CN113554640A - Ai模型的训练方法、使用方法、计算机设备及存储介质 - Google Patents
Ai模型的训练方法、使用方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113554640A CN113554640A CN202110875975.9A CN202110875975A CN113554640A CN 113554640 A CN113554640 A CN 113554640A CN 202110875975 A CN202110875975 A CN 202110875975A CN 113554640 A CN113554640 A CN 113554640A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- chest
- image
- nodule
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000012549 training Methods 0.000 title claims abstract description 64
- 206010056342 Pulmonary mass Diseases 0.000 claims abstract description 41
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000002372 labelling Methods 0.000 claims abstract description 11
- 230000002685 pulmonary effect Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 20
- 210000004072 lung Anatomy 0.000 claims description 6
- 210000004204 blood vessel Anatomy 0.000 claims description 3
- 210000000621 bronchi Anatomy 0.000 claims description 3
- 230000000241 respiratory effect Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 description 54
- 210000000038 chest Anatomy 0.000 description 26
- 238000013135 deep learning Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 2
- 210000000481 breast Anatomy 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 201000005202 lung cancer Diseases 0.000 description 2
- 208000020816 lung neoplasm Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000005337 ground glass Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了AI模型的训练方法、使用方法、计算机设备及存储介质。所述AI模型用于肺结节分割,AI模型的训练方法包括以下步骤:获取用于训练的胸部CT图像;至少对胸部CT图像进行肺结节标注;从已标注肺结节的胸部CT图像中提取样本数据;根据已标注肺结节的胸部CT图像和样本数据对预设的nnU‑net神经网络进行迭代训练,得到用于肺结节分割的AI模型。AI模型的使用方法包括步骤:获取患者的胸部CT图像;将所述患者的胸部CT图像输入至AI模型中进行处理,得到肺结节分割结果。
Description
技术领域
本发明属于人工智能的技术领域,具体而言,涉及AI模型的训练方法、使用方法、计算机设备及存储介质。
背景技术
据统计,肺癌已经成为最致命的疾病之一,死亡率逐年迅速上升。肺癌可以通过检测肺部小结节进而做到早期发现。目前,采用基于语义分割架构的人工智能模型自动对肺部CT图像进行肺结节分隔的方法受到了广泛的关注。
肺结节的异质性以及结节与周围环境存在相似的视觉特性,使得对结节的分隔困难。常用的选用了2D U-net或3D U-net人工智能模型均存在误差大的缺点,主要体现在小结节难以识别、将非结节组织识别为结节以及在结节太多时难以进行分割。
发明内容
本发明的主要目的在于提供AI模型的训练方法、使用方法、计算机设备及存储介质,以解决现有技术中肺结节自动分割所存在的误差大的技术问题。
第一方面,本发明提供了AI模型的训练方法。技术方案如下:
AI模型的训练方法,所述AI模型用于肺结节分割,训练方法包括以下步骤:
获取用于训练的胸部CT图像;
至少对胸部CT图像进行肺结节标注;
从已标注肺结节的胸部CT图像中提取样本数据;
根据已标注肺结节的胸部CT图像和样本数据对预设的nnU-net神经网络进行迭代训练,得到用于肺结节分割的AI模型。
进一步地是,对胸部CT图像进行肺结节标注的方法为:由有经验的呼吸内科医师或放射科医师对确诊有结节的病例的胸部CT图像进行逐层肺结节边缘勾画;并且/或者,对尺寸为5~30mm的肺结节进行标注。
进一步地是,还包括对肺实质、支气管、血管中的任意几种进行标注。
进一步地是,提取样本数据的方法包括步骤:对每个标注的肺结节生成一个三维封闭蒙版;并且/或者,所述样本数据包括肺结节的坐标、轮毂、尺寸以及真假阳性中的任意几种。
进一步地是,当达到1000个epoch或前后两个epoch的dice系数的变化小于0.00001时,则终止训练;并且/或者,训练过程为进行K-fold交叉训练。
进一步地是,所述用于训练的胸部CT图像取自M个患者的N个胸部CT图像,M≥N;并且/或者,胸部CT图像的分辨率0.7~1毫米,层厚为0.7~5毫米。
第二方面,本发明提供了AI模型的使用方法。技术方案如下:
AI模型的使用方法,应用于服务器,所述服务器部署有所述AI模型,所述AI模型为采用上述的AI模型的训练方法进行训练得到的模型;所述使用方法包括步骤:
获取患者的胸部CT图像;
将所述患者的胸部CT图像输入至AI模型中进行处理,得到肺结节分割结果。
第三方面,本发明提供了两种计算机设备。技术方案如下:
第一种计算机设备,所述计算机设备包括存储器和处理器;所述存储器用于存储计算机程序;所述处理器用于执行所述计算机程序并在执行所述计算机程序时实现上述AI模型的训练方法。
第二种计算机设备,所述计算机设备包括存储器和处理器;所述存储器用于存储计算机程序;所述处理器用于执行所述计算机程序并在执行所述计算机程序时实现上述AI模型的使用方法。
第四方面,本发明提供了一种计算机可读存储介质。技术方案如下:
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,其中所述计算机程序被处理器执行时实现上述AI模型的训练方法或上述AI模型的使用方法。
本发明的AI模型的训练方法、使用方法、计算机设备及存储介质中所涉及的神经网络为名称为“nnU-Net:a self-configuring method for deep learning-basedbiomedical image segmentation”(发表于Nature Method期刊,2021年,第18期,第203-211页,作者为Fabian Isensee等)的文章中公布的nnU-net,该nnU-net由一个2D U-Net、一个3D U-Net和一个级联3D U-Net构成,其中,级联3D U-Net的第一级为3D U-Net lowres,第二级为3D U-Net;这样的配置使得nnU-net能够自动适应任意数据集,可根据数据指纹(data fingerprint,代表数据集的关键属性)和管道指纹(pipeline fingerprint,代表分割算法的关键设计选择)来制定流水线优化问题,并且可通过将领域知识浓缩到一组启发式规则中,使它们的关系明确化,该规则将在考虑相关联的硬件约束的情况下从相应的数据指纹稳健地生成高质量的管道指纹,在对胸部CT图像进行肺结节分割时,能够同时获得高速率和高准确率。
显然,根据本发明的上述内容,按照本领域的普通技术知识和惯用手段,在不脱离本发明上述基本技术思想前提下,还可以做出其它多种形式的修改、替换或变更。
以下通过实施例形式的具体实施方式,对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
附图说明
为了更清楚地说明本发明实施例技术方案,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,下面描述中的附图是本发明的一些实施例,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他的附图。
在附图中:
图1为本发明的AI模型的训练方法的第一实施例的流程示意图。
图2为本发明的AI模型的训练方法的第二实施例的流程示意图。
图3为本发明的AI模型的使用方法的实施例的流程示意图。
图4为本发明的计算机设备的实施例的结构示意性框图。
上述附图中的有关标记为:
300:计算机设备,301:处理器,302:存储器,303:总线。
本发明目的的实现、功能特点及优点将结合实施例,参阅附图做进一步说明。
具体实施方式
下面结合附图对本发明进行清楚、完整的说明。本领域普通技术人员在基于这些说明的情况下将能够实现本发明。在结合附图对本发明进行说明前,需要特别指出的是:
本发明中在包括下述说明在内的各部分中所提供的技术方案和技术特征,在不冲突的情况下,这些技术方案和技术特征可以相互组合。
此外,下述说明中涉及到的本发明的实施例通常仅是本发明一部分的实施例,而不是全部的实施例。因此,基于本发明中的实施例,本领域普通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,都应当属于本发明保护的范围。
关于本发明中术语和单位。本发明的说明书和权利要求书及有关的部分中的术语“包括”、“具有”以及它们的任何变形,意图在于覆盖不排他的包含。
为解决上述问题,本申请实施例提供一种人工智能(Artificial Intelligence,AI)模型的训练方法、使用方法、计算机设备及存储介质。
在对本申请实施例进行详细介绍之前,先对本申请实施例涉及到的一些名词进行解释说明。
人工智能(Artificial Intelligence,AI):AI是目前研究和开发用于模拟、延伸以及扩展人类智能的一门新兴科学技术。时下AI技术已被广泛应用于多种场景下,比如游戏场景便是其中一种。
AI模型:对于游戏场景来说,智能模拟的重点便是训练算法模型,在本申请中称之为AI模型。示例性的,AI模型在本申请中为深度神经网络。
深度神经网络(Deep Neural Networks,DNN):DNN是深度学习的基础,而深度学习的概念源于人工神经网络,深度学习是机器学习中一种基于对数据进行表征学习的方法。深度学习是机器学习研究中的一个新领域,其动机在于建立、模拟人脑进行分析学习的神经网络。
胸部CT图像:是指通过X线计算机体层摄影对胸部进行拍照得到的照片。
图1为本发明的AI模型的训练方法的第一实施例的流程示意图。
如图1所示,本发明的AI模型的训练方法的实施例具体包括以下步骤:
步骤S110,获取用于训练的胸部CT图像;
所述用于训练的胸部CT图像取自M个患者的N个胸部CT图像,M≥N;进一步地是,胸部CT图像取自近五年因为呼吸系统疾病在华西医院就诊并进行胸部CT扫描并发现肺结节的患者,以及近五年在华西医院进行体检并发现有肺结节的患者;由此可以确保数据的多样性和准确性;
胸部CT图像的分辨率为0.7~1毫米,层厚为0.7~5毫米,由此,能够满足目前大部分CT检测设备的出片效果,实用性强。
步骤S120,对胸部CT图像进行肺结节标注;
具体为:由有经验的呼吸内科医师或放射科医师对确诊有结节的病例的CT图像进行逐层肺结节边缘勾画,其中,对尺寸为5~30mm的肺结节进行逐层肺结节边缘勾画。
步骤S130,从已标注肺结节的胸部CT图像中提取样本数据;
具体为:对每个标注的肺结节生成一个三维封闭蒙版,从中获取肺结节的坐标、轮毂、尺寸和真假阳性,其中,轮毂同时包含有实性和磨玻璃结节;此外,还提取了全肺各个部位的坐标,以提升准确性。
步骤S140,根据已标注肺结节的胸部CT图像和样本数据对预设的nnU-net神经网络进行迭代训练,得到用于肺结节分割的AI模型;
优选的训练过程为进行K-fold交叉训练,本实施例具体采用5-flod交叉训练,即把样本数据平分成五份,每一轮用一份样本数据做测试,四份样本数据做训练,训练时以减小在测试数据上的错误为目的;最终可以总共得到五个模型,最后在五个模型种选择性能最好的模型作为AI模型;
优选在当达到1000个epoch或前后两个epoch的dice系数的变化小于0.00001时终止训练,由此可以确保较高的准确率;
其中,“epoch”的含义是:当一个完整的数据集通过了神经网络一次并且返回了一次,这个过程称为一个epoch,即一个epoch就是将所有训练样本训练一次的过程;“Dice系数”的含义是:一种集合相似度度量函数,通常用于计算两个样本的相似度,取值范围在[0,1]。
图2为本发明的AI模型的训练方法的第二实施例的流程示意图。
如图2所示,在第一实施例的基础上,AI模型的训练方法的第二实施例还包括对肺实质、支气管、血管中的任意几种进行标注。由此,可以降低肺结节周围组织对肺结节识别的影响,提升准确率。
图3为本发明的AI模型的使用方法的实施例的流程示意图。
该AI模型为采用上述第一实施例或第二实施例的AI模型的训练方法进行模型训练得到的。在AI模型训练完成后,可以将该AI模型部署在服务器中。
如图3所示,本发明的AI模型的使用方法的实施例包括以下步骤:
S210,获取患者的胸部CT图像;
S220,将所述患者的胸部CT图像输入至AI模型中进行处理,得到肺结节分割结果。
其中,AI模型的AI用户通常为医院的检测医生,优选地,检测医生在采用CT设备获取患者的胸部CT图像后,AI模型与CT设备通信并直接接收CT设备传输而来的胸部CT图像,然后AI模型将处理得到的将肺结节分割结果保存于服务器中,检测医生可以在终端设备上调阅患者的肺结节分割结果,可以但是不限于通过打印的方式将纸质版的肺结节分割结果交予患者或直接将电子版的肺结节分割结果发送至患者的终端设备上。
经验证,本发明取得了如下的技术效果:
(1)特异性高,几乎为100%,未出现将非肺结节组织识别为肺结节;
(2)普适性好,在不同机型、不同成像参数得到胸部CT图像上测试,分割性能无明显下降;
(3)处理多个未参与训练和测试的独立验证数据集,得到了平均88%的Dice系数。
图4为本发明的计算机设备的实施例的结构示意性框图。
如图4所示,计算机设备300的实施例包括处理器301和存储器302,处理器301和存储器302通过总线303连接,该总线303比如为I2C(Inter-integrated Circuit)总线。该计算机设备300还可以包括服务器。
具体地,处理器301用于提供计算和控制能力,支撑整个计算机设备的运行。处理器301可以是微控制单元(Micro-controller Unit,MCU)、中央处理单元(CentralProcessing Unit,CPU)或数字信号处理器(Digital Signal Processor,DSP)等。
具体地,存储器302可以是Flash芯片、只读存储器(ROM,Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器用于运行存储在存储器中的计算机程序,并在执行所述计算机程序时实现本发明提供的任意一个实施例所述的AI模型的训练方法,或者实现本发明提供的任意一个实施例所述的AI模型的使用方法。
需要说明的是,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的服务器的具体工作过程,可以参考前述AI模型的训练方法和使用方法的实施例中的对应过程,在此不再赘述。
本申请实施例还提供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,所述计算机程序中包括程序指令,所述程序指令被执行时实现上述任意一个实施例所述的AI模型的训练方法的步骤,或者实现上述任意一个实施例所述的AI模型的使用方法的步骤。
其中,所述计算机可读存储介质可以是前述实施例所述的服务器的内部存储单元,例如所述服务器的硬盘或内存。所述计算机可读存储介质也可以是所述服务器的外部存储设备,例如所述服务器上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,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,可轻易想到各种等效的修改或替换,这些修改或替换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以权利要求的保护范围为准。
Claims (10)
1.AI模型的训练方法,所述AI模型用于肺结节分割,其特征在于:训练方法包括以下步骤:
获取用于训练的胸部CT图像;
至少对胸部CT图像进行肺结节标注;
从已标注肺结节的胸部CT图像中提取样本数据;
根据已标注肺结节的胸部CT图像和样本数据对预设的nnU-net神经网络进行迭代训练,得到用于肺结节分割的AI模型。
2.如权利要求1所述的AI模型的训练方法,其特征在于:对胸部CT图像进行肺结节标注的方法为:由有经验的呼吸内科医师或放射科医师对确诊有结节的病例的胸部CT图像进行逐层肺结节边缘勾画;并且/或者,对尺寸为5~30mm的肺结节进行标注。
3.如权利要求1所述的AI模型的训练方法,其特征在于:还包括对肺实质、支气管、血管中的任意几种进行标注。
4.如权利要求1所述的AI模型的训练方法,其特征在于:提取样本数据的方法包括步骤:对每个标注的肺结节生成一个三维封闭蒙版;并且/或者,所述样本数据包括肺结节的坐标、轮毂、尺寸以及真假阳性中的任意几种。
5.如权利要求1所述的AI模型的训练方法,其特征在于:当达到1000个epoch或前后两个epoch的dice系数的变化小于0.00001时,则终止训练;并且/或者,训练过程为进行K-fold交叉训练。
6.如权利要求1所述的AI模型的训练方法,其特征在于:所述用于训练的胸部CT图像取自M个患者的N个胸部CT图像,M≥N;并且/或者,胸部CT图像的分辨率0.7~1毫米,层厚为0.7~5毫米。
7.AI模型的使用方法,其特征在于:应用于服务器,所述服务器部署有所述AI模型,所述AI模型为采用权利要求1-6之一所述的AI模型的训练方法进行训练得到的模型;所述使用方法包括步骤:
获取患者的胸部CT图像;
将所述患者的胸部CT图像输入至AI模型中进行处理,得到肺结节分割结果。
8.一种计算机设备,其特征在于:所述计算机设备包括存储器和处理器;所述存储器用于存储计算机程序;所述处理器用于执行所述计算机程序并在执行所述计算机程序时实现权利要求1-6之一所述AI模型的训练方法。
9.一种计算机设备,其特征在于:所述计算机设备包括存储器和处理器;所述存储器用于存储计算机程序;所述处理器用于执行所述计算机程序并在执行所述计算机程序时实现权利要求7所述AI模型的使用方法。
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上存储有计算机程序,其中所述计算机程序被处理器执行时实现权利要求1-6之一所述AI模型的训练方法或权利要求7所述AI模型的使用方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110875975.9A CN113554640A (zh) | 2021-07-30 | 2021-07-30 | Ai模型的训练方法、使用方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110875975.9A CN113554640A (zh) | 2021-07-30 | 2021-07-30 | Ai模型的训练方法、使用方法、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113554640A true CN113554640A (zh) | 2021-10-26 |
Family
ID=78133479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110875975.9A Pending CN113554640A (zh) | 2021-07-30 | 2021-07-30 | Ai模型的训练方法、使用方法、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113554640A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114004836A (zh) * | 2022-01-04 | 2022-02-01 | 中科曙光南京研究院有限公司 | 一种基于深度学习的自适应生物医学影像分割方法 |
CN114418989A (zh) * | 2022-01-18 | 2022-04-29 | 北京瑞医博科技有限公司 | 口腔医学影像的牙齿分割方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767411A (zh) * | 2020-12-31 | 2021-05-07 | 罗雄彪 | 一种肺部多器官同步分割方法 |
CN112819747A (zh) * | 2019-10-31 | 2021-05-18 | 深圳市华嘉生物智能科技有限公司 | 一种基于肺部断层扫描图片自动诊断结节良恶性的方法 |
CN112862828A (zh) * | 2019-11-26 | 2021-05-28 | 华为技术有限公司 | 一种语义分割方法、模型训练方法及装置 |
-
2021
- 2021-07-30 CN CN202110875975.9A patent/CN113554640A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819747A (zh) * | 2019-10-31 | 2021-05-18 | 深圳市华嘉生物智能科技有限公司 | 一种基于肺部断层扫描图片自动诊断结节良恶性的方法 |
CN112862828A (zh) * | 2019-11-26 | 2021-05-28 | 华为技术有限公司 | 一种语义分割方法、模型训练方法及装置 |
CN112767411A (zh) * | 2020-12-31 | 2021-05-07 | 罗雄彪 | 一种肺部多器官同步分割方法 |
Non-Patent Citations (1)
Title |
---|
FABIAN ISENSEE ET AL.: "nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114004836A (zh) * | 2022-01-04 | 2022-02-01 | 中科曙光南京研究院有限公司 | 一种基于深度学习的自适应生物医学影像分割方法 |
CN114418989A (zh) * | 2022-01-18 | 2022-04-29 | 北京瑞医博科技有限公司 | 口腔医学影像的牙齿分割方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
Yang et al. | Automatic coronary calcium scoring using noncontrast and contrast CT images | |
WO2021186592A1 (ja) | 診断支援装置及びモデル生成装置 | |
CN107563434B (zh) | 一种基于三维卷积神经网络的脑部mri图像分类方法、装置 | |
CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
CN111462049B (zh) | 一种乳腺超声造影视频中病灶区形态自动标注方法 | |
JP2016531709A (ja) | 疾患を診断するための画像解析技術 | |
CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
CN112365980A (zh) | 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及系统 | |
CN113554640A (zh) | Ai模型的训练方法、使用方法、计算机设备及存储介质 | |
CN111192660B (zh) | 一种影像报告分析方法、设备及计算机存储介质 | |
US20240274276A1 (en) | Apparatus and method for medical image reading assistant providing representative image based on medical use artificial neural network | |
Zhai et al. | Automatic quantitative analysis of pulmonary vascular morphology in CT images | |
CN113656706A (zh) | 基于多模态深度学习模型的信息推送方法及装置 | |
CN111340794B (zh) | 冠状动脉狭窄的量化方法及装置 | |
CN111260669A (zh) | 基于ct图像的肺叶分割方法和装置 | |
Wang et al. | Automatic segmentation of spinal canals in CT images via iterative topology refinement | |
CN113298773A (zh) | 基于深度学习的心脏视图识别与左心室检测装置、系统 | |
CN115601299A (zh) | 基于图像的肝硬化状态智能评估系统及其方法 | |
Bento et al. | Automatic identification of atherosclerosis subjects in a heterogeneous MR brain imaging data set | |
JP2023175011A (ja) | 文書作成支援装置、方法およびプログラム | |
CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 | |
Peng et al. | Pulmonary lobe segmentation in CT images based on lung anatomy knowledge | |
Almeida et al. | cOOpD: reformulating COPD classification on chest CT scans as anomaly detection using contrastive representations | |
JP2020068881A (ja) | 情報処理装置、情報処理方法、及びプログラム |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211026 |
|
RJ01 | Rejection of invention patent application after publication |