CN112686343A - 一种肺结节样本数据的分类方法、装置和电子设备 - Google Patents
一种肺结节样本数据的分类方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112686343A CN112686343A CN202110296155.4A CN202110296155A CN112686343A CN 112686343 A CN112686343 A CN 112686343A CN 202110296155 A CN202110296155 A CN 202110296155A CN 112686343 A CN112686343 A CN 112686343A
- Authority
- CN
- China
- Prior art keywords
- sample data
- neural network
- lung nodule
- output result
- target neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请实施例提供了一种肺结节样本数据的分类方法、装置和电子设备，该方法包括：通过将肺结节的影像样本数据作为目标神经网络的输入，其中，所述目标神经网络是基于肺结节的N个征象样本数据训练所得的，其中，N≥2；从所述目标神经网络获取所述肺结节属于目标分类的概率，能够结合肺结节的影像样本数据进行分类，将影像样本数据作为影响分类结果的因素，提高肺结节样本数据分类的可靠性和准确度。
Description
技术领域
本申请涉及电数字数据处理领域，尤其涉及一种肺结节样本数据的分类方法、装置和电子设备。
背景技术
深度学习网络可以应用在肺结节良恶性自动诊断中。使用深度学习方法实现肺结节良恶性自动诊断时，通常是按照某一结节尺寸将截取的这一部分像素作为模型输入得到分类结果。然而CT影像中肺结节本身的一些影像样本数据也是是判断其良恶性的主要依据。例如恶性结节通常的影像学表现为毛刺征，分页征，空泡征等；良性结节在通常情况下其影像学特征表现为钙化，实性，边界清晰等。
目前的肺结节样本数据的分类方法无法考虑影像样本数据，无法将影像样本数据作为影响分类结果的因素。
发明内容
本申请实施例的目的是提供一种肺结节样本数据的分类方法、装置和电子设备，能够将影像样本数据作为影响分类结果的因素。
为解决上述技术问题，本申请实施例是通过以下各方面实现的。
第一方面，本申请实施例提供了一种肺结节样本数据的分类方法，包括：将肺结节的影像样本数据作为目标神经网络的输入，其中，所述目标神经网络是基于肺结节的N个征象样本数据训练所得的，其中，N≥2；从所述目标神经网络获取所述肺结节属于目标分类的概率。
第二方面，本申请实施例提供了一种肺结节样本数据的分类装置，包括：处理模块，用于将肺结节的影像样本数据作为目标神经网络的输入，其中，所述目标神经网络是基于肺结节的N个征象样本数据训练所得的，其中，N≥2；分类模块，用于从所述目标神经网络获取所述肺结节属于目标分类的概率。
第三方面，本申请实施例提供了一种电子设备，包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机可执行指令，所述计算机可执行指令被所述处理器执行时实现如上述第一方面所述的方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机可执行指令，所述计算机可执行指令被处理器执行时实现如上述第一方面所述的方法的步骤。
在本申请实施例中，通过将肺结节的影像样本数据作为目标神经网络的输入，其中，所述目标神经网络是基于肺结节的N个征象样本数据训练所得的，其中，N≥2；从所述目标神经网络获取所述肺结节属于目标分类的概率，能够结合肺结节的影像样本数据进行分类，将影像样本数据作为影响分类结果的因素，提高肺结节样本数据分类的可靠性和准确度。
附图说明
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，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，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示出本申请实施例提供的一种肺结节样本数据的分类方法的一种流程示意图；
图2示出本申请实施例提供的一种肺结节样本数据的分类方法的示例图；
图3示出本申请实施例提供的一种肺结节样本数据的分类装置的结构示意图;
图4示出执行本申请实施例提供的的电子设备的硬件结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
图1示出本申请实施例提供的一种肺结节样本数据的分类方法的一种流程示意图，该方法可以由电子设备执行，例如电子设备和/或服务器。换言之，所述方法可以由安装在电子设备和/或服务器的软件或硬件来执行。如图所示，该方法可以包括以下步骤。
S10：将肺结节的影像样本数据作为目标神经网络的输入。
其中，所述目标神经网络是基于肺结节的N个征象样本数据训练所得的，其中，N≥2。
S20：从所述目标神经网络获取所述肺结节属于目标分类的概率。
在一种可能的实现方式中，在将肺结节的影像样本数据作为目标神经网络的输入之前，所述方法还包括：
将第一输出结果与征象样本数据进行叠加以训练所述目标神经网络。其中，所述第一输出结果是通过肺结节的影像样本数据作为第一神经网络的输入所得到的。
在一种可能的实现方式中，所述将第一输出结果与征象样本数据进行叠加以训练所述目标神经网络，包括：
确定肺结节的N个征象样本数据。构建训练数据集，选择合适的肺结节CT影像，通过例如医生的标记，记录标准标签，对每一个肺结节，标记肺结节的征象，包括但不限于毛刺，分叶，空洞，囊状结构，胸膜牵拉等等。
将所述第一输出结果进行降维处理。将降维处理后的所述第一输出结果与所述N个征象样本数据分别进行损失计算并回传梯度。
具体来讲，如图2所示，使用一个深度卷积神经网络（CNN）提取图像特征，深度神经卷积网络的最后一层是全连接层（FC），是一个高维的向量，针对这个高维的FC层分别做不同的处理，假如有n个不同的肺结节征象，则对FC层分别做n次输出为1的全连接操作，将维度降为1，并通过一个激活函数sigmoid输出。Sigmoid函数用作神经网络的激活函数，能够将变量映射到0,1之间。输出的值会与对应的肺结节征象标签进行损失计算并回传梯度。
将降维处理后的所述第一输出结果与所述N个征象样本数据的激活输出进行叠加处理。对所述叠加处理后的样本数据进行降维和激活处理获取所述肺结节属于目标分类的概率。
在一种可能的实现方式中，具体可以包括：将降维处理后的所述第一输出结果与所述N个征象样本数据的激活输出进行叠加处理，得到的叠加处理结果的维度为2n；将所述叠加处理结果降维为一维并进行激活输出，以与目标标签进行损失计算。
例如，结合图2所示，可以对最后一层FC层进行一次输出为n的全连接降维操作，将这个输出为n的向量和所有n个肺结节征象的sigmoid输出叠加（concat），可以得到一个维度为2n的向量，再进行一次全连接后降维为1并进行sigmoid输出和最终的良恶性标签进行损失计算。
在一种可能的实现方式中，在所述将第一输出结果与征象样本数据进行叠加以训练所述目标神经网络之后，所述方法还包括：
在损失函数收敛的情况下，停止所述训练，确定所述目标神经网络。对以上模型进行训练，直到损失函数收敛后停止训练。使用训练好的良恶性分类模型在步骤S10-20中对新的良恶性数据进行预测并显示结果。属于目标分类的概率包括：属于良性的概率，或者属于恶性的概率。例如，N个肺结节中的第一结节属于良性的概率为90%，第二结节属于良性的概率为80%等。
需要说明的是，本申请实施例的方法的直接目的并不是为了获得疾病的诊断结果或健康状况，本步骤输出的N个肺结节属于目标分类的概率也无法直接得到疾病的诊断结果或健康状况，而是属于中间结果信息，作为重要的参考指标，表征肺结节属于恶性的风险度，从而为后续的诊疗提供重要的参考指标。
在一种可能的实现方式中，所述征象样本数据包括：分页、毛刺、空泡、囊状结构、卫星灶和胸膜牵拉中的至少一者。
在本申请实施例中，通过将肺结节的影像样本数据作为目标神经网络的输入，其中，所述目标神经网络是基于肺结节的N个征象样本数据训练所得的，其中，N≥2；从所述目标神经网络获取所述肺结节属于目标分类的概率，能够结合肺结节的影像样本数据进行分类，将影像样本数据作为影响分类结果的因素，提高肺结节样本数据分类的可靠性和准确度。
图3示出本申请实施例提供的一种肺结节样本数据的分类装置的结构示意图，该装置300包括：处理模块310和分类模块模块320。
处理模块310用于将肺结节的影像样本数据作为目标神经网络的输入，其中，所述目标神经网络是基于肺结节的N个征象样本数据训练所得的，其中，N≥2；
分类模块320用于从所述目标神经网络获取所述肺结节属于目标分类的概率。
在一种实现方式中，处理模块310用于在将肺结节的影像样本数据作为目标神经网络的输入之前，将第一输出结果与征象样本数据进行叠加以训练所述目标神经网络，其中，所述第一输出结果是通过肺结节的影像样本数据作为第一神经网络的输入所得到的。
在一种实现方式中，处理模块310用于将第一输出结果与征象样本数据进行叠加以训练所述目标神经网络，包括：
确定肺结节的N个征象样本数据；
将所述第一输出结果进行降维处理；
将降维处理后的所述第一输出结果与所述N个征象样本数据分别进行损失计算并回传梯度；
将降维处理后的所述第一输出结果与所述N个征象样本数据的激活输出进行叠加处理；
对所述叠加处理后的样本数据进行降维和激活处理获取所述肺结节属于目标分类的概率。
在一种实现方式中，处理模块310用于将降维处理后的所述第一输出结果与所述N个征象样本数据的激活输出进行叠加处理，包括：
将降维处理后的所述第一输出结果与所述N个征象样本数据的激活输出进行叠加处理，得到的叠加处理结果的维度为2n；
将所述叠加处理结果降维为一维并进行激活输出，以与目标标签进行损失计算。
在一种实现方式中，处理模块310用于在所述将第一输出结果与征象样本数据进行叠加以训练所述目标神经网络之后，在损失函数收敛的情况下，停止所述训练，确定所述目标神经网络。
在一种实现方式中，所述征象样本数据包括：分页、毛刺、空泡、囊状结构、卫星灶和胸膜牵拉中的至少一者。
本申请实施例提供的该装置300，可执行前文方法实施例中所述的各方法，并实现前文方法实施例中所述的各方法的功能和有益效果，在此不再赘述。
图4示出执行本申请实施例提供的电子设备的硬件结构示意图。如图所示，该电子设备400包括但不限于：存储器402、处理器401等部件。本领域技术人员可以理解，图中示出的移动终端结构并不构成对移动终端的限定，移动终端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。在本发明实施例中，移动终端包括但不限于手机、平板电脑、笔记本电脑、掌上电脑等。
其中，处理器401用于执行：将肺结节的影像样本数据作为目标神经网络的输入，其中，所述目标神经网络是基于肺结节的N个征象样本数据训练所得的，其中，N≥2。从所述目标神经网络获取所述肺结节属于目标分类的概率。
在一种可能的实现方式中，在将肺结节的影像样本数据作为目标神经网络的输入之前，所述方法还包括：
将第一输出结果与征象样本数据进行叠加以训练所述目标神经网络。
其中，所述第一输出结果是通过肺结节的影像样本数据作为第一神经网络的输入所得到的。
在一种可能的实现方式中，所述将第一输出结果与征象样本数据进行叠加以训练所述目标神经网络，包括：
确定肺结节的N个征象样本数据。
将所述第一输出结果进行降维处理。
将降维处理后的所述第一输出结果与所述N个征象样本数据分别进行损失计算并回传梯度。
将降维处理后的所述第一输出结果与所述N个征象样本数据的激活输出进行叠加处理。
对所述叠加处理后的样本数据进行降维和激活处理获取所述肺结节属于目标分类的概率。
在一种可能的实现方式中，将降维处理后的所述第一输出结果与所述N个征象样本数据的激活输出进行叠加处理，包括：
将降维处理后的所述第一输出结果与所述N个征象样本数据的激活输出进行叠加处理，得到的叠加处理结果的维度为2n；
将所述叠加处理结果降维为一维并进行激活输出，以与目标标签进行损失计算。
在一种可能的实现方式中，在所述将第一输出结果与征象样本数据进行叠加以训练所述目标神经网络之后，所述方法还包括：
在损失函数收敛的情况下，停止所述训练，确定所述目标神经网络。
在一种可能的实现方式中，所述征象样本数据包括：分页、毛刺、空泡、囊状结构、卫星灶和胸膜牵拉中的至少一者。
本申请实施例提供的执行本发明实施例所述的一种电子设备，可执行前文方法实施例中所述的各方法，并实现前文方法实施例中所述的各方法的功能和有益效果，在此不再赘述。
存储器402可用于存储软件程序以及各种数据。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器401是移动终端的控制中心，利用各种接口和线路连接整个移动终端的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行移动终端的各种功能和处理数据，从而对移动终端进行整体监控。处理器401可包括一个或多个处理单元；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
电子设备还可以包括给各个部件供电的电源403（比如电池），优选的，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
另外，电子设备包括一些未示出的功能模块，在此不再赘述。
可选地，本发明实施例还提供一种电子设备，包括处理器401，存储器402，存储在存储器402上并可在所述处理器401上运行的计算机程序，该计算机程序被处理器401执行时实现上述方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例还提出了一种计算机可读存储介质，所述计算机可读介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：
将肺结节的影像样本数据作为目标神经网络的输入。
其中，所述目标神经网络是基于肺结节的N个征象样本数据训练所得的，其中，N≥2。
从所述目标神经网络获取所述肺结节属于目标分类的概率。
在一种可能的实现方式中，在将肺结节的影像样本数据作为目标神经网络的输入之前，所述方法还包括：
将第一输出结果与征象样本数据进行叠加以训练所述目标神经网络。
其中，所述第一输出结果是通过肺结节的影像样本数据作为第一神经网络的输入所得到的。
在一种可能的实现方式中，所述将第一输出结果与征象样本数据进行叠加以训练所述目标神经网络，包括：
确定肺结节的N个征象样本数据。
将所述第一输出结果进行降维处理。
将降维处理后的所述第一输出结果与所述N个征象样本数据分别进行损失计算并回传梯度。
将降维处理后的所述第一输出结果与所述N个征象样本数据的激活输出进行叠加处理。
对所述叠加处理后的样本数据进行降维和激活处理获取所述肺结节属于目标分类的概率。
在一种可能的实现方式中，将降维处理后的所述第一输出结果与所述N个征象样本数据的激活输出进行叠加处理，包括：
将降维处理后的所述第一输出结果与所述N个征象样本数据的激活输出进行叠加处理，得到的叠加处理结果的维度为2n；
将所述叠加处理结果降维为一维并进行激活输出，以与目标标签进行损失计算。
在一种可能的实现方式中，在所述将第一输出结果与征象样本数据进行叠加以训练所述目标神经网络之后，所述方法还包括：
在损失函数收敛的情况下，停止所述训练，确定所述目标神经网络。
在一种可能的实现方式中，所述征象样本数据包括：分页、毛刺、空泡、囊状结构、卫星灶和胸膜牵拉中的至少一者。
其中，所述的计算机可读存储介质包括只读存储器（Read-Only Memory，简称ROM）、随机存取存储器（Random Access Memory，简称RAM）、磁碟或者光盘等。
该计算机程序被处理器执行时实现上述方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
进一步地，本申请实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，实现以下流程：
将肺结节的影像样本数据作为目标神经网络的输入。
其中，所述目标神经网络是基于肺结节的N个征象样本数据训练所得的，其中，N≥2。
从所述目标神经网络获取所述肺结节属于目标分类的概率。
在一种可能的实现方式中，在将肺结节的影像样本数据作为目标神经网络的输入之前，所述方法还包括：
将第一输出结果与征象样本数据进行叠加以训练所述目标神经网络。
其中，所述第一输出结果是通过肺结节的影像样本数据作为第一神经网络的输入所得到的。
在一种可能的实现方式中，所述将第一输出结果与征象样本数据进行叠加以训练所述目标神经网络，包括：
确定肺结节的N个征象样本数据。
将所述第一输出结果进行降维处理。
将降维处理后的所述第一输出结果与所述N个征象样本数据分别进行损失计算并回传梯度。
将降维处理后的所述第一输出结果与所述N个征象样本数据的激活输出进行叠加处理。
对所述叠加处理后的样本数据进行降维和激活处理获取所述肺结节属于目标分类的概率。
在一种可能的实现方式中，将降维处理后的所述第一输出结果与所述N个征象样本数据的激活输出进行叠加处理，包括：
将降维处理后的所述第一输出结果与所述N个征象样本数据的激活输出进行叠加处理，得到的叠加处理结果的维度为2n；
将所述叠加处理结果降维为一维并进行激活输出，以与目标标签进行损失计算。
在一种可能的实现方式中，在所述将第一输出结果与征象样本数据进行叠加以训练所述目标神经网络之后，所述方法还包括：
在损失函数收敛的情况下，停止所述训练，确定所述目标神经网络。
在一种可能的实现方式中，所述征象样本数据包括：分页、毛刺、空泡、囊状结构、卫星灶和胸膜牵拉中的至少一者。
该计算机程序被处理器执行时实现上述方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。
Claims (13)
1.一种肺结节样本数据的分类方法，其特征在于，包括：
将肺结节的影像样本数据作为目标神经网络的输入，其中，所述目标神经网络是基于肺结节的N个征象样本数据训练所得的，其中，N≥2；
从所述目标神经网络获取所述肺结节属于目标分类的概率。
2.根据权利要求1所述的分类方法，其特征在于，在将肺结节的影像样本数据作为目标神经网络的输入之前，所述方法还包括：
将第一输出结果与征象样本数据进行叠加以训练所述目标神经网络，其中，所述第一输出结果是通过肺结节的影像样本数据作为第一神经网络的输入所得到的。
3.根据权利要求2所述的分类方法，其特征在于，所述将第一输出结果与征象样本数据进行叠加以训练所述目标神经网络，包括：
确定肺结节的N个征象样本数据；
将所述第一输出结果进行降维处理；
将降维处理后的所述第一输出结果与所述N个征象样本数据分别进行损失计算并回传梯度；
将降维处理后的所述第一输出结果与所述N个征象样本数据的激活输出进行叠加处理；
对所述叠加处理后的样本数据进行降维和激活处理获取所述肺结节属于目标分类的概率。
4.根据权利要求3所述的分类方法，其特征在于，将降维处理后的所述第一输出结果与所述N个征象样本数据的激活输出进行叠加处理，包括：
将降维处理后的所述第一输出结果与所述N个征象样本数据的激活输出进行叠加处理，得到的叠加处理结果的维度为2n；
将所述叠加处理结果降维为一维并进行激活输出，以与目标标签进行损失计算。
5.根据权利要求2所述的分类方法，其特征在于，在所述将第一输出结果与征象样本数据进行叠加以训练所述目标神经网络之后，所述方法还包括：
在损失函数收敛的情况下，停止所述训练，确定所述目标神经网络。
6.根据权利要求1所述的分类方法，其特征在于，所述征象样本数据包括：分页、毛刺、空泡、囊状结构、卫星灶和胸膜牵拉中的至少一者。
7.一种肺结节样本数据的分类装置，其特征在于，包括：
处理模块，用于将肺结节的影像样本数据作为目标神经网络的输入，其中，所述目标神经网络是基于肺结节的N个征象样本数据训练所得的，其中，N≥2；
分类模块，用于从所述目标神经网络获取所述肺结节属于目标分类的概率。
8.根据权利要求7所述的分类装置，其特征在于，所述处理模块用于在将肺结节的影像样本数据作为目标神经网络的输入之前，将第一输出结果与征象样本数据进行叠加以训练所述目标神经网络，其中，所述第一输出结果是通过肺结节的影像样本数据作为第一神经网络的输入所得到的。
9.根据权利要求8所述的分类装置，其特征在于，所述处理模块用于所述将第一输出结果与征象样本数据进行叠加以训练所述目标神经网络，包括：
确定肺结节的N个征象样本数据；
将所述第一输出结果进行降维处理；
将降维处理后的所述第一输出结果与所述N个征象样本数据分别进行损失计算并回传梯度；
将降维处理后的所述第一输出结果与所述N个征象样本数据的激活输出进行叠加处理；
对所述叠加处理后的样本数据进行降维和激活处理获取所述肺结节属于目标分类的概率。
10.根据权利要求9所述的分类装置，其特征在于，所述处理模块用于将降维处理后的所述第一输出结果与所述N个征象样本数据的激活输出进行叠加处理，包括：
将降维处理后的所述第一输出结果与所述N个征象样本数据的激活输出进行叠加处理，得到的叠加处理结果的维度为2n；
将所述叠加处理结果降维为一维并进行激活输出，以与目标标签进行损失计算。
11.根据权利要求8所述的分类装置，其特征在于，所述处理模块用于在所述将第一输出结果与征象样本数据进行叠加以训练所述目标神经网络之后，在损失函数收敛的情况下，停止所述训练，确定所述目标神经网络。
12.根据权利要求7所述的分类装置，其特征在于，所述征象样本数据包括：分页、毛刺、空泡、囊状结构、卫星灶和胸膜牵拉中的至少一者。
13.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使用所述处理器执行权利要求1至6中的任意一项或多项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110296155.4A CN112686343B (zh) | 2021-03-19 | 2021-03-19 | 一种肺结节样本数据的分类方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110296155.4A CN112686343B (zh) | 2021-03-19 | 2021-03-19 | 一种肺结节样本数据的分类方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112686343A true CN112686343A (zh) | 2021-04-20 |
| CN112686343B CN112686343B (zh) | 2021-06-01 |
Family
ID=75455684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110296155.4A Active CN112686343B (zh) | 2021-03-19 | 2021-03-19 | 一种肺结节样本数据的分类方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112686343B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108648179A (zh) * | 2018-04-17 | 2018-10-12 | 杭州依图医疗技术有限公司 | 一种分析肺结节的方法及装置 |
| CN111382801A (zh) * | 2020-03-16 | 2020-07-07 | 北京推想科技有限公司 | 一种医学影像分类方法、装置、设备及存储介质 |
| CN111986189A (zh) * | 2020-08-27 | 2020-11-24 | 上海市公共卫生临床中心 | 一种基于ct影像的多类别肺炎筛查深度学习装置 |
-
2021
- 2021-03-19 CN CN202110296155.4A patent/CN112686343B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108648179A (zh) * | 2018-04-17 | 2018-10-12 | 杭州依图医疗技术有限公司 | 一种分析肺结节的方法及装置 |
| CN111382801A (zh) * | 2020-03-16 | 2020-07-07 | 北京推想科技有限公司 | 一种医学影像分类方法、装置、设备及存储介质 |
| CN111986189A (zh) * | 2020-08-27 | 2020-11-24 | 上海市公共卫生临床中心 | 一种基于ct影像的多类别肺炎筛查深度学习装置 |
Non-Patent Citations (1)
| Title |
|---|
| YI WANG等: "Novel convolutional neural network architecture for improved pulmonary nodule classification on computed tomography", 《MULTIDIMENSIONAL SYSTEMS AND SIGNAL PROCESSING》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112686343B (zh) | 2021-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108920654B (zh) | 一种问答文本语义匹配的方法和装置 | |
| CN110674188A (zh) | 一种特征提取方法、装置及设备 | |
| CN110033092B (zh) | 数据标签生成、模型训练、事件识别方法和装置 | |
| CN111652286A (zh) | 一种基于图嵌入的物体识别方法、设备及介质 | |
| CN113157941B (zh) | 业务特征数据处理、文本生成方法、装置及电子设备 | |
| CN116912923B (zh) | 一种图像识别模型训练方法和装置 | |
| CN112686343B (zh) | 一种肺结节样本数据的分类方法、装置和电子设备 | |
| CN116595588A (zh) | 铁路信号系统开发过程安全分析方法及装置 | |
| CN115620706B (zh) | 一种模型训练方法、装置、设备及存储介质 | |
| CN116630480A (zh) | 一种交互式文本驱动图像编辑的方法、装置和电子设备 | |
| CN116842384A (zh) | 多模态模型训练方法、装置、电子设备及可读存储介质 | |
| CN115238250B (zh) | 一种模型的处理方法、装置及设备 | |
| CN116308757A (zh) | 基于知识蒸馏的信贷风控模型训练方法、装置、电子设备及计算机介质 | |
| CN116957006A (zh) | 预测模型的训练方法、装置、设备、介质及程序产品 | |
| CN112598083B (zh) | 一种肺结节样本数据的分类方法、装置和电子设备 | |
| CN110414326B (zh) | 样本数据处理方法、装置、计算机装置及存储介质 | |
| CN113827981A (zh) | 一种基于朴素贝叶斯的游戏流失用户预测方法和系统 | |
| CN116340852B (zh) | 一种模型训练、业务风控的方法及装置 | |
| CN115048676B (zh) | 隐私计算应用中的安全智能校验方法及相关装置 | |
| CN112015858B (zh) | 信息的检测方法、设备及存储介质 | |
| CN118212193A (zh) | 图像检测方法、装置、电子设备、存储介质及程序产品 | |
| CN114580504A (zh) | 数据处理方法、装置、计算设备及介质 | |
| CN115204263A (zh) | 一种模型的更新方法、装置及设备 | |
| CN115905876A (zh) | 一种模型的处理方法、装置及设备 | |
| CN116662517A (zh) | 问诊信息生成方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 100192 A206, 2 / F, building B-2, Dongsheng Science Park, Zhongguancun, 66 xixiaokou Road, Haidian District, Beijing Patentee after: Huiying medical technology (Beijing) Co.,Ltd. Address before: 100192 A206, 2 / F, building B-2, Dongsheng Science Park, Zhongguancun, 66 xixiaokou Road, Haidian District, Beijing Patentee before: HUIYING MEDICAL TECHNOLOGY (BEIJING) Co.,Ltd. |