CN112766333A - 医学影像处理模型训练方法、医学影像处理方法及装置 - Google Patents
医学影像处理模型训练方法、医学影像处理方法及装置 Download PDFInfo
- Publication number
- CN112766333A CN112766333A CN202110024952.7A CN202110024952A CN112766333A CN 112766333 A CN112766333 A CN 112766333A CN 202110024952 A CN202110024952 A CN 202110024952A CN 112766333 A CN112766333 A CN 112766333A
- Authority
- CN
- China
- Prior art keywords
- medical image
- neural network
- prior
- medical
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种医学影像处理模型训练方法、医学影像处理方法及装置,根据先验医学影像训练出包括了神经网络分割模型和神经网络分类模型的医学影像处理模型。基于此,通过医学影像处理模型的训练,在对待处理医学影像的处理中,可通过医学影像处理模型提前对待处理医学影像完成分割,降低待处理医学影像的干扰因素。同时,还可通过医学影像处理模型对待处理医学影像进行分类概率预测,预测待处理医学影像对应的医学信息分类概率,降低医护工作的负担以利于提高医护工作的效率。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种医学影像处理模型训练方法、医学影像处理方法及装置。
背景技术
医学影像是指为了医疗或医学研究,对人体或人体某部分,以非侵入方式取得内部组织影像的技术与处理过程。一般地,医学影像包含以下两个相对独立的研究方向:医学成像系统和医学影像处理。其中,在医院成像系统完成了图像成像后,需要对图像进行进一步处理,以便于后续如医学诊断或数据加工等相关处理。
目前,传统的医学影像处理主要是针对图像特性本身的处理,例如对医学影像进行图像增强以便于医护人员观察或对医学影像进行数据压缩以便于跨域传输等。医学影像处理在图像层面上大大便利了医护工作的开展复杂度。但是,医学影像在成像过程中,由于人体个体差异天然导致大量客观干扰因素。以对肺部进行成像胸部X光为例,由于成像对象的个体差异,获取到的肺部图像大小不一,以现有的模板把肺部图像分割出来可能会由于个体差异导致分割不准确。同时,由于医学影像表征的大部分健康信息可根据图像直观确定,但医护人员在分析每份医学影像时仍需要一一分析归类,为医护工作徒增工作量的同时,也降低了医护效率。
由此可见,在完成医学影像成像后,后续对医学影像的处理仍存在以上的缺陷。
发明内容
基于此,有必要针对传统对医学影像的处理仍存在的缺陷,提供一种医学影像处理模型训练方法、医学影像处理方法及装置。
一种医学影像处理模型训练方法,包括步骤:
获取先验医学影像以及先验医学影像的先验分割影像,获得先验医学影像数据集和先验分割影像数据集;
根据先验医学影像数据集和先验分割影像数据集建立第一神经网络,以训练神经网络分割模型;
为先验分割影像标注医学信息分类标签,获得先验分割影像分类数据集;
根据先验分割影像分类数据集建立第二神经网络,以训练神经网络分类模型;
组合神经网络分割模型和神经网络分类模型,以训练医学影像处理模型。
上述的医学影像处理模型训练方法,在获得先验医学影像数据集和先验分割影像数据集后,根据先验医学影像数据集和先验分割影像数据集建立第一神经网络,以训练神经网络分割模型。进一步地,为先验分割影像标注医学信息分类标签,获得先验分割影像分类数据集,并根据先验分割影像分类数据集建立第二神经网络,以训练神经网络分类模型。最后,组合神经网络分割模型和神经网络分类模型,以训练医学影像处理模型。基于此,通过医学影像处理模型的训练,在对待处理医学影像的处理中,可通过医学影像处理模型提前对待处理医学影像完成分割,降低待处理医学影像的干扰因素。同时,还可通过医学影像处理模型对待处理医学影像进行分类概率预测,预测待处理医学影像对应的医学信息分类概率,降低医护工作的负担以利于提高医护工作的效率。
在其中一个实施例中,在获得先验医学影像数据集和先验分割影像数据集的过程之前,还包括步骤:
对先验医学影像和先验分割影像进行第一图像预处理。
在其中一个实施例中,第一神经网络包括U-Net神经网络。
在其中一个实施例中,U-Net神经网络的损失函数为Dice损失函数;
Dice损失函数如下式:
其中,X表示先验分割影像,Y表示预测的分割影像。
在其中一个实施例中,第二神经网络包括深度卷积残差网络。
在其中一个实施例中,深度卷积残差网络的损失函数为交叉熵损失函数;
交叉熵损失函数如下式:
其中,K为医学信息分类标签的分类数量,y为医学信息分类标签,i为用于区分医学信息分类标签的类别,pi为神经网络分割模型输出的医学信息分类标签对应类别的概率;其中,若医学信息分类标签的类别为i,则yi=1,否则yi=0。
一种医学影像处理模型训练装置,包括:
先验数据获取模块,用于获取先验医学影像以及先验医学影像的先验分割影像,获得先验医学影像数据集和先验分割影像数据集;
第一模型训练模块,用于根据先验医学影像数据集和先验分割影像数据集建立第一神经网络,以训练神经网络分割模型;
信息标签分类模块,用于为先验分割影像标注医学信息分类标签,获得先验分割影像分类数据集;
第二模型训练模块,根据先验分割影像分类数据集建立第二神经网络,以训练神经网络分类模型;
模型组合模块,用于组合神经网络分割模型和神经网络分类模型,以训练医学影像处理模型。
上述的医学影像处理模型训练装置,在获得先验医学影像数据集和先验分割影像数据集后,根据先验医学影像数据集和先验分割影像数据集建立第一神经网络,以训练神经网络分割模型。进一步地,为先验分割影像标注医学信息分类标签,获得先验分割影像分类数据集,并根据先验分割影像分类数据集建立第二神经网络,以训练神经网络分类模型。最后,组合神经网络分割模型和神经网络分类模型,以训练医学影像处理模型。基于此,通过医学影像处理模型的训练,在对待处理医学影像的处理中,可通过医学影像处理模型提前对待处理医学影像完成分割,降低待处理医学影像的干扰因素。同时,还可通过医学影像处理模型对待处理医学影像进行分类概率预测,预测待处理医学影像对应的医学信息分类概率,降低医护工作的负担以利于提高医护工作的效率。
一种计算机存储介质,其上存储有计算机指令,计算机指令被处理器执行时实现上述任一实施例的医学影像处理模型训练方法。
上述的计算机存储介质,在获得先验医学影像数据集和先验分割影像数据集后,根据先验医学影像数据集和先验分割影像数据集建立第一神经网络,以训练神经网络分割模型。进一步地,为先验分割影像标注医学信息分类标签,获得先验分割影像分类数据集,并根据先验分割影像分类数据集建立第二神经网络,以训练神经网络分类模型。最后,组合神经网络分割模型和神经网络分类模型,以训练医学影像处理模型。基于此,通过医学影像处理模型的训练,在对待处理医学影像的处理中,可通过医学影像处理模型提前对待处理医学影像完成分割,降低待处理医学影像的干扰因素。同时,还可通过医学影像处理模型对待处理医学影像进行分类概率预测,预测待处理医学影像对应的医学信息分类概率,降低医护工作的负担以利于提高医护工作的效率。
一种计算机设备,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,处理器执行程序时实现上述任一实施例的医学影像处理模型训练方法。
上述的计算机设备,在获得先验医学影像数据集和先验分割影像数据集后,根据先验医学影像数据集和先验分割影像数据集建立第一神经网络,以训练神经网络分割模型。进一步地,为先验分割影像标注医学信息分类标签,获得先验分割影像分类数据集,并根据先验分割影像分类数据集建立第二神经网络,以训练神经网络分类模型。最后,组合神经网络分割模型和神经网络分类模型,以训练医学影像处理模型。基于此,通过医学影像处理模型的训练,在对待处理医学影像的处理中,可通过医学影像处理模型提前对待处理医学影像完成分割,降低待处理医学影像的干扰因素。同时,还可通过医学影像处理模型对待处理医学影像进行分类概率预测,预测待处理医学影像对应的医学信息分类概率,降低医护工作的负担以利于提高医护工作的效率。
一种医学影像处理方法,包括步骤:
获取待处理医学影像;
通过神经网络分割模型对待处理医学影像作分割处理,获得待处理分割影像;
通过神经网络分类模型对待处理分割影像作分类概率预测处理,获得待处理医学影像的处理结果。
上述的医学影像处理方法,在获取到待处理医学影像后,通过神经网络分割模型对待处理医学影像作分割处理,获得待处理分割影像。同时,通过神经网络分类模型对待处理分割影像作分类概率预测处理,获得待处理医学影像的处理结果。基于此,可通过医学影像处理模型提前对待处理医学影像完成分割,降低待处理医学影像的干扰因素。同时,还可通过医学影像处理模型对待处理医学影像进行分类概率预测,预测待处理医学影像对应的医学信息分类概率,降低医护工作的负担以利于提高医护工作的效率。
在其中一个实施例中,根据处理结果调整神经网络分割模型和神经网络分类模型的权值。
一种医学影像处理装置,包括:
影像获取模块,用于获取待处理医学影像;
第一处理模块,用于通过神经网络分割模型对待处理医学影像作分割处理,获得待处理分割影像;
第二处理模块,用于通过神经网络分类模型对待处理分割影像作分类概率预测处理,获得待处理医学影像的处理结果。
上述的医学影像处理装置,在获取到待处理医学影像后,通过神经网络分割模型对待处理医学影像作分割处理,获得待处理分割影像。同时,通过神经网络分类模型对待处理分割影像作分类概率预测处理,获得待处理医学影像的处理结果。基于此,可通过医学影像处理模型提前对待处理医学影像完成分割,降低待处理医学影像的干扰因素。同时,还可通过医学影像处理模型对待处理医学影像进行分类概率预测,预测待处理医学影像对应的医学信息分类概率,降低医护工作的负担以利于提高医护工作的效率。
一种计算机存储介质,其上存储有计算机指令,计算机指令被处理器执行时实现上述任一实施例的医学影像处理方法。
上述的计算机存储介质,在获取到待处理医学影像后,通过神经网络分割模型对待处理医学影像作分割处理,获得待处理分割影像。同时,通过神经网络分类模型对待处理分割影像作分类概率预测处理,获得待处理医学影像的处理结果。基于此,可通过医学影像处理模型提前对待处理医学影像完成分割,降低待处理医学影像的干扰因素。同时,还可通过医学影像处理模型对待处理医学影像进行分类概率预测,预测待处理医学影像对应的医学信息分类概率,降低医护工作的负担以利于提高医护工作的效率。
一种计算机设备,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,处理器执行程序时实现上述任一实施例的医学影像处理方法。
上述的计算机设备,在获取到待处理医学影像后,通过神经网络分割模型对待处理医学影像作分割处理,获得待处理分割影像。同时,通过神经网络分类模型对待处理分割影像作分类概率预测处理,获得待处理医学影像的处理结果。基于此,可通过医学影像处理模型提前对待处理医学影像完成分割,降低待处理医学影像的干扰因素。同时,还可通过医学影像处理模型对待处理医学影像进行分类概率预测,预测待处理医学影像对应的医学信息分类概率,降低医护工作的负担以利于提高医护工作的效率。
附图说明
图1为一实施方式的医学影像处理模型训练方法流程图;
图2为另一实施方式的医学影像处理模型训练方法流程图;
图3为一实施方式的医学影像处理模型训练装置模块结构图;
图4为一实施方式的医学影像处理方法流程图;
图5为一实施方式的分割案例示意图;
图6为一实施方式的分类案例示意图;
图7为另一实施方式的医学影像处理方法流程图;
图8为一实施方式的医学影像处理装置模块结构图。
具体实施方式
为了更好地理解本发明的目的、技术方案以及技术效果,以下结合附图和实施例对本发明进行进一步的讲解说明。同时声明,以下所描述的实施例仅用于解释本发明,并不用于限定本发明。
本发明实施例提供了一种医学影像处理模型训练方法。
图1为一实施方式的医学影像处理模型训练方法流程图,如图1所示,一实施方式的医学影像处理模型训练方法包括步骤S100至步骤S104:
S100,获取先验医学影像以及先验医学影像的先验分割影像,获得先验医学影像数据集和先验分割影像数据集;
在医护的开展过程中,存在医学影像,调用这部分存储的历史医学影像,即先验医院影像。同时,根据对该部分历史医学影像被分割后的影像,确定先验分割影像。其中,医学影像包括X光影像、CT影像或超声影像等。为了更好地解释本发明实施例的技术方案,以下以肺部的胸透X光片作为本实施例内的医学影像进行解释。
同时,确定的先验医学影像数据集包括多份先验医学影像,且先验医学影像数据集包括由先验医学影像构建的训练集和测试集。同理,先验分割影像数据集包括多份先验分割影像,以及由先验分割影像构建的训练集和测试集。先验医学影像数据集和先验分割影像数据集包括chest X-ray数据集在内的多种数据集形式。
在其中一个实施例中,图2为另一实施方式的医学影像处理模型训练方法流程图,如图2所示,在步骤S100中获得先验医学影像数据集和先验分割影像数据集的过程之前,还包括步骤S200:
S200,对先验医学影像和先验分割影像进行第一图像预处理。
其中,第一图像预处理包括图像裁剪或图像增强处理等,以提高先验医学影像和先验分割影像的多样性,增加后续模型的泛化性能。其中,图像增强处理包括旋转、平移、形变、加噪声等方式。
S101,根据先验医学影像数据集和先验分割影像数据集建立第一神经网络,以训练神经网络分割模型;
在确定先验医学影像数据集和先验分割影像数据集后,建立第一神经网络,训练出以第一神经网络为基础的神经网络分割模型。
在其中一个实施例中,第一神经网络包括深度神经网络在内的各种神经网络。作为一个较优的实施方式,第一神经网络包括U-Net神经网络。
在其中一个实施例中,U-Net神经网络的损失函数为Dice损失函数;
Dice损失函数如下式:
其中,X表示先验分割影像,Y表示预测的分割影像。
S102,为先验分割影像标注医学信息分类标签,获得先验分割影像分类数据集;
其中,医学信息为医学影像的表征,包括病理、诊断等在内的信息。在历史先验中,医护工作根据先验分割影像确定对应的医学信息,其分类标签用于表征医学信息的分类。以医学影像为肺部的胸透X光片为例,医学信息包括肺部疾病种类,每一张分割后的胸透X光片对应一种或多种肺部疾病种类,为每一类肺部疾病配置标签,即为先验分割影像标注医学信息分类标签。在其中一个实施例中,一先验分割影像可标注一个或多个医学信息分类标签。
S103,根据先验分割影像分类数据集建立第二神经网络,以训练神经网络分类模型;
在确定先验分割影像分类数据集后,建立第二神经网络,训练出以第二神经网络为基础的神经网络分割模型。
在其中一个实施例中,第二神经网络包括深度神经网络在内的各种神经网络。作为一个较优的实施方式,第二神经网络包括深度卷积残差网络。
在其中一个实施例中,深度卷积残差网络的损失函数为交叉熵损失函数;
交叉熵损失函数如下式:
其中,K为医学信息分类标签的分类数量,y为医学信息分类标签,i为用于区分医学信息分类标签的类别,pi为神经网络分割模型输出的医学信息分类标签对应类别的概率;其中,若医学信息分类标签的类别为i,则yi=1,否则yi=0。
S104,组合神经网络分割模型和神经网络分类模型,以训练医学影像处理模型。
组合神经网络分割模型和神经网络分类模型,即在使用医学影像处理模型,输入医学影像处理模型的数据分别经神经网络分割模型和神经网络分类模型进行两次模型处理。其中,神经网络分割模型和神经网络分类模型表征为神经网络分割模型和神经网络分类模型。
在其中一个实施例中,输入医学影像处理模型的数据线经过神经网络分割模型处理,神经网络分割模型的处理结果再经神经网络分类模型进行处理。
上述任一实施例的医学影像处理模型训练方法,在获得先验医学影像数据集和先验分割影像数据集后,根据先验医学影像数据集和先验分割影像数据集建立第一神经网络,以训练神经网络分割模型。进一步地,为先验分割影像标注医学信息分类标签,获得先验分割影像分类数据集,并根据先验分割影像分类数据集建立第二神经网络,以训练神经网络分类模型。最后,组合神经网络分割模型和神经网络分类模型,以训练医学影像处理模型。基于此,通过医学影像处理模型的训练,在对待处理医学影像的处理中,可通过医学影像处理模型提前对待处理医学影像完成分割,降低待处理医学影像的干扰因素。同时,还可通过医学影像处理模型对待处理医学影像进行分类概率预测,预测待处理医学影像对应的医学信息分类概率,降低医护工作的负担以利于提高医护工作的效率。
本发明实施例还提供一种医学影像处理模型训练装置。
图3为一实施方式的医学影像处理模型训练装置模块结构图,如图3所示,一实施方式的医学影像处理模型训练装置包括模块100、模块101、模块102、模块103和模块104:
先验数据获取模块100,用于获取先验医学影像以及先验医学影像的先验分割影像,获得先验医学影像数据集和先验分割影像数据集;
第一模型训练模块101,用于根据先验医学影像数据集和先验分割影像数据集建立第一神经网络,以训练神经网络分割模型;
信息标签分类模块102,用于为先验分割影像标注医学信息分类标签,获得先验分割影像分类数据集;
第二模型训练模块103,根据先验分割影像分类数据集建立第二神经网络,以训练神经网络分类模型;
模型组合模块104,用于组合神经网络分割模型和神经网络分类模型,以训练医学影像处理模型。
上述的医学影像处理模型训练装置,在获得先验医学影像数据集和先验分割影像数据集后,根据先验医学影像数据集和先验分割影像数据集建立第一神经网络,以训练神经网络分割模型。进一步地,为先验分割影像标注医学信息分类标签,获得先验分割影像分类数据集,并根据先验分割影像分类数据集建立第二神经网络,以训练神经网络分类模型。最后,组合神经网络分割模型和神经网络分类模型,以训练医学影像处理模型。基于此,通过医学影像处理模型的训练,在对待处理医学影像的处理中,可通过医学影像处理模型提前对待处理医学影像完成分割,降低待处理医学影像的干扰因素。同时,还可通过医学影像处理模型对待处理医学影像进行分类概率预测,预测待处理医学影像对应的医学信息分类概率,降低医护工作的负担以利于提高医护工作的效率。
本发明实施例还提供了一种计算机存储介质,其上存储有计算机指令,该指令被处理器执行时实现上述任一实施例的医学影像处理模型训练方法。
本领域的技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、随机存取存储器(RAM,Random Access Memory)、只读存储器(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对相关技术做出贡献的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、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
与上述的计算机存储介质对应的是,在一个实施例中还提供一种计算机设备,该计算机设备包括存储器、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,其中,处理器执行程序时实现如上述各实施例中的任意一种医学影像处理模型训练方法。
上述计算机设备,在获得先验医学影像数据集和先验分割影像数据集后,根据先验医学影像数据集和先验分割影像数据集建立第一神经网络,以训练神经网络分割模型。进一步地,为先验分割影像标注医学信息分类标签,获得先验分割影像分类数据集,并根据先验分割影像分类数据集建立第二神经网络,以训练神经网络分类模型。最后,组合神经网络分割模型和神经网络分类模型,以训练医学影像处理模型。基于此,通过医学影像处理模型的训练,在对待处理医学影像的处理中,可通过医学影像处理模型提前对待处理医学影像完成分割,降低待处理医学影像的干扰因素。同时,还可通过医学影像处理模型对待处理医学影像进行分类概率预测,预测待处理医学影像对应的医学信息分类概率,降低医护工作的负担以利于提高医护工作的效率。
本发明实施例还提供一种医学影像处理方法。
图4为一实施方式的医学影像处理方法流程图,如图4所示,一实施方式的医学影像处理方法包括步骤S300至步骤S302:
S300,获取待处理医学影像;
待处理医学影像包括医学影像设备采集的原始数据或未经相关医学、技术处理的原始数据。
S301,通过神经网络分割模型对待处理医学影像作分割处理,获得待处理分割影像;
为了更好地解释本发明实施例的技术方案,以肺部的胸透X光片为医学影像为例,图5为一实施方式的分割案例示意图,如图5所示,作为待处理医学影像的肺部的胸透X光片的原始数据经神经网络分割模型内第一神经网络的卷积、拼接、池化或反卷积等一系列处理,得到肺部的胸透X光片的分割图像,即待处理分割影像。
S302,通过神经网络分类模型对待处理分割影像作分类概率预测处理,获得待处理医学影像的处理结果。
为了更好地解释本发明实施例的技术方案,以肺部的胸透X光片为医学影像为例,图6为一实施方式的分类案例示意图,如图6所示,作为待处理分割影像的肺部的胸透X光片的分割图像经神经网络分类模型内第二神经网络的卷积、残差值计算、全连接层处理或最大池化处理等,得到肺部的胸透X光片的分类权值结果,以便于医护人员确定结果对应的病理类型。
其中,使用卷积神经网络在图像领域预测分类时,网络越深,可以提取到更多的高维信息,进而提高分类准确率,但是层数过深,会出现了梯度爆炸或梯度消失等网络退化的问题,而神经网络分类模型表征为残差网络权值初始化网络,通过残差值计算的配置,可有效解决上述缺陷。
在其中一个实施例中,图7为另一实施方式的医学影像处理方法流程图,如图7所示,另一实施方式的医学影像处理方法还包括步骤S400:
S400,根据处理结果调整神经网络分割模型和神经网络分类模型的权值。
通过处理结果的反向传播,调整神经网络分割模型和神经网络分类模型的权值,以进一步提高医学影像处理模型的处理精准性。
上述任一实施例的医学影像处理方法,在获取到待处理医学影像后,通过神经网络分割模型对待处理医学影像作分割处理,获得待处理分割影像。同时,通过神经网络分类模型对待处理分割影像作分类概率预测处理,获得待处理医学影像的处理结果。基于此,可通过医学影像处理模型提前对待处理医学影像完成分割,降低待处理医学影像的干扰因素。同时,还可通过医学影像处理模型对待处理医学影像进行分类概率预测,预测待处理医学影像对应的医学信息分类概率,降低医护工作的负担以利于提高医护工作的效率。
本发明实施例提供了一种医学影像处理装置。
图8为一实施方式的医学影像处理装置模块结构图,如图8所示,一实施方式的医学影像处理装置包括模块200、模块201和模块202:
影像获取模块200,用于获取待处理医学影像;
第一处理模块201,用于通过神经网络分割模型对待处理医学影像作分割处理,获得待处理分割影像;
第二处理模块202,用于通过神经网络分类模型对待处理分割影像作分类概率预测处理,获得待处理医学影像的处理结果。
上述的医学影像处理装置,在获取到待处理医学影像后,通过神经网络分割模型对待处理医学影像作分割处理,获得待处理分割影像。同时,通过神经网络分类模型对待处理分割影像作分类概率预测处理,获得待处理医学影像的处理结果。基于此,可通过医学影像处理模型提前对待处理医学影像完成分割,降低待处理医学影像的干扰因素。同时,还可通过医学影像处理模型对待处理医学影像进行分类概率预测,预测待处理医学影像对应的医学信息分类概率,降低医护工作的负担以利于提高医护工作的效率。
本发明实施例还提供了另一种计算机存储介质,其上存储有计算机指令,该指令被处理器执行时实现上述任一实施例的医学影像处理方法。
本领域的技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、随机存取存储器(RAM,Random Access Memory)、只读存储器(ROM,Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对相关技术做出贡献的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、终端、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、RAM、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
与上述的计算机存储介质对应的是,在一个实施例中还提供另一种计算机设备,该计算机设备包括存储器、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,其中,处理器执行程序时实现如上述各实施例中的任意一种医学影像处理方法。
上述的计算机设备,在获取到待处理医学影像后,通过神经网络分割模型对待处理医学影像作分割处理,获得待处理分割影像。同时,通过神经网络分类模型对待处理分割影像作分类概率预测处理,获得待处理医学影像的处理结果。基于此,可通过医学影像处理模型提前对待处理医学影像完成分割,降低待处理医学影像的干扰因素。同时,还可通过医学影像处理模型对待处理医学影像进行分类概率预测,预测待处理医学影像对应的医学信息分类概率,降低医护工作的负担以利于提高医护工作的效率。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种医学影像处理模型训练方法,其特征在于,包括步骤:
获取先验医学影像以及所述先验医学影像的先验分割影像,获得先验医学影像数据集和先验分割影像数据集;
根据所述先验医学影像数据集和所述先验分割影像数据集建立第一神经网络,以训练神经网络分割模型;
为所述先验分割影像标注医学信息分类标签,获得先验分割影像分类数据集;
根据所述先验分割影像分类数据集建立第二神经网络,以训练神经网络分类模型;
组合所述神经网络分割模型和所述神经网络分类模型,以训练医学影像处理模型。
2.根据权利要求1所述的医学影像处理模型训练方法,其特征在于,在所述获得先验医学影像数据集和先验分割影像数据集的过程之前,还包括步骤:
对所述先验医学影像和所述先验分割影像进行第一图像预处理。
3.根据权利要求1所述的医学影像处理模型训练方法,其特征在于,所述第一神经网络包括U-Net神经网络。
5.根据权利要求1所述的医学影像处理模型训练方法,其特征在于,所述第二神经网络包括深度卷积残差网络。
7.一种医学影像处理模型训练装置,其特征在于,包括:
先验数据获取模块,用于获取先验医学影像以及所述先验医学影像的先验分割影像,获得先验医学影像数据集和先验分割影像数据集;
第一模型训练模块,用于根据所述先验医学影像数据集和所述先验分割影像数据集建立第一神经网络,以训练神经网络分割模型;
信息标签分类模块,用于为所述先验分割影像标注医学信息分类标签,获得先验分割影像分类数据集;
第二模型训练模块,根据所述先验分割影像分类数据集建立第二神经网络,以训练神经网络分类模型;
模型组合模块,用于组合所述神经网络分割模型和所述神经网络分类模型,以训练医学影像处理模型。
8.一种医学影像处理方法,其特征在于,包括步骤:
获取待处理医学影像;
通过所述神经网络分割模型对所述待处理医学影像作分割处理,获得待处理分割影像;
通过所述神经网络分类模型对所述待处理分割影像作分类概率预测处理,获得待处理医学影像的处理结果。
9.根据权利要求8所述的医学影像处理方法,其特征在于,还包括步骤:
根据所述处理结果调整所述神经网络分割模型和所述神经网络分类模型的权值。
10.一种医学影像处理装置,其特征在于,包括:
影像获取模块,用于获取待处理医学影像;
第一处理模块,用于通过所述神经网络分割模型对所述待处理医学影像作分割处理,获得待处理分割影像;
第二处理模块,用于通过所述神经网络分类模型对所述待处理分割影像作分类概率预测处理,获得待处理医学影像的处理结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110024952.7A CN112766333B (zh) | 2021-01-08 | 2021-01-08 | 医学影像处理模型训练方法、医学影像处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110024952.7A CN112766333B (zh) | 2021-01-08 | 2021-01-08 | 医学影像处理模型训练方法、医学影像处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766333A true CN112766333A (zh) | 2021-05-07 |
CN112766333B CN112766333B (zh) | 2022-09-23 |
Family
ID=75701094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110024952.7A Active CN112766333B (zh) | 2021-01-08 | 2021-01-08 | 医学影像处理模型训练方法、医学影像处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766333B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108109152A (zh) * | 2018-01-03 | 2018-06-01 | 深圳北航新兴产业技术研究院 | 医学图像分类和分割方法和装置 |
US10296552B1 (en) * | 2018-06-30 | 2019-05-21 | FiaLEAF LIMITED | System and method for automated identification of internet advertising and creating rules for blocking of internet advertising |
CN110472581A (zh) * | 2019-08-16 | 2019-11-19 | 电子科技大学 | 一种基于深度学习的细胞图像分析方法 |
CN111047589A (zh) * | 2019-12-30 | 2020-04-21 | 北京航空航天大学 | 一种注意力增强的脑肿瘤辅助智能检测识别方法 |
CN111507378A (zh) * | 2020-03-24 | 2020-08-07 | 华为技术有限公司 | 训练图像处理模型的方法和装置 |
CN111709485A (zh) * | 2020-06-19 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 医学影像处理方法、装置和计算机设备 |
US20200320697A1 (en) * | 2019-04-04 | 2020-10-08 | Alibaba Group Holding Limited | Method, system, and device for lung lobe segmentation, model training, model construction and segmentation |
CN111754453A (zh) * | 2020-05-11 | 2020-10-09 | 佛山市第四人民医院(佛山市结核病防治所) | 基于胸透图像的肺结核检测方法、系统和存储介质 |
CN111784704A (zh) * | 2020-06-24 | 2020-10-16 | 中国人民解放军空军军医大学 | Mri髋关节炎症分割与分类自动定量分级序贯方法 |
-
2021
- 2021-01-08 CN CN202110024952.7A patent/CN112766333B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108109152A (zh) * | 2018-01-03 | 2018-06-01 | 深圳北航新兴产业技术研究院 | 医学图像分类和分割方法和装置 |
US10296552B1 (en) * | 2018-06-30 | 2019-05-21 | FiaLEAF LIMITED | System and method for automated identification of internet advertising and creating rules for blocking of internet advertising |
US20200320697A1 (en) * | 2019-04-04 | 2020-10-08 | Alibaba Group Holding Limited | Method, system, and device for lung lobe segmentation, model training, model construction and segmentation |
CN110472581A (zh) * | 2019-08-16 | 2019-11-19 | 电子科技大学 | 一种基于深度学习的细胞图像分析方法 |
CN111047589A (zh) * | 2019-12-30 | 2020-04-21 | 北京航空航天大学 | 一种注意力增强的脑肿瘤辅助智能检测识别方法 |
CN111507378A (zh) * | 2020-03-24 | 2020-08-07 | 华为技术有限公司 | 训练图像处理模型的方法和装置 |
CN111754453A (zh) * | 2020-05-11 | 2020-10-09 | 佛山市第四人民医院(佛山市结核病防治所) | 基于胸透图像的肺结核检测方法、系统和存储介质 |
CN111709485A (zh) * | 2020-06-19 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 医学影像处理方法、装置和计算机设备 |
CN111784704A (zh) * | 2020-06-24 | 2020-10-16 | 中国人民解放军空军军医大学 | Mri髋关节炎症分割与分类自动定量分级序贯方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112766333B (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101857624B1 (ko) | 임상 정보를 반영한 의료 진단 방법 및 이를 이용하는 장치 | |
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
JP6947759B2 (ja) | 解剖学的対象物を自動的に検出、位置特定、及びセマンティックセグメンテーションするシステム及び方法 | |
WO2019200753A1 (zh) | 病变监测方法、装置、计算机设备和存储介质 | |
US9510756B2 (en) | Method and system for diagnosis of attention deficit hyperactivity disorder from magnetic resonance images | |
CN107563434B (zh) | 一种基于三维卷积神经网络的脑部mri图像分类方法、装置 | |
WO2021186592A1 (ja) | 診断支援装置及びモデル生成装置 | |
CN113012173A (zh) | 基于心脏mri的心脏分割模型和病理分类模型训练、心脏分割、病理分类方法及装置 | |
Hennessey et al. | Artificial intelligence in veterinary diagnostic imaging: A literature review | |
CN112365973A (zh) | 基于对抗网络和Faster R-CNN的肺结节辅助诊断系统 | |
CN110991254A (zh) | 超声图像视频分类预测方法及系统 | |
CN110570419A (zh) | 特征信息的获取方法、装置和存储介质 | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
Irene et al. | Segmentation and approximation of blood volume in intracranial hemorrhage patients based on computed tomography scan images using deep learning method | |
Junior et al. | A general fully automated deep-learning method to detect cardiomegaly in chest x-rays | |
CN112767403A (zh) | 医学影像分割模型训练方法、医学影像分割方法及装置 | |
Delmoral et al. | Segmentation of pathological liver tissue with dilated fully convolutional networks: A preliminary study | |
US11842492B2 (en) | Cerebral hematoma volume analysis | |
CN114926396B (zh) | 一种精神障碍类磁共振图像初步筛查模型构建方法 | |
CN111798455A (zh) | 一种基于全卷积密集空洞网络的甲状腺结节实时分割方法 | |
CN112766333B (zh) | 医学影像处理模型训练方法、医学影像处理方法及装置 | |
CN112766332A (zh) | 医学影像检测模型训练方法、医学影像检测方法及装置 | |
Paul et al. | Computer-Aided Diagnosis Using Hybrid Technique for Fastened and Accurate Analysis of Tuberculosis Detection with Adaboost and Learning Vector Quantization | |
Ramos | Analysis of medical images to support decision-making in the musculoskeletal field | |
CN114708973B (zh) | 一种用于对人体健康进行评估的设备和存储介质 |
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 |