CN113077427B - 一种类别预测模型的生成方法及装置 - Google Patents

一种类别预测模型的生成方法及装置 Download PDF

Info

Publication number
CN113077427B
CN113077427B CN202110332831.9A CN202110332831A CN113077427B CN 113077427 B CN113077427 B CN 113077427B CN 202110332831 A CN202110332831 A CN 202110332831A CN 113077427 B CN113077427 B CN 113077427B
Authority
CN
China
Prior art keywords
medical
deep learning
learning network
chest
training data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110332831.9A
Other languages
English (en)
Other versions
CN113077427A (zh
Inventor
金征宇
毛丽
李秀丽
宋兰
俞益洲
李一鸣
乔昕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Shenrui Bolian Technology Co Ltd
Shenzhen Deepwise Bolian Technology Co Ltd
Original Assignee
Beijing Shenrui Bolian Technology Co Ltd
Shenzhen Deepwise Bolian Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Shenrui Bolian Technology Co Ltd, Shenzhen Deepwise Bolian Technology Co Ltd filed Critical Beijing Shenrui Bolian Technology Co Ltd
Priority to CN202110332831.9A priority Critical patent/CN113077427B/zh
Publication of CN113077427A publication Critical patent/CN113077427A/zh
Application granted granted Critical
Publication of CN113077427B publication Critical patent/CN113077427B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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 Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种类别预测模型的生成方法，所述方法首先对基础深度学习网络进行训练，此时不考虑模型的可解释性，仅关注模型的预测性能，然后固定基础深度学习网络的参数，训练用于解释的医学征象分支，此时，医学征象分支是不会影响模型的预测性能的，实现了在不影响模型本身的预测效能的情况下，对模型进行解释；另外，由于本申请利用类别预测模型中各层的医学征象分支得到不同层次的特征图，从而可以在不同层次的特征图的基础上进行医学征象的预测，有效利用了目标类别预测模型不同层次的语义信息，从而使得目标类别预测模型所提取的医学征象效果较好，且类别预测的结果更加准确，即提高所建立的目标类别预测模型的预测效能。

Description

一种类别预测模型的生成方法及装置
技术领域
本申请涉及深度学习技术领域，尤其涉及一种类别预测模型的生成方法及装置。
背景技术
由于基于卷积神经网络的深度学习算法，可以有效提取图像特征。因此，深度学习算法在图像的识别、分割和检测方面均有应用。现有技术中，已经存在基于深度学习算法建立的类别预测模型，例如肺结节类别预测模型。
对于肺结节良恶性的医学征象，其图像语义特征的层次是不同的。一些医学征象会更加接近低层的图像语义特征，如边缘清晰度、毛刺征、分叶征等；另一些更加接近高级的图像语义特征，如结节内部一致性、相比于周围的检测难度等。现有技术不考虑特征层次的差异，一般都是从模型较高层次的特征图提取信息。因此，这会导致模型所提取的医学征象效果较差，从而导致模型对于类别预测的结果不准确，故此，亟需一种提高模型的预测效能的方案。
发明内容
本申请提供一种类别预测模型的生成方法，以实现可以在不同层次的特征图的基础上进行医学征象的预测，有效利用了目标类别预测模型不同层次的语义信息，从而使得目标类别预测模型所提取的医学征象效果较好，且类别预测的结果更加准确，即提高所建立的目标类别预测模型的预测效能。
第一方面，本申请提供了一种类别预测模型的生成方法，其特征在于，所述方法包括：
获取训练数据集，其中，所述训练数据集包括若干组训练数据，每组训练数据包括一张胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签；
利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的肺结节的类别标签，对基础深度学习网络进行训练，得到已训练的基础深度学习网络；
固定所述已训练的基础深度学习网络的模型参数，并利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签，对与所述基础深度学习网络相连接的医学征象分支进行训练，得到已训练后的类别预测模型；
判断所述已训练后的类别预测模型中各层的医学征象分支是否均为一个；
若否，对所述已训练后的类别预测模型中的医学征象分支进行剪枝处理，得到剪枝处理后的类别预测模型，以及，对所述剪枝处理后的类别预测模型继续执行所述固定所述已训练的基础深度学习网络的模型参数，并利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签，对与所述基础深度学习网络相连接的医学征象分支进行训练，得到已训练后的类别预测模型的步骤；
若是，则将所述已训练后的类别预测模型作为目标类别预测模型。
第二方面，本申请提供了一种类别预测模型的生成装置，其特征在于，所述装置包括：
获取单元，用于获取训练数据集，其中，所述训练数据集包括若干组训练数据，每组训练数据包括一张胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签；
第一训练单元，用于利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的肺结节的类别标签，对基础深度学习网络进行训练，得到已训练的基础深度学习网络；
第二训练单元，用于固定所述已训练的基础深度学习网络的模型参数，并利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签，对与所述基础深度学习网络相连接的医学征象分支进行训练，得到已训练后的类别预测模型；
判断单元，用于判断所述已训练后的类别预测模型中各医学征象对应的医学征象分支是否只存在一个模型层次中；
剪枝单元，用于若否，对所述已训练后的类别预测模型中的医学征象分支进行剪枝处理，得到剪枝处理后的类别预测模型，以及，对所述剪枝处理后的类别预测模型继续执行所述固定所述已训练的基础深度学习网络的模型参数，并利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签，对与所述基础深度学习网络相连接的医学征象分支进行训练，得到已训练后的类别预测模型的步骤；
确定单元，用于若是，则将所述已训练后的类别预测模型作为目标类别预测模型。
第三方面，本申请提供了一种可读介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述电子设备执行如第一方面中任一所述的方法。
第四方面，本申请提供了一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如第一方面中任一所述的方法。
由上述技术方案可以看出，本申请提供了一种类别预测模型的生成方法，所述方法可以获取训练数据集，其中，所述训练数据集包括若干组训练数据，每组训练数据包括一张胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签；利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的肺结节的类别标签，对基础深度学习网络进行训练，得到已训练的基础深度学习网络；固定所述已训练的基础深度学习网络的模型参数，并利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签，对与所述基础深度学习网络相连接的医学征象分支进行训练，得到已训练后的类别预测模型；判断所述已训练后的类别预测模型中各医学征象对应的医学征象分支是否只存在一个模型层次中；若否，对所述已训练后的类别预测模型中的医学征象分支进行剪枝处理，得到剪枝处理后的类别预测模型，以及，对所述剪枝处理后的类别预测模型继续执行所述固定所述已训练的基础深度学习网络的模型参数，并利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签，对与所述基础深度学习网络相连接的医学征象分支进行训练，得到已训练后的类别预测模型的步骤；若是，则将所述已训练后的类别预测模型作为目标类别预测模型。由于本申请中首先对基础深度学习网络进行训练，此时不考虑模型的可解释性，仅关注模型的预测性能，然后固定基础深度学习网络的参数，训练用于解释的医学征象分支，此时，医学征象分支是不会影响模型的预测性能的，实现了在不影响模型本身的预测效能的情况下，对模型进行解释；另外，由于本申请利用类别预测模型中各层的医学征象分支得到不同层次的特征图，从而可以在不同层次的特征图的基础上进行医学征象的预测，有效利用了目标类别预测模型不同层次的语义信息，从而使得目标类别预测模型所提取的医学征象效果较好，且类别预测的结果更加准确，即提高所建立的目标类别预测模型的预测效能。
上述的非惯用的优选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
为了更清楚地说明本申请实施例或现有的技术方案，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为本申请实施例中的一种类别预测模型的生成方法的一种流程示意图；
图2为本申请提供的基础深度学习网络的一种结构示意图；
图3为本申请提供的基础深度学习网络与各层医学征象分支的一种结构示意图；
图4为本申请提供的一种医学征象分支的一种结构示意图；
图5为本申请提供的一种类别预测模型的一种结构示意图；
图6为本申请提供的一种可视化展示的示意图；
图7为本申请实施例中的一种类别预测模型的生成装置的结构示意图；
图8为本申请一实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本申请的技术方案进行清楚、完整地描述。显然，所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了解决现有技术不考虑特征层次的差异，一般都是从模型较高层次的特征图提取信息。因此，这会导致模型所提取的医学征象效果较差，从而导致模型对于类别预测的结果不准确的问题。
本申请提供了一种类别预测模型的生成方法，所述方法可以获取训练数据集，其中，所述训练数据集包括若干组训练数据，每组训练数据包括一张胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签；利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的肺结节的类别标签，对基础深度学习网络进行训练，得到已训练的基础深度学习网络；固定所述已训练的基础深度学习网络的模型参数，并利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签，对与所述基础深度学习网络相连接的医学征象分支进行训练，得到已训练后的类别预测模型；判断所述已训练后的类别预测模型中各医学征象对应的医学征象分支是否只存在一个模型层次中；若否，对所述已训练后的类别预测模型中的医学征象分支进行剪枝处理，得到剪枝处理后的类别预测模型，以及，对所述剪枝处理后的类别预测模型继续执行所述固定所述已训练的基础深度学习网络的模型参数，并利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签，对与所述基础深度学习网络相连接的医学征象分支进行训练，得到已训练后的类别预测模型的步骤；若是，则将所述已训练后的类别预测模型作为目标类别预测模型。由于本申请中首先对基础深度学习网络进行训练，此时不考虑模型的可解释性，仅关注模型的预测性能，然后固定基础深度学习网络的，训练用于解释的医学征象分支，此时，医学征象分支是不会影响模型的预测性能的，实现了在不影响模型本身的预测效能的情况下，对模型进行解释；另外，由于本申请利用类别预测模型中各层的医学征象分支得到不同层次的特征图，从而可以在不同层次的特征图的基础上进行医学征象的预测，有效利用了目标类别预测模型不同层次的语义信息，从而使得目标类别预测模型所提取的医学征象效果较好，且类别预测的结果更加准确，即提高所建立的目标类别预测模型的预测效能。
下面结合附图，详细说明本申请的各种非限制性实施方式。
参见图1，示出了本申请实施例中的一种类别预测模型的生成方法。在本实施例中，所述方法应用于电子设备，所述方法例如可以包括以下步骤：
S101：获取训练数据集。
在本实施例中，所述训练数据集包括若干组训练数据，每组训练数据包括一张胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签。胸部医学图像对应的医学征象标签可以理解为胸部医学图像对应的医学征象，医学征象和现有公知数据集(LIDC-IDRI)保持一致，即边缘清晰度、三维球形度、相比周围检测难度、毛刺征、结节内纹理一致性、钙化程度、结节内部组织、分叶征等。胸部医学图像对应的肺结节的类别可以为肺结节的良恶性或者肺结节的大小类别，其中，胸部医学图像对应的肺结节的类别可以是根据胸部医学图像对应的患者的病理所确定的。在一种实现方式中，所述胸部医学图像可以为胸部平扫薄层CT图像，或者，也可以为增强CT图像、MRI图像，其中，胸部医学图像包括肺结节对应的图像区域。
需要说明的是，在本实施例中，可以将所有收集到的训练数据进行分层抽样，划分训练数据集(60％)、验证集(20％)和测试集(20％)。训练数据集用于对模型进行训练，验证集用于确认模型是否出现过拟合以及判断何时停止训练，测试集用于评估模型的预测表现。
S102：利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的肺结节的类别标签，对基础深度学习网络进行训练，得到已训练的基础深度学习网络。
作为一种示例，可以分别用训练数据集中每组训练数据中的胸部医学图像以及该胸部医学图像对应的肺结节的类别标签，对基础深度学习网络进行训练，以便得到已训练的基础深度学习网络。需要说明的是，在一种实现方式中，基础深度学习网络可以为DenseNet网络模型，当然，也可以为ResNet、ResNeXt、DenseNet、DPN、SENet等深度学习模型。
在一种实现方式中，所述基础深度学习网络可以包括若干个级联的子模块，其中，每个子模块包括一个稠密块。作为一种示例，如图2所示，基础深度学习网络包括三个子模块和一层池化层、一层全连接层，具体地，第一个子模块中包括卷积层和稠密块1，第二个子模块包括卷积层、池化层和稠密块2，第三个子模块包括卷积层、池化层和稠密块3，第一个子模块中的稠密块1与第二个子模块包括卷积层、池化层相连接，第二个子模块中的稠密块2与第三个子模块包括卷积层、池化层相连接，第三个子模块中的稠密块3与池化层连接，该池化层与全连接层连接；且该基础深度学习网络的输入为胸部医学图像，输出为所述胸部医学图像对应的肺结节的预测类别标签；该基础深度学习网络使用Adam(一种优化器名字，没有中文名称)优化器进行训练，初始学习率为0.001，并对输入图像进行数据扩增(旋转、翻转和缩放)，以提高模型的泛化能力。
在本实施例中，可以先将所述训练数据集中的胸部医学图像输入所述基础深度学习网络，得到所述胸部医学图像对应的肺结节的预测类别标签。然后，可以根据所述胸部医学图像对应的肺结节的预测类别标签以及所述胸部医学图像对应的肺结节的类别标签，对所述基础深度学习网络的模型参数进行调整(比如，计算所述胸部医学图像对应的肺结节的预测类别标签以及所述胸部医学图像对应的肺结节的类别标签的损失值，再根据损失值对所述基础深度学习网络的模型参数进行调整)，直至所述基础深度学习网络满足预设的收敛条件(比如验证集损失函数值达到5个训练轮次未下降时，停止训练)，得到已训练的基础深度学习网络。在一种实现方式中，得到已训练的基础深度学习网络后，可以在测试集上评估模型的曲线下面积(即AUC)、正确率、敏感性和特异性。
S103：固定所述已训练的基础深度学习网络的模型参数，并利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节类别标签，对与所述基础深度学习网络相连接的医学征象分支进行训练，得到已训练后的类别预测模型。
在本实施例中，如图3所示，已训练的基础深度学习网络中每个稠密块连接有一层(即一个模型层次)的医学征象分支。即在已训练的基础深度学习网络的基础上，对每一个稠密块的输出增加医学征象预测分支，如图3所示，每一个医学征象分支对应一个医学征象，如边缘清晰度、三维球形度、相比周围检测难度等。每一个医学征象分支内部结构如图4所示，医学征象分支是多任务分支，它同时输出预测医学特征标签fHN和该预测医学特征标签对模型预测的重要性aHN，其中，H为模型的层次，对应基础网络的每一个稠密块，本实例中共3个层次，即H1,H2和H3，N表示第N个医学征象。
作为一种示例，为了训练医学征象分支，首先，固定所述已训练的基础深度学习网络的模型参数，并将所述训练数据集中的胸部医学图像输入所述基础深度学习网络以及与所述基础深度学习网络相连接的医学征象分支，得到各个医学征象分支各自分别输出的预测医学特征标签和该预测医学特征标签对模型预测的重要性，以及所述已训练的基础深度学习网络输出的所述胸部医学图像对应的肺结节的预测类别标签。
针对每一层医学征象分支，根据该层医学征象分支中各个医学征象分支各自分别输出的预测医学特征标签与所述胸部医学图像对应的医学征象标签，确定交叉熵LFHN，LFHN的计算公式如下：
Figure BDA0002996907330000091
其中，Xi为输入的胸部医学图像(或者胸部医学图像的肺结节图像)，fNHi是第N个医学征象的标注结果，
Figure BDA0002996907330000092
是该层医学征象分支中第N个征象的预测结果。
根据该层医学征象分支中各个医学征象分支各自分别输出的预测医学特征标签对模型预测的重要性与所述胸部医学图像对应的肺结节的预测类别标签，确定损失值La，该损失函数La的计算公式如下：
Figure BDA0002996907330000093
其中，
Figure BDA0002996907330000094
为所述已训练的基础深度学习网络输出的所述胸部医学图像对应的肺结节的预测类别标签，比如已训练的基础深度学习网络输出的输入肺结节是恶性的概率；
Figure BDA0002996907330000095
表示第h层各个医学征象分支的预测医学特征标签；ah＝[ah1,ah2,...,ahN]，表示第h层各个医学征象分支对预测医学特征标签对模型预测的重要性。
根据所述交叉熵与所述损失值，确定总损失值L，总损失值L的计算公式为：L＝wLFHN+(1-w)La，其中，w为两个损失函数的权重系数，本实例中，w＝0.5；需要说明的是，该总损失值把所有预测医学特征标签和该预测医学特征标签对模型预测的重要性的乘积之和看作基础深度学习网络与医学征象分支的所有预测结果的解释。该总损失值通过优化模型解释与基础深度学习网络良恶性预测结果之差，使模型解释接近基础深度学习网络良恶性预测结果。以及，根据所述总损失值对医学征象分支中的模型参数进行调整，直至医学征象分支满足预设的收敛条件(基于训练集进行训练，验证集损失函数未下降达到5个训练轮次时，停止训练)，得到已训练后的类别预测模型。
需要说明的是，在一种实现方式中，医学征象分支可以使用Adam优化器进行训练，初始学习率为0.001，并对输入的图像进行数据扩增(旋转、翻转和缩放)，以提高模型的泛化能力。在一种实现方式中，得到已训练的基础深度学习网络和医学征象分支后，可以在测试集上评估各医学征象分支的曲线下面积(AUC)、正确率、敏感性和特异性，另外，评估模型解释(即医学征象分支的结果)与基础网络模型(即基础深度学习网络)的良恶性预测结果的平均绝对误差(MAE)。
S104：判断所述已训练后的类别预测模型中各医学征象对应的医学征象分支是否只存在一个模型层次中。
可以理解的是，在剪枝前每个医学征象在各个模型层次中均有对应的医学征象分支，且同一个医学征象在各个模型层次中对应的医学征象分支可以排列为同一列；判断所述已训练后的类别预测模型中各医学征象对应的医学征象分支是否只存在一个模型层次中，可以理解为，针对每个医学征象而言，判断同一个医学征象在各个模型层次中对应的医学征象分支列中是否仅存在一个医学征象分支。
S105：若否，对所述已训练后的类别预测模型中的医学征象分支进行剪枝处理，得到剪枝处理后的类别预测模型，以及，对所述剪枝处理后的类别预测模型继续执行所述固定所述已训练的基础深度学习网络的模型参数，并利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签，对与所述基础深度学习网络相连接的医学征象分支进行训练，得到已训练后的类别预测模型的步骤。
在本实施例中，若所述已训练后的类别预测模型中各层的医学征象分支并非均为一个，对所述已训练后的类别预测模型中的医学征象分支进行剪枝处理，得到剪枝处理后的类别预测模型。
具体地，可以针对每一个医学征象在各层的医学征象分支，分别确定该医学征象分支预测医学特征标签对应的曲线下面积；确定该医学征象在各层中曲线下面积最小的医学征象分支，以及将所述曲线下面积最小的医学征象分支删除，得到调整后的医学征象分支。接着，可以根据所有调整后的医学征象分支，得到剪枝处理后的类别预测模型。紧接着，继续对剪枝处理后的类别预测模型重新执行S103的步骤，即对于每个医学征象分支，检查各医学征象的预测结果fHN的AUC(曲线下面积)，然后删除AUC最低的一个医学征象分支，并重新训练所有医学征象分支。
S106：若是，则将所述已训练后的类别预测模型作为目标类别预测模型。
也就是说，若所述已训练后的类别预测模型中各医学征象对应的医学征象分支只存在一个模型层次中，则将所述已训练后的类别预测模型作为目标类别预测模型。例如，剪枝后的模型结构如图5所示，即已训练后的类别预测模型中各医学征象对应的医学征象分支只存在一个模型层次中，也就是说，对于各医学征象对应的医学征象分支，在所有层次中只保留一个。这样可以避免医学征象分支的冗余，使该分支处于最适宜的层次。
在一种实现方式中，将肺结节图像输入目标类别预测模型之后，可以获取每个医学征象所对应的医学征象分支的预测结果fn和an，n表示第n个医学征象分支。该医学征象的重要性即为fn和an的乘积。得到医学征象的特征重要性后，获取残差E。其公式为：
Figure BDA0002996907330000121
其中，
Figure BDA0002996907330000122
为已训练的基础深度学习网络输出的所述胸部医学图像对应的肺结节的预测类别标签，比如已训练的基础深度学习网络输出的输入肺结节是恶性的概率。残差E为医学征象分支无法解释的部分。为了进一步对模型的预测结果进行解释，对各个医学征象的重要性和残差进行可视化展示。如图6所示。
需要说明的是，在一种实现方式中，为防止CT不同图像分辨率、不同大小对模型性能产生不利影响，需要对CT数据进行基本预处理，在S102之前，所述方法还包括：
先对所述胸部医学图像进行分辨率归一化处理，得到分辨率归一化图像。比如，将所有胸部医学图像的x/y/z轴分辨率重采样到1x1x1(mm/pixel)，使得网络输入数据为各向同性，减少分辨率对于模型性能的干扰。
然后，可以根据预设的窗宽窗位设置参数，确定所述分辨率归一化图像中的肺结节区域图像。比如，设置数据为肺部窗宽窗位，从而聚焦兴趣区，基于肺结节的感兴趣区域，提取结节范围，即提取分辨率归一化图像中的肺结节区域图像，并基于肺结节的中心提取48*48*48的区域，作为后续流程的输入。
相应地，所述利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的肺结节的类别标签，对基础深度学习网络进行训练，得到已训练的基础深度学习网络，包括：
利用所述训练数据集中若干组训练数据中的胸部医学图像对应的肺结节区域图像以及该胸部医学图像对应的肺结节的类别标签，对基础深度学习网络进行训练，得到已训练的基础深度学习网络。
由上述技术方案可以看出，本申请提供了一种类别预测模型的生成方法，所述方法可以获取训练数据集，其中，所述训练数据集包括若干组训练数据，每组训练数据包括一张胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签；利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的肺结节的类别标签，对基础深度学习网络进行训练，得到已训练的基础深度学习网络；固定所述已训练的基础深度学习网络的模型参数，并利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签，对与所述基础深度学习网络相连接的医学征象分支进行训练，得到已训练后的类别预测模型；判断所述已训练后的类别预测模型中各医学征象对应的医学征象分支是否只存在一个模型层次中；若否，对所述已训练后的类别预测模型中的医学征象分支进行剪枝处理，得到剪枝处理后的类别预测模型，以及，对所述剪枝处理后的类别预测模型继续执行所述固定所述已训练的基础深度学习网络的模型参数，并利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签，对与所述基础深度学习网络相连接的医学征象分支进行训练，得到已训练后的类别预测模型的步骤；若是，则将所述已训练后的类别预测模型作为目标类别预测模型。由于本申请中首先对基础深度学习网络进行训练，此时不考虑模型的可解释性，仅关注模型的预测性能，然后固定基础深度学习网络的，训练用于解释的医学征象分支，此时，医学征象分支是不会影响模型的预测性能的，实现了在不影响模型本身的预测效能的情况下，对模型进行解释；另外，由于本申请利用类别预测模型中各层的医学征象分支得到不同层次的特征图，从而可以在不同层次的特征图的基础上进行医学征象的预测，有效利用了目标类别预测模型不同层次的语义信息，从而使得目标类别预测模型所提取的医学征象效果较好，且类别预测的结果更加准确，即提高所建立的目标类别预测模型的预测效能。
可以理解的是，本申请提出的可解释模型，是在不影响模型本身的预测效能的情况下，对模型进行解释。该方法首先对基础网络进行训练，此时不考虑模型的可解释性，仅关注模型的预测性能。然后固定基础网络的参数，训练用于解释的医学征象分支。此时，医学征象分支是不会影响模型的预测性能的。针对肺结节良恶性的预测，不同的医学征象分支对应不同层次的语义特征。本发明所提出的可解释模型，在不同层次的特征图的基础上进行医学征象的预测，有效利用了模型不同层次的语义信息。本申请设计了一种在不影响模型本身预测性能的情况下，对模型进行定量的可解释分析的方法。本申请针对肺结节良恶性的医学征象的特点，对医学征象进行多层次提取。对于多层次提取得到的医学征象预测分支，进行剪枝，优化解释效果。
在上述类别预测模型的生成方法的基础上，参见图7，本申请还提供了一种类别预测模型的生成装置，包括：
获取单元701，用于获取训练数据集，其中，所述训练数据集包括若干组训练数据，每组训练数据包括一张胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签；
第一训练单元702，用于利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的肺结节的类别标签，对基础深度学习网络进行训练，得到已训练的基础深度学习网络；
第二训练单元703，用于固定所述已训练的基础深度学习网络的模型参数，并利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签，对与所述基础深度学习网络相连接的医学征象分支进行训练，得到已训练后的类别预测模型；
判断单元704，用于判断所述已训练后的类别预测模型中各医学征象对应的医学征象分支是否只存在一个模型层次中；
剪枝单元705，用于若否，对所述已训练后的类别预测模型中的医学征象分支进行剪枝处理，得到剪枝处理后的类别预测模型，以及，对所述剪枝处理后的类别预测模型继续执行所述固定所述已训练的基础深度学习网络的模型参数，并利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签，对与所述基础深度学习网络相连接的医学征象分支进行训练，得到已训练后的类别预测模型的步骤；
确定单元706，用于若是，则将所述已训练后的类别预测模型作为目标类别预测模型。
可选的，所述利第一训练单元702，用于：
将所述训练数据集中的胸部医学图像输入所述基础深度学习网络，得到所述胸部医学图像对应的肺结节的预测类别标签；
根据所述胸部医学图像对应的肺结节的预测类别标签，对所述基础深度学习网络的模型参数进行调整，直至所述基础深度学习网络满足预设的收敛条件，得到已训练的基础深度学习网络。
可选的，所述基础深度学习网络包括若干个级联的子模块，其中，每个子模块包括一个稠密块；
所述第二训练单元703，用于：
固定所述已训练的基础深度学习网络的模型参数，并将所述训练数据集中的胸部医学图像输入所述基础深度学习网络以及与所述基础深度学习网络相连接的医学征象分支，得到各个医学征象分支各自分别输出的预测医学特征标签和该预测医学特征标签对模型预测的重要性，以及所述已训练的基础深度学习网络输出的所述胸部医学图像对应的肺结节的预测类别标签；
针对每一个医学征象分支，根据该医学征象分支中输出的预测医学特征标签与所述胸部医学图像对应的医学征象标签，确定交叉熵；根据各个医学征象分支各自分别输出的预测医学特征标签对模型预测的重要性与所述胸部医学图像对应的肺结节的预测类别标签，确定损失值；根据所述交叉熵与所述损失值，确定总损失值，以及，根据所述总损失值对与医学征象分支中的模型参数进行调整，直至医学征象分支满足预设的收敛条件，得到已训练后的类别预测模型。
可选的，所述剪枝单元705，用于：
针对每一个医学征象在各层的医学征象分支，分别确定该医学征象分支预测医学特征标签对应的曲线下面积；确定该医学征象在各层中曲线下面积最小的医学征象分支，以及将所述曲线下面积最小的医学征象分支删除，得到调整后的医学征象分支；
根据调整后的医学征象分支，得到剪枝处理后的类别预测模型。
可选的，所述基础深度学习网络为DenseNet网络模型。
可选的，所述胸部医学图像为胸部平扫薄层CT图像。
可选的，在所述利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签，对基础深度学习网络进行训练，得到已训练的基础深度学习网络的步骤之前，所述方法还包括：
对所述胸部医学图像进行分辨率归一化处理，得到分辨率归一化图像；
根据预设的窗宽窗位设置参数，确定所述分辨率归一化图像中的肺结节区域图像；
相应地，所述利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签，对基础深度学习网络进行训练，得到已训练的基础深度学习网络，包括：
利用所述训练数据集中若干组训练数据中的胸部医学图像对应的肺结节区域图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签，对基础深度学习网络进行训练，得到已训练的基础深度学习网络。
图8是本申请实施例提供的一种电子设备的结构示意图。在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry StandardArchitecture，工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect，外设部件互连标准)总线或EISA(Extended IndustryStandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放执行指令。具体地，执行指令即可被执行的计算机程序。存储器可以包括内存和非易失性存储器，并向处理器提供执行指令和数据。
在一种可能实现的方式中，处理器从非易失性存储器中读取对应的执行指令到内存中然后运行，也可从其它设备上获取相应的执行指令，以在逻辑层面上形供暖季城市天然气负荷预测装置。处理器执行存储器所存放的执行指令，以通过执行的执行指令实现本申请任一实施例中提供的类别预测模型的生成方法。
上述如本申请图1所示实施例提供的类别预测模型的生成方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
本申请实施例还提出了一种可读介质，该可读存储介质存储有执行指令，存储的执行指令被电子设备的处理器执行时，能够使该电子设备执行本申请任一实施例中提供的类别预测模型的生成方法。
前述各个实施例中所述的电子设备可以为计算机。
本领域内的技术人员应明白，本申请的实施例可提供为方法或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例，或软件和硬件相结合的形式。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
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。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种类别预测模型的生成方法，其特征在于，所述方法包括：
获取训练数据集，其中，所述训练数据集包括若干组训练数据，每组训练数据包括一张胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签；
利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的肺结节的类别标签，对基础深度学习网络进行训练，得到已训练的基础深度学习网络；
固定所述已训练的基础深度学习网络的模型参数，并利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的医学征象标签和肺结节的类别标签，对与所述基础深度学习网络相连接的医学征象分支进行训练，得到已训练后的类别预测模型；
判断所述已训练后的类别预测模型中各医学征象对应的医学征象分支是否只存在一个模型层次中；
若否，对所述已训练后的类别预测模型中的医学征象分支进行剪枝处理，得到剪枝处理后的类别预测模型，以及，对所述剪枝处理后的类别预测模型继续执行所述固定所述已训练的基础深度学习网络的模型参数，并利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签，对与所述基础深度学习网络相连接的医学征象分支进行训练，得到已训练后的类别预测模型的步骤；
若是，则将所述已训练后的类别预测模型作为目标类别预测模型。
2.根据权利要求1所述的方法，其特征在于，所述利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的肺结节的类别标签，对基础深度学习网络进行训练，得到已训练的基础深度学习网络，包括：
将所述训练数据集中的胸部医学图像输入所述基础深度学习网络，得到所述胸部医学图像对应的肺结节的预测类别标签；
根据所述胸部医学图像对应的肺结节的预测类别标签，对所述基础深度学习网络的模型参数进行调整，直至所述基础深度学习网络满足预设的收敛条件，得到已训练的基础深度学习网络。
3.根据权利要求1所述的方法，其特征在于，所述基础深度学习网络包括若干个级联的子模块，其中，每个子模块包括一个稠密块；
所述固定所述已训练的基础深度学习网络的模型参数，并利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签，对与所述基础深度学习网络相连接的医学征象分支进行训练，得到已训练后的类别预测模型，包括：
固定所述已训练的基础深度学习网络的模型参数，并将所述训练数据集中的胸部医学图像输入所述基础深度学习网络以及与所述基础深度学习网络相连接的医学征象分支，得到各个医学征象分支各自分别输出的预测医学特征标签和该预测医学特征标签对模型预测的重要性，以及所述已训练的基础深度学习网络输出的所述胸部医学图像对应的肺结节的预测类别标签；
针对每一个医学征象分支，根据该医学征象分支中输出的预测医学特征标签与所述胸部医学图像对应的医学征象标签，确定交叉熵；根据各个医学征象分支各自分别输出的预测医学特征标签对模型预测的重要性与所述胸部医学图像对应的肺结节的预测类别标签，确定损失值；根据所述交叉熵与所述损失值，确定总损失值，以及，根据所述总损失值对与医学征象分支中的模型参数进行调整，直至医学征象分支满足预设的收敛条件，得到已训练后的类别预测模型。
4.根据权利要求3所述的方法，其特征在于，所述对所述已训练后的类别预测模型中的医学征象分支进行剪枝处理，得到剪枝处理后的类别预测模型，包括：
针对每一个医学征象在各层的医学征象分支，分别确定该医学征象分支预测医学特征标签对应的曲线下面积；确定该医学征象在各层中曲线下面积最小的医学征象分支，以及将所述曲线下面积最小的医学征象分支删除，得到调整后的医学征象分支；
根据所有调整后的医学征象分支，得到剪枝处理后的类别预测模型。
5.根据权利要求1-4中任一所述的方法，其特征在于，所述基础深度学习网络为DenseNet网络模型。
6.根据权利要求1-4中任一所述的方法，其特征在于，所述胸部医学图像为胸部平扫薄层CT图像。
7.根据权利要求1-4中任一所述的方法，其特征在于，在所述利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签，对基础深度学习网络进行训练，得到已训练的基础深度学习网络的步骤之前，所述方法还包括：
对所述胸部医学图像进行分辨率归一化处理，得到分辨率归一化图像；
根据预设的窗宽窗位设置参数，确定所述分辨率归一化图像中的肺结节区域图像；
相应地，所述利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的肺结节的类别标签，对基础深度学习网络进行训练，得到已训练的基础深度学习网络，包括：
利用所述训练数据集中若干组训练数据中的胸部医学图像对应的肺结节区域图像以及该胸部医学图像对应的肺结节的类别标签，对基础深度学习网络进行训练，得到已训练的基础深度学习网络。
8.一种类别预测模型的生成装置，其特征在于，所述装置包括：
获取单元，用于获取训练数据集，其中，所述训练数据集包括若干组训练数据，每组训练数据包括一张胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签；
第一训练单元，用于利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的肺结节的类别标签，对基础深度学习网络进行训练，得到已训练的基础深度学习网络；
第二训练单元，用于固定所述已训练的基础深度学习网络的模型参数，并利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签，对与所述基础深度学习网络相连接的医学征象分支进行训练，得到已训练后的类别预测模型；
判断单元，用于判断所述已训练后的类别预测模型中各层的医学征象分支是否均为一个；
剪枝单元，用于若否，对所述已训练后的类别预测模型中的医学征象分支进行剪枝处理，得到剪枝处理后的类别预测模型，以及，对所述剪枝处理后的类别预测模型继续执行所述固定所述已训练的基础深度学习网络的模型参数，并利用所述训练数据集中若干组训练数据中的胸部医学图像以及该胸部医学图像对应的医学征象标签、肺结节的类别标签，对与所述基础深度学习网络相连接的医学征象分支进行训练，得到已训练后的类别预测模型的步骤；
确定单元，用于若是，则将所述已训练后的类别预测模型作为目标类别预测模型。
9.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器用于存储程序；所述处理器用于运行所述程序，以实现权利要求1-7任一项所述的类别预测模型的生成方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行权利要求1-7任一项所述的类别预测模型的生成方法。
CN202110332831.9A 2021-03-29 2021-03-29 一种类别预测模型的生成方法及装置 Active CN113077427B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110332831.9A CN113077427B (zh) 2021-03-29 2021-03-29 一种类别预测模型的生成方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110332831.9A CN113077427B (zh) 2021-03-29 2021-03-29 一种类别预测模型的生成方法及装置

Publications (2)

Publication Number Publication Date
CN113077427A CN113077427A (zh) 2021-07-06
CN113077427B true CN113077427B (zh) 2023-04-25

Family

ID=76610978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110332831.9A Active CN113077427B (zh) 2021-03-29 2021-03-29 一种类别预测模型的生成方法及装置

Country Status (1)

Country Link
CN (1) CN113077427B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106097340A (zh) * 2016-06-12 2016-11-09 山东大学 一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法
CN107092918A (zh) * 2017-03-29 2017-08-25 太原理工大学 一种基于语义特征和有监督哈希的图像检索实现肺结节征象识别的方法
CN110163258A (zh) * 2019-04-24 2019-08-23 浙江大学 一种基于语义属性注意力重分配机制的零样本学习方法及系统
CN111767952A (zh) * 2020-06-30 2020-10-13 重庆大学 一种可解释的肺结节良恶性分类方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446730B (zh) * 2018-03-16 2021-05-28 推想医疗科技股份有限公司 一种基于深度学习的ct肺结节检测装置
US11049223B2 (en) * 2019-06-19 2021-06-29 Siemens Healthcare Gmbh Class-aware adversarial pulmonary nodule synthesis

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106097340A (zh) * 2016-06-12 2016-11-09 山东大学 一种基于卷积分类器的自动检测并勾画肺结节所在位置的方法
CN107092918A (zh) * 2017-03-29 2017-08-25 太原理工大学 一种基于语义特征和有监督哈希的图像检索实现肺结节征象识别的方法
CN110163258A (zh) * 2019-04-24 2019-08-23 浙江大学 一种基于语义属性注意力重分配机制的零样本学习方法及系统
CN111767952A (zh) * 2020-06-30 2020-10-13 重庆大学 一种可解释的肺结节良恶性分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
侯秋阳 ; 邓克学 ; 叶茗珊 ; 戴钢 ; 王敏锐 ; 邢江浩 ; .基于深度学习的周围型肺小腺癌CT图像计算机辅助诊断初步研究.中国医学计算机成像杂志.2018,(第05期),第378-382页. *

Also Published As

Publication number Publication date
CN113077427A (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN110136103B (zh) 医学影像解释方法、装置、计算机设备及存储介质
US20190050981A1 (en) System and method for automatically detecting a target object from a 3d image
US11735322B2 (en) Systems and methods for ossification center detection and bone age assessment
CN112017198B (zh) 基于自注意力机制多尺度特征的右心室分割方法及装置
CN109003267B (zh) 从3d图像自动检测目标对象的计算机实现方法和系统
CN111950329A (zh) 目标检测及模型训练方法、装置、计算机设备和存储介质
CN112418212B (zh) 一种基于EIoU改进的YOLOv3算法
CN111275686B (zh) 用于人工神经网络训练的医学图像数据的生成方法及装置
WO2022028127A1 (zh) 基于人工智能的病理图像处理方法、装置、电子设备及存储介质
CN112288731A (zh) 一种血管狭窄分析方法及装置
CN109948680B (zh) 病历数据的分类方法及系统
CN109977832B (zh) 一种图像处理方法、装置及存储介质
US20200372654A1 (en) Sampling latent variables to generate multiple segmentations of an image
CN112258558B (zh) 基于多尺度孪生网络的超声颈动脉斑块视频追踪方法
CN114758137B (zh) 超声图像分割方法、装置及计算机可读存储介质
CN111127400A (zh) 一种乳腺病变检测方法和装置
CN114445356A (zh) 基于多分辨率的全视野病理切片图像肿瘤快速定位方法
CN117437697A (zh) 卧姿人体检测模型的训练方法、卧姿人体检测方法及系统
CN113077427B (zh) 一种类别预测模型的生成方法及装置
CN112818946A (zh) 年龄识别模型的训练、年龄识别方法、装置及电子设备
CN110414562B (zh) X光片的分类方法、装置、终端及存储介质
CN111652277A (zh) 假阳性过滤方法、电子装置及计算机可读存储介质
CN116468702A (zh) 黄褐斑评估方法、装置、电子设备及计算机可读存储介质
CN116416221A (zh) 一种超声图像分析方法
CN113963211B (zh) 一种用于手势识别的无监督域适应训练方法及系统

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