CN113239978A - 医学图像预处理模型与分析模型的相关方法和装置 - Google Patents
医学图像预处理模型与分析模型的相关方法和装置 Download PDFInfo
- Publication number
- CN113239978A CN113239978A CN202110436513.7A CN202110436513A CN113239978A CN 113239978 A CN113239978 A CN 113239978A CN 202110436513 A CN202110436513 A CN 202110436513A CN 113239978 A CN113239978 A CN 113239978A
- Authority
- CN
- China
- Prior art keywords
- medical image
- discriminator
- domain
- model
- fidelity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- 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
Abstract
本申请提供了一种医学图像预处理模型及分析模型的训练方法、识别方法和装置,其中,医学图像预处理模型的训练方法包括:利用医学图像预处理模型对第一医学图像样本进行预处理以获得预处理图像;利用保真判别器和第一医学图像样本对预处理图像进行真实性判定以获得真实性判定结果,并利用领域判别器对预处理图像进行领域标签判定以获得领域判定结果;利用真实性判定结果获得保真判别器反向梯度,并利用领域判定结果获得领域判别器反向梯度;利用保真判别器的反向梯度和领域判别器的反向梯度更新医学图像预处理模型的参数,以使得具有不同领域标签的预处理图像具有相同的外观特征。通过上述方式,本申请可以实现不同成像条件下医学图像数据的标准化。
Description
技术领域
本申请属于医学图像识别技术领域,具体涉及一种医学图像预处理模型与分析模型的相关方法和装置。
背景技术
X线胸片(Digital Radiography)是医院最常见的影像学检查手段,具有速度快、辐射量小、空间分辨率高、噪声低等优点;另外X线胸片成像设备成本相对较低,在各级医院普及程度非常高,在常规体检、门诊诊断、入院查体等场景中均有广泛的应用。
由于X线胸片的成像设备类型众多,不同影像医师所使用的成像参数也难以做到完全的统一。这就导致来自不同成像条件下的X线胸片的外观特征(即视觉特征)不同,进一步会使得后续影像科医生阅片负担较大,且导致一些计算机辅助分析系统的效果较差。因此,目前急需解决X线胸片数据的非标准化问题。
发明内容
本申请提供一种医学图像预处理模型与分析模型的相关方法和装置,以解决来自不同成像条件的医学样本图像外观特征不一致的技术问题。
为解决上述技术问题,本申请采用的一个技术方案是:提供一种医学图像预处理模型的训练方法,包括:利用医学图像预处理模型对第一医学图像样本进行预处理以获得预处理图像;其中,所述第一医学图像样本具有领域标签,所述领域标签用于表征所述第一医学图像的成像条件;利用保真判别器和所述第一医学图像样本对所述预处理图像进行真实性判定以获得真实性判定结果,并利用领域判别器对所述预处理图像进行领域标签判定以获得领域判定结果;其中,所述真实性判定结果用于表征所述预处理图像是否仍为医学图像;利用所述真实性判定结果获得所述保真判别器反向梯度,并利用所述领域判定结果获得所述领域判别器反向梯度;利用所述保真判别器的反向梯度和所述领域判别器的反向梯度更新所述医学图像预处理模型的参数,以使得具有不同领域标签的所述预处理图像具有相同的外观特征。本申请中所述的医学图像包括但不限于X线胸片等。
其中,所述利用所述保真判别器的反向梯度和所述领域判别器的反向梯度更新所述医学图像预处理模型的参数的步骤之前,还包括:利用所述真实性判定结果获得所述保真判别器的正向梯度,并利用所述领域判定结果获得所述领域判别器的正向梯度;利用所述保真判别器的正向梯度更新所述保真判别器的参数,并利用所述领域判别器的正向梯度更新所述领域判别器的参数。
其中,所述利用医学图像预处理模型对第一医学图像样本进行预处理以获得预处理图像的步骤,包括:利用医学图像预处理模型对并行输入的具有不同领域标签的多个所述第一医学图像样本进行预处理以获得对应的多个预处理图像,其中,不同领域标签对应的所述第一医学图像样本的个数相同。
其中,所述利用医学图像预处理模型对第一医学图像进行预处理以获得预处理图像的步骤包括:将第一医学图像输入至所述医学图像预处理模型的编码器以获得第一特征图;其中,所述第一特征图的尺寸小于所述第一医学图像样本的尺寸;将所述第一特征图输入至所述医学图像预处理模型的膨胀残差层以获得第二特征图;将所述第二特征图输入至所述医学图像预处理模型的解码器以获得所述预处理图像;其中,所述预处理图像的尺寸与所述第一医学图像的尺寸相同。
其中,所述将第一医学图像输入至所述医学图像预处理模型的编码器以获得第一特征图的步骤之前,还包括:将所述第一医学图像进行归一化以及降采样处理。
其中,所述利用所述保真判别器的反向梯度和所述领域判别器的反向梯度更新所述医学图像预处理模型的参数的步骤,包括:获得所述保真判别器的反向梯度与所述领域判别器的反向梯度的和值;利用所述和值更新所述医学图像预处理模型的参数。
其中,还包括:响应于所述保真判别器的反向梯度和所述领域判别器的反向梯度收敛,输出所述医学图像预处理模型。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种医学图像分析模型的训练方法,包括:利用医学图像预处理模型对第二医学图像样本进行预处理以获得训练图像;其中,所述医学图像预处理模型采用上述任一实施例中所述的训练方法训练获得;利用所述训练图像训练所述医学图像分析模型。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种医学图像的识别方法,包括:利用医学图像预处理模型对待识别的第三医学图像样本进行预处理以获得输出图像;其中,所述医学图像预处理模型采用上述任一实施例中所述的训练方法训练获得;利用医学图像分析模型对所述输出图像进行分析以获得分析结果。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种医学图像处理装置,包括:处理器和存储器,其中,所述处理器与所述存储器耦接,用于实现上述任一实施例中所述的训练方法和识别方法。
为解决上述技术问题,本申请采用的另一个技术方案是:提供一种具有存储功能的装置,其上存储有程序数据,所述程序数据能够被处理器执行以实现上述任一实施例中所述的训练方法和识别方法。
区别于现有技术情况,本申请的有益效果是:本申请在训练医学图像预处理模型时会应用到领域判别器和保真判别器,且在更新医学图像预处理模型的参数时会应用到领域判别器的反向梯度和保真判别器的反向梯度。其中,来自领域判别器的反向梯度将使得来自不同成像条件的医学图像样本经医学图像预处理模型后不具备区分性(即具有相同的外观特征),同时来自保真判别器的反向梯度将确保经医学图像预处理模型后的预处理图像仍然是一个医学图像(例如,仍然是一个胸片);这两种反向梯度的累积将会促使医学图像预处理模型学习到一个公用的统一图像空间,在这个图像空间中来自不同成像条件的医学图像样本将没有该成像条件下特定的信息,从而实现医学图像数据的标准化,进而可以后续减轻影像科医生阅片的负担,且可以提高一些计算机辅助分析系统的效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其它的附图,其中:
图1为本申请医学图像预处理模型的训练方法一实施方式的流程示意图;
图2为图1中步骤S101一实施方式的流程示意图;
图3为图1中步骤S102和步骤S104之间一实施方式的流程示意图;
图4为本申请医学图像分析模型的训练方法一实施方式的流程示意图;
图5为本申请医学图像的识别方法一实施方式的流程示意图;
图6为经过医学图像预处理模型处理前后的胸片示意图;
图7为本申请医学图像处理装置一实施方式的结构示意图;
图8为本申请具有存储功能的装置一实施方式的结构示意图。
具体实施方式
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,所描述的实施例仅是本申请的一部分实施例,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它实施例,都属于本申请保护的范围。
请参阅图1,图1为本申请医学图像预处理模型的训练方法一实施方式的流程示意图,该训练方法包括:
S101:利用医学图像预处理模型对第一医学图像样本进行预处理以获得预处理图像;其中,第一医学图像样本具有领域标签,领域标签用于表征第一医学图像的成像条件。
具体地,在本实施例中,上述步骤S101中所提及的成像条件可以包括医疗影像设备的型号以及设定的成像参数。当医疗影像设备的型号和成像参数中的至少一个不同时,其对应的领域标签不同。
一般而言,由不同成像条件获得的第一医学样本的分辨率/尺寸之间可能存在差异,在上述步骤S101之前,还包括:将第一医学图像进行归一化以及降采样处理,以使得后续输入进图像预处理模块的所有第一医学图像的分辨率和尺寸是相同的。上述归一化的方式可以为均值方差归一化方法或min-max归一化方法等;该归一化方法可以将所有第一医学图像的像素值统一到同样的范围内,以降低后续医学图像预处理模型的训练难度。此外,上述降采样处理可以缩小第一医学图像的尺寸,以降低对硬件条件的要求。例如,可以通过降采样两倍处理将第一医学图像的尺寸缩小。
进一步,上述步骤S101中所采用的第一医学图像样本可以通过现有的医疗影像设备拍摄获取,该医疗影像设备可以为X线设备、或CT设备、或超声波设备等。且不同类型的医学图像样本对应的医学图像预处理模型不同,此处不同类型包括不同成像部位和不同成像原理。例如,X线胸片对应一个医学图像预处理模型,X线骨关节片对应一个医学图像预处理模型、CT胸片对应一个医学图像预处理模型。可选地,不同类型的医学图像样本对应的医学图像预处理模型的基本架构可以相同,但不同类型的医学图像样本对应的医学图像预处理模型的参数可以不同。
在一个实施例中,上述医学图像预处理模型可以包括编码器、膨胀残差层和解码器;其中,编码器可以由一系列卷积层、BatchNorm层、ReLU层构成,编码器主要用于提取语义特征;而解码器则用于从语义特征中恢复出原始表观信息,其可以由一系列逆卷积层、BatchNorm层、ReLU层构成。此外,由于硬件能力受限,编码器在特征提取过程中会进行降采样处理(例如,降采样4倍处理),对应地,解码器在恢复过程中会进行升采样处理(例如,升采样4倍处理),以使得第一医学图像和预处理图像的尺寸相同。如果仅存在上述编码器和解码器,则会导致语义特征的感受野不足,为解决此问题,本申请在编码器与解码器中间插入一系列膨胀残差层。膨胀残差层是将残差网络的残差模块中的普通卷积替换为膨胀卷积,该膨胀残差层可以大幅提高特征感受野,以抽取更加全局的信息。具体地,请参阅图2,上述步骤S101的具体实现过程可以为:
S201:将第一医学图像输入至医学图像预处理模型的编码器以获得第一特征图;其中,第一特征图的尺寸小于第一医学图像样本的尺寸。例如,第一特征图的尺寸为第一医学图像样本的尺寸的1/4等。
S202:将第一特征图输入至医学图像预处理模型的膨胀残差层以获得第二特征图。此时,第二特征图的尺寸可以与第一特征图的尺寸相同。
S203:将第二特征图输入至医学图像预处理模型的解码器以获得预处理图像;其中,预处理图像的尺寸与第一医学图像的尺寸相同。
此外,在本实施例中,为了提高训练效率,可以采用多个第一医学图像样本并行处理的方式,上述步骤S101的具体实现过程可以为:利用医学图像预处理模型对并行输入的具有不同领域标签的多个第一医学图像样本进行预处理以获得对应的多个预处理图像,其中,不同领域标签对应的第一医学图像样本的个数相同。该设计方式可以使得整个训练过程较为稳定,且使得具有不同领域标签的多个预处理图像之间更好地对齐。例如,当当前需要训练的图像预处理模块是为了应用于A、B两个领域标签的第一医学图像样本时,在当次训练过程中,可以将具有A领域标签的N个第一医学图像样本和具有B领域标签的N个第一医学图像样本并行输入至医学图像预处理模型中。
S102:利用保真判别器和第一医学图像样本对预处理图像进行真实性判定以获得真实性判定结果,并利用领域判别器对预处理图像进行领域标签判定以获得领域判定结果;其中,真实性判定结果用于表征预处理图像是否仍为医学图像。
具体地,在本实施例中,保真判别器是一个典型的分类任务的神经网络,保真判别器可以包括特征提取器和分类器,其中,特征提取器由一系列卷积层、BatchNorm层、ReLU层构成,而最后的分类器则由全连接层构成,全连接层的输出为两个节点,全连接层的每个节点接softmax激活函数便可计算得到预处理图像是否仍为医学图像的后验概率。一般而言,保真判别器的输出为二值的输出;当保真判别器输出为1时,表明该对应的预处理图像仍然为一个医学图像,例如,预处理图像仍然为完整的X线胸片,而非局部影像或随机产生的其他影像;反之,则保真判别器输出为0。通过该保真判别器的设置可以保证经过医学图像预处理模型预处理后的预处理图像与对应的第一医学图像样本相比,仅外观特征(即视觉特征)发生了变动,其余关键的信息仍然保留。上述外观特征包括清晰度(例如,组织结构清晰度、边缘清晰度等)、亮度等。
进一步,上述步骤S102中利用保真判别器和第一医学图像样本对预处理图像进行真实性判定以获得真实性判定结果的具体过程可以为:将第一医学图像样本和预处理图像同时输入至保真判别器中,保真判别器相当于以第一医学图像样本为参照来判定出预处理图像的真实性判定结果。
当然,在其他实施例中,也可将第一医学图像样本、其他医学图像样本和预处理图像同时输入至保真判别器中以获得真实性判定结果。其中,上述第一医学图像样本和其他医学图像样本为同种医学图像样本,例如,均为X线胸片等。
此外,在本实施例中,领域判别器用于区分医学图像预处理模型输出的预处理图像具有哪个领域标签。领域判别器同样为一个分类模型,其输出为该预处理图像具有哪个领域标签的概率。同一种成像条件下得到的预处理图像具备同样的领域标签,领域标签的总数为训练样本中所有成像条件的个数,而不同成像条件的领域标签可以随机无交叉的指定。领域判别器可以包括特征提取器和分类器,特征提取器由一系列卷积层、BatchNorm层、ReLU层构成,而最后的分类器则由全连接层构成,全连接的输出为M个节点,M表示训练数据中领域标签的个数。全连接层的每个节点接softmax激活函数便可计算得到预处理影响归属每一个领域标签的后验概率。
S103:利用真实性判定结果获得保真判别器反向梯度,并利用领域判定结果获得领域判别器反向梯度。
具体地,在本实施例中,可以利用真实性判定结果和第一损失函数来计算获得保真判别器在此次训练过程中的反向梯度、以及利用领域判定结果、第一医学图像样本的领域标签和第二损失函数来计算获得领域判别器在此次训练过程中的反向梯度。
S104:利用保真判别器的反向梯度和领域判别器的反向梯度更新医学图像预处理模型的参数,以使得具有不同领域标签的预处理图像具有相同的外观特征。
具体地,在本实施例中,来自领域判别器的反向梯度将使得来自不同成像条件的医学图像经医学图像预处理模型后不具备区分性(即具有相同的外观特征),同时来自保真判别器的反向梯度将确保经医学图像预处理模型后的预处理图像仍然是一个医学图像(例如,仍然是一个胸片);这两种反向梯度的累积将会促使医学图像预处理模型学习到一个公用的统一图像空间,在这个图像空间中来自不同成像条件的医学图像样本将没有该成像条件下特定的信息,从而实现医学图像数据的标准化;后续可以减轻影像科医生阅片的负担,且可以提高一些计算机辅助分析系统的效果。
进一步,上述步骤S104的实现过程可以为:获得保真判别器的反向梯度与领域判别器的反向梯度的和值;利用和值更新医学图像预处理模型的参数。该利用和值来更新医学图像预处理模型的参数的过程较为简单。当然,在其他实施例中,上述步骤S104的实现过程可以为:获得保真判别器的反向梯度与第一权重的第一乘积,获得领域判别器的反向梯度与第二权重的第二乘积,利用第一乘积和第二乘积之和更新医学图像预处理模型的参数;其中,第一权重和第二权重之和为1。
此外,在本实施例中,在一次训练过程中可以在更新医学图像预处理模型的参数的过程中,同时更新保真判别器和领域判别器的参数,以提高训练效率。具体实现过程可参见图3,图3为图1中步骤S102和步骤S104之间一实施方式的流程示意图,在上述步骤S102和步骤S104之间还可以包括:
S301:利用真实性判定结果获得保真判别器的正向梯度,并利用领域判定结果获得领域判别器的正向梯度。
具体地,在本实施例中,可以利用真实性判定结果和第三损失函数来计算获得保真判别器在此次训练过程中的正向梯度、以及利用领域判定结果、第一医学图像样本的领域标签和第四损失函数来计算获得领域判别器在此次训练过程中的正向梯度。
进一步,当上述步骤S103在步骤S301之后进行时,上述步骤S103中获得保真判别器的反向梯度的过程还可以为:对保真判别器的正向梯度进行取反以获得反向梯度;上述步骤S103中获得领域判别器的反向梯度的过程还可以为:对领域判别器的正向梯度进行取反以获得反向梯度。
S302:利用保真判别器的正向梯度更新保真判别器的参数,并利用领域判别器的正向梯度更新领域判别器的参数。
当然,在其他实施例中,也可在一次训练过程中,先通过训练固定保真判别器的参数,然后再通过训练固定领域判别器的参数,再进入步骤S104。
此外,对于结束上述医学图像预处理模型的训练过程的条件可以为:响应于保真判别器的反向梯度和领域判别器的反向梯度收敛,输出医学图像预处理模型。该条件设置方式可以保证医学图像预处理模型的精度和准确度。
目前,伴随着X线胸片设备的普及,国内胸片检查量也大幅提升,而国内影像科医生的增长速度却远低于检查量的增速,这便不可避免地给影像科医生带来了更繁重的工作负担。通常每名影像科医生要查阅近百张胸片,工作负担带来的疲惫同时也会影响阅片的准确率,从而造成误诊;另一方面,基层医疗机构的影像科医生水平较低,甚至不具备阅片资格,导致基层医疗的水平和病人数量较低,大量病人到上级医院就医又进一步加重了医生的工作负担。
因此,医学图像分析模型应运而生,医学图像分析模型可以应用于计算机辅助诊断系统CAD,以使得CAD系统可以对影像进行预处理、病灶定位、病灶分级、病灶测量量化、报告生成等,但基于传统图像处理方法的CAD系统效果较差,无法满足临床应用需求。近年来,随着深度学习技术在自然场景图像中成功应用后,该技术也逐步推广至医学影像领域,在各种任务中表现出了优异的水平,使得CAD系统的效果和效率都大幅提升。深度学习技术加成的CAD系统可以大幅提高医生的工作效率,降低医生的工作量,同时提升医生的诊断准确率。而目前,医学图像的非标准化问题成为了基于深度学习的CAD系统推广应用的最大障碍。如果CAD系统所使用的深度学习模型是基于某些成像条件下的影像训练得到时,那么当它应用到其他成像条件下的影像数据时,效果将会大幅下降。
为了解决该问题,请参阅图4,图4为本申请医学图像分析模型的训练方法一实施方式的流程示意图。该训练方法包括:
S401:利用医学图像预处理模型对第二医学图像样本进行预处理以获得训练图像。
具体地,在本实施例仲,上述步骤S401中医学图像预处理模型可以采上述任一实施例中所提及的训练方法训练获得。
S402:利用训练图像训练医学图像分析模型。
一般而言,常见的医学图像分析模型包括识别、检测、分割三类,这三类模型均可直接在经过医学图像预处理模型预处理后的训练图像中训练。由于预处理后的训练图像具备相近的外观模式,因此在该统一的图像空间中学习将大幅降低模型训练的难度,达到更快的收敛速度与更优的收敛效果。
在一个应用识别过程中,如图5所示,图5为本申请医学图像的识别方法一实施方式的流程示意图,该识别方法具体包括:
S501:利用医学图像预处理模型对待识别的第三医学图像样本进行预处理以获得输出图像。
具体地,在本实施例中,上述步骤S501中医学图像预处理模型可以采用上述任一实施例中所提及的医学图像预处理模型的训练方法训练获得。
如图6所示,图6为经过医学图像预处理模型处理前后的胸片示意图。图6中第一、二行分别为来自两台X光设备拍摄的影像,左侧图像为自动预处理之前的图像,可以观察到两者之间存在明显的视觉差异;而经过医学图像预处理模型后,如右侧两个图像所示,两者风格变得接近,具有相同的外观特征,从而更适于医学图像预处理模型以及影像科医生阅片。
S502:利用医学图像分析模型对输出图像进行分析以获得分析结果。
具体地,在本实施例中,上述步骤S502中医学图像分析模型可以采用上述任一实施例中所提及的医学图像分析模型的训练方法训练获得。上述分析结果可以包括病灶位置、病灶类型、病灶大小等。
请参阅图7,图7为本申请医学图像处理装置一实施方式的结构示意图,该医学图像处理装置包括相互耦接的处理器20和存储器22,用于相互配合以实现上述任一实施例中所述的训练方法或识别方法。在本实施例中,处理器20还可以称为CPU(CentralProcessing Unit,中央处理单元)。处理器20可能是一种集成电路芯片,具有信号的处理能力。处理器20还可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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。通用处理器可以是微处理器或者该处理器20也可以是任何常规的处理器等。
此外,本申请所提供的医学图像处理装置还可包括其他结构,例如,常见的显示屏、通信电路等,本申请对此不作过多说明。
请参阅图8,图8为本申请具有存储功能的装置一实施方式的结构示意图。该具有存储功能的装置30上存储有程序数据300,程序数据300能够被处理器执行以实现上述任一实施例中所述的训练方法或识别方法。其中,该程序数据300可以以软件产品的形式存储在上述存储装置中,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,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储装置包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质,或者是计算机、服务器、手机、平板等终端设备。
以上所述仅为本申请的实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (11)
1.一种医学图像预处理模型的训练方法,其特征在于,包括:
利用医学图像预处理模型对第一医学图像样本进行预处理以获得预处理图像;其中,所述第一医学图像样本具有领域标签,所述领域标签用于表征所述第一医学图像的成像条件;
利用保真判别器和所述第一医学图像样本对所述预处理图像进行真实性判定以获得真实性判定结果,并利用领域判别器对所述预处理图像进行领域标签判定以获得领域判定结果;其中,所述真实性判定结果用于表征所述预处理图像是否仍为医学图像;
利用所述真实性判定结果获得所述保真判别器反向梯度,并利用所述领域判定结果获得所述领域判别器反向梯度;
利用所述保真判别器的反向梯度和所述领域判别器的反向梯度更新所述医学图像预处理模型的参数,以使得具有不同领域标签的所述预处理图像具有相同的外观特征。
2.根据权利要求1所述的训练方法,其特征在于,所述利用所述保真判别器的反向梯度和所述领域判别器的反向梯度更新所述医学图像预处理模型的参数的步骤之前,还包括:
利用所述真实性判定结果获得所述保真判别器的正向梯度,并利用所述领域判定结果获得所述领域判别器的正向梯度;
利用所述保真判别器的正向梯度更新所述保真判别器的参数,并利用所述领域判别器的正向梯度更新所述领域判别器的参数。
3.根据权利要求1所述的训练方法,其特征在于,所述利用医学图像预处理模型对第一医学图像样本进行预处理以获得预处理图像的步骤,包括:
利用医学图像预处理模型对并行输入的具有不同领域标签的多个所述第一医学图像样本进行预处理以获得对应的多个预处理图像,其中,不同领域标签对应的所述第一医学图像样本的个数相同。
4.根据权利要求1所述的训练方法,其特征在于,所述利用医学图像预处理模型对第一医学图像进行预处理以获得预处理图像的步骤包括:
将第一医学图像输入至所述医学图像预处理模型的编码器以获得第一特征图;其中,所述第一特征图的尺寸小于所述第一医学图像样本的尺寸;
将所述第一特征图输入至所述医学图像预处理模型的膨胀残差层以获得第二特征图;
将所述第二特征图输入至所述医学图像预处理模型的解码器以获得所述预处理图像;其中,所述预处理图像的尺寸与所述第一医学图像的尺寸相同。
5.根据权利要求4所述的训练方法,其特征在于,所述将第一医学图像输入至所述医学图像预处理模型的编码器以获得第一特征图的步骤之前,还包括:
将所述第一医学图像进行归一化以及降采样处理。
6.根据权利要求1所述的训练方法,其特征在于,所述利用所述保真判别器的反向梯度和所述领域判别器的反向梯度更新所述医学图像预处理模型的参数的步骤,包括:
获得所述保真判别器的反向梯度与所述领域判别器的反向梯度的和值;
利用所述和值更新所述医学图像预处理模型的参数。
7.根据权利要求1所述的训练方法,其特征在于,还包括:
响应于所述保真判别器的反向梯度和所述领域判别器的反向梯度收敛,输出所述医学图像预处理模型。
8.一种医学图像分析模型的训练方法,其特征在于,包括:
利用医学图像预处理模型对第二医学图像样本进行预处理以获得训练图像;其中,所述医学图像预处理模型采用权利要求1-7中任一项所述的训练方法训练获得;
利用所述训练图像训练所述医学图像分析模型。
9.一种医学图像的识别方法,其特征在于,包括:
利用医学图像预处理模型对待识别的第三医学图像样本进行预处理以获得输出图像;其中,所述医学图像预处理模型采用权利要求1-7中任一项所述的训练方法训练获得;
利用医学图像分析模型对所述输出图像进行分析以获得分析结果。
10.一种医学图像处理装置,其特征在于,包括:
处理器和存储器,其中,所述处理器与所述存储器耦接,用于实现权利要求1-7中任一项所述的训练方法、或权利要求8中所述的训练方法、或权利要求9中所述的识别方法。
11.一种具有存储功能的装置,其特征在于,其上存储有程序数据,所述程序数据能够被处理器执行以实现如权利要求1-7中任一项所述的训练方法、或如权利要求8所述的训练方法、或如权利要求9所述的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110436513.7A CN113239978A (zh) | 2021-04-22 | 2021-04-22 | 医学图像预处理模型与分析模型的相关方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110436513.7A CN113239978A (zh) | 2021-04-22 | 2021-04-22 | 医学图像预处理模型与分析模型的相关方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113239978A true CN113239978A (zh) | 2021-08-10 |
Family
ID=77128881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110436513.7A Pending CN113239978A (zh) | 2021-04-22 | 2021-04-22 | 医学图像预处理模型与分析模型的相关方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239978A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017210455A1 (en) * | 2016-06-01 | 2017-12-07 | Kla-Tencor Corporation | Systems and methods incorporating a neural network and a forward physical model for semiconductor applications |
GB201906560D0 (en) * | 2018-08-24 | 2019-06-26 | Petrochina Co Ltd | Method and apparatus for automatically extracting image features of electrical imaging well logging |
CN110074813A (zh) * | 2019-04-26 | 2019-08-02 | 深圳大学 | 一种超声图像重建方法及系统 |
WO2019157508A1 (en) * | 2018-02-12 | 2019-08-15 | Ai.Skopy, Inc. | System and method for diagnosing gastrointestinal neoplasm |
GB202007918D0 (en) * | 2020-05-27 | 2020-07-08 | Tomtom Global Content Bv | Neutral network model for image segmentation |
WO2020215557A1 (zh) * | 2019-04-24 | 2020-10-29 | 平安科技(深圳)有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
WO2021017372A1 (zh) * | 2019-08-01 | 2021-02-04 | 中国科学院深圳先进技术研究院 | 一种基于生成对抗网络的医学图像分割方法、系统及电子设备 |
-
2021
- 2021-04-22 CN CN202110436513.7A patent/CN113239978A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017210455A1 (en) * | 2016-06-01 | 2017-12-07 | Kla-Tencor Corporation | Systems and methods incorporating a neural network and a forward physical model for semiconductor applications |
WO2019157508A1 (en) * | 2018-02-12 | 2019-08-15 | Ai.Skopy, Inc. | System and method for diagnosing gastrointestinal neoplasm |
GB201906560D0 (en) * | 2018-08-24 | 2019-06-26 | Petrochina Co Ltd | Method and apparatus for automatically extracting image features of electrical imaging well logging |
WO2020215557A1 (zh) * | 2019-04-24 | 2020-10-29 | 平安科技(深圳)有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
CN110074813A (zh) * | 2019-04-26 | 2019-08-02 | 深圳大学 | 一种超声图像重建方法及系统 |
WO2021017372A1 (zh) * | 2019-08-01 | 2021-02-04 | 中国科学院深圳先进技术研究院 | 一种基于生成对抗网络的医学图像分割方法、系统及电子设备 |
GB202007918D0 (en) * | 2020-05-27 | 2020-07-08 | Tomtom Global Content Bv | Neutral network model for image segmentation |
Non-Patent Citations (1)
Title |
---|
石龙杰;周扬;岑岗;刘铁兵;施秧;陈正伟;黄俊;汪凤林;岑跃峰;: "基于OCT成像的淡水无核珍珠内部缺陷自动检测方法", 计量学报, no. 10 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110111313B (zh) | 基于深度学习的医学图像检测方法及相关设备 | |
CN110232719B (zh) | 一种医学图像的分类方法、模型训练方法和服务器 | |
CN109345575B (zh) | 一种基于深度学习的图像配准方法及装置 | |
Wang et al. | Automated diabetic retinopathy grading and lesion detection based on the modified R‐FCN object‐detection algorithm | |
US20220198230A1 (en) | Auxiliary detection method and image recognition method for rib fractures based on deep learning | |
CN114170167B (zh) | 基于注意力引导上下文校正的息肉分割方法和计算机设备 | |
CN111667459B (zh) | 一种基于3d可变卷积和时序特征融合的医学征象检测方法、系统、终端及存储介质 | |
CN111445457B (zh) | 网络模型的训练方法及装置、识别方法及装置、电子设备 | |
CN112465834A (zh) | 一种血管分割方法及装置 | |
CN114758137B (zh) | 超声图像分割方法、装置及计算机可读存储介质 | |
CN115063425B (zh) | 基于读片知识图谱的结构化检查所见生成方法及系统 | |
CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN113989293A (zh) | 图像分割方法及相关模型的训练方法和装置、设备 | |
CN115100494A (zh) | 一种病灶图像的识别方法、装置、设备及可读存储介质 | |
CN112884702A (zh) | 一种基于内窥镜图像的息肉识别系统和方法 | |
CN111507950A (zh) | 图像分割的方法和装置、电子设备及计算机可读存储介质 | |
CN112862786B (zh) | Cta影像数据处理方法、装置及存储介质 | |
CN113239978A (zh) | 医学图像预处理模型与分析模型的相关方法和装置 | |
CN113192085A (zh) | 三维器官图像分割方法、装置及计算机设备 | |
CN112862785A (zh) | Cta影像数据识别方法、装置及存储介质 | |
CN111292270A (zh) | 基于深度学习网络的三维影像血管增强方法 | |
CN113469172B (zh) | 目标定位、模型训练、界面交互方法及设备 | |
Liu et al. | DCE-Net: A Dynamic Context Encoder Network for Liver Tumor Segmentation | |
CN113408596B (zh) | 病理图像的处理方法、装置、电子设备及可读存储介质 | |
CN116486184B (zh) | 一种乳腺病理图像识别分类方法、系统、设备及介质 |
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 |