CN114240935A - 一种空频域特征融合的医学影像特征识别方法及装置 - Google Patents

一种空频域特征融合的医学影像特征识别方法及装置 Download PDF

Info

Publication number
CN114240935A
CN114240935A CN202210166385.3A CN202210166385A CN114240935A CN 114240935 A CN114240935 A CN 114240935A CN 202210166385 A CN202210166385 A CN 202210166385A CN 114240935 A CN114240935 A CN 114240935A
Authority
CN
China
Prior art keywords
medical image
frequency domain
sample
standard
diagnosed
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.)
Granted
Application number
CN202210166385.3A
Other languages
English (en)
Other versions
CN114240935B (zh
Inventor
李传富
刘德银
黄莉莉
赵海峰
汤进
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.)
Institute of Artificial Intelligence of Hefei Comprehensive National Science Center
Original Assignee
Institute of Artificial Intelligence of Hefei Comprehensive National Science Center
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 Institute of Artificial Intelligence of Hefei Comprehensive National Science Center filed Critical Institute of Artificial Intelligence of Hefei Comprehensive National Science Center
Priority to CN202210166385.3A priority Critical patent/CN114240935B/zh
Publication of CN114240935A publication Critical patent/CN114240935A/zh
Application granted granted Critical
Publication of CN114240935B publication Critical patent/CN114240935B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/50Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/60Analysis of geometric attributes
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16HHEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20212Image combination
    • G06T2207/20221Image fusion; Image merging

Landscapes

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

Abstract

本发明涉及医学影像辅助诊断技术领域,尤其涉及一种空频域特征融合的医学影像特征识别方法及装置,方法包括:获取待诊医学影像;对所述待诊医学影像进行空域上的图像预处理,获得空域标准医学影像;对所述待诊医学影像进行频域上的图像预处理,获得频域标准医学影像;将所述空域标准医学影像和所述频域标准医学影像进行融合,获得标准医学影像特征;将所述标准医学影像特征输入经过训练的卷积神经网络模型,获得对应的待诊医学影像的预测值,若预测值大于设定的诊断阈值,则判定诊断结果为正例,否则判定诊断结果为负例。本发明提高了基于医学影像对患者进行疾病诊断的效率,提升了医学影像诊断的一致性与准确性。

Description

一种空频域特征融合的医学影像特征识别方法及装置
技术领域
本发明涉及医学影像辅助诊断技术领域,尤其涉及一种空频域特征融合的医学影像特征识别方法及装置。
背景技术
医学影像诊断行业中存在着专业医生培养周期长导致的高端人才缺口很大、专业医生阅片耗时长,导致的工作效率低下等问题。为了解决这些问题,计算机辅助技术被应用于医学影像诊断中。早期常采用人工定义影像特征而后基于机器学习进行分类的方法。随着深度学习的高速发展,当下的主流方法是利用神经网络模型自动提取和选择影像特征并进行分类。其步骤为:首先对用于训练网络模型的医学影像进行预处理,然后将预处理后的医学影像输入神经网络模型以提取影像的视觉特征并预测分类,利用预测结果计算损失值并更新模型参数,通过不断重复这一过程完成模型训练。模型训练完成后,将待诊的医学影像预处理后输入训练好的模型以获得预测值即诊断结果。
然而,在现有的利用深度学习进行医学影像诊断的方法中,为了避免医学影像分辨率过大导致神经网络模型参数量巨大、训练效率低下的问题,会在预处理阶段人为地大幅度降低图像分辨率。这使得提取的视觉特征丢失原始医学影像上的细粒度信息,影响了医学影像的诊断效果。
发明内容
本发明的目的在于提供一种空频域特征融合的医学影像特征识别方法及装置,能够充分利用原始医学影像上的细粒度信息,提高了基于医学影像对患者进行疾病诊断的效率,提升了医学影像诊断的一致性与准确性。
为实现上述目的及其他相关目的,本发明提供一种空频域特征融合的医学影像特征识别方法,包括:
获取待诊医学影像;
对所述待诊医学影像进行空域上的图像预处理,获得空域标准医学影像;
对所述待诊医学影像进行频域上的图像预处理,获得频域标准医学影像;
将所述空域标准医学影像和所述频域标准医学影像进行融合,获得标准医学影像特征;
将所述标准医学影像特征输入经过训练的卷积神经网络模型,获得对应的待诊医学影像的预测值,若预测值大于设定的诊断阈值,则判定诊断结果为正例,否则判定诊断结果为负例。
在本发明的一可选实施例中,所述对所述待诊医学影像进行空域上的图像预处理,获得空域标准医学影像,包括:
对所述待诊医学影像进行调整,获得第一预设尺寸待诊医学影像;
对所述第一预设尺寸待诊医学影像中的每个像素点的像素值进行归一化处理,获得空域标准医学影像。
在本发明的一可选实施例中,所述对所述待诊医学影像进行频域上的图像预处理,获得频域标准医学影像,包括:
对所述待诊医学影像进行调整,获得尺寸为第一预设尺寸整数倍的待诊医学影像;
对所述尺寸为第一预设尺寸整数倍的待诊医学影像进行离散余弦变换,获得第一预设尺寸频域医学影像;
对所述第一预设尺寸频域医学影像中的每个像素点进行归一化处理,获得归一化频域医学影像;
根据所述归一化频域医学影像中每个通道内所有像素值的平均值和最大值,计算所述归一化频域医学影像中每个通道的权重;
根据所述归一化频域医学影像中每个像素点位置上所有通道的像素值的平均值和最大值,计算所述归一化频域医学影像中每个不同像素点位置的权重;
将所述归一化频域医学影像中的每个像素值与该像素值对应通道的权重以及该像素值对应像素点位置的权重进行点乘,获得所述频域标准医学影像。
在本发明的一可选实施例中,所述将所述空域标准医学影像和所述频域标准医学影像进行融合,获得标准医学影像特征,包括:
用预设数量的卷积核对所述空域标准医学影像中的特征进行提取,获得具有预设通道数的空域医学影像特征;
用预设数量的卷积核对所述频域标准医学影像中的特征进行提取,获得具有预设通道数的频域医学影像特征;
将所述空域医学影像特征与所述频域医学影像特征拼接,获得所述标准医学影像特征。
在本发明的一可选实施例中,所述卷积神经网络模型采用如下方法进行训练:
获取若干张医学影像样本以及与之一一对应的诊断标签;
对各张医学影像样本进行空域上的图像预处理,获得尺寸一致的空域标准医学影像样本;
对各张医学影像样本进行频域上的图像预处理,获得尺寸一致的频域标准医学影像样本;
将所述空域标准医学影像样本和所述频域标准医学影像样本进行融合,获得标准医学影像特征样本;
利用所述标准医学影像特征样本和所述诊断标签对所述卷积神经网络模型进行训练,直至训练的平均损失值小于预设的阈值。
在本发明的一可选实施例中,所述对各张医学影像样本进行空域上的图像预处理,获得尺寸一致的空域标准医学影像样本,包括:
对所述医学影像样本进行调整,获得第一预设尺寸医学影像样本;
对所述第一预设尺寸医学影像样本中的每个像素点的像素值进行归一化处理,获得空域标准医学影像样本。
在本发明的一可选实施例中,所述对所述医学影像样本进行调整,获得第一预设尺寸医学影像样本,包括:
对所述医学影像样本进行升采样或降采样,获得尺寸大于或等于第一预设尺寸的第一医学影像样本;
对所述第一医学影像样本进行剪裁和/或水平翻转和/或旋转,获得第一预设尺寸医学影像样本。
在本发明的一可选实施例中,所述对各张医学影像样本进行频域上的图像预处理,获得尺寸一致的频域标准医学影像样本,包括:
对所述各医学影像样本进行调整,获得尺寸为第一预设尺寸整数倍的医学影像样本;
对所述尺寸为第一预设尺寸整数倍的医学影像样本进行离散余弦变换,获得第一预设尺寸频域医学影像样本;
对所述第一预设尺寸频域医学影像样本中的每个像素点进行归一化处理,获得归一化频域医学影像样本;
根据所述归一化频域医学影像样本中每个通道内所有像素值的平均值和最大值,计算所述归一化频域医学影像样本中每个通道的权重;
根据所述归一化频域医学影像样本中每个像素点位置上所有通道的像素值的平均值和最大值,计算所述归一化频域医学影像样本中每个不同像素点位置的权重;
将所述归一化频域医学影像样本中的每个像素值与该像素值对应通道的权重以及该像素值对应像素点位置的权重进行点乘,获得所述频域标准医学影像样本。
在本发明的一可选实施例中,所述对所述各医学影像样本进行调整,获得尺寸为第一预设尺寸整数倍的医学影像样本,包括:
对所述医学影像样本进行升采样或降采样,获得尺寸大于或等于第一预设尺寸整数倍的第二医学影像样本;
对所述第二医学影像样本进行剪裁和/或水平翻转和/或旋转,获得尺寸为第一预设尺寸整数倍的医学影像样本。
为实现上述目的及其他相关目的,本发明还提供一种空频域特征融合的医学影像特征提取装置,包括:
影像获取模块,用于获取待诊医学影像;
空域预处理模块,用于对所述待诊医学影像进行空域上的图像预处理,获得空域标准医学影像;
频域预处理模块,用于对所述待诊医学影像进行频域上的图像预处理,获得频域标准医学影像;
特征提取模块,用于将所述空域标准医学影像和所述频域标准医学影像进行融合,获得标准医学影像特征;
特征识别模块,用于将所述标准医学影像特征输入经过训练的卷积神经网络模型,获得对应的待诊医学影像的预测值,若预测值大于设定的诊断阈值,则判定诊断结果为正例,否则判定诊断结果为负例。
本发明的技术效果在于:
本发明在空域上和频域上用不同的方法对医学影像进行预处理,空域预处理后的医学影像与频域预处理后的医学影像被映射至同一特征空间并进行特征融合,然后利用卷积神经网络提取视觉特征并进行疾病诊断预测。该方法可用于医学影像诊断,由于采用了对原始医学影像分别在空域上和频域上进行预处理的方法,可以避免目前的主流方法中需要在预处理阶段极大地降低图像分辨率的问题,充分利用了原始医学影像上的细粒度信息,提高了基于医学影像对患者进行疾病诊断的效率,提升了医学影像诊断的一致性与准确性,避免了不同医生由于不同的临床经验给出不同诊断结果的问题,具有临床上的实用性。
附图说明
图1是本发明的实施例所提供的空频域特征融合的医学影像特征识别方法的流程图;
图2是本发明的实施例所提供的医学影像空域预处理的流程图;
图3是本发明的实施例所提供的医学影像频域预处理的流程图;
图4是本发明的实施例所提供的空频域特征融合的流程图;
图5是本发明的实施例所提供的卷积神经网络的训练过程示意图;
图6是本发明的实施例所提供的空频域特征融合的医学影像特征识别装置的结构框图;
图7是本发明的实施例所提供的医学影像样本图;
图8是本发明的实施例所提供的医学影像样本频域预处理过程的示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1-7。需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
图1示出了本发明的空频域特征融合的医学影像特征识别方法的较佳实施例的流程图。
所述空频域特征融合的医学影像特征识别方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
下面将结合图1-7来详细阐述本发明的空频域特征融合的医学影像特征识别方法,该空频域特征融合的医学影像特征识别方法例如可应用于基于医学影像的智能诊断方法和系统。
如图1所示,本发明所提供的融合空频域特征的医学影像诊断方法,主要包括如下步骤:首先,对用于训练网络模型的医学影像在空域上和频域上分别用不同的方法进行预处理,然后,空域预处理后的医学影像与频域预处理后的医学影像被映射至同一特征空间并进行特征融合,最后,利用卷积神经网络提取视觉特征并进行疾病诊断预测。下面对这一过程做详细具体的说明。
本实施例中所述卷积神经网络选用残差神经网络,可以理解的是,除本实施例外,本发明还可以选用其它类型的卷积神经网络模型。
请参阅图5所示,首先介绍本发明所述卷积神经网络模型的训练过程,卷积神经网络模型的训练过程包括:
S51:获取若干张医学影像样本以及与之一一对应的诊断标签;具体的,所述诊断标签应该为正例或负例,同时以数字形式表达,若为正例,标记为1,若为负例,标记为0。
在所述步骤S51中,所述医学影像样本及其对应的诊断标签可以但不限于从历史档案的数据库中获取,也可以从网络开源的数据库获取。如图7所示为从历史档案的数据库中获取的一张医学影像样本,其对应的诊断标签为:胸廓正常,气管正常,肺纹理异常,肋膈角正常。则标记为:0,0,1,0。
S52:对各张医学影像样本进行空域上的图像预处理,获得尺寸一致的空域标准医学影像样本,具体包括:
对所述医学影像样本进行调整,获得第一预设尺寸医学影像样本;具体为,对所述医学影像样本进行升采样或降采样,获得尺寸大于或等于第一预设尺寸的第一医学影像样本;对所述第一医学影像样本进行剪裁和/或水平翻转和/或旋转,获得第一预设尺寸医学影像样本;
对所述第一预设尺寸医学影像样本中的每个像素点的像素值进行归一化处理,获得空域标准医学影像样本。
S53:对各张医学影像样本进行频域上的图像预处理,获得尺寸一致的频域标准医学影像样本,具体包括:
对所述各医学影像样本进行调整,获得尺寸为第一预设尺寸整数倍的医学影像样本;具体为,对所述医学影像样本进行升采样或降采样,获得尺寸大于或等于第一预设尺寸整数倍的第二医学影像样本;对所述第二医学影像样本进行剪裁和/或水平翻转和/或旋转,尺寸为第一预设尺寸整数倍的医学影像样本;
对所述尺寸为第一预设尺寸整数倍的医学影像样本进行离散余弦变换,获得第一预设尺寸频域医学影像样本;
对所述第一预设尺寸频域医学影像样本中的每个像素点进行归一化处理,获得归一化频域医学影像样本;
根据所述归一化频域医学影像样本中每个通道内所有像素值的平均值和最大值,计算所述归一化频域医学影像样本中每个通道的权重;
根据所述归一化频域医学影像样本中每个像素点位置上所有通道的像素值的平均值和最大值,计算所述归一化频域医学影像样本中每个不同像素点位置的权重;
将所述归一化频域医学影像样本中的每个像素值与该像素值对应通道的权重以及该像素值对应像素点位置的权重进行点乘,获得所述频域标准医学影像样本。
S54:将所述空域标准医学影像样本和所述频域标准医学影像样本进行融合,获得标准医学影像特征样本;具体包括;
用预设数量的卷积核对所述空域标准医学影像样本中的特征进行提取,获得具有预设通道数的空域医学影像特征样本;
用预设数量的卷积核对所述频域标准医学影像样本中的特征进行提取,获得具有预设通道数的频域医学影像特征样本;
将所述空域医学影像特征样本与所述频域医学影像特征样本拼接,获得所述标准医学影像特征样本。
S55:利用所述标准医学影像特征样本和所述诊断标签对所述卷积神经网络模型进行训练,直至训练的平均损失值小于预设的阈值。
请参阅图1所示,基于上述完成训练的卷积神经网络模型,本发明的空频域特征融合的医学影像特征提取方法的具体过程如下:
S1:获取待诊医学影像。
S2:对所述待诊医学影像进行空域上的图像预处理,获得空域标准医学影像;请参阅图2所示,具体包括:
S21:对所述待诊医学影像进行调整,获得第一预设尺寸待诊医学影像;
S22:对所述第一预设尺寸待诊医学影像中的每个像素点的像素值进行归一化处理,获得空域标准医学影像。
S3:对所述待诊医学影像进行频域上的图像预处理,获得频域标准医学影像;请参阅图3所示,具体包括:
S31:对所述待诊医学影像进行调整,获得尺寸为第一预设尺寸整数倍的待诊医学影像;
S32:对所述尺寸为第一预设尺寸整数倍的待诊医学影像进行离散余弦变换,获得第一预设尺寸频域医学影像;
S33:对所述第一预设尺寸频域医学影像中的每个像素点进行归一化处理,获得归一化频域医学影像;
S34:根据所述归一化频域医学影像中每个通道内所有像素值的平均值和最大值,计算所述归一化频域医学影像中每个通道的权重;
S35:根据所述归一化频域医学影像中每个像素点位置上所有通道的像素值的平均值和最大值,计算所述归一化频域医学影像中每个不同像素点位置的权重;
S36:将所述归一化频域医学影像中的每个像素值与该像素值对应通道的权重以及该像素值对应像素点位置的权重进行点乘,获得所述频域标准医学影像。
S4:将所述空域标准医学影像和所述频域标准医学影像进行融合,获得标准医学影像特征;请参阅图4所示,具体包括:
S41:用预设数量的卷积核对所述空域标准医学影像中的特征进行提取,获得具有预设通道数的空域医学影像特征;
S42:用预设数量的卷积核对所述频域标准医学影像中的特征进行提取,获得具有预设通道数的频域医学影像特征;
S43:将所述空域医学影像特征与所述频域医学影像特征拼接,获得所述标准医学影像特征。
S5:将所述标准医学影像特征输入经过训练的卷积神经网络模型,获得对应的待诊医学影像的预测值,若预测值大于设定的诊断阈值,则判定诊断结果为正例,否则判定诊断结果为负例。
可以理解的是,本发明中待诊医学影像的预处理过程与医学影像样本的预处理过程基本相同,以下结合一具体实施例中的模型训练过程对医学影像样本的预处理方法进行详细说明。
空域上的图像预处理主要包括但不限于如下步骤:
通过降采样的方式使医学影像样本的尺寸变为K×K或大于K×K。
对采样后的医学影像样本进行剪裁和/或水平翻转和/或旋转;需要说明的是,若上述采样后的医学影像样本的尺寸大于K×K,则本步骤中需要将医学影像样本剪裁为K×K,若采样后的医学影像样本的尺寸等于K×K,则本步骤中不再对医学影像样本进行剪裁。可以理解的是,本发明对图像进行翻转或旋转,能够使模型鲁棒性更强,提高识别精度。
通过上述处理后得到的尺寸一致的正方形医学影像样本中的每个像素点通过以下公式得到归一化后的像素值S new
Figure 762792DEST_PATH_IMAGE001
式中,S old 是归一化前的医学影像样本的像素值,μ s 是归一化前的所有像素点的像素平均值,σ s 为归一化前的所有像素点的像素值标准差。
在该实施例中,将医学影像样本尺寸变为K×K后,对医学影像进行随机的水平翻转,单张医学影像被水平翻转的概率为50%。最后对医学影像进行归一化。
请参阅图7所示,频域上的图像预处理主要包括但不限于如下步骤:
通过降采样的方式使医学影像样本的尺寸变为Q×Q或大于Q×Q;其中Q=m*K。
对采样后的医学影像进行剪裁和/或水平翻转和/或旋转;需要说明的是,若采样后的医学影像样本的尺寸大于Q×Q,则本步骤中需要将医学影像样本剪裁为Q×Q,若采样后的医学影像样本的尺寸等于Q×Q,则本步骤中不再对医学影像样本进行剪裁。
将上述处理后得到的医学影像划分为不重叠的多个m×m的小块,对每个小块进行离散余弦(DCT)变换,由于医学影像样本为灰度图像,此时医学影像的尺寸变为K×K,通道数变换为m2
经过上述处理后得到的尺寸一致的正方形医学影像中的每个像素点通过以下公式得到归一化后的像素值F new
Figure 29826DEST_PATH_IMAGE002
式中,F old 是通过上述步骤得到的归一化前的医学影像样本的像素值,μ f 是归一化前的所有像素点的像素平均值,σ f 为归一化前的所有像素点的像素值标准差。
通过以下公式计算上述得到的医学影像样本的每个不同通道的不同权重M c
Figure 166409DEST_PATH_IMAGE003
式中,σ为Sigmoid函数,W1和W0为可训练的参数,
Figure 772971DEST_PATH_IMAGE004
为进行平均池化后的医学影像样本,即每个通道内的所有归一化后的像素值的平均值,
Figure 766335DEST_PATH_IMAGE005
为进行最大池化后的医学影像样本,即每个通道内的所有归一化后的像素值的最大值。
通过以下公式计算上述归一化后得到的医学影像样本的每个像素点的不同权重M s
Figure 520664DEST_PATH_IMAGE006
式中,σ为Sigmoid函数,W为可训练的参数,
Figure 195359DEST_PATH_IMAGE007
为每个像素点位置上所有通道的平均像素值,
Figure 718744DEST_PATH_IMAGE008
为每个像素点位置上所有通道的最大像素值。
将通过上述归一化得到的医学影像样本与M c M s 进行点乘,为上述归一化后得到的医学影像样本的每个通道和每个像素点位置赋予对应的权重。需要说明的是,具体计算过程中,同一通道内的所有像素点与同一M c 值进行点乘,不同通道内相同位置的各像素点与同一M s 值进行点乘。
在该实施例中,将医学影像尺寸变为Q×Q后,对医学影像进行随机的水平翻转,单张医学影像被水平翻转的概率为50%。接着将医学影像不重叠地划分为多个m×m的小块,对每个小块进行离散余弦变换。由于医学影像为灰度图像,每个小块变换为1×1大小,通道数为m2的小块,则医学影像变换后尺寸为K×K,通道数为m2。然后对医学影像进行归一化。最后分别对医学影像的每个通道和每个像素点赋予不同的权重。
将空域标准医学影像样本和频域标准医学影像样本映射到同一个特征空间并进行融合,得到标准医学影像特征样本,包括:
在该实施例中,由于空域预处理后的医学影像样本尺寸为K×K,通道数为3,用一个卷积核大小为1×1,输入通道数为3,输出通道数为j的卷积层将空域预处理后的医学影像样本映射为尺寸为K×K通道数为j的空域医学影像特征样本。
由于频域预处理后的医学影像样本尺寸为K×K通道数为m2,用一个卷积核大小为1×1,输入通道数为m2,输出通道数为j的卷积层将频域预处理后的医学影像样本映射为尺寸为K×K通道数为j的频域医学影像特征样本。
将空域医学影像特征样本与频域医学影像特征样本拼接,得到尺寸为K×K,通道数为j+j的标准医学影像特征。
将标准医学影像特征输入调整了第一个卷积层的输入通道数和分类层输出维度的ResNet(残差神经网络)网络模型中,进行正向传播,得到对应各张医学影像的预测值,预测值为识别医学影像为正例的概率。
在该实施例中,标准医学影像特征样本的通道数为j+j,因此网络模型的第一个卷积层的输入通道数调整为j+j,医学影像对应4个标签,因此网络模型的分类层的输出维度调整为4,网络模型其他层的参数不需要改变。ResNet网络模型为现有深度学习技术中的常用网络模型,于此不再赘述。每一张医学影像的预测值为4个实数,分别代表识别医学影像的胸廓、气管、肺纹理和肋膈角为正例的概率。
按照如下公式计算本次训练的平均损失值loss
Figure 148589DEST_PATH_IMAGE009
式中,n为医学影像样本总张数,y i 为第i张医学影像样本的诊断标签的标记值,
Figure 327897DEST_PATH_IMAGE010
为第i张医学影像样本识别影像为正例的概率值。
在该实施例中,由于每张医学影像样本的标签数为4,可以但不限于分别对每个计算损失值,最后对所有标签的损失值求平均来计算总损失值。
通过梯度下降法将上述平均损失值loss逐层反向传播,更新模型参数。
重复上述训练过程,直到上述平均损失值下降到预设的阈值,完成模型训练。
在该实施例中,将正例与负例的诊断阈值定为0.5。例如,某待诊的医学影像的预测值为0.073,0.854,0.119,0.003,则该待诊的医学影像的诊断结果为:胸廓正常,气管异常,肺纹理正常,肋膈角正常。
上述实施例中,所述K、Q表示的是像素数量,所述m表示倍数,所述K、Q、m分别为正整数,且所述K、Q、m满足Q=m*K,在一具体实施例中,所述K=224,Q=1792,m=8,j=32;可以理解的是,本实施例仅作为本发明实施过程中的一种具体选择,实际应用中,上述参数可以在确保算力充足,保证计算效率的前提下在一定范围内进行自由选择。
需要说明的是,在本发明中,为了保证数据的安全性,可以将涉及到的数据部署于区块链,以防止数据被恶意篡改。
需要说明的是,上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包含相同的逻辑关系,都在本专利的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该专利的保护范围内。
如图5所示,是本发明的空频域特征融合的医学影像特征提取装置的较佳的实施例的功能模块图。所述空频域特征融合的医学影像特征提取装置包括: 影像获取模块10,空域预处理模块20,频域预处理模块30,特征提取模块40,以及特征识别模块50。所述本发明所称的模块及后文将要介绍的子模块是指一种能够被处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。
需要说明的是,本实施例的空频域特征融合的医学影像特征提取装置是与上述空频域特征融合的医学影像特征提取方法相对应的装置,空频域特征融合的医学影像特征提取装置中的功能模块或者分别对应空频域特征融合的医学影像特征提取方法中的相应步骤。本实施例的空频域特征融合的医学影像特征提取装置可与空频域特征融合的医学影像特征提取方法相互相配合实施。相应地,本实施例的空频域特征融合的医学影像特征提取装置中提到的相关技术细节也可应用在上述空频域特征融合的医学影像特征提取方法中。
需要说明的是,上述的各功能模块实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的部分或全部步骤,或以上的各功能模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
本发明的空频域特征融合的医学影像特征提取方法可以以电子设备为载体,所述电子设备可以包括存储器、处理器和总线,还可以包括存储在所述存储器中并可在所述处理器上运行的计算机程序。
其中,存储器至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。存储器在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(Secure Digital, SD)卡、闪存卡(Flash Card)等。进一步地,存储器还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器不仅可以用于存储安装于电子设备的应用软件及各类数据,还可以用于暂时地存储已经输出或者将要输出的数据。
处理器在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器内的程序或者模块,以及调用存储在所述存储器内的数据,以执行电子设备的各种功能和处理数据。
所述处理器执行所述电子设备的操作系统以及安装的各类应用程序。所述处理器执行所述应用程序以实现上述各个医学影像特征识别方法实施例中的步骤,例如图1所示的步骤。
示例性的,所述计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电子设备中的执行过程。例如,所述计算机程序可以被分割成影像获取模块,空域预处理模块,频域预处理模块,特征提取模块,以及特征识别模块。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块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、计算机设备,或者网络设备等)或处理器(processor)执行本发明各个实施例所述医学影像特征识别方法的部分功能。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,在图5中仅用一条直线表示,但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器以及至少一个处理器等之间的连接通信。
综上所述,本发明在空域上和频域上用不同的方法对医学影像进行预处理,空域预处理后的医学影像与频域预处理后的医学影像被映射至同一特征空间并进行特征融合,然后利用卷积神经网络提取视觉特征并进行疾病诊断预测。该方法可用于医学影像诊断,由于采用了对原始医学影像分别在空域上和频域上进行预处理的方法,可以避免目前的主流方法中需要在预处理阶段极大地降低图像分辨率的问题,充分利用了原始医学影像上的细粒度信息,提高了基于医学影像对患者进行疾病诊断的效率,提升了医学影像诊断的一致性与准确性,避免了不同医生由于不同的临床经验给出不同诊断结果的问题,具有临床上的实用性。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种空频域特征融合的医学影像特征识别方法,其特征在于,包括:
获取待诊医学影像;
对所述待诊医学影像进行空域上的图像预处理,获得空域标准医学影像;
对所述待诊医学影像进行频域上的图像预处理,获得频域标准医学影像;
将所述空域标准医学影像和所述频域标准医学影像进行融合,获得标准医学影像特征;
将所述标准医学影像特征输入经过训练的卷积神经网络模型,获得对应的待诊医学影像的预测值,若预测值大于设定的诊断阈值,则判定诊断结果为正例,否则判定诊断结果为负例;
所述对所述待诊医学影像进行频域上的图像预处理,获得频域标准医学影像,包括:
对所述待诊医学影像进行调整,获得尺寸为第一预设尺寸整数倍的待诊医学影像;
对所述尺寸为第一预设尺寸整数倍的待诊医学影像进行离散余弦变换,获得第一预设尺寸频域医学影像;
对所述第一预设尺寸频域医学影像中的每个像素点进行归一化处理,获得归一化频域医学影像;
根据所述归一化频域医学影像中每个通道内所有像素值的平均值和最大值,计算所述归一化频域医学影像中每个通道的权重;
根据所述归一化频域医学影像中每个像素点位置上所有通道的像素值的平均值和最大值,计算所述归一化频域医学影像中每个不同像素点位置的权重;
将所述归一化频域医学影像中的每个像素值与该像素值对应通道的权重以及该像素值对应像素点位置的权重进行点乘,获得所述频域标准医学影像。
2.根据权利要求1所述的空频域特征融合的医学影像特征识别方法,其特征在于,所述对所述待诊医学影像进行空域上的图像预处理,获得空域标准医学影像,包括:
对所述待诊医学影像进行调整,获得第一预设尺寸待诊医学影像;
对所述第一预设尺寸待诊医学影像中的每个像素点的像素值进行归一化处理,获得空域标准医学影像。
3.根据权利要求1所述的空频域特征融合的医学影像特征识别方法,其特征在于,所述将所述空域标准医学影像和所述频域标准医学影像进行融合,获得标准医学影像特征,包括:
用预设数量的卷积核对所述空域标准医学影像中的特征进行提取,获得具有预设通道数的空域医学影像特征;
用预设数量的卷积核对所述频域标准医学影像中的特征进行提取,获得具有预设通道数的频域医学影像特征;
将所述空域医学影像特征与所述频域医学影像特征拼接,获得所述标准医学影像特征。
4.根据权利要求1所述的空频域特征融合的医学影像特征识别方法,其特征在于,所述卷积神经网络模型采用如下方法进行训练:
获取若干张医学影像样本以及与之一一对应的诊断标签;
对各张医学影像样本进行空域上的图像预处理,获得尺寸一致的空域标准医学影像样本;
对各张医学影像样本进行频域上的图像预处理,获得尺寸一致的频域标准医学影像样本;
将所述空域标准医学影像样本和所述频域标准医学影像样本进行融合,获得标准医学影像特征样本;
利用所述标准医学影像特征样本和所述诊断标签对所述卷积神经网络模型进行训练,直至训练的平均损失值小于预设的阈值。
5.根据权利要求4所述的空频域特征融合的医学影像特征识别方法,其特征在于,所述对各张医学影像样本进行空域上的图像预处理,获得尺寸一致的空域标准医学影像样本,包括:
对所述医学影像样本进行调整,获得第一预设尺寸医学影像样本;
对所述第一预设尺寸医学影像样本中的每个像素点的像素值进行归一化处理,获得空域标准医学影像样本。
6.根据权利要求5所述的空频域特征融合的医学影像特征识别方法,其特征在于,所述对所述医学影像样本进行调整,获得第一预设尺寸医学影像样本,包括:
对所述医学影像样本进行升采样或降采样,获得尺寸大于或等于第一预设尺寸的第一医学影像样本;
对所述第一医学影像样本进行剪裁和/或水平翻转和/或旋转,获得第一预设尺寸医学影像样本。
7.根据权利要求4所述的空频域特征融合的医学影像特征识别方法,其特征在于,所述对各张医学影像样本进行频域上的图像预处理,获得尺寸一致的频域标准医学影像样本,包括:
对所述各医学影像样本进行调整,获得尺寸为第一预设尺寸整数倍的医学影像样本;
对所述尺寸为第一预设尺寸整数倍的医学影像样本进行离散余弦变换,获得第一预设尺寸频域医学影像样本;
对所述第一预设尺寸频域医学影像样本中的每个像素点进行归一化处理,获得归一化频域医学影像样本;
根据所述归一化频域医学影像样本中每个通道内所有像素值的平均值和最大值,计算所述归一化频域医学影像样本中每个通道的权重;
根据所述归一化频域医学影像样本中每个像素点位置上所有通道的像素值的平均值和最大值,计算所述归一化频域医学影像样本中每个不同像素点位置的权重;
将所述归一化频域医学影像样本中的每个像素值与该像素值对应通道的权重以及该像素值对应像素点位置的权重进行点乘,获得所述频域标准医学影像样本。
8.根据权利要求7所述的空频域特征融合的医学影像特征识别方法,其特征在于,所述对所述各医学影像样本进行调整,获得尺寸为第一预设尺寸整数倍的医学影像样本,包括:
对所述医学影像样本进行升采样或降采样,获得尺寸大于或等于第一预设尺寸整数倍的第二医学影像样本;
对所述第二医学影像样本进行剪裁和/或水平翻转和/或旋转,获得尺寸为第一预设尺寸整数倍的医学影像样本。
9.一种空频域特征融合的医学影像特征识别装置,其特征在于,包括:
影像获取模块,用于获取待诊医学影像;
空域预处理模块,用于对所述待诊医学影像进行空域上的图像预处理,获得空域标准医学影像;
频域预处理模块,用于对所述待诊医学影像进行频域上的图像预处理,获得频域标准医学影像;
特征提取模块,用于将所述空域标准医学影像和所述频域标准医学影像进行融合,获得标准医学影像特征;
特征识别模块,用于将所述标准医学影像特征输入经过训练的卷积神经网络模型,获得对应的待诊医学影像的预测值,若预测值大于设定的诊断阈值,则判定诊断结果为正例,否则判定诊断结果为负例。
CN202210166385.3A 2022-02-24 2022-02-24 一种空频域特征融合的医学影像特征识别方法及装置 Active CN114240935B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210166385.3A CN114240935B (zh) 2022-02-24 2022-02-24 一种空频域特征融合的医学影像特征识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210166385.3A CN114240935B (zh) 2022-02-24 2022-02-24 一种空频域特征融合的医学影像特征识别方法及装置

Publications (2)

Publication Number Publication Date
CN114240935A true CN114240935A (zh) 2022-03-25
CN114240935B CN114240935B (zh) 2022-05-20

Family

ID=80747995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210166385.3A Active CN114240935B (zh) 2022-02-24 2022-02-24 一种空频域特征融合的医学影像特征识别方法及装置

Country Status (1)

Country Link
CN (1) CN114240935B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130028490A1 (en) * 2011-05-16 2013-01-31 Dongguk Univeristy, Industry-Academic Cooperation Foundation Method of Processing Medical Image of Blood Vessel Using Image Fusion Method
CN109636769A (zh) * 2018-12-18 2019-04-16 武汉大学 基于双路密集残差网络的高光谱和多光谱图像融合方法
KR20190047243A (ko) * 2017-10-27 2019-05-08 현대자동차주식회사 카메라 렌즈 오염 경고 장치 및 방법
CN111402183A (zh) * 2020-01-10 2020-07-10 北京理工大学 基于八度金字塔框架的多聚焦图像融合方法
CN111640106A (zh) * 2020-06-02 2020-09-08 中国医学科学院阜外医院深圳医院(深圳市孙逸仙心血管医院) 一种基于人工智能的多模态医学影像的转换方法
CN111881725A (zh) * 2020-06-14 2020-11-03 浙江大学 一种融合空频域特征的光学遥感图像船舶目标检测方法
CN112084931A (zh) * 2020-09-04 2020-12-15 厦门大学 一种基于DenseNet的白血病细胞显微图像分类方法及系统
CN112529870A (zh) * 2020-12-10 2021-03-19 重庆大学 基于源域与频域结合的多尺度CNNs肺结节假阳性剔除方法
CN112750122A (zh) * 2021-01-21 2021-05-04 山东省人工智能研究院 基于双流边界感知神经网络的图像篡改区域定位方法
CN112926457A (zh) * 2021-02-26 2021-06-08 中国电子科技集团公司第二十八研究所 一种基于融合频域和空间域网络模型的sar图像识别方法
CN113077527A (zh) * 2021-03-16 2021-07-06 天津大学 一种基于欠采样的快速磁共振图像重建方法
CN113837310A (zh) * 2021-09-30 2021-12-24 四川新网银行股份有限公司 多尺度融合的证件翻拍识别方法、装置、电子设备和介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130028490A1 (en) * 2011-05-16 2013-01-31 Dongguk Univeristy, Industry-Academic Cooperation Foundation Method of Processing Medical Image of Blood Vessel Using Image Fusion Method
KR20190047243A (ko) * 2017-10-27 2019-05-08 현대자동차주식회사 카메라 렌즈 오염 경고 장치 및 방법
CN109636769A (zh) * 2018-12-18 2019-04-16 武汉大学 基于双路密集残差网络的高光谱和多光谱图像融合方法
CN111402183A (zh) * 2020-01-10 2020-07-10 北京理工大学 基于八度金字塔框架的多聚焦图像融合方法
CN111640106A (zh) * 2020-06-02 2020-09-08 中国医学科学院阜外医院深圳医院(深圳市孙逸仙心血管医院) 一种基于人工智能的多模态医学影像的转换方法
CN111881725A (zh) * 2020-06-14 2020-11-03 浙江大学 一种融合空频域特征的光学遥感图像船舶目标检测方法
CN112084931A (zh) * 2020-09-04 2020-12-15 厦门大学 一种基于DenseNet的白血病细胞显微图像分类方法及系统
CN112529870A (zh) * 2020-12-10 2021-03-19 重庆大学 基于源域与频域结合的多尺度CNNs肺结节假阳性剔除方法
CN112750122A (zh) * 2021-01-21 2021-05-04 山东省人工智能研究院 基于双流边界感知神经网络的图像篡改区域定位方法
CN112926457A (zh) * 2021-02-26 2021-06-08 中国电子科技集团公司第二十八研究所 一种基于融合频域和空间域网络模型的sar图像识别方法
CN113077527A (zh) * 2021-03-16 2021-07-06 天津大学 一种基于欠采样的快速磁共振图像重建方法
CN113837310A (zh) * 2021-09-30 2021-12-24 四川新网银行股份有限公司 多尺度融合的证件翻拍识别方法、装置、电子设备和介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YANG LI 等: "Deep Spatial-Temporal Feature Fusion From Adaptive Dynamic Functional Connectivity for MCI Identification", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 *
刘丽: "医学图像分割算法研究及应用", 《中国博士学位论文全文数据库 (医药卫生科技辑)》 *

Also Published As

Publication number Publication date
CN114240935B (zh) 2022-05-20

Similar Documents

Publication Publication Date Title
CN113159147B (zh) 基于神经网络的图像识别方法、装置、电子设备
WO2021217851A1 (zh) 异常细胞自动标注方法、装置、电子设备及存储介质
WO2022247005A1 (zh) 图像中目标物识别方法、装置、电子设备及存储介质
CN112288011B (zh) 一种基于自注意力深度神经网络的图像匹配方法
CN113705462B (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
CN112270686B (zh) 图像分割模型训练、图像分割方法、装置及电子设备
CN110598714A (zh) 一种软骨图像分割方法、装置、可读存储介质及终端设备
WO2022089257A1 (zh) 医学图像处理方法、装置、设备、存储介质及产品
WO2020168648A1 (zh) 一种图像分割方法、装置及计算机可读存储介质
CN111862096A (zh) 图像分割方法、装置、电子设备及存储介质
CN113065609B (zh) 图像分类方法、装置、电子设备及可读存储介质
CN112132812B (zh) 证件校验方法、装置、电子设备及介质
CN111444807A (zh) 目标检测方法、装置、电子设备和计算机可读介质
CN115063589A (zh) 基于知识蒸馏的车辆部件分割方法及相关设备
CN111475541A (zh) 数据决策方法、装置、电子设备及存储介质
CN112966687B (zh) 图像分割模型训练方法、装置及通信设备
CN114548213A (zh) 模型训练方法、图像识别方法、终端设备及计算机介质
CN110880035B (zh) 卷积神经网络的训练方法、装置及结节征象识别方法、装置
CN114240935B (zh) 一种空频域特征融合的医学影像特征识别方法及装置
CN114118412A (zh) 证件识别模型训练及证件识别的方法、系统、设备及介质
CN115049836A (zh) 图像分割方法、装置、设备及存储介质
CN117036658A (zh) 一种图像处理方法及相关设备
CN117173075A (zh) 医学图像检测方法及相关设备
CN113822846A (zh) 医学图像中确定感兴趣区域的方法、装置、设备及介质
CN113192085A (zh) 三维器官图像分割方法、装置及计算机设备

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