CN114723746A - 基于知识蒸馏的病灶区域深度组学特征提取方法及装置 - Google Patents
基于知识蒸馏的病灶区域深度组学特征提取方法及装置 Download PDFInfo
- Publication number
- CN114723746A CN114723746A CN202210566176.8A CN202210566176A CN114723746A CN 114723746 A CN114723746 A CN 114723746A CN 202210566176 A CN202210566176 A CN 202210566176A CN 114723746 A CN114723746 A CN 114723746A
- Authority
- CN
- China
- Prior art keywords
- network
- omics
- depth
- feature extraction
- target
- 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
Links
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
- G06F18/24—Classification techniques
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种基于知识蒸馏的病灶区域深度组学特征提取方法及装置,涉及医学图像处理技术领域,该方法包括:获取样本数据集;利用样本训练分类网络,得到病灶区域特征识别模型;将倒数第二层作为特征层,特征层的输出为基础深度特征;将不同的基础深度特征按照关注度进行权重配比得到深度组学特征;构建学生网络;采用所有教师网络训练学生网络;设置损失函数;当损失值达到预设范围时,教师网络对学生网络的训练完成,得到病灶区域深度组学特征提取模型。本公开可针对不同种类的医学影像、不同的疾病类型选取不同的属性进行深度组学特征提取,通过对属性的关注度不同进行权重配置,实现了深度组学特征的自由配置和蒸馏精度的提高。
Description
技术领域
本公开涉及医学图像处理技术领域,特别涉及一种基于知识蒸馏的病灶区域深度组学特征提取方法及装置。
背景技术
近年来,医学影像方面的病灶区域识别和病灶区域的特征提取基本依赖于影像学医师的手工标注,不仅耗费大量的时间和人力,且标注的结果依赖于医师自身的经验积累,具有一定的主观性,不同的医师标注结果往往会出现一定的差异。
随着深度学习在计算机领域和医学领域的广泛使用,开始采用训练好的分类网络进行医学影像病灶区域的特征提取,但医生对于不同的疾病病灶区域的特征关注度是不同的,需要针对不同的特征训练不同的分类网络进行特征提取,每个分类网络只能针对一种特征进行特征提取,提取效率低下,且具有一定的局限性,无法满足实际应用需求。
发明内容
为了解决现有技术中存在的上述问题,本公开的目的是为了提供一种可以根据对特征的关注度不同进行权重配置的针对不同的医学影像以及不同的疾病类型进行深度组学特征提取的基于知识蒸馏的病灶区域深度组学特征提取方法及装置。
为了实现上述目的,本公开采用了以下的技术方案:
本公开提供了一种基于知识蒸馏的病灶区域深度组学特征提取方法,其特征在于,包括如下步骤:
S1、获取已经标注属性的样本数据集;
S2、基于所述样本数据集抽取样本,针对样本标注的每个属性训练对应的分类网络,得到不同属性对应的病灶区域识别模型,作为不同属性的教师网络;
S3、提取所述病灶区域识别模型的倒数第二层作为特征层,获取特征层的输出作为基础深度特征;
S4、将不同的基础深度特征按照预设的关注度进行权重配比,组合后得到深度组学特征;
S5、构建学生网络;
S6、采用不同属性的教师网络训练所述学生网络;
S7、设置损失函数,计算所述学生网络的实际输出与所述深度组学特征之间的损失值,基于所述损失值更新学生网络的权重;
S8、当所述损失值达到预设范围时,确定教师网络对所述学生网络训练完成,得到病灶区域深度组学特征提取模型,利用所述病灶区域深度组学特征提取模型进行深度组学特征提取。
进一步地,所述已经标注属性的样本数据集是已经标注了病灶区域和/或病灶区域的属性的医学影像的集合。
进一步地,所述医学影像为2D医学影像或3D医学影像。
进一步地,所述病灶区域的属性至少包括以下其中的一项或多项:大小等级,形状,颜色,纹理,面积,分割结果。
进一步地,所述基于所述样本数据集抽取样本,针对样本标注的每个属性训练对应的分类网络,得到不同属性对应的病灶区域特征识别模型,作为不同属性的教师网络具体包括,
S21、获取需要进行深度组学特征提取的病灶区域的疾病类型和所述疾病类型对应的至少一个用于深度组学特征提取的属性,作为目标疾病类型和目标提取属性;
S22、基于所述目标疾病类型和所述目标提取属性从所述样本数据集中抽取对应的医学影像作为样本;
S23、选取用于针对每个目标提取属性进行训练的分类网络作为目标分类网络,得到目标分类网络集合;
S24、将所述样本中的输入数据作为所述目标分类网络的输入,将所述样本中标注的目标提取属性的数据作为所述目标分类网络的期望输出,对所述目标分类网络进行训练;
S25、计算所述目标分类网络的输出与所述期望输出之间的输出损失值;
S26、响应于确定所述输出损失值达到预设阈值,确定所述目标分类网络训练完成,得到病灶区域特征识别模型,以及将所述病灶区域特征识别模型作为教师网络。
进一步地,所述构建学生网络包括设计所述学生网络的模型参数量大小和/或模型深度和/或模型输出特征维度。
进一步地,所述损失函数包括但不限于交叉熵损失函数或最小绝对值偏差损失函数或最小平方误差损失函数。
本公开还提供了一种基于知识蒸馏的病灶区域深度组学特征提取装置,包括:
获取模块,用于获取已经标注属性的样本数据集;
分类网络训练模块,用于基于所述样本数据集抽取样本,针对样本标注的每个属性训练对应的分类网络,得到不同属性对应的病灶区域特征识别模型,作为不同属性的教师网络;
特征输出模块,用于提取所述病灶区域特征识别模型的倒数第二层作为特征层,获取特征层的输出作为基础深度特征;
权重配比模块,用于将不同的基础深度特征按照预设的关注度进行权重配比,组合后得到样本的深度组学特征;
构建模块,用于构建学生网络;
学生网络训练模块,用于采用不同属性的教师网络训练所述学生网络;
损失计算模块,用于设置损失函数,计算所述学生网络的实际输出与所述深度组学特征之间的损失值,基于所述损失值更新学生网络权重;
模型生成模块,用于当所述损失值达到预设范围时,确定教师网络对所述学生网络的训练完成,得到病灶区域深度组学特征提取模型,利用所述病灶区域深度组学特征提取模型进行深度组学特征提取。
进一步地,所述已经标注属性的样本数据集是已经标注了病灶区域和/或病灶区域的属性的医学影像的集合。
进一步地,所述医学影像为2D医学影像或3D医学影像。
进一步地,所述病灶区域的属性至少包括以下其中的一项或多项:大小等级,形状,颜色,纹理,面积,分割结果。
进一步地,分类网络训练模块包括,
属性确定子模块,用于获取需要进行深度组学特征提取的病灶区域的疾病类型和所述疾病类型对应的至少一个用于深度组学特征提取的属性,作为目标疾病类型和目标提取属性;
提取子模块,用于基于所述目标疾病类型和所述目标提取属性从所述样本数据集中抽取对应的医学影像作为样本;
分类网络确定子模块,用于选取用于针对每个目标提取属性进行训练的分类网络作为目标分类网络,得到目标分类网络集合;
训练子模块,用于将所述样本中的输入数据作为所述目标分类网络的输入,将所述样本中标注的目标提取属性的数据作为所述目标分类网络的期望输出,对所述目标分类网络进行训练;
计算子模块,用于计算所述目标分类网络的输出与所述期望输出之间的输出损失值;
识别模型生成子模块,用于响应于确定所述输出损失值达到预设阈值,确定所述目标分类网络训练完成,得到病灶区域特征识别模型,以及将所述病灶区域特征识别模型作为教师网络。
进一步地,所述构建学生网络包括设计所述学生网络的模型参数量大小和/或模型深度和/或模型输出特征维度。
进一步地,所述损失函数包括交叉熵损失函数或最小绝对值偏差损失函数或最小平方误差损失函数等。
本公开还提供了一种电子设备,包括:
一个或多个处理装置;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理装置执行,使得所述一个或多个处理装置实现如前任一所述的基于知识蒸馏的病灶区域深度组学特征提取方法。
本公开还提供了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如前任一所述的基于知识蒸馏的病灶区域深度组学特征提取方法。
本公开提供的上述技术方案的有益效果至少包括:
本公开的一种基于知识蒸馏的病灶区域深度组学特征提取方法及装置采用知识蒸馏的方式得到病灶区域深度组学特征提取模型,在分类网络的训练过程中可以有选择性的选取目标提取属性,并通过对目标提取属性的关注度的不同对目标分类网络进行权重配置,实现了深度组学特征的自由配置和蒸馏精度的提高。学生网络可以根据实际需要进行独立设计,无需局限于已有的分类网络,使模型具有更高的灵活性。本公开适用于各种医学影像的病灶区域深度组学特征提取,例如CT、MRT、病理切片、OCT、X光等,并不局限于某种特定的疾病类型,具有良好的实用性和泛化性。
附图说明
为了更清楚地说明本公开实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍。通过阅读参照以下附图所作的对非限制性实施例的详细描述,本公开的其它特征、目的和优点将会变得更明显。
图1为本公开实施例提供的基于知识蒸馏的病灶区域深度组学特征提取方法的流程示例图;
图2为本公开实施例提供的训练分类网络的流程示例图;
图3为本公开实施例提供的基于知识蒸馏的病灶区域深度组学特征提取装置的结构示例图;
图4为本公开实施例提供的分类网络训练模块的结构示例图;
图5为本公开实施例提供的电子设备的结构示例图。
具体实施方式
为了更好地理解本公开,将参考附图对本公开的各个方面做出更详细的说明。应理解,这些详细说明只是对本公开的示例性实施方式的描述,而非以任何方式限制本公开的范围。在说明书全文中,相同的附图标号指代相同的元件。表述“和/或”包括相关联的所列项目中的一个或多个的任何和全部组合。
在附图中,为了便于说明,已稍微调整了元素的大小、尺寸和形状。附图仅为示例而并非严格按比例绘制。如在本文中使用的,用语“大致”、“大约”以及类似的用语用作表近似的用语,而不用作表程度的用语,并且旨在说明将由本领域普通技术人员认识到的、测量值或计算值中的固有偏差。另外,在本公开中,各步骤处理描述的先后顺序并不必然表示这些处理在实际操作中出现的顺序,除非有明确其它限定或者能够从上下文推导出的除外。
还应理解的是,诸如“包括”、“包括有”、“具有”、“包含”和/或“包含有”等表述在本说明书中是开放性而非封闭性的表述,其表示存在所陈述的特征、元件和/或部件,但不排除一个或多个其它特征、元件、部件和/或它们的组合的存在。此外,当诸如“...中的至少一个”的表述出现在所列特征的列表之后时,其修饰整列特征,而非仅仅修饰列表中的单独元件。此外,当描述本公开的实施方式时,使用“可”表示“本公开的一个或多个实施方式”。并且,用语“示例性的”旨在指代示例或举例说明。
除非另外限定,否则本文中使用的所有措辞(包括工程术语和科技术语)均具有与本公开所属领域普通技术人员的通常理解相同的含义。还应理解的是,除非本公开中有明确的说明,否则在常用词典中定义的词语应被解释为具有与它们在相关技术的上下文中的含义一致的含义,而不应以理想化或过于形式化的意义解释。
需要说明的是,在不冲突的情况下,本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开。
图1为本公开实施例提供的基于知识蒸馏的病灶区域深度组学特征提取方法的流程示例图,如图1所示,本公开提供了一种基于知识蒸馏的病灶区域深度组学特征提取方法,包括如下步骤:
S1、获取已经标注属性的样本数据集;
S2、基于样本数据集抽取样本,针对样本标注的每个属性训练对应的分类网络,得到不同属性对应的病灶区域特征识别模型,作为不同属性的教师网络;
S3、提取病灶区域特征识别模型的倒数第二层作为特征层,获取特征层的输出作为基础深度特征;
S4、将不同的基础深度特征按照预设的关注度进行权重配比,组合后得到样本的深度组学特征;
S5、构建学生网络;
S6、采用所有的针对不同属性的教师网络训练学生网络,将样本作为学生网络的输入,将深度组学特征作为学生网络的预期输出;
S7、设置损失函数,计算学生网络的实际输出与深度组学特征之间的损失值,基于损失值更新学生网络的权重;
S8、当损失值达到预设范围时,确定教师网络对学生网络的训练完成,得到病灶区域深度组学特征提取模型,利用所述病灶区域深度组学特征提取模型进行深度组学特征提取。
进一步地,已经标注属性的样本数据集是已经标注了病灶区域和/或病灶区域的属性的医学影像的集合,包括但不限于CT、MRI和/或病理切片扫描影像等公开数据的集合,另外,标注的方式包括分类标注和/或分割标注等,本公开的分类网络的训练过程中一般采用分类标注的样本。其中,已经标注了病灶区域和/或病灶区域的属性的医学影像的集合例如可以是包含肝脏癌变区域分割结果的肝脏肿瘤病灶区CT图像分割挑战(LiTS)的肝脏肿瘤CT图像集;包含乳腺钼靶腺体的分类标注的乳腺钼靶分类公开数据集,可以分为A、B、C等级别;包含有肺结节位置、肺结节最大径、肺结节纹理、肺结节钙化等标注的肺结节检测分割数据集(如luna16数据集)等。
进一步地,医学影像为2D医学影像或3D医学影像。其中,2D医学影像的病灶区域的属性为2D属性,至少包括以下其中的一项或多项:大小等级,形状,颜色,纹理,面积及分割结果等,但不限于此;3D医学影像的病灶区域的属性为3D属性,至少包括以下其中的一项或多项:大小等级,形状,颜色,纹理,面积,分割结果及体积等,但不限于此。
进一步地,图2为本公开实施例提供的训练分类网络的流程示例图,如图2所示,基于样本数据集抽取样本,针对样本标注的每个属性训练对应的分类网络,得到不同属性对应的病灶区域特征识别模型,作为不同属性的教师网络具体包括,
S21、获取需要进行深度组学特征提取的病灶区域的疾病类型和疾病类型对应的至少一个用于深度组学特征提取的属性,作为目标疾病类型和目标提取属性;
S22、基于目标疾病类型和目标提取属性从样本数据集中抽取对应的医学影像作为样本;样本内包括医学影像作为输入数据,以及标注的目标提取属性的数据;
当获取的样本数据集中的样本不含有目标提取属性时,需要对样本数据集进行预处理。预处理的方法包括,根据目标提取属性对样本数据集标注目标提取属性,以便于用于分类网络的训练。其中,每个样本的目标提取属性可以为一个或多个,每个目标提取属性分别代表样本的病灶区域的一种特征;
S23、选取用于针对每个目标提取属性进行训练的分类网络作为目标分类网络,得到目标分类网络集合,其中,每个目标提取属性对应训练一个目标分类网络,即根据目标提取属性的数量,确定训练的目标分类网络的数量,每个目标提取属性对应训练一个目标分类网络;目标分类网络集合中包括所有的目标提取属性对应的目标分类网络;
S24、将样本中的输入数据作为目标分类网络的输入,将样本中标注的目标提取属性的数据作为目标分类网络的期望输出,对目标分类网络进行训练;
S25、选取目标损失函数,计算目标分类网络的输出与期望输出之间的输出损失值;
S25、响应于确定输出损失值达到预设阈值,确定目标分类网络训练完成,得到病灶区域特征识别模型,以及将病灶区域特征识别模型作为教师网络。
进一步地,当样本为2D医学影像时,目标提取属性为2D目标提取属性,采用针对2D目标提取属性进行病灶区域特征识别的目标分类网络;当样本为3D医学影像时,如视频多帧图像拼接或CT立体图片中的切片等,目标提取属性为3D目标提取属性,采用针对3D目标提取属性进行病灶区域特征识别的目标分类网络。
更进一步地,针对2D目标提取属性进行病灶区域特征识别的目标分类网络使用二维卷积核,在单通道图像上进行卷积操作,二维卷积输入的尺度为四维,分别代表批数量、通道数量、X轴和Y轴;针对3D目标提取属性进行病灶区域特征识别的目标分类网络使用三维卷积核,在三维图像上进行卷积操作,三维卷积输入的尺度为五维,分别代表批数量、通道数量、X轴、Y轴和Z轴。
进一步地,目标分类网络包括但不限于残差神经网络(ResNet)、VGG、SENet、ShuffleNet、MobileNet、RepVGG、Res2Net、ResXNet、Swin-Transformer、MAE、Unet、Attention-Unet、darknet等,其中,ResNet包括但不限于ResNet18、ResNet34、ResNet50、ResNet101、ResNet152,VGG包括但不限于VGG16、VGG19。任何可以完成本公开的实施例的分类网络均可以采用,本公开的实施例不对目标分类网络的选取做出任何限定。
进一步地,将不同的基础深度特征按照预设的关注度进行权重配比,组合后得到样本的深度组学特征具体包括,根据对目标疾病类型的目标提取属性的关注程度不同,预设每种目标提取属性的关注度,将每个教师网络输出的基础深度特征按照对应的目标提取属性的关注度进行权重配比,得到深度组学特征。同时,所有目标提取属性的关注度的和应为1。
进一步地,采用不同属性的教师网络训练学生网络包括,将样本的输入数据作为学生网络的输入,将深度组学特征作为学生网络的期望输出,采用所有的针对不同目标提取属性的教师网络训练学生网络。
进一步地,构建学生网络包括但不限于设计学生网络的模型参数量大小和/或模型深度和/或模型输出特征维度。
进一步地,损失函数包括但不限于交叉熵损失函数或最小绝对值偏差损失函数或最小平方误差损失函数等;目标损失函数包括但不限于交叉熵损失函数或最小绝对值偏差损失函数或最小平方误差损失函数等。
本公开提供的上述技术方案的有益效果至少包括:
本公开的一种基于知识蒸馏的病灶区域深度组学特征提取方法采用知识蒸馏的方式得到病灶区域深度组学特征提取模型,在分类网络的训练过程中可以根据对不同疾病类型的病灶区域的属性的关注不同,有选择性的选取目标提取属性训练目标分类网络,形成针对不同目标提取属性的教师网络,并通过对目标提取属性的关注度不同对目标分类网络进行权重配置,实现了深度组学特征的自由配置和蒸馏精度的提高。学生网络在可以根据实际需要进行独立设计,无需局限于已有的分类网络,使模型具有更高的灵活性。本公开适用于各种医学影像的病灶区域深度组学特征提取,例如CT、MRT、病理切片、OCT、X光等,并不局限于某种特定的疾病类型或医学影像,具有良好的实用性和泛化性。
本公开以肝脏肿瘤为例,当肝脏肿瘤为病灶区域时提取肝脏肿瘤的深度组学特征。
获取肝脏肿瘤为病灶区域的样本数据集,其中,样本数据集中的数据是已经标注了肝脏肿瘤的属性的医学影像。
获取肝脏肿瘤的目标提取属性,包括大小等级、颜色、纹理三种,其中,大小等级可以分为极小、小、中、大、极大等等级;颜色可以划分为浅色、深色等类别,纹理可以划分为平滑、粗糙等类别。同时从样本据集中提取出已经标注了目标提取属性的医学影像作为样本。
选取用于针对每个目标提取属性进行训练的分类网络,基于上述三个目标提取属性分别训练三个独立的目标分类网络,每个目标分类网络可以选用不同的分类网络模型,采用交叉熵损失函数作为目标损失函数,当输出损失值达到预设阈值时目标分类网络训练完成。
训练好的目标分类网络即为肝脏肿瘤病灶区域特征识别模型,得到肝脏肿瘤大小病灶区域特征识别模型、颜色病灶区域特征识别模型、纹理病灶区域特征识别模型,分别作为对应目标提取属性的教师网络,提取每个病灶区域特征识别模型的倒数第二层作为特征层,获取特征层的输出作为基础深度特征。
设定大小等级目标提取属性的关注度为0.6,颜色目标提取属性的关注度为0.3,纹理目标提取属性的关注度为0.1。假设每个特征层会输出一个1*2维度,大小病灶区域特征识别模型输出大小基础深度特征[6,8],颜色病灶区域特征识别模型输出颜色基础深度特征[1,-3],纹理病灶区域特征识别模型输出纹理基础深度特征[7,2],根据不同目标提取属性的关注度进行权重配比,计算方法如下式,特征组合后得到的肝脏肿瘤的深度组学特征为[4.6,4.1]。
设计学生网络,初始化学生网络的权重,将样本中的输入数据作为学生网络的输入,使用所有的教师网络对学生网络进行训练,选取最小平方误差损失函数作为损失函数,计算学生网络的实际输出与深度组学特征之间的损失值,基于所述损失值更新学生网络的权重,当损失值达到预设范围时,保存学生网络权重,学生网络训练完成,得到病灶区域深度组学特征提取模型。
图3为本公开实施例提供的基于知识蒸馏的病灶区域深度组学特征提取装置的结构示例图,如图3所示,本公开还提供了一种基于知识蒸馏的病灶区域深度组学特征提取装置,包括:
获取模块110,用于获取已经标注属性的样本数据集;
分类网络训练模块120,用于基于样本数据集抽取样本,针对样本标注的每个属性训练对应的分类网络,得到不同属性对应的病灶区域特征识别模型,作为不同属性的教师网络;
特征输出模块130,用于提取病灶区域特征识别模型的倒数第二层作为特征层,获取特征层的输出作为基础深度特征;
权重配比模块140,用于将不同的基础深度特征按照预设的关注度进行权重配比,组合后得到样本的深度组学特征;
构建模块150,用于构建学生网络;
学生网络训练模块160,用于采用不同属性的教师网络训练学生网络;
损失计算模块170,用于设置损失函数,计算学生网络的实际输出与深度组学特征之间的损失值,基于所属损失值更新学生网络权重;
模型生成模块180,用于当损失值达到预设范围时,确定教师网络对学生网络的训练完成,得到病灶区域深度组学特征提取模型,利用所述病灶区域深度组学特征提取模型进行深度组学特征提取。
进一步地,已经标注属性的样本数据集是已经标注了病灶区域和/或病灶区域的属性的医学影像的集合。
进一步地,医学影像为2D医学影像或3D医学影像。
进一步的,病灶区域的属性至少包括以下其中的一项或多项:大小等级,形状,颜色,纹理,面积,分割结果。
进一步地,图4为本公开实施例提供的分类网络训练模块的结构示例图,如图4所示,分类网络训练模块120包括,
属性确定子模块121,用于获取需要进行深度组学特征提取的病灶区域的疾病类型和疾病类型对应的至少一个用于深度组学特征提取的属性,作为目标疾病类型和目标提取属性;
提取子模块122,用于基于目标疾病类型和目标提取属性从样本数据集中抽取对应的医学影像作为样本;
分类网络确定子模块123,用于选取用于针对每个目标提取属性进行训练的分类网络作为目标分类网络,得到目标分类网络集合;
训练子模块124,用于将样本中的输入数据作为目标分类网络的输入,将样本中标注的目标提取属性的数据作为目标分类网络的期望输出,对目标分类网络进行训练;
计算子模块125,用于计算目标分类网络的输出与期望输出之间的输出损失值;
识别模型生成子模块126,用于响应于确定输出损失值达到预设阈值,确定目标分类网络训练完成,得到病灶区域特征识别模型,以及将病灶区域特征识别模型作为教师网络。
进一步地,构建学生网络包括设计学生网络的模型参数量大小和/或模型深度和/或模型输出特征维度。
进一步地,损失函数包括交叉熵损失函数或最小绝对值偏差损失函数和/或最小平方误差损失函数。
本公开提供的上述技术方案的有益效果至少包括:
本公开的一种基于知识蒸馏的病灶区域深度组学特征提取装置采用知识蒸馏的方式得到病灶区域深度组学特征提取模型,在分类网络的训练过程中可以根据对不同疾病类型的病灶区域的属性的关注不同,有选择性的选取不目标提取属性训练目标分类网络,形成针对目标提取属性的教师网络,并通过对目标提取属性的关注度不同对目标分类网络进行权重配置,实现了深度组学特征的自由配置和蒸馏精度的提高。学生网络在可以根据实际需要进行独立设计,无需局限于已有的分类网络,使模型具有更高的灵活性。本公开适用于各种医学影像的病灶区域深度组学特征提取,例如CT、MRT、病理切片、OCT、X光等,并不局限于某种特定的疾病类型或医学影像,具有良好的实用性和泛化性。
可以理解的是,如图3所示的基于知识蒸馏的病灶区域深度组学特征提取装置中记载的各个模块与参考流程示例图描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于该装置及其中包含的模块,在此不再赘述。
图5为本公开实施例提供的电子设备的结构示例图。本公开实施例中的电子设备包括但不限于移动终端、固定终端或各种形式的服务器。图5示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。如图5所示,电子设备可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程示例图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述装置中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取已经标注属性的样本数据集;基于样本数据集抽取样本,针对样本标注的每个属性训练对应的分类网络,得到不同属性对应的病灶区域特征识别模型,作为不同属性的教师网络;提取病灶区域特征识别模型的倒数第二层作为特征层,获取特征层的输出作为基础深度特征;将不同的基础深度特征按照预设的关注度进行权重配比,组合后得到样本的深度组学特征;构建学生网络;采用不同属性的教师网络训练学生网络;设置损失函数,计算学生网络的实际输出与深度组学特征之间的损失值,基于损失值更新学生网络的权重;当损失值达到预设范围时,确定教师网络对学生网络的训练完成,得到病灶区域深度组学特征提取模型,利用病灶区域深度组学特征提取模型进行深度组学特征提取。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程示例图和框图,图示了按照本公开各种实施例的系统、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,流程示例图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码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。也应当注意,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,两个接连地表示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/或流程示例图中的每个方框、以及框图和/或流程示例图中的方框的组合,可以用执行规定的功能或操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。
描述于本公开的一些实施例中的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括获取模块、分类网络训练模块、特征输出模块、权重配比模块、构建模块、学生网络训练模块、损失计算模块、模型生成模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。
以上说明书中描述的只是本公开的具体实施方式,各种举例说明不对本公开的实质内容构成限制,所属技术领域的普通技术人员在阅读了说明书后可以对以前所述的具体实施方式做修改或变形,而不背离本公开的实质和范围。
Claims (16)
1.一种基于知识蒸馏的病灶区域深度组学特征提取方法,其特征在于,包括如下步骤:
S1、获取已经标注属性的样本数据集;
S2、基于所述样本数据集抽取样本,针对样本标注的每个属性训练对应的分类网络,得到不同属性对应的病灶区域特征识别模型,作为不同属性的教师网络;
S3、提取所述病灶区域特征识别模型的倒数第二层作为特征层,获取特征层的输出作为基础深度特征;
S4、将不同的基础深度特征按照预设的关注度进行权重配比,组合后得到样本的深度组学特征;
S5、构建学生网络;
S6、采用不同属性的教师网络训练所述学生网络;
S7、设置损失函数,计算所述学生网络的实际输出与所述深度组学特征的损失值,基于所述损失值更新学生网络的权重;
S8、当所述损失值达到预设范围时,确定教师网络对所述学生网络的训练完成,得到病灶区域深度组学特征提取模型,利用所述病灶区域深度组学特征提取模型进行深度组学特征提取。
2.如权利要求1所述的基于知识蒸馏的病灶区域深度组学特征提取方法,其特征在于,所述已经标注属性的样本数据集是已经标注了病灶区域和/或病灶区域的属性的医学影像的集合。
3.如权利要求2所述的基于知识蒸馏的病灶区域深度组学特征提取方法,其特征在于,所述医学影像为2D医学影像或3D医学影像。
4.如权利要求2所述的基于知识蒸馏的病灶区域深度组学特征提取方法,其特征在于,所述病灶区域的属性至少包括以下其中的一项或多项:大小等级,形状,颜色,纹理,面积,分割结果。
5.如权利要求2所述的基于知识蒸馏的病灶区域深度组学特征提取方法,其特征在于,所述基于所述样本数据集抽取样本,针对样本标注的每个属性训练对应的分类网络,得到不同属性对应的病灶区域特征识别模型,作为不同属性的教师网络具体包括,
S21、获取需要进行深度组学特征提取的病灶区域的疾病类型和所述疾病类型对应的至少一个用于深度组学特征提取的属性,作为目标疾病类型和目标提取属性;
S22、基于所述目标疾病类型和所述目标提取属性从所述样本数据集中抽取对应的医学影像作为样本;
S23、选取用于针对每个目标提取属性进行训练的分类网络作为目标分类网络,得到目标分类网络集合;
S24、将所述样本中的输入数据作为所述目标分类网络的输入,将所述样本中标注的目标提取属性的数据作为所述目标分类网络的期望输出,对所述目标分类网络进行训练;
S25、计算所述目标分类网络的输出与所述期望输出之间的输出损失值;
S26、响应于确定所述输出损失值达到预设阈值,确定所述目标分类网络训练完成,得到病灶区域特征识别模型,以及将所述病灶区域特征识别模型作为教师网络。
6.如权利要求1所述的基于知识蒸馏的病灶区域深度组学特征提取方法,其特征在于,所述构建学生网络包括设计所述学生网络的模型参数量大小和/或模型深度和/或模型输出特征维度。
7.如权利要求1所述的基于知识蒸馏的病灶区域深度组学特征提取方法,其特征在于,所述损失函数包括交叉熵损失函数或最小绝对值偏差损失函数或最小平方误差损失函数。
8.一种基于知识蒸馏的病灶区域深度组学特征提取装置,其特征在于,包括:
获取模块,用于获取已经标注属性的样本数据集;
分类网络训练模块,用于基于所述样本数据集抽取样本,针对样本标注的每个属性训练对应的分类网络,得到不同属性对应的病灶区域特征识别模型,作为不同属性的教师网络;
特征输出模块,用于提取所述病灶区域特征识别模型的倒数第二层作为特征层,获取特征层的输出作为基础深度特征;
权重配比模块,用于将不同的基础深度特征按照预设的关注度进行权重配比,组合后得到样本的深度组学特征;
构建模块,用于构建学生网络;
学生网络训练模块,用于采用不同属性的教师网络训练所述学生网络;
损失计算模块,用于设置损失函数,计算所述学生网络的实际输出与所述深度组学特征的损失值,基于所述损失值更新学生网络权重;
模型生成模块,用于当所述损失值达到预设范围时,确定教师网络对所述学生网络的训练完成,得到病灶区域深度组学特征提取模型,利用所述病灶区域深度组学特征提取模型进行深度组学特征提取。
9.如权利要求8所述的基于知识蒸馏的病灶区域深度组学特征提取装置,其特征在于,所述已经标注属性的样本数据集是已经标注了病灶区域和/或病灶区域的属性的医学影像的集合。
10.如权利要求9所述的基于知识蒸馏的病灶区域深度组学特征提取装置,其特征在于,所述医学影像为2D医学影像或3D医学影像。
11.如权利要求9所述的基于知识蒸馏的病灶区域深度组学特征提取装置,其特征在于,所述病灶区域的属性至少包括以下其中的一项或多项:大小等级,形状,颜色,纹理,面积,分割结果。
12.如权利要求9所述的基于知识蒸馏的病灶区域深度组学特征提取装置,其特征在于,所述分类网络训练模块包括,
属性确定子模块,用于获取需要进行深度组学特征提取的病灶区域的疾病类型和所述疾病类型对应的至少一个用于深度组学特征提取的属性,作为目标疾病类型和目标提取属性;
提取子模块,用于基于所述目标疾病类型和所述目标提取属性从所述样本数据集中抽取对应的医学影像作为样本;
分类网络确定子模块,用于选取用于针对每个目标提取属性进行训练的分类网络作为目标分类网络,得到目标分类网络集合;
训练子模块,用于将所述样本中的输入数据作为所述目标分类网络的输入,将所述样本中标注的目标提取属性的数据作为所述目标分类网络的期望输出,对所述目标分类网络进行训练;
计算子模块,用于计算所述目标分类网络的输出与所述期望输出之间的输出损失值;
识别模型生成子模块,用于响应于确定所述输出损失值达到预设阈值,确定所述目标分类网络训练完成,得到病灶区域特征识别模型,以及将所述病灶区域特征识别模型作为教师网络。
13.如权利要求8所述的基于知识蒸馏的病灶区域深度组学特征提取装置,其特征在于,所述构建学生网络包括设计所述学生网络的模型参数量大小和/或模型深度和/或模型输出特征维度。
14.如权利要求8所述的基于知识蒸馏的病灶区域深度组学特征提取装置,其特征在于,所述损失函数包括交叉熵损失函数或最小绝对值偏差损失函数或最小平方误差损失函数。
15.一种电子设备,其特征在于,包括:
一个或多个处理装置;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理装置执行,使得所述一个或多个处理装置实现如权利要求1-7中任一所述的基于知识蒸馏的病灶区域深度组学特征提取方法。
16.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理装置执行时实现如权利要求1-7中任一所述的基于知识蒸馏的病灶区域深度组学特征提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210566176.8A CN114723746B (zh) | 2022-05-24 | 2022-05-24 | 基于知识蒸馏的病灶区域深度组学特征提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210566176.8A CN114723746B (zh) | 2022-05-24 | 2022-05-24 | 基于知识蒸馏的病灶区域深度组学特征提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114723746A true CN114723746A (zh) | 2022-07-08 |
CN114723746B CN114723746B (zh) | 2022-09-02 |
Family
ID=82231724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210566176.8A Active CN114723746B (zh) | 2022-05-24 | 2022-05-24 | 基于知识蒸馏的病灶区域深度组学特征提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114723746B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223281A (zh) * | 2019-06-06 | 2019-09-10 | 东北大学 | 一种数据集中含有不确定数据时的肺结节图像分类方法 |
CN112418343A (zh) * | 2020-12-08 | 2021-02-26 | 中山大学 | 多教师自适应联合知识蒸馏 |
CN113689469A (zh) * | 2021-08-24 | 2021-11-23 | 复旦大学附属中山医院 | 一种自动识别超声造影小肝癌病灶的方法及超声系统 |
CN113902761A (zh) * | 2021-11-02 | 2022-01-07 | 大连理工大学 | 基于知识蒸馏的肺部疾病病灶无监督分割方法 |
US20220036564A1 (en) * | 2020-08-03 | 2022-02-03 | Korea Advanced Institute Of Science And Technology | Method of classifying lesion of chest x-ray radiograph based on data normalization and local patch and apparatus thereof |
CN114511728A (zh) * | 2021-12-24 | 2022-05-17 | 之江实验室 | 一种电子内镜食管病灶智能检测模型建立方法 |
-
2022
- 2022-05-24 CN CN202210566176.8A patent/CN114723746B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223281A (zh) * | 2019-06-06 | 2019-09-10 | 东北大学 | 一种数据集中含有不确定数据时的肺结节图像分类方法 |
US20220036564A1 (en) * | 2020-08-03 | 2022-02-03 | Korea Advanced Institute Of Science And Technology | Method of classifying lesion of chest x-ray radiograph based on data normalization and local patch and apparatus thereof |
CN112418343A (zh) * | 2020-12-08 | 2021-02-26 | 中山大学 | 多教师自适应联合知识蒸馏 |
CN113689469A (zh) * | 2021-08-24 | 2021-11-23 | 复旦大学附属中山医院 | 一种自动识别超声造影小肝癌病灶的方法及超声系统 |
CN113902761A (zh) * | 2021-11-02 | 2022-01-07 | 大连理工大学 | 基于知识蒸馏的肺部疾病病灶无监督分割方法 |
CN114511728A (zh) * | 2021-12-24 | 2022-05-17 | 之江实验室 | 一种电子内镜食管病灶智能检测模型建立方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114723746B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112767329B (zh) | 图像处理方法及装置、电子设备 | |
US9213899B2 (en) | Context-aware tracking of a video object using a sparse representation framework | |
CN111091166B (zh) | 图像处理模型训练方法、图像处理方法、设备及存储介质 | |
CN110570426A (zh) | 使用深度学习的图像联合配准和分割 | |
CN112927363B (zh) | 体素地图构建方法及装置、计算机可读介质和电子设备 | |
CN114820584B (zh) | 肺部病灶定位装置 | |
CN113673305A (zh) | 使用最短连线特征的图像标记 | |
CN109272543B (zh) | 用于生成模型的方法和装置 | |
CN105405116B (zh) | 一种基于图割的立体匹配方法 | |
CN113408566A (zh) | 目标检测方法及相关设备 | |
CN113706562B (zh) | 图像分割方法、装置、系统及细胞分割方法 | |
Shu et al. | LVC-Net: Medical image segmentation with noisy label based on local visual cues | |
CN112465737B (zh) | 图像处理模型训练方法、图像处理方法及图像处理装置 | |
CN111563916B (zh) | 基于立体视觉的长时无人机跟踪定位方法、系统、装置 | |
CN113111684B (zh) | 神经网络模型的训练方法、装置和图像处理系统 | |
CN114723746B (zh) | 基于知识蒸馏的病灶区域深度组学特征提取方法及装置 | |
CN116051813A (zh) | 全自动智能腰椎定位与识别方法及应用 | |
CN115393423A (zh) | 目标检测方法和装置 | |
CN115375657A (zh) | 息肉检测模型的训练方法、检测方法、装置、介质及设备 | |
CN111968030B (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN114863124A (zh) | 模型训练方法、息肉检测方法、相应装置、介质及设备 | |
CN113096104A (zh) | 目标分割模型的训练方法及装置和目标分割方法及装置 | |
CN115731240A (zh) | 一种分割方法、装置、电子设备及存储介质 | |
CN113409324A (zh) | 一种融合微分几何信息的脑分割方法 | |
CN109934045B (zh) | 行人检测方法和装置 |
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 |