CN114881937B - 一种针对超声切面的检测方法、装置及计算机可读介质 - Google Patents

一种针对超声切面的检测方法、装置及计算机可读介质 Download PDF

Info

Publication number
CN114881937B
CN114881937B CN202210397848.7A CN202210397848A CN114881937B CN 114881937 B CN114881937 B CN 114881937B CN 202210397848 A CN202210397848 A CN 202210397848A CN 114881937 B CN114881937 B CN 114881937B
Authority
CN
China
Prior art keywords
ultrasonic
abnormal
feature vector
vector
tangent plane
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.)
Active
Application number
CN202210397848.7A
Other languages
English (en)
Other versions
CN114881937A (zh
Inventor
于昕晔
马璐
丁佳
吕晨翀
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.)
Zhejiang Yizhun Intelligent Technology Co ltd
Original Assignee
Beijing Yizhun Medical AI Co Ltd
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 Beijing Yizhun Medical AI Co Ltd filed Critical Beijing Yizhun Medical AI Co Ltd
Priority to CN202210397848.7A priority Critical patent/CN114881937B/zh
Publication of CN114881937A publication Critical patent/CN114881937A/zh
Application granted granted Critical
Publication of CN114881937B publication Critical patent/CN114881937B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/10132—Ultrasound 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例提供一种针对超声切面的检测方法及装置，该方法首先将第一标准超声切面图像与第二标准超声切面图像组合形成正样本对；将第一标准超声切面图像与M个异常超声切面图像中任一异常超声切面图像组合形成负样本对，得到M个负样本对；将正样本对和M个负样本对共同作为训练样本；然后对正样本对和负样本对进行特征提取处理，得到第一特征向量、第二特征向量、以及M个异常切面特征向量；之后基于正样本对的相似度，以及每个负样本对的相似度，进行自监督的对比学习得到损失函数；最后对模型参数进行迭代更新，当对损失函数趋于最小时，得到超声切面检测模型。由此能够提高模型训练的准确性，进而有利于对异常超声切面图像进行准确检测。

Description

一种针对超声切面的检测方法、装置及计算机可读介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种针对超声切面的检测方法、装置及计算机可读介质。
背景技术
甲状腺是人体最大且最重要的内分泌器官之一，对人体新陈代谢至关重要。然而，甲状腺疾病严重威胁着人类健康，甲状腺癌的发病率呈上升趋势。甲状腺超声检查技术具有无创性、成本低、检查方便、重复性好等优点，目前甲状腺超声检查技术已成为甲状腺疾病诊断和治疗的重要手段。
由于标准超声切面图像是测量甲状腺参数的平面，因此标准超声切面图像是常规甲状腺超声检查中必须保留的图像；而且甲状腺标准超声切面图像还可以帮助医生快速找到甲状腺疾病的位置。然而，在临床甲状腺超声检查中，由于门诊量大、超声医师培训时间短、医师专业水平参差不齐，以及超声检查过程不规范等因素，因此在甲状腺超声检查中经常会出现标准超声切面图像漏检的现象；为此，需要对患者进行反复检查，从而造成医疗资源的极大浪费。
近年来，随着人工智能的发展，通过计算机方法识别标准超声切面图像，能够帮助医生进行图像异常检测；该技术在医学领域得到了广泛的应用。传统方法是基于临床收集的超声图像，通过提取图像的特征训练模型从而进行标准超声切面的识别，进而达到超声切面异常检测的目的。人工智能辅助检测可以规范甲状腺超声检查过程由于检查不规范导致的漏诊和误诊，提升医生的效率。在进行模型训练时，甲状腺标准超声切面图像可以确定，但是非标准超声切面图像各有各的不同，如果在进行模型训练时收集的训练样本类型不全面，那么在预测阶段未出现在训练样本中的非标准超声切面图像很可能被误识别为标准切面，进而影响医生的诊断，因此传统方法普适性差。在进行模型训练时需要收集大量的各个切面类型的样本数据，以至于在样本收集方面会耗费大量人力物力。
发明内容
为了解决上述现有技术存在的问题，本发明实施例提供一种针对超声切面的检测方法、装置及计算机可读介质，能够基于自监督的对比学习获得超声切面检测模型，从而对超声切面图像实现自动化检测，提高超声切面图像异常检测的准确性。
为实现上述目的，根据本发明实施例第一方面提供一种针对超声切面的检测方法，该方法包括：一种针对超声切面的检测方法，其特征在于，包括如下步骤：将第一标准超声切面图像与第二标准超声切面图像组合形成正样本对；将第一标准超声切面图像与M个异常超声切面图像中任一异常超声切面图像组合形成负样本对，得到M个负样本对；将所述正样本对和所述M个负样本对共同作为训练样本；M是大于等于1的自然数；分别对所述正样本对和每个所述负样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一特征向量，与所述第二标准超声切面图像对应的第二特征向量，以及M个与所述异常超声切面对应的异常切面特征向量；基于正样本对中所述第一特征向量与所述第二特征向量之间的相似度，以及每个所述负样本对中所述异常切面特征向量与所述第一特征向量之间的相似度，进行自监督的对比学习，得到损失函数；对模型参数进行迭代更新，当对所述损失函数趋于最小时，得到超声切面检测模型。
可选的，分别对所述正样本对和每个所述负样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一特征向量，与所述第二标准超声切面图像对应的第二特征向量，以及M个与所述异常超声切面对应的异常切面特征向量，包括：对所述正样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一向量表示，以及与所述第二标准超声切面图像对应的第二向量表示；并对所述第一向量表示，以及所述第二向量表示分别进行降维处理，得到对应的第一特征向量，以及对应的第二特征向量；
对每个所述负样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一向量表示，以及与异常超声切面对应的异常切面向量表示；并对所述第一向量表示，以及所述异常切面向量表示分别进行降维处理，得到对应的第一特征向量，以及对应的异常切面特征向量。
可选的，所述基于正样本对中所述第一特征向量与所述第二特征向量之间的相似度，以及每个所述负样本对中所述异常切面特征向量与所述第一特征向量之间的相似度，进行自监督的对比学习，得到损失函数，包括：计算所述第一特征向量与所述第二特征向量之间的内积，并将该内积确定为所述第一特征向量与所述第二特征向量之间的相似度；针对M个负样本对中任一所述负样本对：计算所述第一特征向量与所述异常切面特征向量之间的内积，并将该内积确定为所述第一特征向量与所述异常切面特征向量之间的相似度；基于所述正样本对的相似度，以及M个所述负样本对的相似度，进行自监督的对比学习，得到损失函数。
可选的，所述对模型参数进行迭代更新，当对所述损失函数趋于最小时，得到超声切面检测模型，包括：对模型参数进行迭代更新，当所述正样本对的相似度最大且每个所述负样本对的相似度最小时，所述损失函数趋于最小，得到超声切面检测模型。
可选的，所述的方法还包括：获取待测超声切面图像，以及与所述待测超声切面图像对应的标准切面特征向量；基于所述超声切面检测模型对所述待测超声切面图像进行特征提取，得到待测特征向量；计算所述待测特征向量与所述标准切面特征向量之间的相似度；判断所述相似度是否满足预设阈值；若判断结果表征所述相似度满足预设阈值，则确定所述待测超声切面图像为异常切面图像。
可选的，所述获取与所述待测超声切面图像对应的标准切面特征向量，包括：获取若干标准超声切面图像；针对任一标准超声切面图像：利用所述超声切面检测模型对所述标准超声切面图像进行特征提取处理，得到特征向量；对若干特征向量的平均值，得到标准切面特征向量。
为实现上述目的，根据本发明实施例第二方面还提供一种针对超声切面的检测装置，其特征在于，包括如下步骤：样本模块，用于将第一标准超声切面图像与第二标准超声切面图像组合形成正样本对；将第一标准超声切面图像与M个异常超声切面图像中任一异常超声切面图像组合形成负样本对，得到M个负样本对；将所述正样本对和所述M个负样本对共同作为训练样本；M是大于等于1的自然数；特征提取模块，用于分别对所述正样本对和每个所述负样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一特征向量，与所述第二标准超声切面图像对应的第二特征向量，以及M个与所述异常超声切面对应的异常切面特征向量；模型训练模块，用于基于正样本对中所述第一特征向量与所述第二特征向量之间的相似度，以及每个所述负样本对中所述异常切面特征向量与所述第一特征向量之间的相似度，进行自监督的对比学习，得到损失函数；参数更新模块，用于对模型参数进行迭代更新，当对所述损失函数趋于最小时，得到超声切面检测模型。
可选的，所述特征提取模块包括：第一特征提取单元，用于对所述正样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一向量表示，以及与所述第二标准超声切面图像对应的第二向量表示；降维处理单元，用于对所述第一向量表示，以及所述第二向量表示分别进行降维处理，得到对应的第一特征向量，以及对应的第二特征向量；第二特征提取单元，用于对每个所述负样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一向量表示，以及与异常超声切面对应的异常切面向量表示；并对所述第一向量表示，以及所述异常切面向量表示分别进行降维处理，得到对应的第一特征向量，以及对应的异常切面特征向量。
可选的，所述模型训练模块包括：第一计算单元，用于计算所述第一特征向量与所述第二特征向量之间的内积，并将该内积确定为所述第一特征向量与所述第二特征向量之间的相似度；第二计算单元，用于针对M个负样本对中任一所述负样本对：计算所述第一特征向量与所述异常切面特征向量之间的内积，并将该内积确定为所述第一特征向量与所述异常切面特征向量之间的相似度；学习单元，用于基于所述正样本对的相似度，以及M个所述负样本对的相似度，进行自监督的对比学习，得到损失函数。
为实现上述目的，根据本发明实施例第三方面还提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如第一方面所述的方法。
与现有技术相比，本发明实施例提供一种针对超声切面的检测方法及装置及计算机可读介质，该方法包括：首先，将第一标准超声切面图像与第二标准超声切面图像组合形成正样本对；将第一标准超声切面图像与M个异常超声切面图像中任一异常超声切面图像组合形成负样本对，得到M个负样本对；将所述正样本对和所述M个负样本对共同作为训练样本；M是大于等于1的自然数；然后，分别对所述正样本对和每个所述负样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一特征向量，与所述第二标准超声切面图像对应的第二特征向量，以及M个与所述异常超声切面对应的异常切面特征向量；之后，基于正样本对中所述第一特征向量与所述第二特征向量之间的相似度，以及每个所述负样本对中所述异常切面特征向量与所述第一特征向量之间的相似度，进行自监督的对比学习，得到损失函数；最后，对模型参数进行迭代更新，当对所述损失函数趋于最小时，得到超声切面检测模型。由此，通过自监督的对比学习充分学习了标准超声切面图像之间的相似性，从而使得训练好的超声切面检测模型在标准超声切面图像之间距离很近，而在标准超声切面和异常超声切面之间距离很远，提高了模型训练的准确性，进而有利于对异常超声切面图像进行准确检测。
理解的是，本发明的教导并不需要实现上面所述的全部有益效果，而是特定的技术方案可以实现特定的技术效果，并且本发明的其他实施方式还能够实现上面未提到的有益效果。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中在附图中，相同或对应的标号表示相同或对应的部分。
图1为本发明一实施例针对超声切面的检测方法的示意性流程图；
图2为本发明一实施例中分别对正样本对和负样本对进行特征提取处理的流程示意图；
图3为本发明一实施例中基于正样本对相似度和负样本对相似度进行自监督的对比学习的流程示意图；
图4为本发明一实施例中利用超声切面检测模型对待测超声切面图像进行异常检测方法的流程示意图；
图5为本发明一实施例中损失模块A和损失模块B的结构示意图；
图6为本发明一实施例针对超声切面的检测装置的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
如图1所示，为本发明一实施例针对超声切面的检测方法的示意性流程图。
一种针对超声切面的检测方法，该方法至少包括如下步骤：
S101，将第一标准超声切面图像与第二标准超声切面图像组合形成正样本对；将第一标准超声切面图像与M个异常超声切面图像中任一异常超声切面图像组合形成负样本对，得到M个负样本对；将正样本对和M个负样本对共同作为训练样本；M是大于等于1的自然数；
S102，分别对所述正样本对和每个所述负样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一特征向量，与所述第二标准超声切面图像对应的第二特征向量，以及M个与所述异常超声切面对应的异常切面特征向量；
S103，基于正样本对中第一特征向量与第二特征向量之间的相似度，以及每个负样本对中异常切面特征向量与第一特征向量之间的相似度，进行自监督的对比学习，得到损失函数；
S104，对模型参数进行迭代更新，当对损失函数趋于最小时，得到超声切面检测模型。
在S101中，正样本对和M个负样本对共同作为训练样本。获取多个训练样本进行模型训练。
需要说明的是，一个训练样本中正样本对和所有负样本对是具有对应关系的。正样本对有两个不同的标准超声切面图像，对应关系是指负样本对中的标准超声切面图像必然与正样本对中一个标准超声切面图像相同。
在S102中，分别对正样本对中第一标准超声切面图像和第二标准超声切面图像进行特征提取处理，得到对应的第一特征向量和对应的第二特征向量；
分别对负样本对中第一标准超声切面图像和异常超声切面图像进行特征提取处理，得到的对应的第一特征向量和对应的异常切面特征向量。
由于正样本对和负样本对中均包含第一标准超声切面图像，因此，对正样本对进行特征提取处理后获得的第一特征向量与对负样本对进行特征提取处理后获得的第一特征向量是相同的特征向量。
在这里，可以基于现有神经网络算法进行图像特征提取，也可以基于编码器模块进行特征提取处理后利用投影投模块进行特征降维处理，从而得到第一特征向量、第二特征向量和异常切面特征向量。
在S103和S104中，首先，基于现有算法计算第一特征向量与第二特征向量之间的相似度A，以及所有异常切面特征向量中任一异常切面特征向量与第一特征向量之间的相似度B；然后，基于相似度A和所有异常切面特征向量对应的相似度B之和进行自监督的对比学习；之后，基于对比损失模块得到损失函数；最后，基于损失函数，对模型参数进行迭代更新，当正样本对相似度趋于最大时且每个负样本对相似度趋于最小时，该损失函数趋于最小，得到超声切面检测模型。
本发明实施例基于自监督对比学习能够在有限的训练样本中学到更多的知识并可以拓展知识，克服了常规模型训练时标准超声切面图像收集困难并且标注的成本高的问题；而且本发明实施例通过自动构造相似实例和不相似实例，习得一个用于表示学习的超声切面检测模型，通过这个模型，使得相似的实例在投影空间中比较接近，而不相似的实例在投影空间中距离比较远；由此提高了超声切面检测模型训练的准确性，进而有利于超声切面图像的异常检测。
在本实施例一优选的实施方式中，针对图1中S102的具体实现过程，如图2所示，为本发明一实施例中分别对正样本对和负样本对进行特征提取处理的流程示意图。
分别对正样本对和负样本对进行特征提取处理，至少包括如下步骤：
S201，对所述正样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一向量表示，以及与所述第二标准超声切面图像对应的第二向量表示；
S202，对所述第一向量表示，以及所述第二向量表示分别进行降维处理，得到对应的第一特征向量，以及对应的第二特征向量；
S203，对每个所述负样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一向量表示，以及与异常超声切面对应的异常切面向量表示；
S204，对所述第一向量表示，以及所述异常切面向量表示分别进行降维处理，得到对应的第一特征向量，以及对应的异常切面特征向量。
具体地，将若干标准超声切面图像和若干异常超声切面图像分为训练集和测试集。对比损耗中的正样本是从数据集中标准切面图像中选择，而异常切面作为负样本。例如：在一次训练中，获取K个标准超声切面图像和M个异常超声切面图像，因此能够获得K(K-1)个正样本对和KM个负样本对。在K(K-1)个正样本对和KM个负样本对中分别随机选取样本，得到正样本对的标准切面xni和标准切面xnj，i∈{1，2，...，K}，以及负样本对的标准切面xni和异常切面xam，i∈{1，2，...，K}，m∈{1，2，...，M}；之后，将得到的正样本和负样本对分别通过基本编码器模块f(·)得到hni,hnj,ham向量表示；最后，将得到的向量表示通过投影头模块g(·)得到更小维度的向量vni,vnj,vam；
在这里，基本编码器模块f(·)：用来提取输入图像的向量表示，f(·)代表卷积神经网络结构；卷积神经网络结构例如ResNet-50的网络模型。f将输入的图像xi转换成hi,，hi＝f(xi)。投影头模块g(·)：用于将hi映射到更低维度的空间，形成vi，g(·)是由一个全连接层fc和激活函数串联组成的。激活函数例如ReLU。
需要说明的是，基本编码器模块f使用的结构是ResNet-50，但是其他网络结构如：ResNet-18等其他ResNet结构，AlexNet等常见的网络结构，以及MobileNet、ShuffleNet等轻量级的网络结构，都可以实现本发明，可以为替代方案。
基本编码器模块f在初始化的时候是通过从零学习还是迁移学习，都可以实现本发明，可以为替代方案。
在本实施例又一优选的实施方式中，针对图1中S103的具体实现过程，如图3所示，为本发明一实施例中基于正样本对相似度和负样本对相似度进行自监督的对比学习的流程示意图。
基于正样本对相似度和负样本对相似度进行自监督的对比学习，至少包括如下步骤：
S301，计算所述第一特征向量与所述第二特征向量之间的内积，并将该内积确定为所述第一特征向量与所述第二特征向量之间的相似度；
S302，针对M个负样本对中任一所述负样本对：计算所述第一特征向量与所述异常切面特征向量之间的内积，并将该内积确定为所述第一特征向量与所述异常切面特征向量之间的相似度；
S303，基于所述正样本对的相似度，以及M个所述负样本对的相似度，进行自监督的对比学习，得到损失函数。
如图5所示，基于投影模块输出的vni和vnj，可以计算出标准超声切面之间的相似度vni Tvnj，得到损失模块A；其中，A的公式定义为exp（vni Tvnj/τ)。
基于投影模块输出的vni和vam，可以计算出标准超声切面与异常超声切面之间的相似度vni Tvam，得到损失模块B；其中，B的公式定义为exp(vni Tvam/τ)。由此得到对比损失模块的损失函数如下式(1)所示：
Figure BDA0003598311540000101
其中，标准超声切面之间相似度越大A越大，标准超声切面与异常超声切面相似度越小B越小，B越趋近于0，损失函数Lij越趋近于0。
将A和B展开后为式(2)所示：
Figure BDA0003598311540000102
将训练集中所有的数据都计算损失函数，总体模型的损失函数如下式(3)所示：
Figure BDA0003598311540000103
β是一个指示函数，如果j≠i，β为0，否则为1，τ是可以控制分布的一个参数，通常取值范围在0和1之间，可以放大样本之间的相似性，有利于模型训练。向量内积度量编码后特征向量之间的余弦相似性。通过优化等式(3)，基础编码器模块将会最大化标准切面特征向量vni和vnj之间的相似性，同时最小化标准切面特征向量vni和所有其他异常切面特征向量vam之间的相似性，以此为目标进行编码器参数的更新迭代。
在这里，对比损失模块：对比损失被用来强调来自标准超声切面图像比异常超声切面图像的相似程度更紧密。
在本实施例再一优选的实施方式中，针对图1中S104的具体实现过程如下所述。
生成超声切面检测模型，至少包括如下步骤：对模型参数进行迭代更新，当所述正样本对的相似度最大且每个所述负样本对的相似度最小时，所述损失函数趋于最小，得到超声切面检测模型。
具体地，将数据集中的所有样本训练完成后，基本编码器模块的参数达到最优，就得到了超声切面检测模型ftrained。
本发明基于自监督对比学习的超声切面的检测方法，不依赖大量的标注数据，并且对未出现过的数据具有很好的适应性。本发明算法的目的是学习标准切面的紧凑表示法，以便任何偏离标准切面的图像都可以被检测为异常切面。
如图4所示，为本发明一实施例中利用超声切面检测模型对待测超声切面图像进行异常检测方法的流程示意图。
利用超声切面检测模型对待测超声切面图像进行异常检测方法，至少包括如下步骤：
S401，获取待测超声切面图像，以及与所述待测超声切面图像对应的标准切面特征向量；
S402，基于所述超声切面检测模型对所述待测超声切面图像进行特征提取，得到待测特征向量；
S403，计算所述待测特征向量与所述标准切面特征向量之间的相似度；
S404，判断所述相似度是否满足预设阈值；若判断结果表征所述相似度满足预设阈值，则确定所述待测超声切面图像为异常切面图像。
在S401中，所述获取与所述待测超声切面图像对应的标准切面特征向量，包括：获取若干标准超声切面图像；针对任一标准超声切面图像：利用所述超声切面检测模型对所述标准超声切面图像进行特征提取处理，得到特征向量；对若干特征向量的平均值，得到标准切面特征向量。
测试过程例如：将所有标准超声切面图像xi，i∈{1，2，...，N}通过训练好的基本编码器ftrained(·)提取特征，组成特征表示hn，具体公式如式(4)所示：
Figure BDA0003598311540000121
hn代表通过训练好的基本编码器ftrained(·)提取的所有标准超声切面图像的一个平均特征，hn可以最大限度表示标准超声切面图像的共有特征。
在测试集中选取样本xt，t∈{1，2，...，T}；xt通过训练好的基本编码器ftrained提取特征，得到ftrained(xt)；计算ftrained(xt)和hn之间的相似度，相似度可以表示如式(5)所示：
simt＝hn Tftrained(xt)
式(5)；
预先设定一个阈值γ，当相似度simt＜γ时，判断待测超声切面图像为异常切面。
本发明通过定基本编码器模块计算待测超声切面图像和标准超声切面图像之间的相似度，并且通过设定阈值，来判断待测超声切面图像是否为异常切面。由此，提高了超声切面异常检测的准确性。
需要说明的是，本申请中提到的“标准切面”是“标准超声切面图像”的缩写，“异常切面”是“异常超声切面图像”的缩写。
应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在的逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
如图6所示，为本发明一实施例针对超声切面的检测装置的结构示意图。一种针对超声切面的检测装置，该装置600包括：样本模块601，用于将第一标准超声切面图像与第二标准超声切面图像组合形成正样本对；将第一标准超声切面图像与M个异常超声切面图像中任一异常超声切面图像组合形成负样本对，得到M个负样本对；将所述正样本对和所述M个负样本对共同作为训练样本；M是大于等于1的自然数；特征提取模块602，用于分别对所述正样本对和每个所述负样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一特征向量，与所述第二标准超声切面图像对应的第二特征向量，以及M个与所述异常超声切面对应的异常切面特征向量；模型训练模块603，用于基于正样本对中所述第一特征向量与所述第二特征向量之间的相似度，以及每个所述负样本对中所述异常切面特征向量与所述第一特征向量之间的相似度，进行自监督的对比学习，得到损失函数；参数更新模块604，用于对模型参数进行迭代更新，当对所述损失函数趋于最小时，得到超声切面检测模型。
在优选的实施例中，所述特征提取模块包括：第一特征提取单元，用于对所述正样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一向量表示，以及与所述第二标准超声切面图像对应的第二向量表示；并对所述第一向量表示，以及所述第二向量表示分别进行降维处理，得到对应的第一特征向量，以及对应的第二特征向量；第二特征提取单元，用于对每个所述负样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一向量表示，以及与异常超声切面对应的异常切面向量表示；并对所述第一向量表示，以及所述异常切面向量表示分别进行降维处理，得到对应的第一特征向量，以及对应的异常切面特征向量。
在优选的实施例中，所述模型训练模块包括：第一计算单元，用于计算所述第一特征向量与所述第二特征向量之间的内积，并将该内积确定为所述第一特征向量与所述第二特征向量之间的相似度；第二计算单元，用于针对M个负样本对中任一所述负样本对：计算所述第一特征向量与所述异常切面特征向量之间的内积，并将该内积确定为所述第一特征向量与所述异常切面特征向量之间的相似度；学习单元，用于基于所述正样本对的相似度，以及M个所述负样本对的相似度，进行自监督的对比学习，得到损失函数。
在优选的实施例中，参数更新模块包括：参数更新单元，用于对模型参数进行迭代更新，当所述正样本对的相似度最大且每个所述负样本对的相似度最小时，所述损失函数趋于最小，得到超声切面检测模型。
在优选的实施例中，所述装置还包括：获取模块，用于获取待测超声切面图像，以及与所述待测超声切面图像对应的标准切面特征向量；特征提取模块，用于基于所述超声切面检测模型对所述待测超声切面图像进行特征提取，得到待测特征向量；相似度计算模块，用于计算所述待测特征向量与所述标准切面特征向量之间的相似度；异常检测模块，用于判断所述相似度是否满足预设阈值；若判断结果表征所述相似度满足预设阈值，则确定所述待测超声切面图像为异常切面图像。
在优选的实施例中，获取模块包括：获取单元，用于获取若干标准超声切面图像；特征提取单元，用于针对任一标准超声切面图像：利用所述超声切面检测模型对所述标准超声切面图像进行特征提取处理，得到特征向量；平均值计算单元，用于对若干特征向量的平均值，得到标准切面特征向量。
上述装置可执行本发明一实施例所提供的针对超声切面的检测方法，具备执行针对超声切面的检测方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的针对超声切面的检测方法。
根据本发明再一实施例，还提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当该一个或多个程序被该一个或多个处理器执行，使得该一个或多个处理器实现本发明上述实施例提供的针对超声切面的检测方法。
本发明实施例另一方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，使得所述处理器至少执行如下所述的操作步骤：S101，将第一标准超声切面图像与第二标准超声切面图像组合形成正样本对；将第一标准超声切面图像与M个异常超声切面图像中任一异常超声切面图像组合形成负样本对，得到M个负样本对；将所述正样本对和所述M个负样本对共同作为训练样本；M是大于等于1的自然数；S102，分别对所述正样本对和每个所述负样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一特征向量，与所述第二标准超声切面图像对应的第二特征向量，以及M个与所述异常超声切面对应的异常切面特征向量；S103，基于正样本对中所述第一特征向量与所述第二特征向量之间的相似度，以及每个所述负样本对中所述异常切面特征向量与所述第一特征向量之间的相似度，进行自监督的对比学习，得到损失函数；S104，对模型参数进行迭代更新，当对所述损失函数趋于最小时，得到超声切面检测模型。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
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”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
以上，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种针对超声切面的检测方法，其特征在于，包括如下步骤：
将第一标准超声切面图像与第二标准超声切面图像组合形成正样本对；将第一标准超声切面图像与M个异常超声切面图像中任一异常超声切面图像组合形成负样本对，得到M个负样本对；将所述正样本对和所述M个负样本对共同作为训练样本；M是大于等于1的自然数；
分别对所述正样本对和每个所述负样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一特征向量，与所述第二标准超声切面图像对应的第二特征向量，以及M个与所述异常超声切面对应的异常切面特征向量；
基于正样本对中所述第一特征向量与所述第二特征向量之间的相似度，以及每个所述负样本对中所述异常切面特征向量与所述第一特征向量之间的相似度，进行自监督的对比学习，得到损失函数；
对模型参数进行迭代更新，当对所述损失函数趋于最小时，得到超声切面检测模型；
其中，所述分别对所述正样本对和每个所述负样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一特征向量，与所述第二标准超声切面图像对应的第二特征向量，以及M个与所述异常超声切面对应的异常切面特征向量，包括：
对所述正样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一向量表示，以及与所述第二标准超声切面图像对应的第二向量表示；并对所述第一向量表示，以及所述第二向量表示分别进行降维处理，得到对应的第一特征向量，以及对应的第二特征向量；
对每个所述负样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一向量表示，以及与异常超声切面对应的异常切面向量表示；并对所述第一向量表示，以及所述异常切面向量表示分别进行降维处理，得到对应的第一特征向量，以及对应的异常切面特征向量。
2.根据权利要求1所述的方法，其特征在于，所述基于正样本对中所述第一特征向量与所述第二特征向量之间的相似度，以及每个所述负样本对中所述异常切面特征向量与所述第一特征向量之间的相似度，进行自监督的对比学习，得到损失函数，包括：
计算所述第一特征向量与所述第二特征向量之间的内积，并将该内积确定为所述第一特征向量与所述第二特征向量之间的相似度；
针对M个负样本对中任一所述负样本对：计算所述第一特征向量与所述异常切面特征向量之间的内积，并将该内积确定为所述第一特征向量与所述异常切面特征向量之间的相似度；
基于所述正样本对的相似度，以及M个所述负样本对的相似度，进行自监督的对比学习，得到损失函数。
3.根据权利要求1所述的方法，其特征在于，所述对模型参数进行迭代更新，当对所述损失函数趋于最小时，得到超声切面检测模型，包括：
对模型参数进行迭代更新，当所述正样本对的相似度最大且每个所述负样本对的相似度最小时，所述损失函数趋于最小，得到超声切面检测模型。
4.根据权利要求1所述的方法，其特征在于，还包括：
获取待测超声切面图像，以及与所述待测超声切面图像对应的标准切面特征向量；
基于所述超声切面检测模型对所述待测超声切面图像进行特征提取，得到待测特征向量；
计算所述待测特征向量与所述标准切面特征向量之间的相似度；
判断所述相似度是否满足预设阈值；若判断结果表征所述相似度满足预设阈值，则确定所述待测超声切面图像为异常切面图像。
5.根据权利要求4所述的方法，其特征在于，所述获取与所述待测超声切面图像对应的标准切面特征向量，包括：
获取若干标准超声切面图像；
针对任一标准超声切面图像：利用所述超声切面检测模型对所述标准超声切面图像进行特征提取处理，得到特征向量；
对若干特征向量的平均值，得到标准切面特征向量。
6.一种针对超声切面的检测装置，其特征在于，包括如下步骤：
样本模块，用于将第一标准超声切面图像与第二标准超声切面图像组合形成正样本对；将第一标准超声切面图像与M个异常超声切面图像中任一异常超声切面图像组合形成负样本对，得到M个负样本对；将所述正样本对和所述M个负样本对共同作为训练样本；M是大于等于1的自然数；
特征提取模块，用于分别对所述正样本对和每个所述负样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一特征向量，与所述第二标准超声切面图像对应的第二特征向量，以及M个与所述异常超声切面对应的异常切面特征向量；
模型训练模块，用于基于正样本对中所述第一特征向量与所述第二特征向量之间的相似度，以及每个所述负样本对中所述异常切面特征向量与所述第一特征向量之间的相似度，进行自监督的对比学习，得到损失函数；
参数更新模块，用于对模型参数进行迭代更新，当对所述损失函数趋于最小时，得到超声切面检测模型；
其中，所述特征提取模块包括：
第一特征提取单元，用于对所述正样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一向量表示，以及与所述第二标准超声切面图像对应的第二向量表示；并对所述第一向量表示，以及所述第二向量表示分别进行降维处理，得到对应的第一特征向量，以及对应的第二特征向量；
第二特征提取单元，用于对每个所述负样本对进行特征提取处理，得到与所述第一标准超声切面图像对应的第一向量表示，以及与异常超声切面对应的异常切面向量表示；并对所述第一向量表示，以及所述异常切面向量表示分别进行降维处理，得到对应的第一特征向量，以及对应的异常切面特征向量。
7.根据权利要求6所述的装置，其特征在于，所述模型训练模块包括：
第一计算单元，用于计算所述第一特征向量与所述第二特征向量之间的内积，并将该内积确定为所述第一特征向量与所述第二特征向量之间的相似度；
第二计算单元，用于针对M个负样本对中任一所述负样本对：计算所述第一特征向量与所述异常切面特征向量之间的内积，并将该内积确定为所述第一特征向量与所述异常切面特征向量之间的相似度；
学习单元，用于基于所述正样本对的相似度，以及M个所述负样本对的相似度，进行自监督的对比学习，得到损失函数。
8.一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
CN202210397848.7A 2022-04-15 2022-04-15 一种针对超声切面的检测方法、装置及计算机可读介质 Active CN114881937B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210397848.7A CN114881937B (zh) 2022-04-15 2022-04-15 一种针对超声切面的检测方法、装置及计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210397848.7A CN114881937B (zh) 2022-04-15 2022-04-15 一种针对超声切面的检测方法、装置及计算机可读介质

Publications (2)

Publication Number Publication Date
CN114881937A CN114881937A (zh) 2022-08-09
CN114881937B true CN114881937B (zh) 2022-12-09

Family

ID=82670065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210397848.7A Active CN114881937B (zh) 2022-04-15 2022-04-15 一种针对超声切面的检测方法、装置及计算机可读介质

Country Status (1)

Country Link
CN (1) CN114881937B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112089438A (zh) * 2020-08-31 2020-12-18 北京理工大学 基于二维超声图像的四维重建方法及装置
CN112257738A (zh) * 2020-07-31 2021-01-22 北京京东尚科信息技术有限公司 机器学习模型的训练方法、装置和图像的分类方法、装置
CN112990312A (zh) * 2021-03-15 2021-06-18 平安科技（深圳）有限公司 模型训练方法、图像识别方法、装置、设备及存储介质
CN113657561A (zh) * 2021-10-20 2021-11-16 之江实验室 一种基于多任务解耦学习的半监督夜间图像分类方法
CN113657406A (zh) * 2021-07-13 2021-11-16 北京旷视科技有限公司 模型训练和特征提取方法、装置、电子设备及存储介质
CN113673631A (zh) * 2021-10-22 2021-11-19 广东众聚人工智能科技有限公司 异常图像检测方法及装置
CN113935957A (zh) * 2021-09-26 2022-01-14 平安科技（深圳）有限公司 医疗图像对比方法、装置、电子设备及存储介质
CN114186622A (zh) * 2021-11-30 2022-03-15 北京达佳互联信息技术有限公司 图像特征提取模型训练方法、图像特征提取方法和装置
CN114187459A (zh) * 2021-11-05 2022-03-15 北京百度网讯科技有限公司 目标检测模型的训练方法、装置、电子设备以及存储介质

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7831074B2 (en) * 2005-10-12 2010-11-09 Siemens Corporation System and method for using a similarity function to perform appearance matching in image pairs
US8712156B2 (en) * 2010-01-10 2014-04-29 Bronstein Bronstein Kimmel Technologies Ltd. Comparison of visual information
JP6672712B2 (ja) * 2015-11-04 2020-03-25 日本電気株式会社 異常作業検出システムおよび異常作業検出方法
CN110874602A (zh) * 2018-08-30 2020-03-10 北京嘀嘀无限科技发展有限公司 一种图像识别方法及装置
CN109461495B (zh) * 2018-11-01 2023-04-14 腾讯科技（深圳）有限公司 一种医学图像的识别方法、模型训练的方法及服务器
CN109871954B (zh) * 2018-12-24 2022-12-02 腾讯科技（深圳）有限公司 训练样本生成方法、异常检测方法及装置
CN112883990A (zh) * 2019-11-29 2021-06-01 京东安联财产保险有限公司 数据分类方法及装置、计算机存储介质、电子设备
CN111768379B (zh) * 2020-06-29 2024-06-21 深圳度影医疗科技有限公司 一种子宫三维超声图像的标准切面检测方法
CN113506268B (zh) * 2021-07-12 2024-04-23 东南大学 一种面向铁轨图像的半监督异物检测方法
CN113688757B (zh) * 2021-08-30 2024-07-05 五邑大学 一种sar图像识别方法、装置及存储介质
CN114244603B (zh) * 2021-12-15 2024-02-23 中国电信股份有限公司 异常检测及对比嵌入模型训练、检测方法、装置及介质
CN114330572A (zh) * 2021-12-31 2022-04-12 哈尔滨工业大学（深圳） 基于对比学习的异常检测方法、系统及计算机存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257738A (zh) * 2020-07-31 2021-01-22 北京京东尚科信息技术有限公司 机器学习模型的训练方法、装置和图像的分类方法、装置
CN112089438A (zh) * 2020-08-31 2020-12-18 北京理工大学 基于二维超声图像的四维重建方法及装置
CN112990312A (zh) * 2021-03-15 2021-06-18 平安科技（深圳）有限公司 模型训练方法、图像识别方法、装置、设备及存储介质
CN113657406A (zh) * 2021-07-13 2021-11-16 北京旷视科技有限公司 模型训练和特征提取方法、装置、电子设备及存储介质
CN113935957A (zh) * 2021-09-26 2022-01-14 平安科技（深圳）有限公司 医疗图像对比方法、装置、电子设备及存储介质
CN113657561A (zh) * 2021-10-20 2021-11-16 之江实验室 一种基于多任务解耦学习的半监督夜间图像分类方法
CN113673631A (zh) * 2021-10-22 2021-11-19 广东众聚人工智能科技有限公司 异常图像检测方法及装置
CN114187459A (zh) * 2021-11-05 2022-03-15 北京百度网讯科技有限公司 目标检测模型的训练方法、装置、电子设备以及存储介质
CN114186622A (zh) * 2021-11-30 2022-03-15 北京达佳互联信息技术有限公司 图像特征提取模型训练方法、图像特征提取方法和装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A Review of Self-supervised Learning Methods in the Field of Medical Image Analysis;Jiashu Xu;《Graphics and Signal Processing》;20210808;第4卷;第33-46页 *
Contrastive learning of global and local features for medical image segmentation with limited annotations;Chaitanya, K.等;《NeurIPS 2020》;20201231;第1-13页 *
Effective Sample Pair Generation for Ultrasound Video Contrastive Representation Learning;Yixiong Chen等;《arXiv:2011.13066v1》;20201125;第1-11页 *
基于多视角乳腺钼靶图像的钙化灶检测及匹配;雷陈锦;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20220115(第（2022）01期);E072-1599 *
基于样本对相似性的深度度量学习优化方法研究;张智超;《中国优秀硕士学位论文全文数据库 信息科技辑》;20220115(第（2022）01期);I138-2821 *
面向乳腺超声计算机辅助诊断的两阶段深度迁移学习;贡荣麟等;《中国图象图形学报》;20220331;第27卷(第3期);第898-910页 *

Also Published As

Publication number Publication date
CN114881937A (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
Shan et al. Lung infection quantification of COVID-19 in CT images with deep learning
Shan et al. Abnormal lung quantification in chest CT images of COVID‐19 patients with deep learning and its application to severity prediction
CN108464840B (zh) 一种乳腺肿块自动检测方法及系统
Huang et al. Automated recognition of regional wall motion abnormalities through deep neural network interpretation of transthoracic echocardiography
Koo et al. Automated detection of superficial fungal infections from microscopic images through a regional convolutional neural network
CN112071418B (zh) 基于增强ct影像组学的胃癌腹膜转移的预测系统及方法
CN112862778A (zh) 扫描影像检测方法、电子设备和计算机可读介质
CN109671062A (zh) 超声图像检测方法、装置、电子设备及可读存储介质
CN111079901A (zh) 基于小样本学习的急性脑卒中病变分割方法
CN115099331A (zh) 基于可解释性机器学习算法的恶性胸腔积液辅助诊断系统
CN112489022A (zh) 基于放射组学的covid-19快速特征提取系统及快速诊断系统及病程预测系统
Xu et al. Automatic coronary artery calcium scoring on routine chest computed tomography (CT): comparison of a deep learning algorithm and a dedicated calcium scoring CT
Chamberlin et al. Automated diagnosis and prognosis of COVID-19 pneumonia from initial ER chest X-rays using deep learning
Lu et al. Three applications of conformal prediction for rating breast density in mammography
CN114881937B (zh) 一种针对超声切面的检测方法、装置及计算机可读介质
CN112002407A (zh) 一种基于超声视频的乳腺癌诊断装置及其方法
Sun et al. Liver tumor segmentation and subsequent risk prediction based on Deeplabv3+
CN116363104A (zh) 一种具有影像医学用自动诊断设备及系统
CN114140393B (zh) 一种基于深度学习的类风湿性关节炎x光片评分方法
CN114529759B (zh) 一种甲状腺结节的分类方法、装置及计算机可读介质
WO2022033598A1 (zh) 乳房x射线图像获取方法、装置、计算机设备和存储介质
CN115564763A (zh) 甲状腺超声图像处理方法、装置、介质及电子设备
Nakagawa et al. Quantitative evaluation model of variable diagnosis for chest X-ray images using deep learning
Vaz et al. Artificial Intelligence in Hepatology: A Narrative Review
Resita et al. Semi-Supervised Segmentation of COVID-19 Infection on CT-Scan Lung Using Dynamic Mutual Training.

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000

Patentee after: Zhejiang Yizhun Intelligent Technology Co.,Ltd.

Address before: No. 1202-1203, 12 / F, block a, Zhizhen building, No. 7, Zhichun Road, Haidian District, Beijing 100083

Patentee before: Beijing Yizhun Intelligent Technology Co.,Ltd.