CN115661619A - 网络模型训练、超声图像质量评估方法及装置、电子设备 - Google Patents
网络模型训练、超声图像质量评估方法及装置、电子设备 Download PDFInfo
- Publication number
- CN115661619A CN115661619A CN202211370785.2A CN202211370785A CN115661619A CN 115661619 A CN115661619 A CN 115661619A CN 202211370785 A CN202211370785 A CN 202211370785A CN 115661619 A CN115661619 A CN 115661619A
- Authority
- CN
- China
- Prior art keywords
- quality
- label
- quality evaluation
- sample
- ultrasonic image
- 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
Images
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本公开涉及一种网络模型训练、超声图像质量评估方法及装置、电子设备,该方法包括:基于质量标签优化模型对训练样本中的样本超声图像进行质量评估,确定样本超声图像的第一预测质量标签,其中,训练样本中还包括样本超声图像的标注质量标签;根据第一预测质量标签和标注质量标签,确定样本超声图像的目标质量标签;基于质量评估模型对样本超声图像进行质量评估,确定样本超声图像的第二预测质量标签;基于第二预测质量标签和目标质量标签,确定质量评估损失;基于质量评估损失,训练质量评估模型,其中,训练好的质量评估模型用于对待评估超声图像进行质量评估,确定待评估超声图像的质量评估结果。本公开实施例可高效准确评估超声图像的质量。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种网络模型训练、超声图像质量评估方法及装置、电子设备。
背景技术
超声图像是医学领域一种用于诊断的重要图像,在心脏、腹部、卵巢等多个人体器官相关的疾病方面的诊断均需要使用超声图像进行参考。超声图像的质量会影响疾病诊断的结果,质量较差的超声图像难以为诊断提供有效的信息。因此,在使用超声图像进行疾病诊断之前,需要对超声图像进行质量评估。
发明内容
有鉴于此,本公开提出了一种网络模型训练、超声图像质量评估方法及装置、电子设备的技术方案。
根据本公开的一方面,提供了一种网络模型训练方法,包括:基于质量标签优化模型对训练样本中的样本超声图像进行质量评估,确定所述样本超声图像的第一预测质量标签,其中,所述训练样本中还包括所述样本超声图像的标注质量标签;根据所述第一预测质量标签和所述标注质量标签,确定所述样本超声图像的目标质量标签;基于质量评估模型对所述样本超声图像进行质量评估,确定所述样本超声图像的第二预测质量标签;基于所述第二预测质量标签和所述目标质量标签,确定质量评估损失;基于所述质量评估损失,训练所述质量评估模型,其中,训练好的所述质量评估模型用于对待评估超声图像进行质量评估,确定所述待评估超声图像的质量评估结果。
在一种可能的实现方式中,所述根据所述第一预测质量标签和所述标注质量标签,确定所述样本超声图像的目标质量标签,包括:根据所述第一预测质量标签,确定所述样本超声图像的第一质量评估结果;根据所述标注质量标签,确定所述样本超声图像的第二质量评估结果;根据所述第一质量评估结果和所述第二质量评估结果,确定所述目标质量标签。
在一种可能的实现方式中,所述第一预测质量标签用于指示所述样本超声图像的质量达标的概率;所述根据所述第一预测质量标签,确定所述样本超声图像的第一质量评估结果,包括:在所述质量达标的概率大于预设阈值的情况下,确定所述第一质量评估结果为质量达标;或,在所述质量达标的概率不大于所述预设阈值的情况下,确定所述第一质量评估结果为质量不达标。
在一种可能的实现方式中,所述根据所述第一质量评估结果和所述第二质量评估结果,确定所述目标质量标签,包括:在所述第一质量评估结果和所述第二质量评估结果相同的情况下,将所述第一预测质量标签确定为所述目标质量标签;或,在所述第一质量评估结果和所述第二质量评估结果不同的情况下,将所述标注质量标签确定为所述目标质量标签。
在一种可能的实现方式中,在基于所述质量标签优化模型对所述样本超声图像进行质量评估之前,所述方法还包括:获取所述样本超声图像,调整所述样本超声图像的尺寸并去除非成像区域后,进行图像数据归一化处理。
根据本公开的一方面,提供了一种超声图像质量评估方法,包括:获取待评估超声图像;基于质量评估模型对所述待评估超声图像进行质量评估,确定所述待评估超声图像的质量评估结果,其中,所述质量评估模型通过上述网络模型训练方法训练确定。
根据本公开的一方面,提供了一种网络模型训练装置,其特征在于,包括:第一预测质量标签确定模块,用于基于质量标签优化模型对训练样本中的样本超声图像进行质量评估,确定所述样本超声图像的第一预测质量标签,其中,所述训练样本中还包括所述样本超声图像的标注质量标签;目标质量标签确定模块,用于根据所述第一预测质量标签和所述标注质量标签,确定所述样本超声图像的目标质量标签;第二预测质量标签确定模块,用于基于质量评估模型对所述样本超声图像进行质量评估,确定所述样本超声图像的第二预测质量标签;质量评估损失确定模块,用于基于所述第二预测质量标签和所述目标质量标签,确定质量评估损失;质量评估模型训练模块,用于基于所述质量评估损失,训练所述质量评估模型,其中,训练好的所述质量评估模型用于对待评估超声图像进行质量评估,确定所述待评估超声图像的质量评估结果。
根据本公开的一方面,提供了一种超声图像质量评估装置,包括:获取模块,用于获取待评估超声图像;质量评估模块,用于基于质量评估模型对所述待评估超声图像进行质量评估,确定所述待评估超声图像的质量评估结果,其中,所述质量评估模型通过上述网络模型训练方法训练确定。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为在执行所述存储器存储的指令时,实现上述方法。
根据本公开的一方面,提供了一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,基于质量标签优化模型对训练样本中的样本超声图像进行质量评估,确定样本超声图像的第一预测质量标签,其中,训练样本中还包括样本超声图像的标注质量标签;根据第一预测质量标签和标注质量标签,确定样本超声图像的目标质量标签;基于质量评估模型对样本超声图像进行质量评估,确定样本超声图像的第二预测质量标签;基于第二预测质量标签和目标质量标签,确定质量评估损失;基于质量评估损失,训练质量评估模型,其中,训练好的质量评估模型用于对待评估超声图像进行质量评估,确定待评估超声图像的质量评估结果。
基于知识蒸馏的思路,使用预先训练的质量标签优化模型确定样本超声图像的第一预测质量标签,优化人工标注的标注质量标签,确定准确度更高的样本超声图像的目标质量标签,从而优化了训练样本;进而,使用优化后的训练样本中包括的样本超声图像和准确度更高的目标质量标签训练质量评估模型,能够提高质量评估模型的质量评估精度,以使得利用训练好的质量评估模型,可以对待评估超声图像进行定量的质量评估,得到准确度较高的质量评估结果。
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,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开实施例的一种网络模型训练方法的流程图;
图2示出根据本公开实施例的一种质量达标的样本超声图像的示意图;
图3示出根据本公开实施例的一种质量不达标的样本超声图像的示意图;
图4示出根据本公开实施例的一种质量标签优化模型的神经网络结构的示意图;
图5示出根据本公开实施例的一种质量评估模型的神经网络结构的示意图;
图6示出根据本公开实施例的一种超声图像质量评估方法的流程图;
图7示出根据本公开实施例的一种网络模型训练装置的框图;
图8示出根据本公开实施例的一种超声图像质量评估装置的框图;
图9示出根据本公开实施例的一种电子设备的框图;
图10示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
超声图像是医学领域一种用于诊断的重要图像,在心脏、腹部、卵巢等多个人体器官相关的疾病方面的诊断均需要使用超声图像进行参考。超声图像的质量会影响疾病诊断的结果,质量较差的超声图像难以为诊断提供有效的信息。因此,在使用超声图像进行疾病诊断之前,需要对超声图像进行质量评估。
相关技术中,超声图像质量评估主要依赖于专业的医生对超声视频逐帧进行质量评估,但是人工对超声图像的质量进行评估,是受到一定的主观因素影响的定性分析过程,不同人对超声图像的质量判断具有一定的差异性。因此,需要在降低质量评估难度和成本的前提下,通过对超声图像进行定量的质量分析,自动评估超声图像的质量,筛选高质量、清晰的超声图像,舍弃粗糙、模糊的超声图像,削弱人为评估的主观因素的影响。
本公开实施例提供了一种网络模型训练方法,可以应用于上述超声图像质量评估场景,基于知识蒸馏的思路,优化质量评估模型对应的训练样本中样本超声图像的标注质量标签,使用优化后的训练样本训练质量评估模型,能够提高质量评估模型的质量评估准确性,以使得利用训练好的质量评估模型,可以对待评估超声图像进行定量的质量评估,自动评估超声图像的质量,更加高效地得到准确度较高的质量评估结果。相比于相关技术中人为评估的方式,既可以避免人为评估时主观因素对质量评估结果的影响,又可以实现对待评估超声图像的定量质量评估。
下面对本公开实施例提供的网络模型训练方法进行详细说明。
图1示出根据本公开实施例的一种网络模型训练方法的流程图。该网络模型训练方法可以由终端设备或服务器等电子设备执行,终端设备可以为用户设备(UserEquipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(PersonalDigital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等,该网络模型训练方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者,可通过服务器执行该网络模型训练方法。如图1所示,该网络模型训练方法包括:
在步骤S11中,基于质量标签优化模型对训练样本中的样本超声图像进行质量评估,确定样本超声图像的第一预测质量标签,其中,训练样本中还包括样本超声图像的标注质量标签。
预先构建用于训练质量评估模型的训练样本,训练样本中包括样本超声图像,以及样本超声图像对应的标注质量标签。其中,样本超声图像可以是用于疾病诊断的超声图像。标注质量标签可以是专业人员对样本超声图像进行人工质量评估后人工标注的标签,是一种能够定性表示样本超声图像的质量的硬标签(Hard Label,HL)。
示例性的,专业人员对样本超声图像进行人工质量评估时,样本超声图像的质量可以分为质量达标和质量不达标两种情况。其中,质量达标的样本超声图像可以为诊断病情提供有效信息,对应的标注质量标签可以是1;质量不达标的超声图像则不可以为诊断病情提供有效信息,对应的标注质量标签可以是0。质量标注标签除了可以是上述0/1数字标签之外,还可以是其它形式的标签,本公开对此不做具体限定。
图2示出根据本公开实施例的一种质量达标的样本超声图像的示意图。如图2所示,质量达标的样本超声图像的标注质量标签为1。
图3示出根据本公开实施例的一种质量不达标的样本超声图像的示意图。如图3所示,质量不达标的样本超声图像的标注质量标签为0。
质量标签优化模型,可以是预先基于人工标注的标签训练的神经网络模型,例如,可以是基于样本超声图像和标注质量标签训练确定的蒸馏机模型,也可以是其它神经网络模型,本公开对此不做具体限定。
图4示出根据本公开实施例的一种质量标签优化模型的神经网络结构的示意图。如图4所示,质量标签优化模型使用能够有效提取输入图像的空间信息、识别特征的VGG-19神经网络结构。质量标签优化模型除了可以使用图4所示的VGG-19神经网络结构之外,还可以根据实际情况使用其它神经网络结构,本公开对此不做具体限定。
将样本超声图像输入质量标签优化模型,可以获得样本超声图像的第一预测质量标签,是一种能够定量表示样本超声图像的质量的软标签(Soft Label,SL)。后文会结合本公开可能的实现方式,对第一预测质量标签进行详细描述,此处不做赘述。
在步骤S12中,根据第一预测质量标签和标注质量标签,确定样本超声图像的目标质量标签。
人工标注的标注质量标签,能够定性表示样本超声图像的质量是否达标,具有较高的准确性。基于质量标签优化模型确定的第一预测质量标签,能够定量表示样本超声图像的质量。将两者结合可以确定样本超声图像的目标质量标签,通过目标质量标签表示样本超声图像的质量,能够在保证准确性的基础上,进一步定量的区分样本超声图像的质量差异。
后文会结合本公开可能的实现方式,对根据第一预测质量标签和标注质量标签,确定样本超声图像的目标质量标签的具体过程进行详细描述,此处不做赘述。
在步骤S13中,基于质量评估模型对样本超声图像进行质量评估,确定样本超声图像的第二预测质量标签。
将样本超声图像输入质量评估模型中,可以确定样本超声图像的第二预测质量标签,是一种能够定量表示样本超声图像的质量的软标签。
图5示出根据本公开实施例的一种质量评估模型的神经网络结构的示意图。如图5所示,质量评估模型使用拥有更少网络层数和参数、推理速度更快的VGG-11神经网络结构。质量评估模型除了可以使用图5所示的VGG-11神经网络结构之外,还可以根据实际情况使用其它神经网络结构,本公开对此不做具体限定。
在步骤S14中,基于第二预测质量标签和目标质量标签,确定质量评估损失。
根据质量评估模型输出的样本超声图像的第二预测质量标签,与样本超声图像的目标质量标签,可以确定质量评估模型的质量评估损失,该质量评估损失能够反映质量评估模型对样本超声图像进行质量评估的评估误差。
在步骤S15中,基于质量评估损失,训练质量评估模型,其中,训练好的质量评估模型用于对待评估超声图像进行质量评估,确定待评估超声图像的质量评估结果。
由于质量评估损失能够反映质量评估模型对样本超声图像进行质量评估的评估误差,因此,可以基于质量评估损失,调整质量评估模型的网络参数,以优化质量评估模型的评估性能。
通过迭代执行步骤S13至S15,实现对质量评估模型的迭代训练,在达到预设迭代训练条件之后结束训练,得到训练好的质量评估模型。
训练好的质量评估模型可以直接用于对待评估超声图像进行质量评估,确定待评估超声图像的质量评估结果。
在本公开实施例中,基于知识蒸馏的思路,通过质量标签优化模型确定样本超声图像的第一预测质量标签,优化质量评估模型对应的训练样本中样本超声图像的标注质量标签,确定样本超声图像的目标质量标签,使用优化后的训练样本训练质量评估模型,能够提高质量评估模型的质量评估准确性,使用训练好的质量评估模型对待评估超声图像进行质量评估,可以高效地得到准确度较高的质量评估结果。相比于相关技术中人为评估的方式,既可以避免人为评估的主观因素对质量评估结果的影响,又可以实现对待评估超声图像的定量质量评估。
在一种可能的实现方式中,在基于质量标签优化模型对样本超声图像进行质量评估之前,该网络模型训练方法还包括:获取样本超声图像,调整样本超声图像的尺寸并去除非成像区域后,进行图像数据归一化处理。
为了便于质量标签优化模型以及质量评估模型对样本超声图像进行质量评估,在训练样本中获取样本超声图像后,可以对样本超声图像进行预处理。预处理过程可以是调整样本超声图像的尺寸并去除图像中的非成像部分的区域之后,通过数据归一化处理成标准数据形式。
示例性的,可以将获取的样本超声图像缩小成尺寸为宽320像素,高240像素的小图像,样本超声图像的左侧有部分区域为非成像区域,可以将小图像修剪为宽和高都是240像素的正方形,去除图像左侧非成像区域的部分,获得经过裁剪的图像,将图像数据归一化为均值为0,方差为1的标准数据形式。
对样本超声图像的预处理方式除了可以采用上述记载的方式之外,还可以根据实际情况采用其它图像预处理方式,本公开对此不做具体限定。
将预处理之后的样本超声图像输入质量标签优化模型,以得到样本超声图像的第一预测质量标签。
在一种可能的实现方式中,根据第一预测质量标签和标注质量标签,确定样本超声图像的目标质量标签,包括:根据第一预测质量标签,确定样本超声图像的第一质量评估结果;根据标注质量标签,确定样本超声图像的第二质量评估结果;根据第一质量评估结果和第二质量评估结果,确定目标质量标签。
根据第一预测质量标签,可以确定样本超声图像的第一质量评估结果,第一质量评估结果用于表示质量标签优化模型对样本超声图像的质量是否达标的模型预测结果。根据标注质量标签,可以确定样本超声图像的第二质量评估结果,第二质量评估结果用于表示对样本超声图像的质量是否达标的人工评估结果。
根据第一预测质量标签对应的第一预测质量结果,与标注质量标签对应的第二预测质量标签,即综合考虑模型预测结果和人工评估结果,确定样本超声图像的目标质量标签。通过目标质量标签表示样本超声图像的质量,可以在保证质量评估准确性的基础上,进一步定量的区分样本超声图像的质量差异。
在一种可能的实现方式中,第一预测质量标签用于指示样本超声图像的质量达标的概率;根据第一预测质量标签,确定样本超声图像的第一质量评估结果,包括:在质量达标的概率大于预设阈值的情况下,确定第一质量评估结果为质量达标;或,在质量达标的概率不大于预设阈值的情况下,确定第一质量评估结果为质量不达标。
第一预测质量标签可以利用概率的形式,定量的指示样本超声图像的质量。
可以根据疾病诊断过程中对图像质量的使用需求,设置判断样本超声图像的质量是否达标的预设阈值。进而,针对质量标签优化模型预测得到的第一预测质量标签,根据第一预测质量标签指示的样本超声图像的质量达标的概率与预设阈值的比较结果,可以判断样本超声图像的质量,确定第一质量评估结果为质量达标或质量不达标。
示例性的,第一预测质量标签是用于指示样本超声图像的质量达标的概率,取值范围是0到1,预设阈值为0.5。在第一预测质量标签指示的质量达标的概率大于0.5的情况下,确定样本超声图像的第一质量评估结果为质量达标;在第一预测质量标签指示的质量达标的概率不大于0.5的情况下,确定样本超声图像的第一质量评估结果为质量不达标。
第一预测质量标签指示的质量达标的概率,能够定量表示样本超声图像的质量。对于第一质量评估结果相同的不同样本超声图像,可以根据其对应的第一预测质量标签指示的质量达标的概率的大小,进一步区分不同样本超声图像之间的质量差异。例如,针对第一质量评估结果均为质量达标的样本超声图像A和样本超声图像B,样本超声图像A对应的第一预测质量标签指示的质量达标的概率为0.8,样本超声图像B对应的第一预测质量标签指示的质量达标的概率为0.6,则可以确定样本超声图像A的图像质量优于样本超声图像B。
在一种可能的实现方式中,根据第一质量评估结果和第二质量评估结果,确定目标质量标签,包括:在第一质量评估结果和第二质量评估结果相同的情况下,将第一预测质量标签确定为目标质量标签;或,在第一质量评估结果和第二质量评估结果不同的情况下,将标注质量标签确定为目标质量标签。
人工标注的标注质量标签,只能定性表示样本超声图像的质量是否达标。对于标注质量标签相同的不同样本超声图像,其图像质量可能会存在细微的差别。基于质量标签优化模型确定的第一预测质量标签,则可以定量划分不同样本超声图像的质量。
在第一预测质量标签确定的第一质量评估结果,和标注质量标签确定的第二质量评估结果相同的情况下,可以表示第一质量评估结果和第二质量评估结果,都能够确保评估结果的准确性,此时,为了进一步定量划分不同样本超声图像的质量,可以将第一预测质量标签作为样本超声图像的目标质量标签。
示例性的,预设阈值为0.5,第一预测质量标签指示的样本超声图像的质量达标的概率是0.8,大于预设阈值0.5,因此,第一预测质量标签确定的第一质量评估结果为质量达标;标注质量标签为1,标注质量标签确定的第二质量评估结果为质量达标。第一质量评估结果和第二质量评估结果相同,均指示样本超声图像的质量达标。此时,为了进一步定量指示样本超声图像的质量,将第一预测质量标签作为样本超声图像的目标质量标签,即目标质量标签用于指示样本超声图像的质量达标的概率是0.8。
示例性的,预设阈值为0.5,第一预测质量标签指示的样本超声图像的质量达标的概率是0.3,不大于预设阈值0.5,因此,第一预测质量标签确定的第一质量评估结果为质量不达标;标注质量标签为0,标注质量标签确定的第二质量评估结果为质量不达标。第一质量评估结果和第二质量评估结果相同,均指示样本超声图像的质量不达标。此时,为了进一步定量指示样本超声图像的质量,将第一预测质量标签作为样本超声图像的目标质量标签,即目标质量标签用于指示样本超声图像的质量达标的概率是0.3。
在第一预测质量标签确定的第一质量评估结果,和标注质量标签确定的第二质量评估结果不同的情况下,由于标注质量标签具有更高的准确性,因此,可以将标注质量标签作为样本超声图像的目标质量标签。
示例性的,预设阈值为0.5,第一预测质量标签指示的样本超声图像的质量达标的概率是0.3,不大于预设阈值0.5,因此,第一预测质量标签确定的第一质量评估结果为质量不达标;标注质量标签为1,标注质量标签确定的第二质量评估结果为质量达标。第一质量评估结果和第二质量评估结果不同。此时,为了保证样本超声图像的目标质量标签的准确性,将标注质量标签作为目标质量标签,即目标质量标签为1。
示例性的,预设阈值为0.5,第一预测质量标签指示的样本超声图像的质量达标的概率是0.8,大于预设阈值0.5,因此,第一预测质量标签确定的第一质量评估结果为质量达标;标注质量标签为0,标注质量标签确定的第二质量评估结果为质量不达标。第一质量评估结果和第二质量评估结果不同。此时,为了保证样本超声图像的目标质量标签的准确性,将标注质量标签作为目标质量标签,即目标质量标签为0。
通过上述知识蒸馏的方式,优化质量评估模型对应的训练样本中样本超声图像的标注质量标签,以使得利用样本超声图像及其优化后的目标质量标签,可以训练质量评估模型,提高质量评估模型的质量评估准确性,以使得利用训练好的质量评估模型,可以对待评估超声图像进行定量的质量评估,自动评估超声图像的质量,更加高效地得到准确度较高的质量评估结果。对质量评估模型的训练过程可以参考上文相关描述,此处不做赘述。
本公开实施例中,质量标签优化模型确定的样本超声图像的第一预测质量标签,能够定量表示样本超声图像的质量,基于知识蒸馏的思路,使用样本超声图像的第一预测质量标签,优化人工标注的标注质量标签,通过根据第一预测质量标签确定的第一质量评估结果,和根据标注质量标签确定的第二质量评估结果,可以确定准确度更高的样本超声图像的目标质量标签,从而优化了训练样本,能够在保证准确性的基础上,定量区分样本超声图像的质量差异;进而,使用优化后的训练样本训练质量评估模型,可以提高质量评估模型的评估精度,使用训练好的质量评估模型对待评估超声图像进行质量评估,可以高效地得到准确性较高的质量评估结果。相比于相关技术中人为评估的方式,既可以避免人为评估的主观因素对质量评估结果的影响,又可以实现对待评估超声图像的定量质量评估。
图6示出根据本公开实施例的一种超声图像质量评估方法的流程图。该超声图像质量评估方法可以由终端设备或服务器等电子设备执行,终端设备可以为用户设备(UserEquipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(PersonalDigital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等,该超声图像质量评估方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者,可通过服务器执行该网络模型训练方法。如图6所示,该超声图像质量评估方法包括:
在步骤S61中,获取待评估超声图像。
这里的待评估超声图像可以是用于疾病诊断,需要进行质量评估的超声图像。
在步骤S62中,基于质量评估模型对待评估超声图像进行质量评估,确定待评估超声图像的质量评估结果,其中,质量评估模型通过前述网络模型训练方法训练确定。
将待评估超声图像输入质量评估模型,确定对应的质量评估结果,根据待评估超声图像的质量评估结果,能够定量的表示待评估超声图像的质量。
质量评估结果可以是指示待评估超声图像的质量达标的概率,可以根据质量评估结果指示的质量达标的概率的大小,区分不同待评估超声图像之间的质量差异。例如,待评估超声图像A对应的质量评估结果指示的质量达标的概率为0.8,待评估超声图像B对应的质量评估结果指示的质量达标的概率为0.6,则可以确定待评估超声图像A的图像质量优于待评估超声图像B。
质量评估结果除了可以是上述指示待评估超声图像的质量达标的概率之外,也可以是能够定量表示待评估超声图像的质量的其它形式的评估结果,本公开对此不做具体限定。
本公开实施例中,使用质量评估模型对待评估超声图像进行质量评估,可以高效地得到准确性较高地质量评估结果,质量评估结果可以定量的表示待评估超声图像的质量,进一步区分不同待评估超声图像之间的质量差异。相比于相关技术中人为评估的方式,既可以避免人为评估的主观因素对质量评估结果的影响,又可以实现对待评估超声图像的定量质量评估。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了网络模型训练装置、超声图像质量评估装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种网络模型训练方法和/或超声图像质量评估方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图7示出根据本公开实施例的一种网络模型训练装置的框图。如图7所示,网络模型训练装置700,包括:
第一预测质量标签确定模块701,用于基于质量标签优化模型对训练样本中的样本超声图像进行质量评估,确定样本超声图像的第一预测质量标签,其中,训练样本中还包括样本超声图像的标注质量标签;
目标质量标签确定模块702,用于根据第一预测质量标签和标注质量标签,确定样本超声图像的目标质量标签;
第二预测质量标签确定模块703,用于基于质量评估模型对样本超声图像进行质量评估,确定样本超声图像的第二预测质量标签;
质量评估损失确定模块704,用于基于第二预测质量标签和目标质量标签,确定质量评估损失;
质量评估模型训练模块705,用于基于质量评估损失,训练质量评估模型,其中,训练好的质量评估模型用于对待评估超声图像进行质量评估,确定待评估超声图像的质量评估结果。
在一种可能的实现方式中,目标质量标签确定模块702,包括:
第一质量评估结果确定子模块,用于根据第一预测质量标签,确定样本超声图像的第一质量评估结果;
第二质量评估结果确定子模块,用于根据标注质量标签,确定样本超声图像的第二质量评估结果;
第一确定子模块,根据第一质量评估结果和第二质量评估结果,确定目标质量标签。
在一种可能的实现方式中,第一预测质量标签用于指示样本超声图像的质量达标的概率;
第一质量评估结果确定子模块,具体用于:
在质量达标的概率大于预设阈值的情况下,确定第一质量评估结果为质量达标;或,
在质量达标的概率不大于预设阈值的情况下,确定第一质量评估结果为质量不达标。
在一种可能的实现方式中,第一确定子模块,具体用于:
在第一质量评估结果和第二质量评估结果相同的情况下,将第一预测质量标签确定为目标质量标签;或,
在第一质量评估结果和第二质量评估结果不同的情况下,将标注质量标签确定为目标质量标签。
在一种可能的实现方式中,网络模型训练装置700,还包括:
预处理模块,用于获取样本超声图像,调整样本超声图像的尺寸并去除非成像区域后,进行图像数据归一化处理。
图8示出根据本公开实施例的一种超声图像质量评估装置的框图。如图8所示,超声图像质量评估装置800,包括:
获取模块801,用于获取待评估超声图像;
质量评估模块802,用于基于质量评估模型对待评估超声图像进行质量评估,确定待评估超声图像的质量评估结果,其中,质量评估模型通过前述网络模型训练方法训练确定。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为在执行所述存储器存储的指令时,实现上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,或者承载有计算机可读代码的非易失性计算机可读存储介质,当所述计算机可读代码在电子设备的处理器中运行时,所述电子设备中的处理器执行上述方法。
图9示出根据本公开实施例的一种电子设备的框图。参照图9,装置900可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图9,装置900可以包括以下一个或多个组件:处理组件902,存储器904,电源组件906,多媒体组件908,音频组件910,输入/输出(I/O)接口912,传感器组件914,以及通信组件916。
处理组件902通常控制装置900的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件902可以包括一个或多个处理器920来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件902可以包括一个或多个模块,便于处理组件902和其他组件之间的交互。例如,处理组件902可以包括多媒体模块,以方便多媒体组件908和处理组件902之间的交互。
存储器904被配置为存储各种类型的数据以支持在装置900的操作。这些数据的示例包括用于在装置900上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器904可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件906为装置900的各种组件提供电力。电源组件906可以包括电源管理系统,一个或多个电源,及其他与为装置900生成、管理和分配电力相关联的组件。
多媒体组件908包括在所述装置900和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件908包括一个前置摄像头和/或后置摄像头。当装置900处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件910被配置为输出和/或输入音频信号。例如,音频组件910包括一个麦克风(MIC),当装置900处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器904或经由通信组件916发送。在一些实施例中,音频组件910还包括一个扬声器,用于输出音频信号。
I/O接口912为处理组件902和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件914包括一个或多个传感器,用于为装置900提供各个方面的状态评估。例如,传感器组件914可以检测到装置900的打开/关闭状态,组件的相对定位,例如所述组件为装置900的显示器和小键盘,传感器组件914还可以检测装置900或装置900一个组件的位置改变,用户与装置900接触的存在或不存在,装置900方位或加速/减速和装置900的温度变化。传感器组件914可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件914还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件914还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件916被配置为便于装置900和其他设备之间有线或无线方式的通信。装置900可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件916经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件916还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置900可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器904,上述计算机程序指令可由装置900的处理器920执行以完成上述方法。
图10示出根据本公开实施例的一种电子设备的框图。参照图10,装置1900可以被提供为一服务器或终端设备。参照图10,装置1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
装置1900还可以包括一个电源组件1926被配置为执行装置1900的电源管理,一个有线或无线网络接口1950被配置为将装置1900连接到网络,和一个输入输出(I/O)接口1958。装置1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,MacOS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由装置1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考,为了简洁,本文不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
若本申请技术方案涉及个人信息,应用本申请技术方案的产品在处理个人信息前,已明确告知个人信息处理规则,并取得个人自主同意。若本申请技术方案涉及敏感个人信息,应用本申请技术方案的产品在处理敏感个人信息前,已取得个人单独同意,并且同时满足“明示同意”的要求。例如,在摄像头等个人信息采集装置处,设置明确显著的标识告知已进入个人信息采集范围,将会对个人信息进行采集,若个人自愿进入采集范围即视为同意对其个人信息进行采集;或者在个人信息处理的装置上,利用明显的标识/信息告知个人信息处理规则的情况下,通过弹窗信息或请个人自行上传其个人信息等方式获得个人授权;其中,个人信息处理规则可包括个人信息处理者、个人信息处理目的、处理方式以及处理的个人信息种类等信息。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种网络模型训练方法,其特征在于,包括:
基于质量标签优化模型对训练样本中的样本超声图像进行质量评估,确定所述样本超声图像的第一预测质量标签,其中,所述训练样本中还包括所述样本超声图像的标注质量标签;
根据所述第一预测质量标签和所述标注质量标签,确定所述样本超声图像的目标质量标签;
基于质量评估模型对所述样本超声图像进行质量评估,确定所述样本超声图像的第二预测质量标签;
基于所述第二预测质量标签和所述目标质量标签,确定质量评估损失;
基于所述质量评估损失,训练所述质量评估模型,其中,训练好的所述质量评估模型用于对待评估超声图像进行质量评估,确定所述待评估超声图像的质量评估结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一预测质量标签和所述标注质量标签,确定所述样本超声图像的目标质量标签,包括:
根据所述第一预测质量标签,确定所述样本超声图像的第一质量评估结果;
根据所述标注质量标签,确定所述样本超声图像的第二质量评估结果;
根据所述第一质量评估结果和所述第二质量评估结果,确定所述目标质量标签。
3.根据权利要求2所述的方法,其特征在于,所述第一预测质量标签用于指示所述样本超声图像的质量达标的概率;
所述根据所述第一预测质量标签,确定所述样本超声图像的第一质量评估结果,包括:
在所述质量达标的概率大于预设阈值的情况下,确定所述第一质量评估结果为质量达标;或,
在所述质量达标的概率不大于所述预设阈值的情况下,确定所述第一质量评估结果为质量不达标。
4.根据所述权利要求2所述的方法,其特征在于,所述根据所述第一质量评估结果和所述第二质量评估结果,确定所述目标质量标签,包括:
在所述第一质量评估结果和所述第二质量评估结果相同的情况下,将所述第一预测质量标签确定为所述目标质量标签;或,
在所述第一质量评估结果和所述第二质量评估结果不同的情况下,将所述标注质量标签确定为所述目标质量标签。
5.根据权利要求1至4中任意一项所述的方法,其特征在于,在基于所述质量标签优化模型对所述样本超声图像进行质量评估之前,所述方法还包括:
获取所述样本超声图像,调整所述样本超声图像的尺寸并去除非成像区域后,进行图像数据归一化处理。
6.一种超声图像质量评估方法,其特征在于,包括:
获取待评估超声图像;
基于质量评估模型对所述待评估超声图像进行质量评估,确定所述待评估超声图像的质量评估结果,其中,所述质量评估模型通过权利要求1至5中任意一项所述的方法训练确定。
7.一种网络模型训练装置,其特征在于,包括:
第一预测质量标签确定模块,用于基于质量标签优化模型对训练样本中的样本超声图像进行质量评估,确定所述样本超声图像的第一预测质量标签,其中,所述训练样本中还包括所述样本超声图像的标注质量标签;
目标质量标签确定模块,用于根据所述第一预测质量标签和所述标注质量标签,确定所述样本超声图像的目标质量标签;
第二预测质量标签确定模块,用于基于质量评估模型对所述样本超声图像进行质量评估,确定所述样本超声图像的第二预测质量标签;
质量评估损失确定模块,用于基于所述第二预测质量标签和所述目标质量标签,确定质量评估损失;
质量评估模型训练模块,用于基于所述质量评估损失,训练所述质量评估模型,其中,训练好的所述质量评估模型用于对待评估超声图像进行质量评估,确定所述待评估超声图像的质量评估结果。
8.一种超声图像质量评估装置,其特征在于,包括:
获取模块,用于获取待评估超声图像;
质量评估模块,用于基于质量评估模型对所述待评估超声图像进行质量评估,确定所述待评估超声图像的质量评估结果,其中,所述质量评估模型通过权利要求1至5中任意一项所述的方法训练确定。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为在执行所述存储器存储的指令时,实现权利要求1至6中任意一项所述的方法。
10.一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211370785.2A CN115661619A (zh) | 2022-11-03 | 2022-11-03 | 网络模型训练、超声图像质量评估方法及装置、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211370785.2A CN115661619A (zh) | 2022-11-03 | 2022-11-03 | 网络模型训练、超声图像质量评估方法及装置、电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115661619A true CN115661619A (zh) | 2023-01-31 |
Family
ID=84995511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211370785.2A Pending CN115661619A (zh) | 2022-11-03 | 2022-11-03 | 网络模型训练、超声图像质量评估方法及装置、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115661619A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070119A (zh) * | 2020-08-11 | 2020-12-11 | 长沙大端信息科技有限公司 | 超声切面图像质量控制方法、装置和计算机设备 |
CN112686234A (zh) * | 2021-03-22 | 2021-04-20 | 杭州魔点科技有限公司 | 人脸图像质量评估方法、电子设备和存储介质 |
CN112700408A (zh) * | 2020-12-28 | 2021-04-23 | 中国银联股份有限公司 | 模型训练方法、图像质量评估方法及装置 |
CN112801186A (zh) * | 2021-01-29 | 2021-05-14 | 中国工商银行股份有限公司 | 一种验证图像生成方法、装置及设备 |
CN112907541A (zh) * | 2021-02-23 | 2021-06-04 | 厦门熵基科技有限公司 | 一种手掌图像质量评估模型构建方法及装置 |
US20210326708A1 (en) * | 2019-05-21 | 2021-10-21 | Beijing Sensetime Technology Development Co., Ltd. | Neural network training method and apparatus, and image processing method and apparatus |
CN113763348A (zh) * | 2021-09-02 | 2021-12-07 | 北京格灵深瞳信息技术股份有限公司 | 图像质量确定方法、装置、电子设备及存储介质 |
CN114255381A (zh) * | 2021-12-23 | 2022-03-29 | 北京瑞莱智慧科技有限公司 | 图像识别模型的训练方法、图像识别方法、装置及介质 |
CN114913159A (zh) * | 2022-05-23 | 2022-08-16 | 中国科学院深圳先进技术研究院 | 超声图像的质量评估方法、模型训练方法及电子设备 |
-
2022
- 2022-11-03 CN CN202211370785.2A patent/CN115661619A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210326708A1 (en) * | 2019-05-21 | 2021-10-21 | Beijing Sensetime Technology Development Co., Ltd. | Neural network training method and apparatus, and image processing method and apparatus |
CN112070119A (zh) * | 2020-08-11 | 2020-12-11 | 长沙大端信息科技有限公司 | 超声切面图像质量控制方法、装置和计算机设备 |
CN112700408A (zh) * | 2020-12-28 | 2021-04-23 | 中国银联股份有限公司 | 模型训练方法、图像质量评估方法及装置 |
WO2022142445A1 (zh) * | 2020-12-28 | 2022-07-07 | 中国银联股份有限公司 | 模型训练方法、图像质量评估方法及装置 |
CN112801186A (zh) * | 2021-01-29 | 2021-05-14 | 中国工商银行股份有限公司 | 一种验证图像生成方法、装置及设备 |
CN112907541A (zh) * | 2021-02-23 | 2021-06-04 | 厦门熵基科技有限公司 | 一种手掌图像质量评估模型构建方法及装置 |
CN112686234A (zh) * | 2021-03-22 | 2021-04-20 | 杭州魔点科技有限公司 | 人脸图像质量评估方法、电子设备和存储介质 |
CN113763348A (zh) * | 2021-09-02 | 2021-12-07 | 北京格灵深瞳信息技术股份有限公司 | 图像质量确定方法、装置、电子设备及存储介质 |
CN114255381A (zh) * | 2021-12-23 | 2022-03-29 | 北京瑞莱智慧科技有限公司 | 图像识别模型的训练方法、图像识别方法、装置及介质 |
CN114913159A (zh) * | 2022-05-23 | 2022-08-16 | 中国科学院深圳先进技术研究院 | 超声图像的质量评估方法、模型训练方法及电子设备 |
Non-Patent Citations (1)
Title |
---|
贡荣麟;施俊;王骏;: "面向乳腺超声图像分割的混合监督双通道反馈U-Net", no. 10 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110647834B (zh) | 人脸和人手关联检测方法及装置、电子设备和存储介质 | |
CN109871883B (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
US11455788B2 (en) | Method and apparatus for positioning description statement in image, electronic device, and storage medium | |
CN110782468B (zh) | 图像分割模型的训练方法及装置及图像分割方法及装置 | |
EP2977956B1 (en) | Method, apparatus and device for segmenting an image | |
CN110009090B (zh) | 神经网络训练与图像处理方法及装置 | |
CN109446994B (zh) | 手势关键点检测方法、装置、电子设备及存储介质 | |
CN111310616A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN107944409B (zh) | 能够区分关键动作的视频分析方法及装置 | |
CN110837761B (zh) | 多模型知识蒸馏方法及装置、电子设备和存储介质 | |
CN105809704A (zh) | 识别图像清晰度的方法及装置 | |
CN109934275B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109360197B (zh) | 图像的处理方法、装置、电子设备及存储介质 | |
CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN111274426A (zh) | 类别标注方法及装置、电子设备和存储介质 | |
CN114240882A (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
CN110858924B (zh) | 视频背景音乐的生成方法、装置及存储介质 | |
CN109145970B (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
CN110598504A (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN111210844B (zh) | 语音情感识别模型的确定方法、装置、设备及存储介质 | |
CN111931844A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110659690A (zh) | 神经网络的构建方法及装置、电子设备和存储介质 | |
CN110633715B (zh) | 图像处理方法、网络训练方法及装置、和电子设备 | |
CN111523599A (zh) | 目标检测方法及装置、电子设备和存储介质 | |
CN110909562A (zh) | 视频审核方法及装置 |
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 |