述待联邦训练模型是否满足预设迭代训练结束条件;
若满足,则将所述更新模型作为所述肺结节检测模型;
若不满足,则返回基于所述训练数据,对所述待联邦训练模型进行迭代训练更新的步骤。
7.如权利要求6所述肺结节检测方法,其特征在于,所述获取待联邦训练模型的步骤包括:
接收预设参数服务器发送的初始模型,并获取各本地肺结节图像;
基于所述初始模型,对各所述本地肺结节图像进行标签预测,获得各所述本地肺结节图像对应的样本标签;
对各所述样本标签进行校正,获得各所述样本标签对应的目标样本标签;
基于各所述目标样本标签和各所述样本标签,计算模型损失;
基于所述模型损失,对所述初始模型进行更新,获得所述待联邦训练模型。
8.一种肺结节检测设备,其特征在于,所述肺结节检测设备包括:存储器、处理器以及存储在存储器上的用于实现所述肺结节检测方法的程序,
所述存储器用于存储实现肺结节检测方法的程序;
所述处理器用于执行实现所述肺结节检测方法的程序,以实现如权利要求1至7中任一项所述肺结节检测方法的步骤。
9.一种介质,所述介质为可读存储介质,其特征在于,所述可读存储介质上存储有实现肺结节检测方法的程序,所述实现肺结节检测方法的程序被处理器执行以实现如权利要求1至7中任一项所述肺结节检测方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述肺结节检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011486456.5A CN112598630A (zh) | 2020-12-16 | 2020-12-16 | 肺结节检测方法、设备、介质及计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011486456.5A CN112598630A (zh) | 2020-12-16 | 2020-12-16 | 肺结节检测方法、设备、介质及计算机程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112598630A true CN112598630A (zh) | 2021-04-02 |
Family
ID=75196297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011486456.5A Pending CN112598630A (zh) | 2020-12-16 | 2020-12-16 | 肺结节检测方法、设备、介质及计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598630A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298782A (zh) * | 2021-05-25 | 2021-08-24 | 中南大学 | 具有可解释性的肾脏肿瘤识别方法及成像方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080012855A1 (en) * | 2006-07-17 | 2008-01-17 | Siemens Medical Solutions Usa, Inc. | Sparse Collaborative Computer Aided Diagnosis |
CN101228551A (zh) * | 2005-07-22 | 2008-07-23 | 卡尔斯特里姆保健公司 | 医学图像中的异常检测 |
CN108038844A (zh) * | 2017-11-30 | 2018-05-15 | 东北大学 | 一种基于轻巧型cnn的肺结节良恶性预测方法 |
CN111462097A (zh) * | 2020-04-03 | 2020-07-28 | 深圳前海微众银行股份有限公司 | 基于联邦学习的图像处理方法、装置、设备及存储介质 |
-
2020
- 2020-12-16 CN CN202011486456.5A patent/CN112598630A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101228551A (zh) * | 2005-07-22 | 2008-07-23 | 卡尔斯特里姆保健公司 | 医学图像中的异常检测 |
US20080012855A1 (en) * | 2006-07-17 | 2008-01-17 | Siemens Medical Solutions Usa, Inc. | Sparse Collaborative Computer Aided Diagnosis |
CN108038844A (zh) * | 2017-11-30 | 2018-05-15 | 东北大学 | 一种基于轻巧型cnn的肺结节良恶性预测方法 |
CN111462097A (zh) * | 2020-04-03 | 2020-07-28 | 深圳前海微众银行股份有限公司 | 基于联邦学习的图像处理方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
张战成 等: ""带有语义特征得分的肺结节检测方法"", 《计算机应用》, vol. 40, pages 925 - 930 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298782A (zh) * | 2021-05-25 | 2021-08-24 | 中南大学 | 具有可解释性的肾脏肿瘤识别方法及成像方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10909682B2 (en) | Method and device for detecting pulmonary nodule in computed tomography image, and computer-readable storage medium | |
Prashnani et al. | Pieapp: Perceptual image-error assessment through pairwise preference | |
CN108986085B (zh) | Ct图像肺结节检测方法、装置、设备及可读存储介质 | |
US20180181885A1 (en) | Information processing apparatus, information processing method, and storage medium | |
US8494283B2 (en) | Image quality assessment | |
US20180300576A1 (en) | Semi-automatic labelling of datasets | |
CN111046959A (zh) | 模型训练方法、装置、设备和存储介质 | |
JP2021166062A (ja) | 顕微鏡スライド画像のための焦点重み付き機械学習分類器誤り予測 | |
CN107679475B (zh) | 门店监控评价方法、装置及存储介质 | |
CN111816312B (zh) | 基于模型解释的健康状态检测方法、设备及可读存储介质 | |
WO2019200735A1 (zh) | 牲畜特征向量的提取方法、装置、计算机设备和存储介质 | |
US11790492B1 (en) | Method of and system for customized image denoising with model interpretations | |
CN111898768A (zh) | 数据处理方法、装置、设备及介质 | |
CN112508759B (zh) | 基于微服务的大数据管理和挖掘系统 | |
CN111814716A (zh) | 印章去除方法、计算机设备和可读存储介质 | |
CN112329762A (zh) | 图像处理方法、模型训练方法、装置、计算机设备和介质 | |
CN112598630A (zh) | 肺结节检测方法、设备、介质及计算机程序产品 | |
CN111127432B (zh) | 一种医学图像检测方法、装置、设备及存储介质 | |
WO2023207995A1 (en) | Systems and methods for image analysis | |
CN113537407B (zh) | 基于机器学习的图像数据评价处理方法及装置 | |
CN115131686A (zh) | 一种基于主动学习和半监督学习的智能电力巡检方法 | |
CN113793298A (zh) | 肺结节检测模型构建优化方法、设备、存储介质及产品 | |
CN114630102A (zh) | 检测数据采集设备角度变化的方法、装置和计算机设备 | |
CN111008604A (zh) | 预测图像获取方法、装置、计算机设备和存储介质 | |
US20230215145A1 (en) | System and method for similarity learning in digital pathology |
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 |