具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在本公开的描述中,需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本公开和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本公开的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本公开中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本公开中的具体含义。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
结合背景技术的描述,目前实现脑区定位的方法耗时长、成本高、效率低、准确性低,为了降低成本并提高脑区定位的准确性及效率,相关技术有采用深度卷积神经网络进行脑区定位的方法,例如,相关技术在病灶脑图像数据集上训练深度卷积神经网络进行脑区定位,使用目前图像领域经典的U-Net类分割模型,修改输出标签的维度使其成为分区模型,使用一批病灶脑核磁共振图数据集作为训练集,医生手动标注这些病灶脑图像的脑区作为真值标签,使用集合相似度度量函数损失函数(Dice loss)、交叉熵损失函数(Cross-Entropy loss)等损失函数进行训练,最终实现在目标病灶脑图像上进行大脑分区,然而,目前在医学领域,大量有标注的含病变的数据集难以获得,因此,此方法在实现层面较为不现实。相关技术也有在正常脑图像数据集上训练深度卷积神经网络进行脑区定位,使用目前图像领域经典的U-Net类分割模型,修改输出标签的维度使其成为分区模型,使用一批无病灶正常脑核磁共振图数据集作为训练集,医生手动标注这些脑图像的脑区作为真值标签,使用集合相似度度量函数损失函数(Dice loss)、交叉熵损失函数(Cross-Entropyloss)等损失函数进行训练,最终实现在目标病灶脑图像上进行大脑分区,然而,深度卷积神经网络在测试集上的高水平表现依赖于训练集和测试集数据分布的一致性,在正常脑图像训练集上训练的深度卷积神经网络在面对有病灶的图像时会在病灶区域出现紊乱信号或空洞,模型不够鲁棒。
本公开实施例可以基于神经网络对第一图像及第二图像中的脑区位置分别进行预测,得到第一预测结果及第二预测结果,确定所述第一预测结果、所述第二预测结果及所述第二图像的预设定位结果两两之间的多个损失值,根据所述多个损失值对所述神经网络进行训练,得到用于对第三图像进行脑区定位的神经网络,这样,本公开实施例利用无病灶图像对神经网络进行训练,以模拟有异常病灶图像数据的分布,可以降低训练数据的获取难度,通过掩码图像实现数据增强,可以提高神经网络训练的效率,通过所述多个损失值对所述神经网络进行训练,可以减轻甚至消除图像上病灶异常信号对图像后续处理影响,以提高神经网络的鲁棒性及表现。
图1示出了根据本公开一实施例的对病灶鲁棒的脑区定位方法的流程图。
所述对病灶鲁棒的脑区定位方法的执行主体可以是对病灶鲁棒的脑区定位装置。例如,所述对病灶鲁棒的脑区定位方法可以由终端设备或服务器或其它处理设备执行。其中,终端设备可以是用户设备(User Equipment,UE)、移动设备、用户终端、终端、手持设备、计算设备或者车载设备等,示例性的,一些终端的举例为:手机(Mobile Phone)、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(Mobile Internetdevice,MID)、可穿戴设备,虚拟现实(Virtual Reality,VR)设备、增强现实(Augmentedreality,AR)设备、工业控制(Industrial Control)中的无线终端、无人驾驶(Selfdriving)中的无线终端、远程手术(Remote medical Surgery)中的无线终端、智能电网(Smart Grid)中的无线终端、运输安全(Transportation Safety)中的无线终端、智慧城市(Smart City)中的无线终端、智慧家庭(Smart Home)中的无线终端、车联网中的无线终端等。例如,服务器可以是本地服务器,也可以是云服务器。
在一些可能的实现方式中,所述对病灶鲁棒的脑区定位方法可以通过处理组件调用存储器中存储的计算机可读指令的方式来实现。在一个示例中,处理组件包括但不限于单独的处理器,或者分立元器件,或者处理器与分立元器件的组合。所述处理器可以包括电子设备中具有执行指令功能的控制器,所述处理器可以按任何适当的方式实现,例如,被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现。在所述处理器内部,可以通过逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器等硬件电路执行所述可执行指令。如图1所示,所述对病灶鲁棒的脑区定位方法包括步骤S11至步骤S13。
步骤S11,基于神经网络对第一图像及第二图像中的脑区位置分别进行预测,得到第一预测结果及第二预测结果,所述第二图像为对象脑部的无病灶核磁共振图像,所述第一图像为病灶掩码图像与所述第二图像的叠加图像。
在一种可能的实施方式中,所述病灶掩码图像根据真实存在的病灶掩码标签和/或随机生成的预设形状得到。
在一个示例中,本公开实施例可以获取数据库中已被确认过的、真实存在的含病灶核磁共振图像的掩码标签,可以根据本公开实施例中需要进行处理的核磁共振图像的图像参数(如尺寸大小等)对获取的掩码标签图像进行处理得到病灶掩码图像,例如,将二者的大小设置为相同,示例性的,可以通过图像处理技术对真实存在的掩码标签与本公开实施例徐进行处理的核磁共振图像进行对齐处理,以便于后续叠加得到所述第一图像。
在一个示例中,本公开实施例也可以根据随机生成预设形状到预设位置以得到病灶掩码图像,示例性的,预设形状可以为随机椭圆或其他几何形状,或不规则的其他形状,对此,本公开实施例不做限定,本公开实施例对预设位置不做限定,预设位置可以是图像的任意位置,本领域技术人员可以根据需要设定,示例性的,本公开实施例可以在预设位置处随机生成预设形状,或在预设位置的一定范围内随机生成预设形状,得到病灶掩码图像。
在一个示例中,本公开实施例也可以将真实存在的病灶掩码标签及随机生成的预设形状进行处理,以得到病灶掩码图像,本公开实施例对二者的处理方式不做限定,示例性的,可以对这个进行叠加处理。
本公开实施例可以根据多种方式对病灶掩码图像及无病灶核磁共振图像进行叠加,以得到所述病灶掩码图像,当然,也可以获取数据库中已经叠加了病灶掩码的脑部核磁共振图像,对此,本公开实施例不做限定。
在一种可能的实施方式中,所述方法还可以包括:
获取脑部的多个无病灶核磁共振图像,及多个病灶掩码图像;
将各个病灶掩码图像与各个无病灶核磁共振图像进行叠加处理,得到多个所述第一图像;
将所述多个第一图像及所述多个无病灶核磁共振图像按预设比例划分为训练集和验证集。
在一种可能的实施方式中,所述将各个病灶掩码图像与各个无病灶核磁共振图像进行叠加处理,得到多个所述第一图像,可以包括:
利用部分卷积将各个病灶掩码图像与各个无病灶核磁共振图像进行叠加处理,得到多个所述第一图像;
将各个病灶掩码图像与各个无病灶核磁共振图像进行相乘处理,得到多个所述第一图像。
在一个示例中,本公开实施例可以建立基于部分卷积神经网络(如UNET)的叠加处理模型,对于任意一个无病核磁共振图像,本公开实施例均可以将任意一个病灶掩码图像与任意一个无病灶核磁共振图像进行叠加处理,如将任意一个病灶掩码图像与任意一个无病灶核磁共振图像输入到叠加处理模型中,以利用部分卷积将各个病灶掩码图像与各个无病灶核磁共振图像进行叠加处理,得到多个所述第一图像。
在一个示例中,本公开实施例也可以将各个病灶掩码图像与各个无病灶核磁共振图像进行相乘处理,得到多个所述第一图像,当然,本公开实施例对两个图像的乘法操作的实现方式不做限定,本领域技术人员可以根据需要选择合适的图像处理技术,以将病灶掩码叠加到无病灶核磁共振图像上。
通过这样的方式,本公开实施例可以利用无病灶核磁共振图像实现对含病灶核磁共振图像的模拟,降低资源的获取难度,由于无病灶核磁共振图像可以大量获取,因此,本公开实施例在对神经网络进行训练时,可以实现神经网络的充分训练,提高其预测成功率。
本公开实施例对训练集和验证集进行划分的预设比例不做限定,本领域技术人员可以根据需要设置,在一个示例中,本公开实施例可以将预设比例设置为9:1或其他。
在一个示例中,所述第一图像及所述第二图像可以为所述训练集中的任意一对图像。
在一种可能的实施方式中,步骤S11基于神经网络对第一图像及第二图像中的脑区位置分别进行预测,得到第一预测结果及第二预测结果,可以包括:
基于所述神经网络对所述第一图像中未被病灶掩码遮挡的部分进行脑区位置的预测,得到所述第一预测结果;
基于所述神经网络对所述第二图像的整体进行脑区位置的预测,得到所述第二预测结果。
在一个示例中,所述神经网络在接收到所述第一图像及所述第二图像的情况下,若确定接收到的图像含病灶位置信息的掩码(掩码可以为全0),则确定该图像为第一图像,神经网络可以学习除掩码以外的“非病灶区域”的图像信息(未被掩码覆盖的区域为全1),并针对该第一图像进行脑区位置的预测,得到所述第一预测结果;若确定接收到的图像不含病灶位置的掩码(整张图为全1),则可以确定图像上所有像素均是正常脑组织或背景,则神经网络将该核磁共振图确认为第二图像,学习该第二图像的全部区域的图像信息,对该第二图像进行脑区位置的预测,得到所述第二预测结果。
通过以上方法,本公开实施例可以在一张正常训练图像上,给出两个脑区定位预测,以模拟含病灶核磁共振图像。
步骤S12,确定所述第一预测结果、所述第二预测结果及所述第二图像的预设定位结果两两之间的多个损失值。
在一个示例中,本公开实施例为了提高神经网络对病灶图像的鲁棒性,利用无病灶核磁共振图像对含病灶核磁共振图像的模拟,利用无病灶核磁共振图像对神经网络进行训练得到的神经网络可以实现对含病灶核磁共振图像的脑区定位预测,且预测成功率较高,因此,本公开实施例需要确定第一预测结果、所述第二预测结果及所述第二图像的预设定位结果两两之间的多个损失值,并确保三者之间均较小。这样,本公开实施例的神经网络在训练过程中,对一张正常核磁共振图像进行脑区定位时,神经网络在该图像有一部分“病灶”遮挡和无任何遮挡这两种情况下给出的两个脑分区预测可以尽可能接近的,同时这两个分区预测也都与脑部分区的真值标签尽可能接近,即神经网络在一张训练图像有部分遮挡的情况下,可以“脑补”在无遮挡情况下模型自身对其的脑分区,且这个脑分区是尽可能接近脑分区真值的。
在一个示例中,所述预设定位结果可以为对无病灶核磁共振图像提前进行脑部分区得到的真值标签。
在一个示例中,所述多个损失值可以包括第一预测结果所述预设定位结果之间的第一损失值、第二预测结果与所述预设定位结果之间的第二损失值、所述第一预测结果及所述第二预测结果之间的第三损失值。
步骤S13,根据所述多个损失值对所述神经网络进行训练,得到用于对第三图像进行脑区定位的神经网络,其中,所述第三图像由对象脑部的含病灶核磁共振图像或无病灶核磁共振图像得到。
在一种可能的实施方式中,步骤S13根据所述多个损失值对所述神经网络进行训练,可以包括:
根据所述多个损失值及多个预设权重得到目标损失值,其中,各个损失值与各个预设权重一一对应;
利用所述目标损失值对所述神经网络进行训练。
在一个示例中,所述根据所述多个损失值及多个预设权重得到目标损失值,可以包括:
将确定各个损失值与对应的预设权重之积,并对各个乘积求和,以得到所述目标损失值。
在一个示例中,本公开实施例可以通过公式1示出的分割一致性损失函数得到所述目标损失值:
Lseg_con=λ1L1(Pred1,GT)+λ2L2(Pred2,GT)+λ3L3(Pred1,Pred2) 公式1
其中,Lseg_con表示所述目标损失值,Pred1表示模型考虑病灶掩码给出的第一预测结果,Pred2表示模型不考虑病灶掩码给出的第二预测结果;GT表示所述预设定位结果即真值标签。
其中,Li,i∈{1,2,3}可以表示各种计算损失值的损失函数,本公开实施例可以利用多种损失函数得到各个损失值,对此,本公开实施例不做限定,示例性的,对应本发明的脑区定位任务,Li,i∈{1,2,3}可以是集合相似度度量函数(Dice loss)或交叉熵损失函数(Cross-Entropy loss)等。
其中,λi,i∈{1,2,3}表示各个预设权重,他们可以决定分割一致性损失函数内部三个损失值之间权重的三个参数。
神经网络(如深度卷积神经网络)在测试集上的高水平表现依赖于训练集和测试集数据分布的一致性。在正常脑图像训练集上训练的深度卷积神经网络在面对有病灶的图像时会在病灶区域出现紊乱信号或空洞。因此,本公开实施例通过所述分割一致性损失函数进行训练得到的深度卷积神经网络模型,可以通过在无病灶核磁共振图像训练集上学习的经验,脑补该病灶脑图像在“无病灶遮挡”的虚拟情况下的大脑分区预测,在正常图像上的测试表现可以迁移到病灶图像上,实现训练集和测试集数据分布的一致性,并实现深度卷积神经网络在有异常病灶的脑核磁共振图像上进行脑区定位任务的鲁棒性,即神经网络在正常图像集合上进行训练后,能在正常图像和病灶图像上均有良好表现。
在一个示例中,为找到适合具体数据集和任务的最佳权重组合,可以使用多组预设权重训练神经网络,最终选择其中最优参数组合的方法进行参数调节。
在一种可能的实施方式中,所述预设权重可以包括多组,每组预设权重中包括分别与各个损失值一一对应的多个初始权重,所述方法还可以包括:
利用多组预设权重确定多个神经网络;
从训练集中获取所述第一图像及所述第二图像对多个神经网络分别进行训练;
利用验证集对训练得到的多个神经网络进行验证,得到验证结果;
根据所述验证结果从所述多个神经网络中选择用于对第三图像进行脑区定位的神经网络。
在一个示例中,本公开实施例可以从验证结果中选择目标损失函数最小的神经网络作为最终进行使用的神经网络,以对第三图像进行脑区定位。这样,本公开实施例可以提高神经网络的性能,使得其对第三图像的脑部分区定位更加准确、高效。
在一种可能的实施方式中,所述方法还可以包括:
根据所述神经网络得到脑区定位模型;
输入所述含病灶核磁共振图像及病灶掩码、所述含病灶核磁共振图像及病灶掩码的叠加处理结果、无病灶核磁共振图像、所述含病灶核磁共振图像到所述脑区定位模型的至少一种到所述脑区定位模型,得到所述含病灶核磁共振图像的脑区定位结果。
在一个示例中,本公开实施例可以将所述神经网络直接作为脑区定位模型,在这种情况下,本公开实施例输入到脑区定位模型的第三图像为叠加了病灶掩码的含病核磁共振图像,当然,本公开实施例对输入脑区定位模型前病灶掩码及含病灶核磁共振图像的叠加方法不做限定,示例性的,可以提取待处理的含病灶核磁共振图像,并采用图像处理技术提取含病灶核磁共振图像的病灶掩码,采用乘法或部分卷积等方式实现将二者叠加处理。
在一个示例中,本公开实施例也可以利用神经网络模型及预处理模型得到脑区定位模型,其中,预处理模型可以实现病灶掩码的提取和/或病灶掩码与含病灶核磁共振图像的叠加处理等操作,这样,本公开实施例输入到脑区定位模型的第三图像可以为含病灶核磁共振图像及病灶掩码、或所述含病灶核磁共振图像,实时性的,若脑区定位模型接收到的是含病灶核磁共振图像及病灶掩码,则直接进行叠加处理;若脑区定位模型接收到的是含病灶核磁共振图像,则对含病灶核磁共振图像实现病灶掩码的提取,并将提取的病灶掩码与含病灶核磁共振图像的叠加处理。
在一个示例中,本公开实施例的脑区定位模型,可以对无病灶核磁共振图像直接进行脑区定位,得到定位结果。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
下面对本公开实施例的对病灶鲁棒的脑区定位方法进行示例性介绍。
请参阅图2,图2示出了根据本公开一实施例的对病灶鲁棒的脑区定位方法的流程图。
请参阅图3,图3示出了根据本公开一实施例的神经网络训练的示意图。
在一个示例中,如图2所示,本公开实施例可以人为构建一批病灶掩码图像。这些图像可以是本公开实施例用于模型测试的测试数据集以外的其他数据集中真实存在的病灶的掩码标签,也可是随机生成的椭圆或其他简单几何形状掩码,也可以由这两种或多种组合而成,示例性的,可以根据无病灶核磁共振图像数据集中的图像的尺寸大小确定病灶掩码图像的尺寸大小。
在一个示例中,如图2所示,本公开实施例可以基于生成的病灶掩码图像及无病灶核磁共振图像数据集(包括多个正常的脑部的核磁共振图像)生成训练集和验证集。对无病灶核磁共振图像数据集中的每一张图像随机分配一个人工病灶掩码,并将所得数据集以一定比例随机分成训练集和验证集。
在一个示例中,如图2所示,本公开实施例可以构建神经网络(如深度卷积神经网络),对于神经网络的构建本公开实施例不做限定。本公开实施例采用天然复杂度高、性能强大的深度卷积神经网络,相较于传统地图集方法具有较高的准确性。
在一个示例中,如图2所示,本公开实施例可以利用前述的分割一致性损失函数对神经网络进行训练,并利用验证集对神经网络的性能进行验证,其中,可以利用多组预设权重得到多个神经网络,并在训练过程中每个时期结束存储每个神经网络及在验证集上的验证结果。
在一个示例中,如图3所示,在训练中,本公开实施例可以将病灶掩码图像与无病灶核磁共振图像进行叠加处理,得到叠加了病灶掩码的无病灶核磁共振图像,本公开实施例将叠加了病灶掩码的无病灶核磁共振图像、及对应的无病灶核磁共振图像分别输入到神经网络中,得到第一预测结果(预测一)及第二预测结果(预测二),确定所述第一预测结果、所述第二预测结果及所述第二图像的预设定位结果(真值标签)两两之间的多个损失值,即第一预测结果所述预设定位结果之间的第一损失值(损失值一)、第二预测结果与所述预设定位结果之间的第二损失值(损失值二)、所述第一预测结果及所述第二预测结果之间的第三损失值(损失值三),并基于得到的多个损失值得到目标损失值对神经网络进行训练。
在一个示例中,如图2所示,本公开实施例可以在多个神经网络对应的验证结果中确定表现最佳的神经网络作为最终的神经网络,例如,将验证结果中,目标损失值最小的神经网络作为最终的神经网络。
在一个示例中,如图2所示,本公开实施例可以根据所述最终的神经网络得到脑区定位模型,并输入所述含病灶核磁共振图像及病灶掩码、所述含病灶核磁共振图像及病灶掩码的叠加处理结果、无病灶核磁共振图像、所述含病灶核磁共振图像到所述脑区定位模型的至少一种到所述脑区定位模型,以利用得到的脑区定位模型对输入的含病灶核磁共振图像进行脑分区,得到所述含病灶核磁共振图像的脑区定位结果,示例性的,所述含病灶核磁共振图数据中的病灶可以为肿瘤病灶或其他病灶。
本公开实施例在分割或脑区定位任务的实现流程引入病灶掩码,训练中通过使用容易获得的正常无病灶图像数据模拟有异常病灶图像数据的分布实现目标功能,免去人工标注耗时长、成本高的难题,并提出了分割一致性损失函数,令神经网络对于同一输入,给出两个不同预测,并由此计算三个损失值,组合给出目标损失值对神经网络进行训练,以减轻甚至消除利用含病灶图像训练时病灶异常信号对图像后续处理影响,对所研究问题的专门性及针对性强,对模型表现及鲁棒性有提高,且分割一致性损失函数内部三个损失值的计算方法可根据具体任务选择不同的损失函数,具有较高的灵活性。
本公开实施例可用于病灶核磁共振图像的分区定位应用,还可拓展并应用在其他有异常信号块干扰的任何图像处理任务中,对此,本公开实施例不做限定。此外,本公开还提供了对病灶鲁棒的脑区定位装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种对病灶鲁棒的脑区定位方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
请参阅图4,图4示出了根据本公开一实施例的对病灶鲁棒的脑区定位装置的框图。
如图4所示,所述装置包括:
预测模块10,用于基于神经网络对第一图像及第二图像中的脑区位置分别进行预测,得到第一预测结果及第二预测结果,所述第二图像为对象脑部的无病灶核磁共振图像,所述第一图像为病灶掩码图像与所述第二图像的叠加图像;
确定模块20,用于确定所述第一预测结果、所述第二预测结果及所述第二图像的预设定位结果两两之间的多个损失值;
训练模块30,用于根据所述多个损失值对所述神经网络进行训练,得到用于对第三图像进行脑区定位的神经网络,其中,所述第三图像包括对象脑部的含病灶核磁共振图像。
本公开实施例可以基于神经网络对第一图像及第二图像中的脑区位置分别进行预测,得到第一预测结果及第二预测结果,确定所述第一预测结果、所述第二预测结果及所述第二图像的预设定位结果两两之间的多个损失值,根据所述多个损失值对所述神经网络进行训练,得到用于对第三图像进行脑区定位的神经网络,这样,本公开实施例利用无病灶图像对神经网络进行训练,以模拟有异常病灶图像数据的分布,可以降低训练数据的获取难度,通过掩码图像实现数据增强,可以提高神经网络训练的效率,通过所述多个损失值对所述神经网络进行训练,可以减轻甚至消除图像上病灶异常信号对图像后续处理影响,以提高神经网络的鲁棒性及表现。
在一种可能的实施方式中,所述根据所述多个损失值对所述神经网络进行训练,包括:
根据所述多个损失值及多个预设权重得到目标损失值,其中,各个损失值与各个预设权重一一对应;
利用所述目标损失值对所述神经网络进行训练。
在一种可能的实施方式中,所述预设权重包括多组,每组预设权重中包括分别与各个损失值一一对应的多个初始权重,所述装置还包括训练模块,所述训练模块用于:
利用多组预设权重确定多个神经网络;
从训练集中获取所述第一图像及所述第二图像对多个神经网络分别进行训练;
利用验证集对训练得到的多个神经网络进行验证,得到验证结果;
根据所述验证结果从所述多个神经网络中选择用于对第三图像进行脑区定位的神经网络。
在一种可能的实施方式中,所述装置还包括图像处理模块,用于:
获取脑部的多个无病灶核磁共振图像,及多个病灶掩码图像;
将各个病灶掩码图像与各个无病灶核磁共振图像进行叠加处理,得到多个所述第一图像;
将所述多个第一图像及所述多个无病灶核磁共振图像按预设比例划分为训练集和验证集。
在一种可能的实施方式中,所述将各个病灶掩码图像与各个无病灶核磁共振图像进行叠加处理,得到多个所述第一图像,包括:
利用部分卷积将各个病灶掩码图像与各个无病灶核磁共振图像进行叠加处理,得到多个所述第一图像;
将各个病灶掩码图像与各个无病灶核磁共振图像进行相乘处理,得到多个所述第一图像。
在一种可能的实施方式中,所述基于神经网络对第一图像及第二图像中的脑区位置分别进行预测,得到第一预测结果及第二预测结果,包括:
基于所述神经网络对所述第一图像中未被病灶掩码遮挡的部分进行脑区位置的预测,得到所述第一预测结果;
基于所述神经网络对所述第二图像的整体进行脑区位置的预测,得到所述第二预测结果,
其中,所述病灶掩码图像根据真实存在的病灶掩码标签和/或随机生成的预设形状得到。
在一种可能的实施方式中,所述装置还包括:
模型确定模块,用于根据所述神经网络得到脑区定位模型;
定位模块,用于输入所述含病灶核磁共振图像及病灶掩码、或无病灶核磁共振图像、或所述含病灶核磁共振图像到所述脑区定位模型,得到所述含病灶核磁共振图像的脑区定位结果。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,或者承载有计算机可读代码的非易失性计算机可读存储介质,当所述计算机可读代码在电子设备的处理器中运行时,所述电子设备中的处理器执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
请参阅图5,图5示出了根据本公开一实施例的一种电子设备的框图。
例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图5,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如无线网络(WiFi),第二代移动通信技术(2G)或第三代移动通信技术(3G),或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
请参阅图6,图6示出了根据本公开一实施例的一种电子设备的框图。
例如,电子设备1900可以被提供为一服务器。参照图6,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如微软服务器操作系统(Windows ServerTM),苹果公司推出的基于图形用户界面操作系统(Mac OSXTM),多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM),开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(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。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。