CN114494484A - 数据识别模型的训练方法、数据识别方法、装置及设备 - Google Patents
数据识别模型的训练方法、数据识别方法、装置及设备 Download PDFInfo
- Publication number
- CN114494484A CN114494484A CN202111630162.XA CN202111630162A CN114494484A CN 114494484 A CN114494484 A CN 114494484A CN 202111630162 A CN202111630162 A CN 202111630162A CN 114494484 A CN114494484 A CN 114494484A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- nuclear magnetic
- data
- resonance data
- dimensional
- 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 83
- 238000012549 training Methods 0.000 title claims abstract description 77
- 238000005481 NMR spectroscopy Methods 0.000 claims abstract description 227
- 230000006870 function Effects 0.000 claims description 24
- 230000010363 phase shift Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 201000010099 disease Diseases 0.000 claims description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 15
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
-
- 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
- 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
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种数据识别模型的训练方法、数据识别方法、装置及设备,该方法包括:获取多组核磁共振原始数据,将多组核磁共振原始数据转换为一维频率信号,得到多组一维核磁共振数据,对于每组一维核磁共振数据,将一维核磁共振数据在指定方向进行组合,得到组合后的核磁共振数据,将得到的多组组合后的核磁共振数据输入核磁共振数据识别模型进行训练。通过使用核磁共振原始数据来训练核磁共振数据识别模型,使得核磁共振数据识别模型可以直接对核磁共振原始数据进行识别,避免对核磁共振原始数据进行图像重建过程引起的信息失真,充分、有效利用了核磁共振原始数据,提高了识别核磁共振数据的精准度。
Description
技术领域
本公开涉及人工智能领域,具体地,涉及一种数据识别模型的训练方法、数据识别方法、装置及设备。
背景技术
近二十年来核磁共振(Magnetic Resonance,MR)技术取得了很大的进步,使用MR技术检查人数与人次迅速增长,图像分辨率不断攀升,再加上多对比度、多维度图像的广泛应用,导致医生要处理海量的核磁共振图像数据。
MR技术的主要诊断模式是依据核磁共振原始数据(原始K空间数据)重建图像,然后对重建的图像进行识别。最近几年逐渐出现了基于MR数据训练的人工智能辅助识别工具,但都要求采集的原始K空间数据信息必须经过一系列数据处理和数学变换转到图像空间,即图像重建。然而,图像重建过程中信息表达形式发生变化,并且可能引起信息失真。MR技术中采集到的信息在某些应用场景下不能被充分或者有效利用,导致对MR数据的识别精准度下降,进而导致误诊、漏诊等情况。
发明内容
本公开的目的是提供一种数据识别模型的训练方法、数据识别方法、装置及设备,用以解决现有的基于原始K空间数据的重建图像的信息失真问题,导致的误诊、漏诊的问题。
根据本公开实施例的第一方面,本公开提供一种数据识别模型的训练方法,包括:获取多组核磁共振原始数据;所述多组核磁共振原始数据均为多层的二维频率信号;将所述多组核磁共振原始数据转换为一维频率信号,得到多组一维核磁共振数据;对于每组所述一维核磁共振数据,将所述一维核磁共振数据在指定方向进行组合,得到组合后的核磁共振数据;所述组合后的核磁共振数据为频率域-空间域的混合域二维信号;将得到的多组所述组合后的核磁共振数据输入核磁共振数据识别模型进行训练。
可选的,所述将得到的多组所述组合后的核磁共振数据输入核磁共振数据识别进行训练,包括:将得到的多组所述组合后的核磁共振数据输入核磁共振数据识别模型进行训练,当所述核磁共振数据识别模型的损失函数不再变化时,将学习率调整为当前学习率的一半,并基于调整后的学习率继续进行训练,直到所述核磁共振数据识别模型的迭代次数达到预定次数时停止训练。
可选地,所述将所述多组核磁共振原始数据转换为一维频率信号,得到多组一维核磁共振数据的步骤,包括:对每组所述核磁共振原始数据进行相位偏移,得到相位偏移后的核磁共振原始数据;将得到的多组所述相位偏移后的核磁共振原始数据转换为一维频率信号,得到所述多组一维核磁共振数据。
可选地,所述将得到的多组所述相位偏移后的核磁共振原始数据转换为一维频率信号,得到所述多组一维核磁共振数据的步骤,包括:对于每组所述相位偏移后的核磁共振原始数据,通过多层感知器聚合所述相位偏移后的核磁共振原始数据中的每层二维频率信号的频率分量,得到一维核磁共振数据。
可选地,所述损失函数的计算公式包括:
FL(pt)=(1-pt)γlog(pt)
其中,FL(pt)为损失函数,pt为识别结果为疾病阳性的概率,γ为大于且等于0的常数。
可选地,所述核磁共振数据识别模型采用多层感知机MLP网络结构,所述MLP网络结构包括:输入层,以及在所述输入层之后的三层全连接层,所述三层全连接层均采用ReLU激活函数;所述三层全连接层的节点数分别为第一数量,第二数量,第三数量,其中所述第二数量为所述第一数量的一半,所述第三数量为所述第二数量的一半。
可选地,所述MLP网络结构还包括:输出层;
所述输出层为卷积神经网络CNN,所述CNN包括三层卷积层和两层全连接层;所述CNN用于测量同层所述组合后的核磁共振数据的不同频率之间的相对关联关系,以及不同层所述组合后的核磁共振数据的层间相对关联关系,基于所述相对关联关系得到多组所述组合后的核磁共振数据的识别结果。
根据本公开实施例的第二方面,本公开提供一种数据识别方法,包括:获取待识别的核磁共振原始数据;通过预先训练好的磁共振数据识别模型对所述待识别的核磁共振原始数据进行识别,得到识别结果;所述磁共振数据识别模型是根据前述的数据识别模型的训练方法训练得到的。
根据本公开实施例的第三方面,本公开提供一种数据识别模型的训练装置,包括:获取模块,用于获取多组核磁共振原始数据;所述多组核磁共振原始数据均为多层的二维频率信号;转换模块,用于将所述多组核磁共振原始数据转换为一维频率信号,得到多组一维核磁共振数据;组合模块,用于对于每组所述一维核磁共振数据,将所述一维核磁共振数据在指定方向进行组合,得到组合后的核磁共振数据;所述组合后的核磁共振数据为频率域-空间域的混合域二维信号;训练模块,用于将得到的多组所述组合后的核磁共振数据输入核磁共振数据识别模型进行训练。
根据本公开实施例的第四方面,本公开提供一种数据识别装置,包括:获取模块,用于获取待识别的核磁共振原始数据;识别模块,用于通过预先训练好的磁共振数据识别模型对所述待识别的核磁共振原始数据进行识别,得到识别结果;所述磁共振数据识别模型是根据前述的数据识别模型的训练方法训练得到的。
根据本公开实施例的第五方面,本公开提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现前述的数据识别模型的训练方法的步骤。
根据本公开实施例的第六方面,本公开提供一种电子设备,包括:存储装置,其上存储有计算机程序;处理装置,用于执行所述存储装置中的所述计算机程序,以实现前述的数据识别模型的训练方法的步骤。
根据本公开实施例的第七方面,本公开提供一种计算机可读介质,其上存储有计算机程序,该程序被处理装置执行时实现前述的数据识别方法的步骤。
根据本公开实施例的第八方面,本公开提供一种电子设备,包括:存储装置,其上存储有计算机程序;处理装置,用于执行所述存储装置中的所述计算机程序,以实现前述的数据识别方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果:本公开能够获取多组核磁共振原始数据,多组核磁共振原始数据均为多层的二维频率信号,将多组核磁共振原始数据转换为一维频率信号,得到多组一维核磁共振数据,对于每组一维核磁共振数据,将一维核磁共振数据在指定方向进行组合,得到组合后的核磁共振数据,组合后的核磁共振数据为频率域-空间域的混合域二维信号,将得到的多组组合后的核磁共振数据输入核磁共振数据识别模型进行训练。通过使用核磁共振原始数据来训练核磁共振数据识别模型,使得核磁共振数据识别模型可以直接对核磁共振原始数据进行识别,避免对核磁共振原始数据进行图像重建过程引起的信息失真,充分、有效利用了核磁共振原始数据,提高了识别核磁共振数据的精准度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是本公开示例性实施例示出的一种基于原始K空间数据得到识别结果的总体框架图。
图2是本公开示例性实施例示出的计算机系统的结构示意图。
图3是本公开示例性实施例示出的一种数据识别模型的训练方法的流程图。
图4是本公开示例性实施例示出的另一种数据识别模型的训练方法的流程图。
图5是本公开示例性实施例示出的一种原始K空间数据的示意图。
图6是本公开示例性实施例示出的一种利用原始K空间数据训练核磁共振数据识别模型的示意图。
图7是本公开示例性实施例示出的一种数据识别方法的流程图。
图8是本公开示例性实施例示出的一种数据识别模型的训练装置框图。
图9是本公开示例性实施例示出的一种数据识别装置框图。
图10是本公开示例性实施例示出的一种电子设备的框图。
图11是本公开示例性实施例示出的另一种电子设备的框图。
附图标记说明
120-终端;140-服务器;20-数据识别模型的训练装置;201-获取模块;203-转换模块;205-组合模块;205-训练模块;30-数据识别装置;301-获取模块;303-识别模块;400-电子设备;401-处理器;402-存储器403;-多媒体组件;404-输入/输出(I/O)接口;405-通信组件;500-电子设备;522-处理器;532-存储器;526-电源组件;550-通信组件;558-输入/输出(I/O)接口。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
MR系统将原始K空间数据信息重建出图像是为了方便医生肉眼阅片,以进行诊断。但是由于图像重建过程中信息表达形式发生变化,并且可能引起信息失真,因此本公开利用原始K空间数据结合深度学习算法进行疾病辅助识别与分类,跳过重建图像这一中间步骤,如图1所示,图1本公开示例性实施例示出的一种基于原始K空间数据得到识别结果的总体框架图。
基于原始K空间数据得到识别结果在某些应用场景中可以提高识别的精准度。图1中展示了现有技术中是由原始K空间数据得到MR图像为重建图像的步骤,从MR图像到识别结果为医生阅片或深度学习辅助阅片;本公开提供的方法是从原始K空间数据直接到识别结果,能够实现基于非重建图像数据的人工智能辅助识别。
图2示出了本公开一个示例性实施例提供的计算机系统的结构示意图,该计算机系统包括终端120和服务器140。
终端120与服务器140之间通过有线或者无线网络相互连接。
终端120可以包括智能手机、笔记本电脑、台式电脑、平板电脑、智能音箱、智能机器人中的至少一种。
终端120包括显示器;显示器用于显示对核磁共振原始数据进行识别的结果。
终端120包括第一存储器和第一处理器。第一存储器中存储有第一程序;上述第一程序被第一处理器调用执行以实现本公开实施例提供的数据识别模型的训练方法或数据识别方法。第一存储器可以包括但不限于以下几种:随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read Only Memory,ROM)、可编程只读存储器(ProgrammableRead-Only Memory,PROM)、可擦除只读存储器(Erasable Programmable Read-OnlyMemory,EPROM)、以及电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)。
第一处理器可以是一个或者多个集成电路芯片组成。可选地,第一处理器可以是通用处理器,比如,中央处理器(Central Processing Unit,CPU)或者网络处理器(NetworkProcessor,NP)。可选地,第一处理器可以通过调用本公开实施例提供的数据识别模型的训练方法来对核磁共振数据识别模型进行训练。示例性的,终端中的训练的核磁共振数据识别模型可以是由终端训练得到的;或,由服务器训练得到,终端从服务器获取。
服务器140包括第二存储器和第二处理器。第二存储器中存储有第二程序,上述第二程序被第二处理器调用来实现本公开提供的数据识别模型的训练方法或数据识别方法。示例性的,第二存储器中存储有核磁共振数据识别模型,该核磁共振数据识别模型被第二处理器调用以实现对核磁共振原始数据的识别。可选地,第二存储器可以包括但不限于以下几种:RAM、ROM、PROM、EPROM、EEPROM。可选地,第二处理器可以是通用处理器,比如,CPU或者NP。
服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等,但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本公开在此不做限制。
请参阅图3,图3为本公开示例性实施例示出的一种数据识别模型的训练方法的流程图。图3所示的数据识别模型的训练方法包括以下步骤:
在步骤S101中,获取多组核磁共振原始数据。
核磁共振原始数据可以是原始K空间数据,原始K空间数据为MR扫描人体脑部得到的原始数据。本公开中以核磁共振原始数据为原始K空间数据为例来进行说明。
在步骤S102中,将多组核磁共振原始数据转换为一维频率信号,得到多组一维核磁共振数据。
示例性的,对多组核磁共振原始数据中的每组核磁共振原始数据进行相位偏移,得到相位偏移后的核磁共振原始数据。以原始K空间数据为例,将多组原始K空间数据进行相位偏移,得到的多组相位偏移后的原始K空间数据转换为一维频率信号,得到多组一维核磁共振数据。能够增加原始K空间数据的多样性,使得训练出来的核磁共振数据识别模型具有更强的泛化能力。
在步骤S103中,对于每组一维核磁共振数据,将一维核磁共振数据在指定方向进行组合,得到组合后的核磁共振数据。
需要说明的是,该指定方向为Z轴方向,因此组合后的K空间数据为频率域-空间域的混合域二维信号,可以表示为G(z)。
在步骤S104中,将得到的多组组合后的核磁共振数据输入核磁共振数据识别模型进行训练。
需要说明的是,该核磁共振数据识别模型可以采用MLP网络结构。该MLP网络结构包括:输入层,以及在输入层之后的三层全连接层,三层全连接层均采用ReLU激活函数。
示例性的,可以在在训练过程中对模型进行优化,例如将得到的多组组合后的K空间数据输入核磁共振数据识别模型进行训练,当核磁共振数据识别模型的损失函数不再变化时,对学习率进行调整。通过损失函数让核磁共振数据识别模型在训练过程中增加识别结果不太确定的样本的权重,使核磁共振数据识别模型保留尽可能多的识别正确的识别结果。
通过上述步骤得到训练好的核磁共振数据识别模型,获取待识别的核磁共振原始数据,通过训练好的磁共振数据识别模型对该待识别的核磁共振原始数据进行识别,得到识别结果。
综上所述,本公开示出的一种数据识别模型的训练方法,包括获取多组核磁共振原始数据,多组核磁共振原始数据均为多层的二维频率信号,将多组核磁共振原始数据转换为一维频率信号,得到多组一维核磁共振数据,对于每组一维核磁共振数据,将一维核磁共振数据在指定方向进行组合,得到组合后的核磁共振数据,组合后的核磁共振数据为频率域-空间域的混合域二维信号,将得到的多组组合后的核磁共振数据输入核磁共振数据识别模型进行训练。通过使用核磁共振原始数据来训练核磁共振数据识别模型,使得核磁共振数据识别模型可以直接对核磁共振原始数据进行识别,避免对核磁共振原始数据进行图像重建过程引起的信息失真,充分、有效利用了核磁共振原始数据,提高了识别核磁共振数据的精准度。
请参阅图4,图4为本公开示例性实施例示出的另一种数据识别模型的训练方法的流程图。图4所示的数据识别模型的训练方法包括以下步骤:
步骤S201,获取多组核磁共振原始数据。
以上述的原始K空间数据为例,该原始K空间数据均为多层的二维频率信号,层内为频率信号,沿不同方向分为X轴方向的kx和Y轴方向的ky,层与层之间沿垂直于层面的方向(Z轴方向)排布,原始K空间数据可以表示为S(kx,ky,z),如图5所示,图5为本公开示例性实施例示出的一种原始K空间数据的示意图。图5所示为脑部的原始K空间数据。
由于K空间数据是多层的二维频率信号,因此需要将该多组核磁共振原始数据转换为一维频率信号,得到多组一维核磁共振数据。转换为一维核磁共振数的方法可以如以下步骤S202和S203所示。
步骤S202,对每组该核磁共振原始数据进行相位偏移,得到相位偏移后的核磁共振原始数据。
步骤S203,将得到的多组该相位偏移后的核磁共振原始数据转换为一维频率信号,得到该多组一维核磁共振数据。
示例地,对于每组相位偏移后的核磁共振原始数据,可以通过多层感知器(MLP)聚合该相位偏移后的核磁共振原始数据中的每层二维频率信号的频率分量,得到一维核磁共振数据。
例如,以原始K空间数据为例,在对每组原始K空间数据进行相位偏移(相位偏移可以增加原始K空间数据的多样性,使得训练出来的核磁共振数据识别模型具有更强的泛化能力),得到相位偏移后的原始K空间数据之后通过MLP的全连接层聚合相位偏移后的原始K空间数据中的每层二维频率信号的频率分量,得到一维核磁共振数据,即一维K空间数据,也就是一层K空间数据对应一个一维特征。如图6所示,将原始K空间数据S(kx,ky,z)输入至MLP的示意图。图6为本公开示例性实施例示出的一种利用原始K空间数据训练核磁共振数据识别模型的示意图。
步骤S204,对于每组一维核磁共振数据,将一维核磁共振数据在指定方向进行组合,得到组合后的核磁共振数据。
组合后的核磁共振数据为频率域-空间域的混合域二维信号。以K空间数据为例,组合后的K空间数据为频率域-空间域的混合域二维信号G(z)如图6所示,其中频率域来自MLP的频域特征,空间域则表示K空间数据在空间方向(Z轴方向)的排布。本公开中MLP的全连接层使用的激活函数为ReLU,而ReLU是一个分段线性函数,因此组合后的K空间数据具有局部连续性。
步骤S205,将得到的多组组合后的核磁共振数据输入核磁共振数据识别模型进行训练。
其中,该核磁共振数据识别模型采用MLP网络结构,示例地。该MLP网络结构包括:输入层,以及在输入层之后的三层全连接层,三层全连接层均采用ReLU激活函数。在一种实施方式中,三层全连接层的节点数分别为1024,512,256。该MLP网络结构还包括输出层,输出层为CNN,CNN包括三层卷积层和两层全连接层,如图6所示的二维CNN(2D-CNN)。该CNN可以利用组合后的K空间数据的局部连续性,得到同层组合后的K空间数据的不同频率之间的相对关联关系,以及不同层组合后的K空间数据的层间相对关联关系,基于该相对关联关系得到组合后的K空间数据的识别结果。
示例性的,可以在在训练过程中对模型进行优化,例如将得到的多组组合后的K空间数据输入核磁共振数据识别模型进行训练,当核磁共振数据识别模型的损失函数不再变化时,对学习率进行调整。其调整方法如步骤S206所示。
步骤S206,当核磁共振数据识别模型的损失函数不再变化时,将学习率调整为当前学习率的一半,并基于调整后的学习率继续进行训练,直到核磁共振数据识别模型的迭代次数达到预定次数时停止训练。
将学习率调整为当前学习率的一半,并基于调整后的学习率继续进行训练,直到核磁共振数据识别模型的迭代次数达到预定次数时停止训练。
其中损失函数的计算公式可以是FL(pt)=(1-pt)γlog(pt),其中,FL(pt)为损失函数,pt为识别结果为疾病阳性的概率,γ为大于且等于0的常数,在一种实施方式中取γ=2。损失函数不再变化时即表明核磁共振数据识别模型的识别准确率已经接近预期,此时将学习率调整为当前学习率的一半,当前学习率为初始学习率,在一种实施方式中,初始学习率为1e-4,将学习率调整为初始学习率的一半,然后基于调整后的学习率继续进行训练,直到核磁共振数据识别模型的迭代次数达到预定次数时停止训练,在一种实施方式中,该迭代次数可以是300次,为了避免核磁共振数据识别模型过拟合,可以将权重惩罚率设置为1e-4,MLP的全连接层的随机丢失率设置为0.2。通过逐步训练核磁共振数据识别模型,提升核磁共振数据识别模型的有效性和鲁棒性。
通过损失函数让核磁共振数据识别模型在训练过程中增加识别结果不太确定的样本的权重,使核磁共振数据识别模型保留尽可能多的识别正确的识别结果。
请参阅图7,图7为本公开示例性实施例示出的一种数据识别方法的流程图。图7所示的数据识别模型的训练方法,包括以下步骤:
步骤S301,获取待识别的核磁共振原始数据。
示例性的,以原始K空间数据为例来进行说明;获取到患者的待识别的原始K空间数据。
步骤S302,通过预先训练好的核磁共振数据识别模型对待识别的核磁共振原始数据进行识别,得到识别结果。
通过前述实施例中的得到的数据识别模型对患者的待识别的原始K空间数据进行识别,得到原始K空间数据的识别结果,该识别结果可以作为MR疾病筛查与亚型分类的参考数据,是基于MR的原始K空间数据进行辅助识别的一种方式。
其中,磁共振数据识别模型是根据图4所述的数据识别模型的训练方法训练得到的。
图8是本公开示例性实施例示出的一种数据识别模型的训练装置框图。参照图8,该装置20包括获取模块201、转换模块203、组合模块205及训练模块207。
该获取模块201,用于获取多组核磁共振原始数据;所述多组核磁共振原始数据均为多层的二维频率信号;
该转换模块203,用于将所述多组核磁共振原始数据转换为一维频率信号,得到多组一维核磁共振数据;
该组合模块205,用于对于每组所述一维核磁共振数据,将所述一维核磁共振数据在指定方向进行组合,得到组合后的核磁共振数据;所述组合后的核磁共振数据为频率域-空间域的混合域二维信号;
该训练模块207,用于将得到的多组所述组合后的核磁共振数据输入核磁共振数据识别模型进行训练。
可选地,该训练模块207,还用于将得到的多组所述组合后的核磁共振数据输入核磁共振数据识别模型进行训练,当所述核磁共振数据识别模型的损失函数不再变化时,将学习率调整为当前学习率的一半,并基于调整后的学习率继续进行训练,直到所述核磁共振数据识别模型的迭代次数达到预定次数时停止训练。
可选地,该组合模块205,还用于对每组所述核磁共振原始数据进行相位偏移,得到相位偏移后的核磁共振原始数据;
将得到的多组所述相位偏移后的核磁共振原始数据转换为一维频率信号,得到所述多组一维核磁共振数据。
可选地,该组合模块205,还用于对于每组所述相位偏移后的核磁共振原始数据,通过多层感知器聚合所述相位偏移后的核磁共振原始数据中的每层二维频率信号的频率分量,得到一维核磁共振数据。
可选地,所述损失函数的计算公式包括:
FL(pt)=(1-pt)γlog(pt)
其中,FL(pt)为损失函数,pt为识别结果为疾病阳性的概率,γ为大于且等于0的常数。
可选地,所述核磁共振数据识别模型采用多层感知机MLP网络结构,所述MLP网络结构包括:输入层,以及在所述输入层之后的三层全连接层,所述三层全连接层均采用ReLU激活函数;所述三层全连接层的节点数分别为第一数量,第二数量,第三数量,其中所述第二数量为所述第一数量的一半,所述第三数量为所述第二数量的一半。
可选地,所述MLP网络结构还包括:输出层;
所述输出层为卷积神经网络CNN,所述CNN包括三层卷积层和两层全连接层;所述CNN用于测量同层所述组合后的核磁共振数据的不同频率之间的相对关联关系,以及不同层所述组合后的核磁共振数据的层间相对关联关系,基于所述相对关联关系得到多组所述组合后的核磁共振数据的识别结果。
图9是本公开示例性实施例示出的一种数据识别装置框图。参照图9,该装置30包括获取模块301及识别模块303。
该获取模块301,用于获取待识别的核磁共振原始数据;
该识别模块303,用于通过预先训练好的磁共振数据识别模型对所述待识别的核磁共振原始数据进行识别,得到识别结果;所述磁共振数据识别模型是根据前述的数据识别模型的训练方法训练得到的。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图10是根据一示例性实施例示出的一种电子设备400的框图。如图10所示,该电子设备400可以包括:处理器401,存储器402。该电子设备400还可以包括多媒体组件403,输入/输出(I/O)接口404,以及通信组件405中的一者或多者。
其中,处理器401用于控制该电子设备400的整体操作,以完成上述的数据识别模型的训练方法或数据识别方法中的全部或部分步骤。存储器402用于存储各种类型的数据以支持在该电子设备400的操作,这些数据例如可以包括用于在该电子设备400上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器402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,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件403可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器402或通过通信组件405发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口404为处理器401和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件405用于该电子设备400与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near Field Communication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件405可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备400可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的数据识别模型的训练方法或数据识别方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的数据识别模型的训练方法或数据识别方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器402,上述程序指令可由电子设备400的处理器401执行以完成上述的数据识别模型的训练方法或数据识别方法。
图11是根据一示例性实施例示出的另一种电子设备500的框图。例如,电子设备500可以被提供为一服务器。参照图11,电子设备500包括处理器522,其数量可以为一个或多个,以及存储器532,用于存储可由处理器522执行的计算机程序。存储器532中存储的计算机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,处理器522可以被配置为执行该计算机程序,以执行上述的数据识别模型的训练方法或数据识别方法。
另外,电子设备500还可以包括电源组件526和通信组件550,该电源组件526可以被配置为执行电子设备500的电源管理,该通信组件550可以被配置为实现电子设备500的通信,例如,有线或无线通信。此外,该电子设备500还可以包括输入/输出(I/O)接口558。电子设备500可以操作基于存储在存储器532的操作系统,例如Windows ServerTM,Mac OSXTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的数据识别模型的训练方法或数据识别方法的步骤。例如,该非临时性计算机可读存储介质可以为上述包括程序指令的存储器532,上述程序指令可由电子设备500的处理器522执行以完成上述的数据识别模型的训练方法或数据识别方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的数据识别模型的训练方法或数据识别方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (14)
1.一种数据识别模型的训练方法,其特征在于,包括:
获取多组核磁共振原始数据;所述多组核磁共振原始数据均为多层的二维频率信号;
将所述多组核磁共振原始数据转换为一维频率信号,得到多组一维核磁共振数据;
对于每组所述一维核磁共振数据,将所述一维核磁共振数据在指定方向进行组合,得到组合后的核磁共振数据;所述组合后的核磁共振数据为频率域-空间域的混合域二维信号;
将得到的多组所述组合后的核磁共振数据输入核磁共振数据识别模型进行训练。
2.根据权利要求1所述的方法,其特征在于,所述将得到的多组所述组合后的核磁共振数据输入核磁共振数据识别进行训练,包括:
将得到的多组所述组合后的核磁共振数据输入核磁共振数据识别模型进行训练,当所述核磁共振数据识别模型的损失函数不再变化时,将学习率调整为当前学习率的一半,并基于调整后的学习率继续进行训练,直到所述核磁共振数据识别模型的迭代次数达到预定次数时停止训练。
3.根据权利要求1所述的方法,其特征在于,所述将所述多组核磁共振原始数据转换为一维频率信号,得到多组一维核磁共振数据的步骤,包括:
对每组所述核磁共振原始数据进行相位偏移,得到相位偏移后的核磁共振原始数据;
将得到的多组所述相位偏移后的核磁共振原始数据转换为一维频率信号,得到所述多组一维核磁共振数据。
4.根据权利要求3所述的方法,其特征在于,所述将得到的多组所述相位偏移后的核磁共振原始数据转换为一维频率信号,得到所述多组一维核磁共振数据的步骤,包括:
对于每组所述相位偏移后的核磁共振原始数据,通过多层感知器聚合所述相位偏移后的核磁共振原始数据中的每层二维频率信号的频率分量,得到一维核磁共振数据。
5.根据权利要求2所述的方法,其特征在于,
所述损失函数的计算公式包括:
FL(pt)=(1-pt)γlog(pt)
其中,FL(pt)为损失函数,pt为识别结果为疾病阳性的概率,γ为大于且等于0的常数。
6.根据权利要求1所述的方法,其特征在于,所述核磁共振数据识别模型采用多层感知机MLP网络结构,所述MLP网络结构包括:输入层,以及在所述输入层之后的三层全连接层,所述三层全连接层均采用ReLU激活函数;所述三层全连接层的节点数分别为第一数量,第二数量,第三数量,其中所述第二数量为所述第一数量的一半,所述第三数量为所述第二数量的一半。
7.根据权利要求6所述的方法,其特征在于,所述MLP网络结构还包括:输出层;
所述输出层为卷积神经网络CNN,所述CNN包括三层卷积层和两层全连接层;所述CNN用于测量同层所述组合后的核磁共振数据的不同频率之间的相对关联关系,以及不同层所述组合后的核磁共振数据的层间相对关联关系,基于所述相对关联关系得到多组所述组合后的核磁共振数据的识别结果。
8.一种数据识别方法,其特征在于,
获取待识别的核磁共振原始数据;
通过预先训练好的磁共振数据识别模型对所述待识别的核磁共振原始数据进行识别,得到识别结果;所述磁共振数据识别模型是根据权利要求1-7任一项所述的方法训练得到的。
9.一种数据识别模型的训练装置,其特征在于,包括:
获取模块,用于获取多组核磁共振原始数据;所述多组核磁共振原始数据均为多层的二维频率信号;
转换模块,用于将所述多组核磁共振原始数据转换为一维频率信号,得到多组一维核磁共振数据;
组合模块,用于对于每组所述一维核磁共振数据,将所述一维核磁共振数据在指定方向进行组合,得到组合后的核磁共振数据;所述组合后的核磁共振数据为频率域-空间域的混合域二维信号;
训练模块,用于将得到的多组所述组合后的核磁共振数据输入核磁共振数据识别模型进行训练。
10.一种数据识别装置,其特征在于,包括:
获取模块,用于获取待识别的核磁共振原始数据;
识别模块,用于通过预先训练好的磁共振数据识别模型对所述待识别的核磁共振原始数据进行识别,得到识别结果;所述磁共振数据识别模型是根据权利要求1-7任一项所述的方法训练得到的。
11.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。
12.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求1-7中任一项所述方法的步骤。
13.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理装置执行时实现权利要求8所述方法的步骤。
14.一种电子设备,其特征在于,包括:
存储装置,其上存储有计算机程序;
处理装置,用于执行所述存储装置中的所述计算机程序,以实现权利要求8所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111630162.XA CN114494484A (zh) | 2021-12-28 | 2021-12-28 | 数据识别模型的训练方法、数据识别方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111630162.XA CN114494484A (zh) | 2021-12-28 | 2021-12-28 | 数据识别模型的训练方法、数据识别方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114494484A true CN114494484A (zh) | 2022-05-13 |
Family
ID=81495214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111630162.XA Pending CN114494484A (zh) | 2021-12-28 | 2021-12-28 | 数据识别模型的训练方法、数据识别方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114494484A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115396242A (zh) * | 2022-10-31 | 2022-11-25 | 江西神舟信息安全评估中心有限公司 | 一种数据识别的方法及网络安全漏洞的检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130049752A1 (en) * | 2011-08-23 | 2013-02-28 | Siemens Aktiengesellschaft | Sampling pattern for iterative magnetic resonance image reconstruction |
KR20190124994A (ko) * | 2018-04-27 | 2019-11-06 | 연세대학교 산학협력단 | 자기 공명 영상 재구성 장치 및 방법 |
CN112557980A (zh) * | 2020-11-02 | 2021-03-26 | 上海东软医疗科技有限公司 | 磁共振图像矫正方法、装置、介质和电子设备 |
CN113470128A (zh) * | 2020-03-30 | 2021-10-01 | 中国科学院深圳先进技术研究院 | 同时多层成像信号的重建方法、存储介质和计算机设备 |
-
2021
- 2021-12-28 CN CN202111630162.XA patent/CN114494484A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130049752A1 (en) * | 2011-08-23 | 2013-02-28 | Siemens Aktiengesellschaft | Sampling pattern for iterative magnetic resonance image reconstruction |
KR20190124994A (ko) * | 2018-04-27 | 2019-11-06 | 연세대학교 산학협력단 | 자기 공명 영상 재구성 장치 및 방법 |
CN113470128A (zh) * | 2020-03-30 | 2021-10-01 | 中国科学院深圳先进技术研究院 | 同时多层成像信号的重建方法、存储介质和计算机设备 |
CN112557980A (zh) * | 2020-11-02 | 2021-03-26 | 上海东软医疗科技有限公司 | 磁共振图像矫正方法、装置、介质和电子设备 |
Non-Patent Citations (1)
Title |
---|
张格 等: "基于脑网络的图卷积神经网络在脑疾病中的研究进展", 医疗卫生装备, vol. 42, no. 8, 31 August 2021 (2021-08-31), pages 85 - 92 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115396242A (zh) * | 2022-10-31 | 2022-11-25 | 江西神舟信息安全评估中心有限公司 | 一种数据识别的方法及网络安全漏洞的检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766769B (zh) | 一种磁共振图像重建方法、装置、设备和介质 | |
CN110766768B (zh) | 一种磁共振图像重建方法、装置、设备和介质 | |
US20190102879A1 (en) | Method and Apparatus for Acquiring Information | |
WO2021253722A1 (zh) | 医学图像重建技术的方法、装置、存储介质和电子设备 | |
CN110738235A (zh) | 肺结核判定方法、装置、计算机设备及存储介质 | |
US20190095793A1 (en) | Sensor quality upgrade framework | |
CN110717958A (zh) | 一种图像重建方法、装置、设备及介质 | |
CN115115593A (zh) | 一种扫描处理方法、装置、电子设备及存储介质 | |
US20220015657A1 (en) | Processing eeg data with twin neural networks | |
CN114494484A (zh) | 数据识别模型的训练方法、数据识别方法、装置及设备 | |
CN110503181B (zh) | 用于生成多层神经网络的方法和装置 | |
CN117894038A (zh) | 一种图像中对象姿态生成方法和装置 | |
CN113269849A (zh) | 重建磁共振的方法和设备 | |
WO2023229384A1 (ko) | 학습 데이터 생성 방법, 컴퓨터 프로그램 및 장치 | |
CN114972118B (zh) | 检查图像的降噪方法、装置、可读介质和电子设备 | |
CN110728732A (zh) | 一种图像重建方法、装置、设备及介质 | |
CN111445547A (zh) | 一种基于神经网络的网格化磁共振图像重建方法和装置 | |
US11308615B1 (en) | Systems and processes for improving medical diagnoses | |
CN112397194A (zh) | 用于生成患者病情归因解释模型的方法、装置和电子设备 | |
CN115312151A (zh) | 数据信息生成方法、装置、计算机设备和存储介质 | |
CN116256681A (zh) | 磁共振成像方法、装置、设备和存储介质 | |
CN111599447B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
Wang et al. | Medical image super-resolution reconstruction via multi-scale information distillation network under multi-scale geometric transform domain | |
CN116579414B (zh) | 模型训练方法、mri薄层数据重建方法、装置及设备 | |
CN113378808B (zh) | 人物图像识别方法、装置、电子设备和计算机可读介质 |
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 |