CN113420814B - 一种肺疾病检测模型的训练方法、装置、设备和介质 - Google Patents

一种肺疾病检测模型的训练方法、装置、设备和介质 Download PDF

Info

Publication number
CN113420814B
CN113420814B CN202110699479.2A CN202110699479A CN113420814B CN 113420814 B CN113420814 B CN 113420814B CN 202110699479 A CN202110699479 A CN 202110699479A CN 113420814 B CN113420814 B CN 113420814B
Authority
CN
China
Prior art keywords
medical image
image sample
lung disease
feature
sample packet
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
CN202110699479.2A
Other languages
English (en)
Other versions
CN113420814A (zh
Inventor
谭卫雄
刘柏韵
武江芬
王少康
陈宽
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.)
Infervision Medical Technology Co Ltd
Original Assignee
Infervision Medical 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 Infervision Medical Technology Co Ltd filed Critical Infervision Medical Technology Co Ltd
Priority to CN202110699479.2A priority Critical patent/CN113420814B/zh
Publication of CN113420814A publication Critical patent/CN113420814A/zh
Application granted granted Critical
Publication of CN113420814B publication Critical patent/CN113420814B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种肺疾病检测模型的训练方法、装置、设备和介质，训练方法包括：获取肺疾病训练集合；将训练样本中的阳性医学影像样本包和阴性医学影像样本包分别输入至特征提取机制，提取阳性医学影像样本包的第一特征和阴性医学影像样本包的第二特征，并基于第一特征和第二特征，计算第一损失值；针对每一个医学影像样本包，将样本包对应的特征输入至注意力机制，得到检测结果，并基于检测结果和样本包的标签对应的真实值，计算第二损失值；基于第一损失值和第二损失值，更新肺疾病检测模型的特征提取机制的第一参数和注意力机制的第二参数，得到训练好的肺疾病检测模型。

Description

一种肺疾病检测模型的训练方法、装置、设备和介质
技术领域
本申请涉及模型领域，具体而言，涉及一种肺疾病检测模型的训练方法、装置、设备和介质。
背景技术
随着科技的发展，大量的先进技术也应用在了医疗领域，更多的医疗手段依赖于新的科技。比如，CT(Computed Tomography，电子计算机断层扫描)，它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查。
发明内容
有鉴于此，本申请的目的在于提供一种肺疾病检测模型的训练方法、装置、设备和介质，用于解决现有技术中肺疾病检测模型太依靠病灶的精标注和计算结果不准确的问题。
第一方面，本申请实施例提供了一种肺疾病检测模型的训练方法，包括：
获取肺疾病训练集合；所述肺疾病训练集合中包括至少一个训练样本，每一个训练样本包括阳性医学影像样本包和阴性医学影像样本包；
针对每一个训练样本，将所述训练样本中的阳性医学影像样本包和所述阴性医学影像样本包分别输入至肺疾病检测模型的特征提取机制，提取所述阳性医学影像样本包的第一特征和所述阴性医学影像样本包的第二特征，并基于所述第一特征和所述第二特征，计算第一损失值；
针对每一个医学影像样本包，将所述样本包对应的特征输入至肺疾病检测模型的注意力机制，得到检测结果，并基于所述检测结果和所述样本包的标签对应的真实值，计算第二损失值；其中，所述医学影像样本包为阳性医学影像样本包或阴性医学影像样本包；
基于所述第一损失值和所述第二损失值，更新所述肺疾病检测模型的特征提取机制的第一参数和注意力机制的第二参数，得到训练好的肺疾病检测模型，以使训练好的肺疾病检测模型对待检测的医学图像中的肺疾病进行检测。
可选的，通过以下步骤确定医学影像样本包：
将医学影像按预设方向对应的间隔采样均分为预设数量的等份；
从每一个等份中随机选择一个间隔采样组合在一起，确定为所述医学影像样本包。
可选的，将医学影像按预设方向对应的间隔采样均分为预设数量的等份，包括：
利用预设灰度值范围，在医学影像中突出肺部组织；
突出肺部组织的医学影像对应的间隔采样均分为预设数量的等份。
可选的，所述第一特征包括所述阳性医学影像样本包中每一个间隔采样的第一子特征，所述第二特征包括所述阴性医学影像样本包中每一个间隔采样的第二子特征；基于所述第一特征和所述第二特征，计算第一损失值，包括：
针对阳性医学影像样本包中每一个间隔采样，计算所述间隔采样的第一子特征与所述阴性医学影像样本包中对应的间隔采样的第二子特征之间的特征距离；
根据所述阳性医学影像采样本包中每一个间隔采样对应的特征距离，将所述阳性医学影像样本包中的间隔采样分为带病灶类和不带病灶类；
基于所述阳性医学影像样本包中不带病灶类的间隔采样对应的特征距离和带病灶类的间隔采样对应的特征距离的倒数，计算所述第一损失值。
可选的，基于第一损失值和第二损失值，更新所述肺疾病检测模型的特征提取机制的第一参数和注意力机制的第二参数，得到训练好的肺疾病检测模型，包括：
基于所述第一损失值和所述第二损失值更新所述肺疾病检测模型的特征提取机制的第一参数；
基于所述第二损失值更新所述肺疾病检测模型的注意力机制的第二参数；
基于更新所述第一参数后的所述肺疾病检测模型的特征提取机制和更新所述第二参数后的所述肺疾病检测模型的注意力机制，得到训练好的肺疾病检测模型。
第二方面，本申请实施例提供了一种肺疾病检测模型的训练装置，包括：
获取模块，用于获取肺疾病训练集合；所述肺疾病训练集合中包括至少一个训练样本，每一个训练样本包括阳性医学影像样本包和阴性医学影像样本包；
提取模块，用于针对每一个训练样本，将所述训练样本中的阳性医学影像样本包和所述阴性医学影像样本包分别输入至肺疾病检测模型的特征提取机制，提取所述阳性医学影像样本包的第一特征和所述阴性医学影像样本包的第二特征，并基于所述第一特征和所述第二特征，计算第一损失值；
结果模块，用于针对每一个医学影像样本包，将所述样本包对应的特征输入至肺疾病检测模型的注意力机制，得到检测结果，并基于所述检测结果和所述样本包的标签对应的真实值，计算第二损失值；其中，所述医学影像样本包为阳性医学影像样本包或阴性医学影像样本包；
更新模块，用于基于所述第一损失值和所述第二损失值，更新所述肺疾病检测模型的特征提取机制的第一参数和注意力机制的第二参数，得到训练好的肺疾病检测模型，以使训练好的肺疾病检测模型对待检测的医学图像中的肺疾病进行检测。
可选的，所述装置还包括：
均分模块，用于将医学影像按预设方向对应的间隔采样分为预设数量的等份；
确定模块，用于将每一个等份中随机选择一个间隔采样组合在一起，确定为所述医学影像样本包。
可选的，所述均分模块，包括：
筛选单元，用于利用预设灰度值范围，在医学影像中突出肺部组织；
均分单元，用于将突出肺部组织的医学影像对应的间隔采样均分为预设数量的等份。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述方法的步骤。
本申请实施例提出的肺疾病检测模型的训练方法，首先，获取肺疾病训练集合；所述肺疾病训练集合中包括至少一个训练样本，每一个训练样本包括阳性医学影像样本包和阴性医学影像样本包；其次，针对每一个训练样本，将所述训练样本中的阳性医学影像样本包和所述阴性医学影像样本包分别输入至肺疾病检测模型的特征提取机制，提取所述阳性医学影像样本包的第一特征和所述阴性医学影像样本包的第二特征，并基于所述第一特征和所述第二特征，计算第一损失值；再次，针对每一个医学影像样本包，将所述样本包对应的特征输入至肺疾病检测模型的注意力机制，得到检测结果，并基于所述检测结果和所述样本包的标签对应的真实值，计算第二损失值；其中，所述医学影像样本包为阳性医学影像样本包或阴性医学影像样本包；最后，基于所述第一损失值和所述第二损失值，更新所述肺疾病检测模型的特征提取机制的第一参数和注意力机制的第二参数，得到训练好的肺疾病检测模型，以使训练好的肺疾病检测模型对待检测的医学图像中的肺疾病进行检测。
在某些实施例中，利用阳性医学影像样本包和阴性医学影像样本包分别对特征提取机制进行训练，并且在训练过程中计算第一损失值，以及计算注意力机制在训练过程中的第二损失值，根据第一损失值和第二损失值对特征提取机制和注意力机制对应的参数进行更新，得到训练好的肺疾病检测模型，提高了带病灶样本特征与不带病灶样本特征之间的差异性，进而提高了肺疾病检测模型的计算结果的准确度。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1为本申请实施例提供的一种肺疾病检测模型的训练方法的流程示意图；
图2为本申请实施例提供的一种确定医学影像采样包的方法的流程示意图；
图3为本申请实施例提供的一种肺疾病检测模型的训练装置的结构示意图；
图4为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
一般医生通过肉眼观察医学影像(医学影像是通过CT(Computed Tomography，电子计算机断层扫描)获取的图像，该医学影像是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，得到多个断面扫描对应的图像，多个断面扫描对应的图像组成医学影像)，来确定患者身体中的病灶，但有些病灶过于散乱，无法用肉眼观察的到。技术人员会采用一些技术手段来帮助医生在医学影像中确定患者是否携带病灶，这些技术手段一般是机器学习，在机器学习过程中需要对训练的医学影像进行人工病灶标注，但是医生通过肉眼无法准确的确定出医学影像中是否存在病灶，因此，人工的标注结果并不准确，进而得到的机器学习结果也不准确。
基于上述缺陷，本申请实施例提供了一种肺疾病检测模型的训练方法，如图1所示，包括以下步骤：
S101，获取肺疾病训练集合；所述肺疾病训练集合中包括至少一个训练样本，每一个训练样本包括阳性医学影像样本包和阴性医学影像样本包。
S102，针对每一个训练样本，将所述训练样本中的阳性医学影像样本包和所述阴性医学影像样本包分别输入至肺疾病检测模型的特征提取机制，提取所述阳性医学影像样本包的第一特征和所述阴性医学影像样本包的第二特征，并基于所述第一特征和所述第二特征，计算第一损失值；
S103，针对每一个医学影像样本包，将所述样本包对应的特征输入至肺疾病检测模型的注意力机制，得到检测结果，并基于所述检测结果和所述样本包的标签对应的真实值，计算第二损失值；其中，所述医学影像样本包为阳性医学影像样本包或阴性医学影像样本包；
S104，基于所述第一损失值和所述第二损失值，更新所述肺疾病检测模型的特征提取机制的第一参数和注意力机制的第二参数，得到训练好的肺疾病检测模型，以使训练好的肺疾病检测模型对待检测的医学图像中的肺疾病进行检测。
在上述步骤S101中，肺疾病训练集合包括多个训练样本，每一个训练样本均用于训练肺疾病检测模型。训练样本包括阳性医学影像样本包和阴性医学影像样本包，阳性医学影像样本包是带病灶的医学影像中按Z轴间隔采样得到的，阳性医学影像采样包中的间隔采样可以包括不带病灶的间隔采样和带病灶的间隔采样。阴性医学影像样本包是不带病灶的医学影像按Z轴间隔采样得到的。阳性医学影像样本包的标签为带病灶标签，阴性医学影像样本包括为不带病灶标签，带病灶标签可以用真实值1表示，不带病灶标签可以用真实值0表示。
在上述步骤S102中，肺疾病检测模型由特征提取机制和注意力机制组成。所述特征提取机制是特征提取模型，是一种卷积神经网络模型(例如，ResNet18模型)，用于提取医学影像样本包中每一个间隔采样的特征。医学影像样本包为阳性医学影像样本包或阴性医学影像样本包。阳性医学影像样本包中的间隔采样利用特征提取模型可以提取第一子特征，阳性医学影像样本包中每个间隔采样对应的第一子特征组成阳性医学影像样本包的第一特征。阴性医学影像样本包中的间隔采样利用特征提取模型可以提取第二子特征，阴性医学影像样本包中每个间隔采样对应的第二子特征组成阴性医学影像样本包的第二特征。注意力机制用于对每个医学影像样本包进行分类，确定出每个医学影像样本包对应的医学影像是否携带病灶。第一损失值可以用于调整肺疾病检测模型中的参数，具体的，可以基于第一损失值调整肺疾病检测模型的特征提取机制中的第一参数，也可以基于第一损失值调整肺疾病检测模型的特征提取机制的第一参数和注意力机制中的第二参数。
具体实施中，针对每一个训练样本，首先，利用肺疾病检测模型的特征提取机制确定出阳性医学影像样本包的第一特征和阴性医学影像样本包的第二特征，利用第一特征和第二特征可以计算出第一损失值，且利用第一损失值对特征提取机制的参数进行更新，提高了带病灶的间隔采样样本特征与不带病灶的间隔采样样本特征之间的差异性，进而提高了肺疾病检测模型的计算结果的准确度。
在上述步骤S103中，检测结果表征医学影像样本包对应的医学影像样本包是否存在肺疾病的概率。第二损失值是医学影像样本包对应的检测结果与医学影像样本包的标签对应的真实值之间的差值。第二损失值可以用于调整肺疾病检测模型中的参数，具体的，可以基于第二损失值调整肺疾病检测模型的特征提取机制中的第二参数，也可以基于第二损失值调整肺疾病检测模型的特征提取机制的第一参数和注意力机制中的第二参数。
具体实施中，针对每一个训练样本，将该训练样本中医学影像样本包对应的特征输入到未训练完成的肺疾病检测模型的注意力机制中，就会得到该医学影像样本包的检测结果，根据该检测结果与医学影像样本包的标签对应的真实值之间的差值，计算得到的第二损失值，根据第二损失值可以确定当前肺疾病检测模型的训练精度是否符合标准。如果第二损失值大于预设精度要求，则不需要再对肺疾病检测模型进行训练，如果第二损失值不大于预设精度要求，则需要继续对肺疾病检测模型进行训练。
在上述步骤S104中，除了上述提到了利用第二损失值确定当前肺疾病检测模型是否训练完成之外，还可以根据第一损失值和第二损失值的和确定当前肺疾病检测模型是否训练完成。当利用第一损失值和第二损失值的和确定当前肺疾病检测模型是否训练完成时，如果当前肺疾病检测模型没有训练完成，则利用第一损失值与第二损失值的和，分别更新肺疾病检测模型的特征提取机制中的参数，以及肺疾病检测模型的注意力机制中的参数，直至训练过程中计算得到的第一损失值和第二损失值的和大于预设精度要求。当利用第二损失函数确定当前肺疾病检测模型是否训练完成时，如果当前肺疾病检测模型没有训练完成，则利用第一损失值更新肺疾病检测模型的特征提取机制中的第一参数，以及利用第二损失值更新肺疾病检测模型的注意力机制中的第二参数，直至训练过程中计算得到的第二损失函数大于预设精度要求。
训练好的肺疾病检测模型可以用于检测待检测的医学图像中的肺疾病，也就是，将待检测的医学图像输入至训练好的肺疾病检测模型，则训练好的肺疾病检测模型会输出待检测的医学图像是否存在肺疾病的检测结果。
在医学影像阳性样本包中包括多个间隔采样，多个间隔采样中可能包括带病灶的间隔采样和不带病灶的间隔采样，针对每个间隔采样对应的标签是无法准确确定出来的，本申请实施例提供的肺疾病检测模型的训练方法中，利用特征提取机制就可以提取出医学影像样本包中每个间隔采样对应的特征，利用阳性样本包和阴性样本包的特征距离为间隔采样确定对应的标签，提高了确定医学影像样本包中每个间隔采样的标签的准确度，利用间隔采样对应的标签对肺疾病检测模型进行训练，提高了肺疾病检测模型的计算结果的准确度。并且在训练过程中，利用第一损失值对肺疾病检测模型的特征提取机制中的第一参数进行更新，提高了训练过程中肺疾病检测模型的特征提取机制的收敛效率。
CT通过对患者的身体进行断层扫描可以得到的多个间隔采样(每个断层对应的图像)，多个间隔采样组成医学图像。如果将一个医学图像就作为一个训练样本的话，可能无法找到大量的用于对肺疾病检测模型进行训练的医学图像，因此，为了增加训练样本的数量，如图2所示，可以通过以下步骤确定医学影像样本包：
S201，将医学影像按预设方向对应的间隔采样均分为预设数量的等份；
S202，从每一个等份中随机选择一个间隔采样组合在一起，确定为所述医学影像样本包。
在上述步骤S201中，预设数量是人为设置的。医学影像是一种三维图像，三维图像是基于三维坐标系下构建的，在三维坐标系中包括X轴、Y轴和Z轴，一般X轴、Y轴分别代表长和宽，Z轴代表纵深，预设方向为X轴、Y轴和Z轴中的任意一种。
具体实施中，医学影像中包含多个间隔采样，按照预设数量将多个间隔采样均分成预设数量个等份，每一个等份中包括的间隔采样的数量是一致的。一般是基于Z轴对医学影像进行间隔采样，进而将Z轴方向对应的间隔采样均分为预设数量的等份，当然，也可以基于X轴或Y轴对医学影像进行间隔采样，将对应方向的间隔采样均分为预设数量的等份。本申请优选的基于Z轴对医学影像进行间隔采样。
比如，医学影像包括100个间隔采样，预设数量为10，则每个等份中间隔采样的数量为10个。
在上述步骤S202中，针对每一个等份，在该等份中随机选择一个间隔采样。将每一个等份中选择出来的间隔采样组合在一起，就是医学影像样本包。由于医学影像样本包中的每一个间隔采样是分别从每一个等份中随机选择的，通过这种方式组成的医学影像样本包能够可以表征医学影像样本包对应的医学影像的特征，比如，医学影像带病灶，则该医学影像包含的间隔采样中，包括一部分带病灶的间隔采样和一部分不带病灶的间隔采样。并且通过这种获取训练样本的方式，可以从一个医学影像中获取多个训练样本，增加了获取训练样本的数量，利用较多数量的训练样本对肺疾病检测模型进行训练，提高了肺疾病检测模型的计算结果的准确度。
比如，医学影像包括100个间隔采样，预设数量为10，则每个等份中间隔采样的数量为10个，每一个训练样本中待训练的医学影像采样包中的间隔采样是从每个等份中随机选择的，则利用一个医学影像可以得到10的10次方个训练样本。
肺疾病主要是人体中的肺部组织出现的疾病，也就是肺部组织携带病灶，因此在确定肺疾病时，主要观察的是肺部组织对应的图像。在医学影像中每一个间隔采样均是灰度图，人体的多种身体组织(比如血液、水、软组织、骨头、空气等身体组织)在医学影像中的灰度值是不同的，因此，基于灰度值可以在医学影像中确定出肺部组织(也就是肺部身体组织)。步骤S201，包括：
步骤2011，利用预设灰度值范围，在医学影像中突出肺部组织；
步骤2012，将突出肺部组织的医学影像对应的间隔采样均分为预设数量的等份。
在上述步骤2011和步骤2012中，预设灰度值范围是人为设置的，预设灰度值范围内的灰度值能够在医学影像反映出患者的肺的组织。一般在医学影像中预设灰度值是通过预设窗位和预设窗宽确定的，预设窗宽指医学图像中所需要突出显示的身体组织对应的灰度值范围，预设窗位(窗中心)指窗宽范围内均值或中心值。预设窗位和预设窗宽均是人为设置的。
具体实施中，在医学影像中利用预设灰度值范围将肺部组织进行突出，并去除其他身体组织对应的图像。得到突出肺部组织的医学影像后，将突出肺部组织的医学影像包含的多个间隔采样均分为预设数量的等份。
医学影像样本包中包括多个间隔采样，因此，通过肺疾病检测模型的特征提取机制可以确定阳性医学影像样本包中每一个间隔采样的第一子特征。阴性医学影像样本包中包括多个间隔采样，通过肺疾病检测模型的特征提取机制可以确定阴性医学影像样本包中每一个间隔采样的第二子特征。基于第一子特征和第二子特征可以确定出第一子特征是否带有疾病病灶，也就是为第一子特征对应的阳性医学样本包中的间隔采样确定是否带有病灶的标签。
阳性医学影像样本包中每一个间隔采样是按照固定顺序排列的，并且阴性医学影像样本包中每一个间隔采样也是按照固定顺序排列的。因此，根据医学影像样本包中的间隔采样的固定顺序，阳性医学影像样本包中每一个间隔采样在阴性医学影像样本包中均会有对应的间隔采样。根据阳性医学影像样本包和阴性医学影像样本包中相对应的间隔采样分别对应的第一子特征和第二子特征，可以计算得到特征距离。
根据特征距离可以确定阳性医学影像样本包中间隔采样与阴性医学影像样本包中相对应的间隔采样之间的相似度(也可以是欧式距离)，特征距离越大说明相似度越小，特征距离越小相似度越大。因为阴性医学影像样本包中间隔采样均不存在肺疾病，因此，如果阳性医学影像样本包中间隔采样与阴性医学影像样本包中相对应的间隔采样之间的相似度较大(特征距离不大于预设距离)，则说明阳性医学影像样本包中间隔采样不带病灶的概率越小，如果阳性医学影像样本包中间隔采样与阴性医学影像样本包中相对应的间隔采样之间的相似度较小(欧式距离大于预设距离)，则说明阳性医学影像样本包中间隔采样带病灶的概率越大。因此，根据特征距离可以确定出阳性医学影像样本包中间隔采样对应的标签。
根据阳性医学影像样本包中间隔采样的特征距离还可以计算第一损失值，步骤S102，包括：
步骤1021，针对阳性医学影像样本包中每一个间隔采样，计算所述间隔采样的第一子特征与所述阴性医学影像样本包中对应的间隔采样的第二子特征之间的特征距离；
步骤1022，根据所述阳性医学影像样本包中每一个间隔采样对应的特征距离，将所述阳性医学影像样本包中的间隔采样分为带病灶类和不带病灶类；
步骤1023，基于所述阳性医学影像样本包中不带病灶类的间隔采样对应的特征距离和带病灶类的间隔采样对应的特征距离的倒数，计算所述第一损失值。
在上述步骤1021中，阳性医学影像采样包中每一个间隔采样是按照固定顺序排列的，并且阴性医学影像采样包中每一间隔采样也是按照固定顺序排列的。因此，根据间隔采样的固定顺序，阳性医学影像采样包中每一个间隔采样在阴性医学影像采样包中均会有对应的间隔采样。根据阳性医学影像样本包和阴性医学影像样本包中相对应的间隔采样分别对应的第一子特征和第二子特征，可以计算得到特征距离。
在上述步骤1022中，根据阳性医学影像样本包中每一个间隔采样对应的特征距离，可以利用聚类算法对阳性医学影像样本包中间隔采样进行分类，得到两个分类，包括：带病灶类和不带病灶类。具体的，聚类算法可以是K-means(K均值聚类算法)，在聚类过程中，选取两个初始聚类中心(随机选取的间隔采样对应的特征距离)，利用其他间隔采样对应的特征距离分别计算与两个聚类中心之间的距离，对其他间隔采样进行分类，并且重复上述分类步骤，直至聚类中心不再发生变化。并且利用上述方式确定阳性医学影像样本包中每一个间隔采样对应的分类，不需要进行人工标注，也提高了确定每一个间隔采样对应的分类的准确度。
在上述步骤1023中，根据阳性医学影像样本包中每个间隔采样的分类，对存在带病灶类的间隔采样对应的特征距离进行最大化，以及对不带病灶类的间隔采样对应的特征距离进行最小化，利用最大化和最小化后的特征距离计算第一损失值。
使用如下公式，对带病灶类的间隔采样对应的特征距离进行最大化，以及对不带病灶类的间隔采样对应的一致距离进行最小化。
Figure BDA0003129715920000131
其中，flag(FVi_D)是阳性医学影像样本包中第i个间隔采样对应的特征距离，FVi_COPD是阳性医学影像样本包中第i个间隔采样的第一子特征，FVi_Non是阴性医学影像样本包中第i个间隔采样的第二子特征，D(FVi_COPD,FVi_Non)是阳性医学影像样本包中第i个间隔采样与阴性医学影像样本包中第i个间隔采样的一致距离，FVS_COPD_0表征属于不带病灶类的间隔采样，FVS_COPD_1表征属于带病灶类的间隔采样。
使用如下公式，计算第一损失值。
Figure BDA0003129715920000141
其中，LOSSF是第一损失值，flag(FVi_D)是阳性医学影像采样包中第i个间隔采样对应的特征距离，K是阳性医学影像样本包中包括K个间隔采样。
当利用第二损失函数确定当前肺疾病检测模型是否训练完成时，如果当前肺疾病检测模型没有训练完成，则利用第一损失值和第二损失值更新肺疾病检测模型的特征提取机制中的第一参数，以及利用第二损失值更新肺疾病检测模型的注意力机制中的第二参数，直至训练过程中计算得到的第二损失函数大于预设精度要求。
具体的，步骤S104，包括：
步骤1041，基于所述第一损失值和所述第二损失值更新所述肺疾病检测模型的特征提取机制的第一参数；
步骤1042，基于所述第二损失值更新所述肺疾病检测模型的注意力机制的第二参数；
步骤1043，基于更新所述第一参数后的所述肺疾病检测模型的特征提取机制和更新所述第二参数后的所述肺疾病检测模型的注意力机制，得到训练好的肺疾病检测模型。
在上述步骤1041、步骤1042和步骤1043中，具体的，由于第一损失值是利用最大化和最小化后的特征距离计算得到的，因此，利用第一损失值对肺疾病检测模型的特征提取机制的第一参数进行更新，可以增加肺疾病检测模型的收敛效率，第二损失值是在特征提取机制的输出结果的基础上得到的，因此，还可以利用第二损失值对特征提取机制的第一参数进行更新。利用第二损失值对肺疾病检测模型的注意力机制的参数，也就是，对注意力机制中的权重进行调整。在确定出第二损失函数大于预设精度要求时，根据更新参数后的所述肺疾病检测模型的特征提取机制和更新参数后的所述肺疾病检测模型的注意力机制，构建训练好的肺疾病检测模型。
通过本申请所提供的肺疾病检测模型的训练方法，可以训练得到训练好的肺疾病检测模型，将医学影像输入至训练好的肺疾病检测模型后，训练好的肺疾病检测模型可以输出医学影像存在肺疾病的概率，如果该概率大于预设概率，则确定医学影像带病灶，如果该概率小于预设概率，则确定医学影像不带病灶。
本申请提供了一种肺疾病检测模型的训练装置，如图3所示，包括：
获取模块301，用于获取肺疾病训练集合；所述肺疾病训练集合中包括至少一个训练样本，每一个训练样本包括阳性医学影像样本包和阴性医学影像样本包；
提取模块302，用于针对每一个训练样本，将所述训练样本中的阳性医学影像样本包和所述阴性医学影像样本包分别输入至肺疾病检测模型的特征提取机制，提取所述阳性医学影像样本包的第一特征和所述阴性医学影像样本包的第二特征，并基于所述第一特征和所述第二特征，计算第一损失值；
结果模块303，用于针对每一个医学影像样本包，将所述样本包对应的特征输入至肺疾病检测模型的注意力机制，得到检测结果，并基于所述检测结果和所述样本包的标签对应的真实值，计算第二损失值；其中，所述医学影像样本包为阳性医学影像样本包或阴性医学影像样本包；
更新模块304，用于基于所述第一损失值和所述第二损失值，更新所述肺疾病检测模型的特征提取机制的第一参数和注意力机制的第二参数，得到训练好的肺疾病检测模型，以使训练好的肺疾病检测模型对待检测的医学图像中的肺疾病进行检测。
可选的，所述装置还包括：
均分模块，用于将医学影像按预设方向对应的间隔采样均分为预设数量的等份；
确定模块，用于从每一个等份中随机选择一个间隔采样组合在一起，确定为所述医学影像样本包。
可选的，均分模块，包括：
筛选单元，用于利用预设灰度值范围，在医学影像中突出肺部组织；
均分单元，用于将突出肺部组织的医学影像对应的间隔采样均分为预设数量的等份。
可选的，提取模块，包括：
计算单元，用于针对阳性医学影像样本包中每一个间隔采样，计算所述间隔采样的第一子特征与所述阴性医学影像样本包中对应的间隔采样的第二子特征之间的特征距离；
分类单元，用于根据所述阳性医学影像样本包中每一个间隔采样对应的特征距离，将所述阳性医学影像样本包中的间隔采样分为带病灶类和不带病灶类；
计算单元，用于基于所述阳性医学影像样本包中不带病灶类的间隔采样对应的特征距离和带病灶类的间隔采样对应的特征距离的倒数，计算所述第一损失值。
可选的，更新模块，包括：
第一更新单元，用于基于所述第一损失值和所述第二损失值更新所述肺疾病检测模型的特征提取机制的第一参数；
第二更新单元，用于基于所述第二损失值更新所述肺疾病检测模型的注意力机制的第二参数；
组合单元，用于基于更新所述第一参数后的所述肺疾病检测模型的特征提取机制和更新所述第二参数后的所述肺疾病检测模型的注意力机制，得到训练好的肺疾病检测模型。
对应于图1中的肺疾病检测模型的训练方法，本申请实施例还提供了一种计算机设备400，如图4所示，该设备包括存储器401、处理器402及存储在该存储器401上并可在该处理器402上运行的计算机程序，其中，上述处理器402执行上述计算机程序时实现上述肺疾病检测模型的训练方法。
具体地，上述存储器401和处理器402能够为通用的存储器和处理器，这里不做具体限定，当处理器402运行存储器401存储的计算机程序时，能够执行上述肺疾病检测模型的训练方法，解决了现有技术中肺疾病检测模型的计算结果不准确的问题。
对应于图1中的肺疾病检测模型的训练方法，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述肺疾病检测模型的训练方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述肺疾病检测模型的训练方法，解决了现有技术中肺疾病检测模型的太依靠病灶的精标注和计算结果不准确的问题，本申请利用阳性医学影像样本包和阴性医学影像样本包分别对特征提取机制进行训练，并且在训练过程中计算第一损失值，以及计算注意力机制在训练过程中的第二损失值，根据第一损失值和第二损失值对特征提取机制和注意力机制对应的参数进行更新，得到训练好的肺疾病检测模型，提高了带病灶样本特征与不带病灶样本特征之间的差异性，进而提高了肺疾病检测模型的计算结果的准确度。
在本申请所提供的实施例中，应该理解到，所揭露方法和装置，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (9)

1.一种肺疾病检测模型的训练方法，其特征在于，包括：
获取肺疾病训练集合；所述肺疾病训练集合中包括至少一个训练样本，每一个训练样本包括阳性医学影像样本包和阴性医学影像样本包；
针对每一个训练样本，将所述训练样本中的阳性医学影像样本包和所述阴性医学影像样本包分别输入至肺疾病检测模型的特征提取机制，提取所述阳性医学影像样本包的第一特征和所述阴性医学影像样本包的第二特征，并基于所述第一特征和所述第二特征，计算第一损失值；
针对每一个医学影像样本包，将所述样本包对应的特征输入至肺疾病检测模型的注意力机制，得到检测结果，并基于所述检测结果和所述样本包的标签对应的真实值，计算第二损失值；其中，所述医学影像样本包为阳性医学影像样本包或阴性医学影像样本包；
基于所述第一损失值和所述第二损失值，更新所述肺疾病检测模型的特征提取机制的第一参数和注意力机制的第二参数，得到训练好的肺疾病检测模型，以使训练好的肺疾病检测模型对待检测的医学图像中的肺疾病进行检测；
所述基于所述第一特征和所述第二特征，计算第一损失值，包括：
针对阳性医学影像样本包中每一个间隔采样，计算所述间隔采样的第一子特征与所述阴性医学影像样本包中对应的间隔采样的第二子特征之间的特征距离；所述第一特征包括所述阳性医学影像样本包中每一个间隔采样的第一子特征，所述第二特征包括所述阴性医学影像样本包中每一个间隔采样的第二子特征；
根据所述阳性医学影像样本包中每一个间隔采样对应的特征距离，将所述阳性医学影像样本包中的间隔采样分为带病灶类和不带病灶类；
基于所述阳性医学影像样本包中不带病灶类的间隔采样对应的特征距离和带病灶类的间隔采样对应的特征距离的倒数，计算所述第一损失值。
2.根据权利要求1所述的训练方法，其特征在于，通过以下步骤确定医学影像样本包：
将医学影像按预设方向对应的间隔采样均分为预设数量的等份；
从每一个等份中随机选择一个间隔采样组合在一起，确定为所述医学影像样本包。
3.根据权利要求2所述的训练方法，其特征在于，将医学影像按预设方向对应的间隔采样均分为预设数量的等份，包括：
利用预设灰度值范围，在医学影像中突出肺部组织；
将突出肺部组织的医学影像对应的间隔采样均分为预设数量的等份。
4.根据权利要求1所述的训练方法，其特征在于，基于第一损失值和第二损失值，更新所述肺疾病检测模型的特征提取机制的第一参数和注意力机制的第二参数，得到训练好的肺疾病检测模型，包括：
基于所述第一损失值和所述第二损失值更新所述肺疾病检测模型的特征提取机制的第一参数；
基于所述第二损失值更新所述肺疾病检测模型的注意力机制的第二参数；
基于更新所述第一参数后的所述肺疾病检测模型的特征提取机制和更新所述第二参数后的所述肺疾病检测模型的注意力机制，得到训练好的肺疾病检测模型。
5.一种肺疾病检测模型的训练装置，其特征在于，包括：
获取模块，用于获取肺疾病训练集合；所述肺疾病训练集合中包括至少一个训练样本，每一个训练样本包括阳性医学影像样本包和阴性医学影像样本包；
提取模块，用于针对每一个训练样本，将所述训练样本中的阳性医学影像样本包和所述阴性医学影像样本包分别输入至肺疾病检测模型的特征提取机制，提取所述阳性医学影像样本包的第一特征和所述阴性医学影像样本包的第二特征，并基于所述第一特征和所述第二特征，计算第一损失值；
结果模块，用于针对每一个医学影像样本包，将所述样本包对应的特征输入至肺疾病检测模型的注意力机制，得到检测结果，并基于所述检测结果和所述样本包的标签对应的真实值，计算第二损失值；其中，所述医学影像样本包为阳性医学影像样本包或阴性医学影像样本包；
更新模块，用于基于所述第一损失值和所述第二损失值，更新所述肺疾病检测模型的特征提取机制的第一参数和注意力机制的第二参数，得到训练好的肺疾病检测模型，以使训练好的肺疾病检测模型对待检测的医学图像中的肺疾病进行检测；
所述提取模块，包括：
计算单元，用于针对阳性医学影像样本包中每一个间隔采样，计算所述间隔采样的第一子特征与所述阴性医学影像样本包中对应的间隔采样的第二子特征之间的特征距离；所述第一特征包括所述阳性医学影像样本包中每一个间隔采样的第一子特征，所述第二特征包括所述阴性医学影像样本包中每一个间隔采样的第二子特征；
分类单元，用于根据所述阳性医学影像样本包中每一个间隔采样对应的特征距离，将所述阳性医学影像样本包中的间隔采样分为带病灶类和不带病灶类；
计算单元，用于基于所述阳性医学影像样本包中不带病灶类的间隔采样对应的特征距离和带病灶类的间隔采样对应的特征距离的倒数，计算所述第一损失值。
6.根据权利要求5所述的训练装置，其特征在于，所述装置还包括：
均分模块，用于将医学影像按预设方向对应的间隔采样分为预设数量的等份；
确定模块，用于将每一个等份中随机选择一个间隔采样组合在一起，确定为所述医学影像样本包。
7.根据权利要求6所述的训练装置，其特征在于，所述均分模块，包括：
筛选单元，用于利用预设灰度值范围，在医学影像中突出肺部组织；
均分单元，用于将突出肺部组织的医学影像对应的间隔采样均分为预设数量的等份。
8.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1-4中任一项所述的方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1-4中任一项所述的方法的步骤。
CN202110699479.2A 2021-06-23 2021-06-23 一种肺疾病检测模型的训练方法、装置、设备和介质 Active CN113420814B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110699479.2A CN113420814B (zh) 2021-06-23 2021-06-23 一种肺疾病检测模型的训练方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110699479.2A CN113420814B (zh) 2021-06-23 2021-06-23 一种肺疾病检测模型的训练方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN113420814A CN113420814A (zh) 2021-09-21
CN113420814B true CN113420814B (zh) 2022-03-22

Family

ID=77716601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110699479.2A Active CN113420814B (zh) 2021-06-23 2021-06-23 一种肺疾病检测模型的训练方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN113420814B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117649400B (zh) * 2024-01-25 2024-05-03 江西省肿瘤医院(江西省第二人民医院、江西省癌症中心) 一种异常检测框架下的影像组学分析方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104958061A (zh) * 2015-07-28 2015-10-07 北京信息科技大学 双目立体视觉三维成像的眼底oct成像方法及其系统
CN110738146A (zh) * 2019-09-27 2020-01-31 华中科技大学 一种目标重识别神经网络及其构建方法和应用
CN110930378A (zh) * 2019-11-18 2020-03-27 上海体素信息科技有限公司 基于低数据需求的肺气肿影像处理方法及系统
CN111325726A (zh) * 2020-02-19 2020-06-23 腾讯医疗健康(深圳)有限公司 模型训练方法、图像处理方法、装置、设备及存储介质
CN112085714A (zh) * 2020-08-31 2020-12-15 广州视源电子科技股份有限公司 一种肺结节检测方法、模型训练方法、装置、设备及介质
CN112488178A (zh) * 2020-11-26 2021-03-12 推想医疗科技股份有限公司 网络模型的训练方法及装置、图像处理方法及装置、设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10997720B2 (en) * 2019-08-21 2021-05-04 Ping An Technology (Shenzhen) Co., Ltd. Medical image classification method and related device
CN111047609B (zh) * 2020-03-13 2020-07-24 北京深睿博联科技有限责任公司 肺炎病灶分割方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104958061A (zh) * 2015-07-28 2015-10-07 北京信息科技大学 双目立体视觉三维成像的眼底oct成像方法及其系统
CN110738146A (zh) * 2019-09-27 2020-01-31 华中科技大学 一种目标重识别神经网络及其构建方法和应用
CN110930378A (zh) * 2019-11-18 2020-03-27 上海体素信息科技有限公司 基于低数据需求的肺气肿影像处理方法及系统
CN111325726A (zh) * 2020-02-19 2020-06-23 腾讯医疗健康(深圳)有限公司 模型训练方法、图像处理方法、装置、设备及存储介质
CN112085714A (zh) * 2020-08-31 2020-12-15 广州视源电子科技股份有限公司 一种肺结节检测方法、模型训练方法、装置、设备及介质
CN112488178A (zh) * 2020-11-26 2021-03-12 推想医疗科技股份有限公司 网络模型的训练方法及装置、图像处理方法及装置、设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SAMPLE-SIZE DETERMINATION FOR TWO INDEPENDENT BINOMIAL EXPERIMENTS;Zhanping ZHAO 等;《Journal of Systems Science and Complexity》;20111004;第981-990页 *
生成式对抗网络在医学图像处理中的应用;潘丹 等;《生物医学工程学杂志》;20181231;第35卷(第6期);第970-976页 *

Also Published As

Publication number Publication date
CN113420814A (zh) 2021-09-21

Similar Documents

Publication Publication Date Title
US10327725B2 (en) Systems and methods for emulating DEXA scores based on CT images
CN108898595B (zh) 一种胸部图像中病灶区域的定位模型的构建方法及应用
US20170367685A1 (en) Method for processing 3d image data and 3d ultrasonic imaging method and system
KR101883258B1 (ko) 해부학적 계측점의 검출 방법
CN110796613B (zh) 一种图像伪影的自动识别方法及装置
CN107045721B (zh) 一种从胸部ct图像中提取肺血管的方法及装置
JP2021002339A (ja) 画像内での構造又は物質セグメンテーションに基づいた機械学習分類のための方法及びシステム
CN111932492B (zh) 一种医学图像处理方法、装置及计算机可读存储介质
JP2008259622A (ja) レポート作成支援装置およびそのプログラム
CN112037200A (zh) 一种医学影像中解剖特征自动识别与模型重建方法
CN114424290A (zh) 冠状动脉钙负荷的纵向显示
CN110956626A (zh) 一种基于图像的预后评估方法及装置
CN111862020A (zh) 一种眼前节生理年龄预测方法、装置、服务器及存储介质
CN111178420A (zh) 一种二维造影图像上冠脉段标注方法及系统
CN113689359A (zh) 一种图像伪影去除模型及其训练方法和系统
CN113420814B (zh) 一种肺疾病检测模型的训练方法、装置、设备和介质
JP5364009B2 (ja) 画像生成装置、画像生成方法、及びそのプログラム
CN115880266B (zh) 一种基于深度学习的肠道息肉检测系统和方法
CN109978860B (zh) 胸水判别方法、装置和计算机设备
EP3681398B1 (en) Methods, systems, and apparatus for determining radiation doses
CN115330696A (zh) 一种支架的检测方法、装置、设备及存储介质
CN112184664B (zh) 一种椎骨检测方法及计算机设备
CN113838557A (zh) 一种医学影像三维重建模拟方法及系统
JP2010200925A (ja) 画像処理装置および方法並びにプログラム
CN117015799A (zh) 检测x射线图像中的异常

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