CN112991346A - 用于医学图像分析的学习网络的训练方法和训练系统 - Google Patents
用于医学图像分析的学习网络的训练方法和训练系统 Download PDFInfo
- Publication number
- CN112991346A CN112991346A CN202110525922.4A CN202110525922A CN112991346A CN 112991346 A CN112991346 A CN 112991346A CN 202110525922 A CN202110525922 A CN 202110525922A CN 112991346 A CN112991346 A CN 112991346A
- Authority
- CN
- China
- Prior art keywords
- training
- learning network
- data set
- training data
- evaluation
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
- G06V10/7747—Organisation of the process, e.g. bagging or boosting
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/30048—Heart; Cardiac
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种用于医学图像分析的学习网络的训练方法和训练系统。该训练方法包括:设置具有预定结构的学习网络并获取原始训练数据集;由处理器,使用原始训练数据集对学习网络进行预训练,以得到预训练好的学习网络;由处理器,对预训练好的学习网络进行评估,以判定其是否存在预设的评估缺陷;由处理器,在预训练好的学习网络存在评估缺陷的情况下,针对所存在的评估缺陷在原始训练数据集的基础上进行数据增强;以及由处理器,基于预训练模型的参数,使用数据增强后的训练数据集对学习网络进行精细训练。本公开能够分阶段对学习网络进行评估和训练,因此,降低了医学图像处理的复杂度,提高了医学图像分析的效率和准确性。
Description
技术领域
本公开涉及医学图像分析技术领域,更具体地,涉及一种用于医学图像分析的学习网络的训练方法和训练系统、训练设备及计算机可读存储介质。
背景技术
医学图像可以快速地、无创伤或微创伤地获取到人体内部组织结构性成像和功能性成像,以清楚地了解人类各器官的生理结构和代谢情况。目前,医学图像分析已经成为必不可少的临床诊断辅助手段。通过图像处理技术、计算机技术,可以对这些信息进行有效处理,用于辅助诊断、手术规划等,具有重大的社会效益和广泛的应用前景。
近年来,深度学习(Deep Learning,DL)已经迅速发展成为医学图像分析的研究热点,其能够从医学图像大数据中自动提取隐含的疾病诊断特征,因此,逐渐成为图像筛查分类中的重要技术。
然而,医学图像需要经过很长时间的累积才能达到一定的数据量,并且深度学习算法对高质量数据的需求使得可用于训练的数据的获取更为困难,因此,在使用医学数据进行模型训练时,一些特定区域或包含特定病灶的数据明显不足。另外,医学图像的噪声和伪影不仅影响医学图像的质量,而且还影响模型的深度学习能力。因此,现有技术在基于深度学习对医学图像进行分析时,由于医学数据的特殊性和深度学习的局限性,难以达到临床应用级别的训练效果和获得基于深度学习的模型算法,导致医学图像的训练和学习的复杂度高,医学图像分析的效率和准确性低,无法满足临床应用对于疾病精准分析和诊断的要求。
发明内容
提供了本公开以解决现有技术中存在的上述问题。
本公开需要一种用于医学图像分析的学习网络的训练方法和训练系统、训练设备及计算机可读存储介质。该训练方法通过使用原始训练数据集对学习网络进行预训练以得到预训练好的学习网络,对预训练好的学习网络进行评估以判定其是否存在预设的评估缺陷,在预训练好的学习网络存在评估缺陷的情况下,针对所存在的评估缺陷在原始训练数据集的基础上进行数据增强,并基于预训练模型的参数,使用数据增强后的训练数据集对学习网络进行精细训练,能够基于有限的医学数据对学习网络进行迭代式训练,从而快速、准确地获取与分析要求有关的医学图像,并对所获取的医学图像进行更精准、更有针对性的分析,因此,降低了医学图像的训练和学习的复杂度,提高了医学图像分析的效率和准确性。
根据本公开的第一方面,提供了一种用于医学图像分析的学习网络的训练方法。该训练方法包括:设置具有预定结构的学习网络并获取原始训练数据集;由处理器,使用原始训练数据集对学习网络进行预训练,以得到预训练好的学习网络;由处理器,对预训练好的学习网络进行评估,以判定其是否存在预设的评估缺陷;由处理器,在预训练好的学习网络存在评估缺陷的情况下,针对所存在的评估缺陷在原始训练数据集的基础上进行数据增强;以及由处理器,基于预训练模型的参数,使用数据增强后的训练数据集对学习网络进行精细训练。
根据本公开的第二方面,提供了一种用于医学图像分析的学习网络的训练系统。该训练系统包括:通信接口,其配置成获取原始训练数据集;以及处理器,其配置成:使用原始训练数据集对具有预定结构的学习网络进行预训练,以得到预训练好的学习网络;对预训练好的学习网络进行评估,以判定其是否存在预设的评估缺陷;在预训练好的学习网络存在评估缺陷的情况下,针对所存在的评估缺陷在原始训练数据集的基础上进行数据增强;以及基于预训练模型的参数,使用数据增强后的训练数据集对学习网络进行精细训练。
根据本公开的第三方面,提供了一种用于医学图像分析的学习网络的训练设备,包括存储器和处理器,其中,存储器用于存储一条或多条计算机程序指令,其中,一条或多条计算机程序指令被处理器执行以实现一种用于医学图像分析的学习网络的训练方法。
根据本公开的第四方面,提供了一种计算机可读存储介质,其上存储计算机程序指令,其中,计算机程序指令在被处理器执行时实现一种用于医学图像分析的学习网络的训练方法。
利用根据本公开各个实施例的用于医学图像分析的学习网络的训练方法和训练系统、训练设备及计算机可读存储介质,通过使用原始训练数据集对学习网络进行预训练以得到预训练好的学习网络,对预训练好的学习网络进行评估以判定其是否存在预设的评估缺陷,在预训练好的学习网络存在评估缺陷的情况下,针对所存在的评估缺陷在原始训练数据集的基础上进行数据增强,并基于预训练模型的参数,使用数据增强后的训练数据集对学习网络进行精细训练,能够基于有限的医学数据对学习网络进行迭代式训练,从而快速、准确地获取与分析要求有关的医学图像,并对所获取的医学图像进行更精准、更有针对性的分析,因此,降低了医学图像的训练和学习的复杂度,提高了医学图像分析的效率和准确性。
附图说明
在不一定按比例绘制的附图中,相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的相同附图标记可以表示相似部件的不同实例。附图大体上通过举例而不是限制的方式示出各种实施例,并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。在适当的时候,在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的,而并非旨在作为本装置或方法的穷尽或排他实施例。
图1示出根据本公开实施例的用于医学图像分析的学习网络的训练方法的流程图;
图2(a)至图2(c)示出根据本公开实施例的静脉掺杂的示意图;
图3(a)至图3(c)示出根据本公开实施例的血管分支断裂的示意图;
图4(a)和图4(b)示出根据本公开实施例的实性结节和磨玻璃结节的示意图;
图5示出根据本公开实施例的迭代式训练过程的示意图;
图6示出根据本公开实施例的用于医学图像分析的学习网络的训练方法的流程图;
图7示出根据本公开实施例的用于医学图像分析的学习网络的训练系统的框图;以及
图8示出根据本公开实施例的用于医学图像分析的学习网络的训练设备的结构框图。
具体实施方式
为使本领域技术人员更好的理解本公开的技术方案,下面结合附图和具体实施方式对本公开作详细说明。下面结合附图和具体实施例对本公开的实施例作进一步详细描述,但不作为对本公开的限定。本文中所描述的各个步骤,如果彼此之间没有前后关系的必要性,则本文中作为示例对其进行描述的次序不应视为限制,本领域技术人员应知道可以对其进行顺序调整,只要不破坏其彼此之间的逻辑性导致整个流程无法实现即可。
此外,本领域普通技术人员应当理解,在此提供的附图都是为了说明的目的,并且附图不一定是按比例绘制的。
除非上下文明确要求,否则整个说明书和权利要求书中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义;也就是说,是“包括但不限于”的含义。
在本公开的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本公开的描述中,除非另有说明,“多个”的含义是两个或两个以上。
下面将结合附图详细说明根据本公开实施例的一种用于医学图像分析的学习网络的训练方法和训练系统。
图1示出根据本公开实施例的用于医学图像分析的学习网络的训练方法的流程图。如图1所示,该训练方法可以包括设置具有预定结构的学习网络并获取原始训练数据集(步骤102)。注意,本文中的技术术语“原始训练数据集”是相对而言的,旨在表示没有执行根据本公开实施例的各种数据增强处理的训练数据集;具体说来,“原始训练数据集”可以表示已经执行了除本公开以外的数据增强处理的训练数据集,也可以表示对已经执行了非本公开的其他各种预处理的训练数据集。
具体地,用于医学图像分析的学习网络的训练可以预先设置学习网络(即,深度学习网络)的结构为固定的网络模型,并设置损失函数。这里,该训练设备可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,也可以整合在用于采集医学图像的图像采集装置或者对各种医学图像进行分析的图像工作站中,本公开实施例对此不作限制。深度学习是机器学习(Machine Learning,ML)的一种,而机器学习是实现人工智能(Artificial Intelligence,AI)的必经路径。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。网络模型可以使用监督学习来训练。网络模型的架构可以包括不同的块和层的堆叠,各个块和层将一个以上输入转换为一个以上输出。不同层的示例可以包括一个以上卷积层或全卷积层、非线性操作符层、池化层或子采样层、全连接层和/或最终损失层。每层可以连接一个上游层和一个下游层。网络模型可以包括残差网络(Residual Network,ResNet)模型、分割网络(UNet)模型、AlexNet模型、GoogLeNet模型、视觉几何组(Visual Geometry Group,VGG)模型、金字塔场景解析网络(Pyramid Scene Parsing Network,PSPNet)模型、DeepLabV3网络模型等,本公开实施例对此不作限制。损失函数(loss function)是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。
进一步地,训练设备可以通过通信接口从医学成像装置中实时地获取医学图像,并对获取到的医学图像进行人工分割(例如,手动在医学图像上进行标注)来得到原始训练数据集;或者,也可以通过通信接口从医学成像装置中实时地获取医学图像,利用已有的模型对获取到的医学图像进行图像分割,并对分割后的医学图像进行人工修正来得到原始训练数据集;也就是说,原始训练数据集中的图像分割通常需要人工干预来确保其准确性。这里,通信接口可以包括网络适配器、电缆连接器、串行连接器,USB连接器、并行连接器、高速数据传输适配器(诸如光纤、USB 3.0、雷电接口等)、无线网络适配器(诸如WiFi适配器)、电信(诸如3G、4G/LTE等)适配器等。医学成像装置可以包括X线成像设备、磁共振(MagneticResonance Imaging,MRI)成像设备、超声成像设备、核医学成像设备、热成像设备、医用光学成像设备等,本公开实施例对此不作限制。
医学图像是通过医学成像装置采集的图像,可以包括X射线图像(例如,计算机断层扫描(Computed Tomography,CT)图像)、MRI图像、超声图像、放射性核素图像等,本公开实施例对此不作限制。医学图像可以是二维(2D)或三维(3D)图像,并且3D图像可以包含多个2D图像切片。进一步地,医学图像可以是肺部图像,也可以是肝肾部图像,或者还可以是其他部位的图像,本公开实施例对此不作限制。
图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域,使得这些特征在同一区域内表现出一致性或相似性,而在不同区域间表现出明显的不同。基于深度学习的图像分割方法可以包括但不限于基于特征编码的图像分割方法、基于区域选择的图像分割方法、基于循环神经网络(Recurrent Neural Network,RNN)的图像分割方法、基于上采样/反卷积的图像分割方法、基于提高特征分辨率的图像分割方法、基于特征增强的图像分割方法、使用条件随机场(Conditional Random Field,CRF)/马尔可夫随机场(Marcov Random Field,MRF)的图像分割方法等。
需要说明的是,训练设备也可以从服务器中获取由医学成像装置采集的医学图像,本公开实施例对此不作限制。这里,服务器可以是独立的物理服务器,诸如影像归档和通信系统(Picture Archiving and Communication Systems,PACS),也可以是多个物理服务器构成的服务器集群或者分布式系统,或者还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器,本公开实施例对此不作限制。训练设备和服务器可以通过有线或无线通信方式进行直接或间接地连接,本公开实施例对此不作限制。
在一些实施例中,该训练方法还可以包括由处理器,使用原始训练数据集对学习网络进行预训练,以得到预训练好的学习网络(步骤104)。
具体地,在获取到原始训练数据集之后,训练设备的处理器可以使用该原始训练数据集对学习网络进行预训练,得到预训练好的学习网络。这里,处理器可以是包括一个以上通用处理设备的处理设备,诸如微处理器、中央处理单元(CPU)、图形处理单元(GPU)等。更具体地,该处理器可以是复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器、超长指令字(VLIW)微处理器、运行其他指令集的处理器或运行指令集的组合的处理器。该处理器还可以是一个以上专用处理设备,诸如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、片上系统(SoC)等。
“预训练”学习网络是指确定学习网络中的至少一个层的一个以上参数。学习网络可以包括卷积神经网络(Convolutional Neural Networks,CNN)、循环神经网络和递归神经网络(Recursive Neural Network,RNN)中的一种或其组合。卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Network,FNN)。卷积神经网络具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类。卷积神经网络模型的卷积层可以包括至少一个滤波器或内核。至少一个滤波器的一个以上参数(诸如内核权重、大小、形状和结构等)可以通过例如基于反向传播的训练处理来确定。循环神经网络是一类以序列数据为输入,在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络。递归神经网络是具有树状阶层结构且网络节点按其连接顺序对输入信息进行递归的人工神经网络(Artificial Neural Network,ANN)。
在一些实施例中,该训练方法还可以包括由处理器,对预训练好的学习网络进行评估,以判定其是否存在预设的评估缺陷(步骤106)。
具体地,训练设备的处理器可以对预训练好的学习网络进行评估,以判定预训练好的学习网络是否存在预设的评估缺陷。这里,评估缺陷可以包括不同位置和/或不同属性的目标对象的检出率的显著差异,通过对检出率低于其他位置和/或其他属性的目标对象的相关训练数据进行更多采样和增强并加入到现有的训练数据集中,以得到针对评估缺陷的阶段精细训练使用的训练数据集。预设的评估缺陷是指临床所关注的问题,例如,在冠脉分割任务中,血管分支是否出现断裂、冠脉支架是否获得饱满分割、斑块处是否获得精准分割边界等;或者,在心脏多标签组织分割任务中,是否存在组织标签互相掺杂、是否获得平滑的组织边界等;或者,在肺结节检测任务中,磨玻璃肺结节(或非独立肺结节)的检出率是否满足需求等。通过对预训练好的学习网络进行评估,可以确定当前网络模型的表现是否良好。可以根据医生的临床关注问题来设置和调整评价指标,并根据评价指标来训练数据集进行针对性的数据增强(参见下文描述)。对于医生来说,其通常在深度学习算法上没有深入了解,相较确定训练阶段所需关注的抽象算法指标(比如ROC)和设置训练方式来说,确定临床关注问题更容易,用户友好度更好;从医生建议的临床关注问题出发进行针对性的数据增强,可以使得学习网络针对性地解决临床关注问题,从而可以提升学习网络的可控性、可回溯性及可重复性,且显著缩短开发周期,并增加了学习网络(尤其其训练阶段)对于非算法专家的人群(例如医生)的可解释性。
需要说明的是,对预训练好的学习网络进行评估的过程可以通过人工来完成,也可以通过计算机程序来完成,例如,通过计算冠脉分割点云与标注结果(诸如地面真值(ground truth)中心线点云)的重叠率来评估血管分支是否出现断裂,本公开实施例对此不作限制。
示例性地,医学图像可以包括血管相关图像,医学图像分析可以包括目标动脉的分割,预设的评估缺陷可以包括血管分支断裂、动脉中的静脉掺杂、斑块处分割不平整和植入物识别率低;医学图像也可以包括肺部相关图像,医学图像分析可以包括肺结节检测,预设的评估缺陷包括可以磨玻璃结节的检出率低于实性结节的检出率以及离其他组织距离近的结节的检出率低于离其他组织的距离远的结节的检出率。
在一些实施例中,该训练方法还可以包括由处理器,在预训练好的学习网络存在评估缺陷的情况下,针对所存在的评估缺陷在原始训练数据集的基础上进行数据增强(步骤108)。
具体地,在预训练好的学习网络存在评估缺陷的情况下,训练设备的处理器可以针对所存在的评估缺陷在原始训练数据集的基础上进行数据增强(Data Augmentation)。这里,数据增强主要用于防止过拟合,通过数据增强可以让数据量迅速增大,并使训练的模型具有一定抗噪能力。数据增强方法可以包括旋转/反射变换、翻转(水平或垂直)变换、缩放变换、平移变换、尺度变换、对比度变换、噪声扰动、颜色变化等,本公开实施例对此不作限制。在一些实施例中,可以针对所存在的评估缺陷采取具体的数据增强方式。例如,在冠脉CTA中,中间支(intermediat ramus)对于心血管临床诊断很重要,但CTA的训练数据中通常只显示很短的中间支,导致预训练好的学习网络在中间支的检出上表现不良,则可以在步骤108中筛选出中间支呈现较短的样本,并对这些样本中中间支附近的区域进行增强,如此增强后的训练数据可以让学习网络更容易关注到中间支。又例如,在进行肺结节检测时,预训练好的学习网络对磨玻璃肺结节的检出率较差,但磨玻璃肺结节对于肺部疾病的临床诊断非常重要,则可以在步骤108中在原始训练数据集中筛选出标注磨玻璃肺结节的样本,对其进行采样、增强和扩展后添加到训练数据集中,如此增强后的训练数据可以让学习网络更好地习得磨玻璃肺结节的图像特征。
示例性地,对于预训练好的学习网络同时存在静脉掺杂和血管分支断裂的问题,训练设备的处理器可以针对静脉掺杂问题或血管分支断裂问题进行数据增强。通过在预训练好的学习网络存在评估缺陷的情况下,针对所存在的评估缺陷对原始训练数据集进行数据增强,能够提高模型的泛化能力,提升模型的鲁棒性。
在一些实施例中,该训练方法还可以包括由处理器,基于预训练模型的参数,使用数据增强后的训练数据集对学习网络进行精细训练(步骤110)。注意,该学习网络可以是在步骤102中设置的具有预定结构的学习网络,数据增强处理则可以基于原始训练数据集(即便是存在样本不平衡或者样本数量不足等缺陷的原始训练数据集)。如此,用户不必将时间精力花费在设计、分析和试验新的学习网络的结构和损失函数上,而可以花费较少的时间和精力来实现学习网络的结构预设;学习网络的训练步骤106和108则明确每个训练阶段所针对的临床评估指标(可根据医生需求给出)的缺陷并自动地进行针对性的数据增强,从而更灵活周到地满足临床应用需求,同时进一步减少了用户用于确定训练过程的细节所花费的时间和精力。
具体地,训练设备的处理器可以基于预训练模型的参数,使用数据增强后的训练数据集对学习网络进行精细训练,即,精细调整或微调(fine-tune)。这里,精细训练是修改预训练的学习网络的结构,选择性地载入预训练的学习网络的权重,再使用数据增强后的训练数据集重新训练学习网络的过程。在本公开实施例中,各个阶段精细训练使用相同的损失函数。
示例性地,在数据增强后的训练数据集大且和原始训练数据集相似的情况下,或者,在数据增强后的训练数据集大且和原始训练数据集不相似的情况下,可以对学习网络进行精细训练。通过对学习网络进行精细训练,能够在使用相对小的数据量的情况下,快速地训练好学习网络,以得到良好的训练结果。
需要说明的是,上述步骤102至步骤110的训练过程也称为“迭代式训练过程”,稍后将对“迭代式训练过程”进行详细描述。
根据本公开实施例的用于医学图像分析的学习网络的训练方法,通过使用原始训练数据集对学习网络进行预训练以得到预训练好的学习网络,对预训练好的学习网络进行评估以判定其是否存在预设的评估缺陷,在预训练好的学习网络存在评估缺陷的情况下,针对所存在的评估缺陷在原始训练数据集的基础上进行数据增强,并基于预训练模型的参数,使用数据增强后的训练数据集对学习网络进行精细训练,能够基于有限的医学数据对学习网络进行迭代式训练,从而快速、准确地获取与分析要求有关的医学图像,并对所获取的医学图像进行更精准、更有针对性的分析,因此,降低了医学图像的训练和学习的复杂度,提高了医学图像分析的效率和准确性。
在一些实施例中,在预训练好的学习网络存在至少两个评估缺陷的情况下,对原始训练数据集进行数据增强和使用数据增强后的训练数据集对学习网络的训练针对各个评估缺陷分阶段执行,各个阶段精细训练使用的训练数据集针对相应的评估缺陷进行数据增强后用于下一阶段精细训练。
具体地,预训练好的学习网络可能存在至少两个评估缺陷,例如,静脉掺杂和血管分支断裂,或者,静脉掺杂、血管分支断裂和斑块处分割不平整等,在预训练好的学习网络存在至少两个评估缺陷的情况下,训练设备的处理器可以对原始训练数据集进行数据增强,并针对各个评估缺陷使用数据增强后的训练数据集对学习网络进行分阶段的精细训练。这里,各个阶段精细训练使用的训练数据集针对相应的评估缺陷进行数据增强后用于下一阶段的精细训练。
在一些实施例中,经过第N阶段精细训练得到的第N学习网络消除第一阶段精细训练到第N阶段精细训练针对的所有评估缺陷,N为正整数,且分阶段执行包括分阶段执行直到消除所有预设的评估缺陷。
具体地,在经过第N阶段精细训练之后,可以得到第N学习网络,该第N学习网络已经消除了从第一阶段精细训练到第N阶段精细训练所针对的所有评估缺陷,这里,N为正整数,即,大于或等于1的整数。通过对学习网络进行分阶段精细训练,能够消除所有预设的评估缺陷。
在一些实施例中,该用于医学图像分析的学习网络的训练方法还包括:对经过第N阶段精细训练得到的第N学习网络进行评估,以判定其依然存在的评估缺陷。
具体地,在经过第N阶段精细训练之后,训练设备的处理器可以对所得到的第N学习网络进行评估,以判定其依然存在的评估缺陷。
在一些实施例中,分阶段执行进一步包括:针对至少两个评估缺陷中的第一评估缺陷对原始训练数据集进行数据增强,以得到第一训练数据集;使用第一训练数据集并基于预训练模型参数对学习网络进行第一阶段精细训练,以得到第一学习网络;对第一学习网络进行评估,以判定其是否存在第一评估缺陷和第二评估缺陷;在第一学习网络不存在第一评估缺陷但存在第二评估缺陷的情况下,针对第二评估缺陷对第一训练数据集进行数据增强,以得到第二训练数据集;以及使用第二训练数据集并基于第一学习网络模型参数对第一学习网络进行第二阶段精细训练,以得到第二学习网络。
具体地,训练设备的处理器可以针对至少两个评估缺陷(例如,静脉掺杂和血管分支断裂)中的第一评估缺陷(例如,静脉掺杂)对原始训练数据集进行数据增强,得到第一训练数据集;接着,使用第一训练数据集并基于预训练模型参数对学习网络进行第一阶段精细训练,得到第一学习网络;通过对第一学习网络进行评估,可以确定该第一学习网络是否存在第一评估缺陷和第二评估缺陷,并在第一学习网络不存在第一评估缺陷但存在第二评估缺陷的情况下,针对第二评估缺陷对第一训练数据集进行数据增强,得到第二训练数据集;进一步地,训练设备的处理器可以使用第二训练数据集并基于第一学习网络模型参数对第一学习网络进行第二阶段精细训练,得到第二学习网络。
在一些实施例中,在N大于1的情况下,第N阶段精细训练进一步包括:针对第N评估缺陷对第N-1训练数据集进行数据增强,以得到第N训练数据集;使用第N训练数据集并基于第N-1学习网络模型参数对第N-1学习网络进行第N阶段精细训练,以得到第N学习网络。
具体地,在N大于1的情况下,训练设备的处理器可以针对第N评估缺陷对第N-1训练数据集进行数据增强,得到第N训练数据集;进一步地,训练设备的处理器可以使用第N训练数据集并基于第N-1学习网络模型参数对第N-1学习网络进行第N阶段精细训练,得到第N学习网络。
需要说明的是,第N+1训练数据集可以是包含第N训练数据集的同时,加入上述有针对性的新数据集群,也可以先对第M训练数据集的数量进行删减,再加入上述的有针对性的新数据集群,本公开实施例对此不作限制。
在一些实施例中,设置各个阶段精细训练针对的评估缺陷,使得前一阶段针对的评估缺陷的重要性高于后一阶段针对的评估缺陷的重要性。在一些实施例中,评估缺陷的重要性的优先级可以根据医生的具体临床需求来确定,例如,在临床CCTA图像的分割重建任务中,有时医生关注动脉中的静脉掺杂甚于伪影引起的血管分割断裂,也就是动脉中的静脉掺杂的评估缺陷的重要性高于伪影引起的血管分割断裂的评估缺陷的重要性,则可以据此设置前一阶段和后一阶段针对的评估缺陷,从而更好地满足医生的具体临床需求。在一些实施例中,评估缺陷的重要性的优先级可以进一步考虑到各个评估缺陷彼此之间的相互作用来确定。依然以临床CCTA图像的分割重建任务为例,通过让前一阶段针对动脉中的静脉掺杂进行数据增强,数据增强后的训练数据集显著减少了被误分割为动脉的静脉,从而可以减少后一阶段针对血管分割断裂的工作负荷;相反,通过让前一阶段针对血管分割断裂进行数据增强,会增加静脉掺杂出现的频率,从而增加训练的总体工作负荷。
具体地,训练设备的处理器可以预先设置各个阶段精细训练所针对的评估缺陷,使得前一阶段所针对的评估缺陷的重要性高于后一阶段所针对的评估缺陷的重要性。通过基于评估缺陷来确定各个阶段执行的先后顺序,能够优先消除重要性高的评估缺陷。
在一些实施例中,在预设的评估缺陷中存在假阳率和漏检率上优先考虑漏检率的第三评估缺陷以及在假阳率和漏检率上优先考虑假阳率的第四评估缺陷的情况下,设置第三评估缺陷使针对其的训练阶段在针对第四评估缺陷的训练阶段之前。
具体地,在预设的评估缺陷中存在假阳率和漏检率的情况下,如果优先考虑漏检率,则将漏检率对应的第三评估缺陷的优先级设置为高于假阳率对应的第四评估缺陷的优先级;进一步地,可以基于第三评估缺陷和第四评估缺陷的优先级,将针对第三评估缺陷的训练阶段的执行顺序设置在针对第四评估缺陷的训练阶段的执行顺序之前,即,优先执行针对第三评估缺陷的训练阶段。
在一些实施例中,通过如下来得到各个阶段精细训练使用的训练数据集:根据前一阶段精细训练的评估结果,筛选出前一阶段精细训练使用的训练数据集中出现当前阶段精细训练针对的评估缺陷的训练数据;以及对筛选出的训练数据进行更多采样和增强并加入到前一阶段精细训练使用的训练数据集中。
具体地,训练设备的处理器可以根据前一阶段精细训练的评估结果,对前一阶段精细训练使用的训练数据集中出现当前阶段精细训练针对的评估缺陷的训练数据进行筛选;进一步地,对筛选出的训练数据进行更多采样和增强,并将增强后的训练数据加入到前一阶段精细训练使用的训练数据集中。
在一些实施例中,得到各个阶段精细训练使用的训练数据集还包括:对筛选出的训练数据进行更多采样和增强并加入到前一阶段精细训练使用的训练数据集中,并删除前一阶段精细训练使用的训练数据集中的一部分其他训练数据。
具体地,在对筛选出的训练数据进行更多采样和增强,并将增强后的训练数据加入到前一阶段精细训练所使用的训练数据集中之后,训练设备的处理器可以将前一阶段精细训练所使用的训练数据集中的一部分其他训练数据删除,以节省训练设备的存储空间,并减少数据的运算量。
在一些实施例中,通过如下来得到各个阶段精细训练使用的训练数据集:根据前一阶段精细训练的评估结果,收集更多的原始数据,并从原始数据中筛选出出现当前阶段精细训练针对的评估缺陷的训练数据;以及对筛选出的训练数据进行更多采样和增强并加入到前一阶段精细训练使用的训练数据集中。
具体地,训练设备的处理器可以根据前一阶段精细训练的评估结果,收集更多的原始数据,并从原始数据中筛选出当前阶段精细训练所针对的评估缺陷的训练数据;进一步地,训练设备的处理器可以对筛选出的训练数据进行更多采样和增强,并将增强后的训练数据加入到前一阶段精细训练使用的训练数据集中。
下面,通过具体示例对用于医学图像分析的学习网络的训练方法进行详细说明。
图2(a)至图2(c)示出根据本公开实施例的静脉掺杂的示意图。以输入的医学图像是冠状动脉计算机断层扫描血管造影(Coronary Computed Tomography Angiography,CCTA)图像为例,如图2(a)所示,在CCTA图像中,由于动脉的造影强度接近静脉的造影强度,导致模型(即,如上所述的学习网络)无法正确区分动脉和静脉,或者,将静脉误认为是动脉,因此,在最终的动脉分割中存在静脉掺杂的情况,如图2(b)所示;通过使用迭代式训练策略对模型进行定向调整之后,新的模型具备了正确区分动脉和静脉的能力,使得所掺杂的静脉能够被识别并去除,如图2(c)所示,因此,解决了静脉掺杂的问题。
图3(a)至图3(c)示出根据本公开实施例的血管分支断裂的示意图。仍以输入的医学图像是CCTA图像为例,如图3(a)所示,在CCTA图像中,由于存在运动伪影,导致模型无法正确分割伪影处的冠脉血管,并进一步导致在3D血管重建结果中存在冠脉血管分支断裂的情况,如图3(b)所示;通过使用迭代式训练策略对模型进行定向调整之后,新的模型具备了正确分割伪影处的冠脉血管的能力,使得伪影处的冠脉血管能够被正确地重建出来,如图3(c)所示,因此,解决了血管分支断裂的问题。
图4(a)和图4(b)示出根据本公开实施例的实性结节和磨玻璃结节的示意图。以输入的医学图像是肺部电子计算机断层扫描(Computed Tomography,CT)图像为例,在肺部CT图像中,由于实性结节与人体软组织的密度相似且在肺部CT图像中清晰呈现,而磨玻璃结节在肺部CT图像中半透明及模糊呈现,导致模型能够正确检出实性结节,而无法检出磨玻璃结节,如图4(a)所示;通过使用迭代式训练策略对模型进行定向调整之后,新的模型有针对性地加强了对磨玻璃结节的学习,因此,能够正确检出实性结节和磨玻璃结节,如图4(b)所示。
图5示出根据本公开实施例的迭代式训练过程的示意图。如图5所示,在迭代式训练开始时,首先,将已有的训练数据命名为第一训练数据集,并将第一训练数据集输入深度学习卷积网络;使用3D卷积核提取输入数据的特征图,并通对比金标准图像将误差反向传播,以更新固定模型参数;通过重复执行上述步骤来完成模型的预训练,并将预训练好的固定模型命名为第一模型。接着,对第一模型进行评估,得到评估结果;将评估结果与地面真值进行对比,以确定第一模型存在的评估缺陷。进一步地,在第一模型存在N种评估缺陷的情况下,针对N种评估缺陷中的第i种评估缺陷对第一训练数据集进行采样和增强,并将采样和增强后的数据加入到第一训练数据集中,得到第二训练数据集。重复执行上述步骤,使用固定模型加载第N模型参数,使用第N+1训练数据集对固定模型进行精细训练,直至训练收敛,即,所有评估缺陷均得到缓解或消失。
图6示出根据本公开实施例的用于医学图像分析的学习网络的训练方法的流程图。如图6所示,该训练方法包括如下步骤。该方法始于设置具有预定结构的学习网络并获取原始训练数据集的步骤(步骤602)。该方法还可以包括使用原始训练数据集对学习网络进行预训练,以得到预训练好的学习网络的步骤(步骤604)。该方法还可以包括对预训练好的学习网络进行评估,以判定其是否存在预设的评估缺陷的步骤(步骤606)。该方法还可以包括在预训练好的学习网络存在至少两个评估缺陷的情况下,针对至少两个评估缺陷中的第一评估缺陷对原始训练数据集进行数据增强,以得到第一训练数据集的步骤(步骤608)。该方法还可以包括使用第一训练数据集并基于预训练模型参数对学习网络进行第一阶段精细训练,以得到第一学习网络的步骤(步骤610)。该方法还可以包括对第一学习网络进行评估,以判定其是否存在第一评估缺陷和第二评估缺陷的步骤(步骤612)。该方法还可以包括在第一学习网络不存在第一评估缺陷但存在第二评估缺陷的情况下,针对第二评估缺陷对第一训练数据集进行数据增强,以得到第二训练数据集的步骤(步骤614)。该方法还可以包括使用第二训练数据集并基于第一学习网络模型参数对第一学习网络进行第二阶段精细训练,以得到第二学习网络的步骤(步骤616)。
根据本公开实施例的用于医学图像分析的学习网络的训练方法,通过使用原始训练数据集对学习网络进行预训练得到预训练好的学习网络,对预训练好的学习网络进行评估以判定其是否存在预设的评估缺陷,在预训练好的学习网络存在至少两个评估缺陷的情况下,针对至少两个评估缺陷中的第一评估缺陷对原始训练数据集进行数据增强以得到第一训练数据集,使用第一训练数据集并基于预训练模型参数对学习网络进行第一阶段精细训练以得到第一学习网络,对第一学习网络进行评估以判定其是否存在第一评估缺陷和第二评估缺陷,在第一学习网络不存在第一评估缺陷但存在第二评估缺陷的情况下,针对第二评估缺陷对第一训练数据集进行数据增强以得到第二训练数据集,以及使用第二训练数据集并基于第一学习网络模型参数对第一学习网络进行第二阶段精细训练以得到第二学习网络,能够对学习网络进行分阶段训练,从而快速、准确地获取与分析要求有关的医学图像,并对所获取的医学图像进行更精准、更有针对性的分析,因此,降低了医学图像的训练和学习的复杂度,提高了医学图像分析的效率和准确性。
下述为本公开的装置实施例,可以用于执行本公开的方法实施例。对于本公开的装置实施例中未披露的细节,请参照本公开的方法实施例。
图7示出根据本公开实施例的用于医学图像分析的学习网络的训练系统的框图。如图7所示,该训练系统可以包括通信接口702和处理器704。
具体地,通信接口702配置成获取原始训练数据集,处理器704配置成使用原始训练数据集对具有预定结构的学习网络进行预训练,以得到预训练好的学习网络;对预训练好的学习网络进行评估,以判定其是否存在预设的评估缺陷;在预训练好的学习网络存在评估缺陷的情况下,针对所存在的评估缺陷在原始训练数据集的基础上进行数据增强;以及基于预训练模型的参数,使用数据增强后的训练数据集对学习网络进行精细训练。在一些实施例中,所述处理器704也可以配置为呈现用户界面,以提示用户输入对学习网络的结构的设置。例如,可以在用户界面上呈现学习网络的各种结构的列表或菜单,以供用户选择,用户所选择的预定结构的学习网络用于后续的训练过程。
根据本公开实施例的用于医学图像分析的学习网络的训练系统,通过使用原始训练数据集对学习网络进行预训练以得到预训练好的学习网络,对预训练好的学习网络进行评估以判定其是否存在预设的评估缺陷,在预训练好的学习网络存在评估缺陷的情况下,针对所存在的评估缺陷在原始训练数据集的基础上进行数据增强,并基于预训练模型的参数,使用数据增强后的训练数据集对学习网络进行精细训练,能够基于有限的医学数据对学习网络进行迭代式训练,从而快速、准确地获取与分析要求有关的医学图像,并对所获取的医学图像进行更精准、更有针对性的分析,因此,降低了医学图像的训练和学习的复杂度,提高了医学图像分析的效率和准确性。
在一些实施例中,处理器704进一步配置成,在预训练好的学习网络存在至少两个评估缺陷的情况下,对原始训练数据集进行数据增强和使用数据增强后的训练数据集对学习网络的训练针对各个评估缺陷分阶段执行,各个阶段精细训练使用的训练数据集针对相应的评估缺陷进行数据增强后用于下一阶段精细训练。
在一些实施例中,经过第N阶段精细训练得到的第N学习网络消除第一阶段精细训练到第N阶段精细训练针对的所有评估缺陷,N为正整数,且分阶段执行包括分阶段执行直到消除所有预设的评估缺陷。
在一些实施例中,处理器704进一步配置成:对经过第N阶段精细训练得到的第N学习网络进行评估,以判定其依然存在的评估缺陷。
在一些实施例中,处理器704进一步配置成:针对至少两个评估缺陷中的第一评估缺陷对原始训练数据集进行数据增强,以得到第一训练数据集;使用第一训练数据集并基于预训练模型参数对学习网络进行第一阶段精细训练,以得到第一学习网络;对第一学习网络进行评估,以判定其是否存在第一评估缺陷和第二评估缺陷;在第一学习网络不存在第一评估缺陷但存在第二评估缺陷的情况下,针对第二评估缺陷对第一训练数据集进行数据增强,以得到第二训练数据集;以及使用第二训练数据集并基于第一学习网络模型参数对第一学习网络进行第二阶段精细训练,以得到第二学习网络。
在一些实施例中,在N大于1的情况下,处理器704进一步配置成:针对第N评估缺陷对第N-1训练数据集进行数据增强,以得到第N训练数据集;使用第N训练数据集并基于第N-1学习网络模型参数对第N-1学习网络进行第N阶段精细训练,以得到第N学习网络。
在一些实施例中,处理器704进一步配置成:设置各个阶段精细训练针对的评估缺陷,使得前一阶段针对的评估缺陷的重要性高于后一阶段针对的评估缺陷的重要性。
在一些实施例中,处理器704进一步配置成,在预设的评估缺陷中存在假阳率和漏检率上优先考虑漏检率的第三评估缺陷以及在假阳率和漏检率上优先考虑假阳率的第四评估缺陷的情况下,设置第三评估缺陷使针对其的训练阶段在针对第四评估缺陷的训练阶段之前。
在一些实施例中,评估缺陷包括不同位置和/或不同属性的目标对象的检出率的显著差异,通过对检出率低于其他位置和/或其他属性的目标对象的相关训练数据进行更多采样和增强并加入到现有的训练数据集中,以得到针对评估缺陷的阶段精细训练使用的训练数据集。
在一些实施例中,处理器704进一步配置成:根据前一阶段精细训练的评估结果,筛选出前一阶段精细训练使用的训练数据集中出现当前阶段精细训练针对的评估缺陷的训练数据;以及对筛选出的训练数据进行更多采样和增强并加入到前一阶段精细训练使用的训练数据集中。
在一些实施例中,处理器704进一步配置成:对筛选出的训练数据进行更多采样和增强并加入到前一阶段精细训练使用的训练数据集中,并删除前一阶段精细训练使用的训练数据集中的一部分其他训练数据。
在一些实施例中,处理器704进一步配置成:根据前一阶段精细训练的评估结果,收集更多的原始数据,并从原始数据中筛选出出现当前阶段精细训练针对的评估缺陷的训练数据;以及对筛选出的训练数据进行更多采样和增强并加入到前一阶段精细训练使用的训练数据集中。
在一些实施例中,各个阶段精细训练使用相同的损失函数。
在一些实施例中,医学图像包括血管相关图像,医学图像分析包括目标动脉的分割,预设的评估缺陷包括血管分支断裂、动脉中的静脉掺杂、斑块处分割不平整和植入物识别率低。
在一些实施例中,医学图像包括肺部相关图像,医学图像分析包括肺结节检测,预设的评估缺陷包括磨玻璃结节的检出率低于实性结节的检出率以及离其他组织距离近的结节的检出率低于离其他组织的距离远的结节的检出率。
图8示出根据本公开实施例的训练设备的结构框图。如图8所示,该训练设备为通用数据处理装置,包括通用的计算机硬件结构,该训练设备至少包括处理器802和存储器804。处理器802和存储器804通过总线806连接。存储器804适于存储处理器802可执行的指令或程序。处理器802可以是独立的微处理器,也可以是一个或者多个微处理器集合。由此,处理器802通过执行存储器804所存储的命令,从而执行如上所述的本公开实施例的方法流程实现对于数据的处理和对于其他装置的控制。总线806将上述多个组件连接在一起,同时将上述组件连接到显示控制器808和显示装置以及输入/输出(I/O)装置810。输入/输出(I/O)装置810可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地,输入/输出(I/O)装置810通过输入/输出(I/O)控制器812与系统相连。
其中,存储器804可以存储软件组件,例如,操作系统、通信模块、交互模块和应用程序。上述的每个模块和应用程序都对应于完成一个或多个功能和在发明实施例中描述的方法的一组可执行程序指令。
在一些实施例中,训练设备可以处于某处,散布于多处,也可以是分布式的训练设备,例如设置于云端,本公开实施例对此不作限制。
上述根据本公开实施例的方法、系统和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应理解,流程图和/或框图的每个块以及流程图图例和/或框图中的块的组合可以由计算机程序指令来实现。这些计算机程序指令可以被提供至通用计算机、专用计算机或其它可编程数据处理设备的处理器,以产生机器,使得(经由计算机或其它可编程数据处理设备的处理器执行的)指令创建用于实现流程图和/或框图块或块中指定的功能/动作的装置。
同时,如本领域技术人员将意识到的,本公开实施例的各个方面可以被实现为系统、方法或计算机程序产品。因此,本公开实施例的各个方面可以采取如下形式:完全硬件实施方式、完全软件实施方式(包括固件、常驻软件、微代码等)或者在本文中通常可以都称为“电路”、“模块”或“系统”的将软件方面与硬件方面相结合的实施方式。此外,本公开的方面可以采取如下形式:在一个或多个计算机可读介质中实现的计算机程序产品,计算机可读介质具有在其上实现的计算机可读程序代码。
可以利用一个或多个计算机可读介质的任意组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读存储介质可以是如(但不限于)电子的、磁的、光学的、电磁的、红外的或半导体系统、设备或装置,或者前述的任意适当的组合。计算机可读存储介质的更具体的示例(非穷尽列举)将包括以下各项:具有一根或多根电线的电气连接、便携式计算机软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪速存储器)、光纤、便携式光盘只读存储器(CD-ROM)、光存储装置、磁存储装置或前述的任意适当的组合。在本公开实施例的上下文中,计算机可读存储介质可以为能够包含或存储由指令执行系统、设备或装置使用的程序或结合指令执行系统、设备或装置使用的程序的任意有形介质。
计算机可读信号介质可以包括传播的数据信号,该传播的数据信号具有在其中如在基带中或作为载波的一部分实现的计算机可读程序代码。这样的传播的信号可以采用多种形式中的任何形式,包括但不限于:电磁的、光学的或其任何适当的组合。计算机可读信号介质可以是以下任意计算机可读介质:不是计算机可读存储介质,并且可以对由指令执行系统、设备或装置使用的或结合指令执行系统、设备或装置使用的程序进行通信、传播或传输。
可以使用包括但不限于无线、有线、光纤电缆、RF等或前述的任意适当组合的任意合适的介质来传送实现在计算机可读介质上的程序代码。
用于执行针对本公开各方面的操作的计算机程序代码可以以一种或多种编程语言的任意组合来编写,编程语言包括:面向对象的编程语言如Java、Smalltalk、C++、PHP、Python等;以及常规过程编程语言如“C”编程语言或类似的编程语言。程序代码可以作为独立软件包完全地在用户计算机上、部分地在用户计算机上执行;部分地在用户计算机上且部分地在远程计算机上执行;或者完全地在远程计算机或服务器上执行。在后一种情况下,可以将远程计算机通过包括局域网(LAN)或广域网(WAN)的任意类型的网络连接至用户计算机,或者可以与外部计算机进行连接(例如通过使用因特网服务供应商的因特网)。
还可以将这些计算机程序指令存储在可以指导计算机、其它可编程数据处理设备或其它装置以特定方式运行的计算机可读介质中,使得在计算机可读介质中存储的指令产生包括实现在流程图和/或框图块或块中指定的功能/动作的指令的制品。
计算机程序指令还可以被加载至计算机、其它可编程数据处理设备或其它装置上,以使在计算机、其它可编程设备或其它装置上执行一系列可操作步骤来产生计算机实现的过程,使得在计算机或其它可编程设备上执行的指令提供用于实现在流程图和/或框图块或块中指定的功能/动作的过程。
此外,尽管已经在本文中描述了示例性实施例,其范围包括任何和所有基于本公开的具有等同元件、修改、省略、组合(例如,各种实施例交叉的方案)、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释,并不限于在本说明书中或本申请的实施期间所描述的示例,其示例将被解释为非排他性的。因此,本说明书和示例旨在仅被认为是示例,真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。
以上描述旨在是说明性的而不是限制性的。例如,上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外,在上述具体实施方式中,各种特征可以被分组在一起以简单化本公开。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反,本发明的主题可以少于特定的公开的实施例的全部特征。从而,以下权利要求书作为示例或实施例在此并入具体实施方式中,其中每个权利要求独立地作为单独的实施例,并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。
Claims (32)
1.一种用于医学图像分析的学习网络的训练方法,其特征在于,所述训练方法包括:
设置具有预定结构的学习网络并获取原始训练数据集;
由处理器,使用所述原始训练数据集对所述学习网络进行预训练,以得到预训练好的学习网络;
由所述处理器,对所述预训练好的学习网络进行评估,以判定其是否存在预设的评估缺陷;
由所述处理器,在所述预训练好的学习网络存在评估缺陷的情况下,针对所存在的评估缺陷在所述原始训练数据集的基础上进行数据增强;以及
由所述处理器,基于预训练模型的参数,使用数据增强后的训练数据集对所述学习网络进行精细训练。
2.根据权利要求1所述的训练方法,其特征在于,在所述预训练好的学习网络存在至少两个评估缺陷的情况下,对所述原始训练数据集进行数据增强和使用数据增强后的训练数据集对所述学习网络的训练针对各个评估缺陷分阶段执行,各个阶段精细训练使用的训练数据集针对相应的评估缺陷进行数据增强后用于下一阶段精细训练。
3.根据权利要求2所述的训练方法,其特征在于,经过第N阶段精细训练得到的第N学习网络消除第一阶段精细训练到所述第N阶段精细训练针对的所有评估缺陷,N为正整数,且所述分阶段执行包括分阶段执行直到消除所有预设的评估缺陷。
4.根据权利要求3所述的训练方法,其特征在于,还包括:对经过所述第N阶段精细训练得到的所述第N学习网络进行评估,以判定其依然存在的评估缺陷。
5.根据权利要求2所述的训练方法,其特征在于,所述分阶段执行进一步包括:
针对所述至少两个评估缺陷中的第一评估缺陷对所述原始训练数据集进行数据增强,以得到第一训练数据集;
使用所述第一训练数据集并基于预训练模型参数对所述学习网络进行第一阶段精细训练,以得到第一学习网络;
对所述第一学习网络进行评估,以判定其是否存在所述第一评估缺陷和第二评估缺陷;
在所述第一学习网络不存在所述第一评估缺陷但存在所述第二评估缺陷的情况下,针对所述第二评估缺陷对所述第一训练数据集进行数据增强,以得到第二训练数据集;以及
使用所述第二训练数据集并基于第一学习网络模型参数对所述第一学习网络进行第二阶段精细训练,以得到第二学习网络。
6.根据权利要求3所述的训练方法,其特征在于,在N大于1的情况下,所述第N阶段精细训练进一步包括:
针对第N评估缺陷对第N-1训练数据集进行数据增强,以得到第N训练数据集;
使用所述第N训练数据集并基于第N-1学习网络模型参数对第N-1学习网络进行所述第N阶段精细训练,以得到所述第N学习网络。
7.根据权利要求2至6中任一项所述的训练方法,其特征在于,设置所述各个阶段精细训练针对的评估缺陷,使得前一阶段针对的评估缺陷的重要性高于后一阶段针对的评估缺陷的重要性。
8.根据权利要求1至6中任一项所述的训练方法,其特征在于,在预设的评估缺陷中存在假阳率和漏检率上优先考虑漏检率的第三评估缺陷以及在假阳率和漏检率上优先考虑假阳率的第四评估缺陷的情况下,设置所述第三评估缺陷使针对其的训练阶段在针对所述第四评估缺陷的训练阶段之前。
9.根据权利要求1至6中任一项所述的训练方法,其特征在于,所述评估缺陷包括不同位置和/或不同属性的目标对象的检出率的显著差异,通过对检出率低于其他位置和/或其他属性的目标对象的相关训练数据进行更多采样和增强并加入到现有的训练数据集中,以得到针对所述评估缺陷的阶段精细训练使用的训练数据集。
10.根据权利要求4所述的训练方法,其特征在于,通过如下来得到所述各个阶段精细训练使用的训练数据集:
根据前一阶段精细训练的评估结果,筛选出所述前一阶段精细训练使用的训练数据集中出现当前阶段精细训练针对的评估缺陷的训练数据;以及
对筛选出的训练数据进行更多采样和增强并加入到所述前一阶段精细训练使用的训练数据集中。
11.根据权利要求10所述的训练方法,其特征在于,得到所述各个阶段精细训练使用的训练数据集还包括:对筛选出的训练数据进行更多采样和增强并加入到所述前一阶段精细训练使用的训练数据集中,并删除所述前一阶段精细训练使用的训练数据集中的一部分其他训练数据。
12.根据权利要求4所述的训练方法,其特征在于,通过如下来得到所述各个阶段精细训练使用的训练数据集:
根据前一阶段精细训练的评估结果,收集更多的原始数据,并从所述原始数据中筛选出出现当前阶段精细训练针对的评估缺陷的训练数据;以及
对筛选出的训练数据进行更多采样和增强并加入到所述前一阶段精细训练使用的训练数据集中。
13.根据权利要求2至6中任一项所述的训练方法,其特征在于,所述各个阶段精细训练使用相同的损失函数。
14.根据权利要求1至6中任一项所述的训练方法,其特征在于,所述医学图像包括血管相关图像,所述医学图像分析包括目标动脉的分割,预设的评估缺陷包括血管分支断裂、动脉中的静脉掺杂、斑块处分割不平整和植入物识别率低。
15.根据权利要求1至6中任一项所述的训练方法,其特征在于,所述医学图像包括肺部相关图像,所述医学图像分析包括肺结节检测,预设的评估缺陷包括磨玻璃结节的检出率低于实性结节的检出率以及离其他组织距离近的结节的检出率低于离其他组织的距离远的结节的检出率。
16.一种用于医学图像分析的学习网络的训练系统,其特征在于,所述训练系统包括:
通信接口,其配置成获取原始训练数据集;以及
处理器,其配置成:
使用所述原始训练数据集对具有预定结构的学习网络进行预训练,以得到预训练好的学习网络;
对所述预训练好的学习网络进行评估,以判定其是否存在预设的评估缺陷;
在所述预训练好的学习网络存在评估缺陷的情况下,针对所存在的评估缺陷在所述原始训练数据集的基础上进行数据增强;以及
基于预训练模型的参数,使用数据增强后的训练数据集对所述学习网络进行精细训练。
17.根据权利要求16所述的训练系统,其特征在于,所述处理器进一步配置成,在所述预训练好的学习网络存在至少两个评估缺陷的情况下,对所述原始训练数据集进行数据增强和使用数据增强后的训练数据集对所述学习网络的训练针对各个评估缺陷分阶段执行,各个阶段精细训练使用的训练数据集针对相应的评估缺陷进行数据增强后用于下一阶段精细训练。
18.根据权利要求17所述的训练系统,其特征在于,经过第N阶段精细训练得到的第N学习网络消除第一阶段精细训练到所述第N阶段精细训练针对的所有评估缺陷,N为正整数,且所述分阶段执行包括分阶段执行直到消除所有预设的评估缺陷。
19.根据权利要求18所述的训练系统,其特征在于,所述处理器进一步配置成:对经过所述第N阶段精细训练得到的所述第N学习网络进行评估,以判定其依然存在的评估缺陷。
20.根据权利要求17所述的训练系统,其特征在于,所述处理器进一步配置成:
针对所述至少两个评估缺陷中的第一评估缺陷对所述原始训练数据集进行数据增强,以得到第一训练数据集;
使用所述第一训练数据集并基于预训练模型参数对所述学习网络进行第一阶段精细训练,以得到第一学习网络;
对所述第一学习网络进行评估,以判定其是否存在所述第一评估缺陷和第二评估缺陷;
在所述第一学习网络不存在所述第一评估缺陷但存在所述第二评估缺陷的情况下,针对所述第二评估缺陷对所述第一训练数据集进行数据增强,以得到第二训练数据集;以及
使用所述第二训练数据集并基于第一学习网络模型参数对所述第一学习网络进行第二阶段精细训练,以得到第二学习网络。
21.根据权利要求18所述的训练系统,其特征在于,在N大于1的情况下,所述处理器进一步配置成:
针对第N评估缺陷对第N-1训练数据集进行数据增强,以得到第N训练数据集;
使用所述第N训练数据集并基于第N-1学习网络模型参数对第N-1学习网络进行所述第N阶段精细训练,以得到所述第N学习网络。
22.根据权利要求17至21中任一项所述的训练系统,其特征在于,所述处理器进一步配置成:设置所述各个阶段精细训练针对的评估缺陷,使得前一阶段针对的评估缺陷的重要性高于后一阶段针对的评估缺陷的重要性。
23.根据权利要求16至21中任一项所述的训练系统,其特征在于,所述处理器进一步配置成,在预设的评估缺陷中存在假阳率和漏检率上优先考虑漏检率的第三评估缺陷以及在假阳率和漏检率上优先考虑假阳率的第四评估缺陷的情况下,设置所述第三评估缺陷使针对其的训练阶段在针对所述第四评估缺陷的训练阶段之前。
24.根据权利要求16至21中任一项所述的训练系统,其特征在于,所述评估缺陷包括不同位置和/或不同属性的目标对象的检出率的显著差异,通过对检出率低于其他位置和/或其他属性的目标对象的相关训练数据进行更多采样和增强并加入到现有的训练数据集中,以得到针对所述评估缺陷的阶段精细训练使用的训练数据集。
25.根据权利要求19所述的训练系统,其特征在于,所述处理器进一步配置成:
根据前一阶段精细训练的评估结果,筛选出所述前一阶段精细训练使用的训练数据集中出现当前阶段精细训练针对的评估缺陷的训练数据;以及
对筛选出的训练数据进行更多采样和增强并加入到所述前一阶段精细训练使用的训练数据集中。
26.根据权利要求25所述的训练系统,其特征在于,所述处理器进一步配置成:对筛选出的训练数据进行更多采样和增强并加入到所述前一阶段精细训练使用的训练数据集中,并删除所述前一阶段精细训练使用的训练数据集中的一部分其他训练数据。
27.根据权利要求19所述的训练系统,其特征在于,所述处理器进一步配置成:
根据前一阶段精细训练的评估结果,收集更多的原始数据,并从所述原始数据中筛选出出现当前阶段精细训练针对的评估缺陷的训练数据;以及
对筛选出的训练数据进行更多采样和增强并加入到所述前一阶段精细训练使用的训练数据集中。
28.根据权利要求17至21中任一项所述的训练系统,其特征在于,所述各个阶段精细训练使用相同的损失函数。
29.根据权利要求16至21中任一项所述的训练系统,其特征在于,所述医学图像包括血管相关图像,所述医学图像分析包括目标动脉的分割,预设的评估缺陷包括血管分支断裂、动脉中的静脉掺杂、斑块处分割不平整和植入物识别率低。
30.根据权利要求16至21中任一项所述的训练系统,其特征在于,所述医学图像包括肺部相关图像,所述医学图像分析包括肺结节检测,预设的评估缺陷包括磨玻璃结节的检出率低于实性结节的检出率以及离其他组织距离近的结节的检出率低于离其他组织的距离远的结节的检出率。
31.一种用于医学图像分析的学习网络的训练设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1至15中任一项所述的用于医学图像分析的学习网络的训练方法所执行的操作。
32.一种计算机可读存储介质,种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现如权利要求1至15中任一项所述的用于医学图像分析的学习网络的训练方法所执行的操作。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210517492.6A CN114782398A (zh) | 2021-05-13 | 2021-05-13 | 用于医学图像分析的学习网络的训练方法和训练系统 |
CN202110525922.4A CN112991346B (zh) | 2021-05-13 | 2021-05-13 | 用于医学图像分析的学习网络的训练方法和训练系统 |
US17/565,274 US20220366679A1 (en) | 2021-05-13 | 2021-12-29 | Methods and systems for training learning network for medical image analysis |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110525922.4A CN112991346B (zh) | 2021-05-13 | 2021-05-13 | 用于医学图像分析的学习网络的训练方法和训练系统 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210517492.6A Division CN114782398A (zh) | 2021-05-13 | 2021-05-13 | 用于医学图像分析的学习网络的训练方法和训练系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112991346A true CN112991346A (zh) | 2021-06-18 |
CN112991346B CN112991346B (zh) | 2022-04-26 |
Family
ID=76337745
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210517492.6A Pending CN114782398A (zh) | 2021-05-13 | 2021-05-13 | 用于医学图像分析的学习网络的训练方法和训练系统 |
CN202110525922.4A Active CN112991346B (zh) | 2021-05-13 | 2021-05-13 | 用于医学图像分析的学习网络的训练方法和训练系统 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210517492.6A Pending CN114782398A (zh) | 2021-05-13 | 2021-05-13 | 用于医学图像分析的学习网络的训练方法和训练系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220366679A1 (zh) |
CN (2) | CN114782398A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450352A (zh) * | 2021-08-26 | 2021-09-28 | 深圳科亚医疗科技有限公司 | 一种病理图像的训练集处理方法和系统 |
CN113707312A (zh) * | 2021-09-16 | 2021-11-26 | 人工智能与数字经济广东省实验室(广州) | 一种基于深度学习的血管定量识别的方法及装置 |
CN116912623A (zh) * | 2023-07-20 | 2023-10-20 | 东北大学 | 用于医学图像数据集的对比学习方法及系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541591B (zh) * | 2024-01-10 | 2024-03-26 | 深圳市恒义建筑技术有限公司 | 钢结构的焊缝缺陷无损检测方法及相关设备 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949304A (zh) * | 2018-03-29 | 2019-06-28 | 北京昆仑医云科技有限公司 | 图像检测学习网络的训练和获取方法、图像检测装置和介质 |
US20190354882A1 (en) * | 2018-05-21 | 2019-11-21 | Siemens Healthcare Gmbh | Artificial intelligence-based self-learning in medical imaging |
CN110664426A (zh) * | 2019-10-18 | 2020-01-10 | 北京深睿博联科技有限责任公司 | 基于深度密集卷积网络的胃部补水充盈程度判断方法 |
CN110689038A (zh) * | 2019-06-25 | 2020-01-14 | 深圳市腾讯计算机系统有限公司 | 神经网络模型的训练方法、装置和医学图像处理系统 |
CN110689089A (zh) * | 2019-10-12 | 2020-01-14 | 电子科技大学 | 用于深度学习多类别医疗图像分类的主动增量训练方法 |
CN110874604A (zh) * | 2018-08-30 | 2020-03-10 | Tcl集团股份有限公司 | 模型训练方法及终端设备 |
CN111008959A (zh) * | 2019-11-22 | 2020-04-14 | 江苏方天电力技术有限公司 | 基于航拍图像的均压环缺陷检测方法、装置、介质和设备 |
CN111126794A (zh) * | 2019-12-06 | 2020-05-08 | 北京京航计算通讯研究所 | 基于小样本的数据增强及神经网络对抗训练系统 |
CN111427995A (zh) * | 2020-02-26 | 2020-07-17 | 平安科技(深圳)有限公司 | 基于内部对抗机制的语义匹配方法、装置及存储介质 |
CN111758105A (zh) * | 2018-05-18 | 2020-10-09 | 谷歌有限责任公司 | 学习数据增强策略 |
CN111857793A (zh) * | 2019-04-30 | 2020-10-30 | 杭州海康威视数字技术股份有限公司 | 网络模型的训练方法、装置、设备及存储介质 |
CN111862025A (zh) * | 2020-07-14 | 2020-10-30 | 中国船舶重工集团公司第七一六研究所 | 基于深度学习的pcb缺陷自动检测方法 |
CN112150510A (zh) * | 2020-09-29 | 2020-12-29 | 中国人民解放军63875部队 | 基于双深度增强网络的步进式目标跟踪方法 |
CN112215807A (zh) * | 2020-09-24 | 2021-01-12 | 北京航空航天大学 | 基于深度学习的细胞图像自动分类方法及系统 |
CN112270376A (zh) * | 2020-11-10 | 2021-01-26 | 北京百度网讯科技有限公司 | 模型训练方法、装置、电子设备、存储介质和开发系统 |
CN112541555A (zh) * | 2020-12-22 | 2021-03-23 | 中国医学科学院北京协和医院 | 一种基于深度学习的分类器模型的训练方法 |
US10963792B1 (en) * | 2020-03-26 | 2021-03-30 | StradVision, Inc. | Method for training deep learning network based on artificial intelligence and learning device using the same |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10074038B2 (en) * | 2016-11-23 | 2018-09-11 | General Electric Company | Deep learning medical systems and methods for image reconstruction and quality evaluation |
DE102021202189A1 (de) * | 2021-03-08 | 2022-09-08 | Robert Bosch Gesellschaft mit beschränkter Haftung | Maschinell erlernte anomalieerkennung |
-
2021
- 2021-05-13 CN CN202210517492.6A patent/CN114782398A/zh active Pending
- 2021-05-13 CN CN202110525922.4A patent/CN112991346B/zh active Active
- 2021-12-29 US US17/565,274 patent/US20220366679A1/en active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949304A (zh) * | 2018-03-29 | 2019-06-28 | 北京昆仑医云科技有限公司 | 图像检测学习网络的训练和获取方法、图像检测装置和介质 |
CN111758105A (zh) * | 2018-05-18 | 2020-10-09 | 谷歌有限责任公司 | 学习数据增强策略 |
US20190354882A1 (en) * | 2018-05-21 | 2019-11-21 | Siemens Healthcare Gmbh | Artificial intelligence-based self-learning in medical imaging |
CN110874604A (zh) * | 2018-08-30 | 2020-03-10 | Tcl集团股份有限公司 | 模型训练方法及终端设备 |
CN111857793A (zh) * | 2019-04-30 | 2020-10-30 | 杭州海康威视数字技术股份有限公司 | 网络模型的训练方法、装置、设备及存储介质 |
CN110689038A (zh) * | 2019-06-25 | 2020-01-14 | 深圳市腾讯计算机系统有限公司 | 神经网络模型的训练方法、装置和医学图像处理系统 |
CN110689089A (zh) * | 2019-10-12 | 2020-01-14 | 电子科技大学 | 用于深度学习多类别医疗图像分类的主动增量训练方法 |
CN110664426A (zh) * | 2019-10-18 | 2020-01-10 | 北京深睿博联科技有限责任公司 | 基于深度密集卷积网络的胃部补水充盈程度判断方法 |
CN111008959A (zh) * | 2019-11-22 | 2020-04-14 | 江苏方天电力技术有限公司 | 基于航拍图像的均压环缺陷检测方法、装置、介质和设备 |
CN111126794A (zh) * | 2019-12-06 | 2020-05-08 | 北京京航计算通讯研究所 | 基于小样本的数据增强及神经网络对抗训练系统 |
CN111427995A (zh) * | 2020-02-26 | 2020-07-17 | 平安科技(深圳)有限公司 | 基于内部对抗机制的语义匹配方法、装置及存储介质 |
US10963792B1 (en) * | 2020-03-26 | 2021-03-30 | StradVision, Inc. | Method for training deep learning network based on artificial intelligence and learning device using the same |
CN111862025A (zh) * | 2020-07-14 | 2020-10-30 | 中国船舶重工集团公司第七一六研究所 | 基于深度学习的pcb缺陷自动检测方法 |
CN112215807A (zh) * | 2020-09-24 | 2021-01-12 | 北京航空航天大学 | 基于深度学习的细胞图像自动分类方法及系统 |
CN112150510A (zh) * | 2020-09-29 | 2020-12-29 | 中国人民解放军63875部队 | 基于双深度增强网络的步进式目标跟踪方法 |
CN112270376A (zh) * | 2020-11-10 | 2021-01-26 | 北京百度网讯科技有限公司 | 模型训练方法、装置、电子设备、存储介质和开发系统 |
CN112541555A (zh) * | 2020-12-22 | 2021-03-23 | 中国医学科学院北京协和医院 | 一种基于深度学习的分类器模型的训练方法 |
Non-Patent Citations (3)
Title |
---|
ABDULKADIR SEKER 等: "Evaluation of Fabric Defect Detection Based on Transfer Learning with Pre-trained AlexNet", 《2018 INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE AND DATA PROCESSING (IDAP)》 * |
张晓峰 等: "基于生成对抗网络的数据增强方法", 《计算机系统应用》 * |
聂凯 等: "基于数据增强的仿真模型验证方法", 《指挥控制与仿真》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450352A (zh) * | 2021-08-26 | 2021-09-28 | 深圳科亚医疗科技有限公司 | 一种病理图像的训练集处理方法和系统 |
CN113450352B (zh) * | 2021-08-26 | 2022-02-01 | 深圳科亚医疗科技有限公司 | 一种病理图像的训练集处理方法和系统 |
CN113707312A (zh) * | 2021-09-16 | 2021-11-26 | 人工智能与数字经济广东省实验室(广州) | 一种基于深度学习的血管定量识别的方法及装置 |
CN116912623A (zh) * | 2023-07-20 | 2023-10-20 | 东北大学 | 用于医学图像数据集的对比学习方法及系统 |
CN116912623B (zh) * | 2023-07-20 | 2024-04-05 | 东北大学 | 用于医学图像数据集的对比学习方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114782398A (zh) | 2022-07-22 |
CN112991346B (zh) | 2022-04-26 |
US20220366679A1 (en) | 2022-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cai et al. | A review of the application of deep learning in medical image classification and segmentation | |
CN112991346B (zh) | 用于医学图像分析的学习网络的训练方法和训练系统 | |
Su et al. | Lung nodule detection based on faster R-CNN framework | |
US10867384B2 (en) | System and method for automatically detecting a target object from a 3D image | |
CN110706246B (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
Meng et al. | Multiscale dense convolutional neural network for DSA cerebrovascular segmentation | |
Xu et al. | DeepLN: a framework for automatic lung nodule detection using multi-resolution CT screening images | |
CN111667478B (zh) | Cta到mra跨模态预测的颈动脉斑块识别方法及系统 | |
Mu et al. | An attention residual u-net with differential preprocessing and geometric postprocessing: Learning how to segment vasculature including intracranial aneurysms | |
JP2023540910A (ja) | 病変検出のための共同訓練を伴う接続機械学習モデル | |
CN111899244B (zh) | 图像分割、网络模型的训练方法及装置,及电子设备 | |
CN113205524B (zh) | 基于U-Net的血管图像分割方法、装置和设备 | |
WO2021209887A1 (en) | Rapid, accurate and machine-agnostic segmentation and quantification method and device for coronavirus ct-based diagnosis | |
Tan et al. | Segmentation of lung airways based on deep learning methods | |
Li et al. | Hierarchical deep network with uncertainty-aware semi-supervised learning for vessel segmentation | |
Shan et al. | SCA-Net: A spatial and channel attention network for medical image segmentation | |
Yuan et al. | ResD-Unet research and application for pulmonary artery segmentation | |
Zhang et al. | LungSeek: 3D Selective Kernel residual network for pulmonary nodule diagnosis | |
Kim et al. | The role of AI in prostate MRI quality and interpretation: Opportunities and challenges | |
Wu et al. | Transformer-based 3D U-Net for pulmonary vessel segmentation and artery-vein separation from CT images | |
CN115115570A (zh) | 医学图像分析方法和装置、计算机设备及存储介质 | |
CN116664592A (zh) | 基于图像的动静脉血管分离方法、装置、电子设备及介质 | |
Wang et al. | Avdnet: Joint coronary artery and vein segmentation with topological consistency | |
CN116129184A (zh) | 多期相病灶分类方法、装置、设备及可读存储介质 | |
CN114998582A (zh) | 一种冠脉血管的分割方法、装置及存储介质 |
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 |