CN115688932A - 选定数据处理模型的方法和系统 - Google Patents
选定数据处理模型的方法和系统 Download PDFInfo
- Publication number
- CN115688932A CN115688932A CN202110858595.4A CN202110858595A CN115688932A CN 115688932 A CN115688932 A CN 115688932A CN 202110858595 A CN202110858595 A CN 202110858595A CN 115688932 A CN115688932 A CN 115688932A
- Authority
- CN
- China
- Prior art keywords
- data processing
- model
- evaluation
- selecting
- candidate
- 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
Classifications
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/87—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using selection of the recognition techniques, e.g. of a classifier in a multiple classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本说明书实施例提供一种选定数据处理模型的系统和方法。所述方法包括:获取数据集,所述数据集包括需要由选定的目标数据处理模型处理的数据;使用评估模型处理所述数据集,得到多个候选数据处理模型中每个候选数据处理模型的评价指标,所述评估模型是训练后的机器学习模型;以及基于所述评价指标,从所述多个候选数据处理模型中选定目标数据处理模型。
Description
技术领域
本说明书涉及数据处理领域,特别涉及一种选定数据处理模型的方法和系统。
背景技术
近年来,机器学习模型已经被广泛应用于数据处理过程中的各个环节。例如,在医学领域,深度学习的方法可以应用于医学数据采集、数据校正、图像重建、图像后处理、诊断分析等。对于一些数据处理环节,用同样的处理数据模型处理不同的数据时,可能由于数据的特异性较大,从而导致得到的结果不够准确。因此,需要提供一种选定数据处理模型的方法,以便得到更加准确的数据处理结果。
发明内容
本说明书一个方面提供一种选定数据处理模型的方法。所述方法包括:获取数据集,所述数据集包括需要由选定的目标数据处理模型处理的数据;使用评估模型处理所述数据集,得到多个候选数据处理模型中每个候选数据处理模型的评价指标,所述评估模型是训练后的机器学习模型;以及基于所述评价指标,从所述多个候选数据处理模型中选定目标数据处理模型。
在一些实施例中,所述数据集包括特征数据。在一些实施例中,所述方法进一步包括基于所述特征数据,从所述多个候选数据处理模型中选定一个或多个参考数据处理模型;以及基于所述一个或多个参考数据处理模型的评价指标,从所述一个或多个参考数据处理模型中选定所述目标数据处理模型。
在一些实施例中,所述目标数据处理模型可以用于医学成像技术,所述特征数据包括以下内容中的一种或多种:医学成像设备的扫描参数、图像重建参数、医学成像的对象的感兴趣区域和所述对象的特征信息。
在一些实施例中,所述方法还包括:获取用户输入;基于所述用户输入,从所述多个候选处理模型中选定一个或多个参考数据处理模型;以及基于所述参考数据处理模型的评价指标,从所述一个或多个参考数据处理模型中选定所述目标数据处理模型。
在一些实施例中,所述评估模型的获取步骤包括:获取多个训练样本,所述多个训练样本中的每个训练样本包括样本数据集和所述多个候选数据处理模型中一个或多个候选数据处理模型的样本评价指标,所述样本评价指标是根据使用所述一个或多个候选数据处理模型来处理所述样本数据集的结果而确定的;使用所述多个训练样本对初始评估模型进行训练,得到训练后的所述评估模型。
在一些实施例中,所述多个候选数据处理模型包括机器学习模型,并且所述多个候选处理模型中至少两个候选处理模型的模型结构不同或模型参数不同。
在一些实施例中,所述评估模型包括逻辑回归模型、支持向量机模型、贝叶斯模型、K近邻模型、决策树模型、随机森林模型、梯度Boosting模型、神经网络、深度神经网络、循环神经网络、递归神经网络或卷积网络。
在一些实施例中,所述目标数据处理模型用于以下中的一项或多项:医学图像重建、医学图像降噪、医学图像运动伪影校正、医学图像金属伪影校正、医学图像散射校正、医学图像分割和医学诊断。
本说明书另一个方面提供一种选定数据处理模型的系统,所述系统包括:获取模块,用于获取数据集,所述数据集包括需要由待确定的目标数据处理模型处理的数据;评估模块,用于使用评估模型处理所述数据集,得到多个候选数据处理模型中一个或多个候选数据处理模型的评价指标,所述评估模型是训练后的机器学习模型;以及选定模块,用于基于所述评价指标,从所述多个候选数据处理模型中选定目标数据处理模型。
本说明书另一个方面提供一种选定数据处理模型的设备,其特征在于,所述设备具有至少一个存储设备和至少一个处理器,所述至少一个处理器被配置为:获取数据集,所述数据集包括需要由待确定的目标数据处理模型处理的数据;使用评估模型处理所述数据集,得到多个候选数据处理模型中每个候选数据处理模型的评价指标,所述评估模型是训练后的机器学习模型;以及基于所述评价指标,从所述多个候选数据处理模型中选定目标数据处理模型。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的医学成像系统的应用场景示意图;
图2是根据本说明书一些实施例所示的选定数据处理模型的方法的示例性流程图;
图3是根据本说明书一些实施例所示的选定数据处理模型的方法的示例性流程图;
图4是根据本说明书一些实施例所示的选定数据处理模型的方法的示例性流程图;
图5是根据本说明书一些实施例所示的训练评估模型的方法的示例性流程图;
图6是根据本说明书一些实施例所示的选定数据处理模型的系统的示例性模块图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作,相关描述是为帮助更好地理解医学成像方法和/或系统。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的医学成像系统的应用场景示意图。
如图1所示,医学成像系统100中可以包括医学设备110、网络120、终端设备130、处理设备140以及存储设备150。该系统100中的各个组件之间可以通过网络120互相连接。例如,医学设备110和终端设备130可以通过网络120连接或通信。又例如,医学设备110和存储设备150可以通过网络120连接或通信。
医学设备110可以用于对检测区域内的目标对象进行扫描,得到该目标对象的扫描数据。在一些实施例中,目标对象可以包括生物对象和/或非生物对象。例如,目标对象可以包括身体的特定部分,例如头部、胸部、腹部等,或其组合。又例如,目标对象可以是有生命或无生命的有机和/或无机物质的人造成分。在一些实施例中,与目标对象有关的医学图像数据可以包括目标对象的投影数据、一个或以上扫描图像等。
在一些实施例中,医学设备110可以是用于疾病诊断或研究目的的非侵入性生物医学成像装置。例如,医学设备110可以包括单模态扫描仪和/或多模态扫描仪。单模态扫描仪可以包括例如超声波扫描仪、X射线扫描仪、计算机断层扫描(CT)扫描仪、核磁共振成像(MRI)扫描仪、超声检查仪、正电子发射断层扫描(PET)扫描仪、光学相干断层扫描(OCT)扫描仪、超声(US)扫描仪、血管内超声(IVUS)扫描仪、近红外光谱(NIRS)扫描仪、远红外(FIR)扫描仪等,或其任意组合。多模态扫描仪可以包括例如X射线成像-核磁共振成像(X射线-MRI)扫描仪、正电子发射断层扫描-X射线成像(PET-X射线)扫描仪、单光子发射计算机断层扫描-核磁共振成像(SPECT-MRI)扫描仪、正电子发射断层扫描-计算机断层摄影(PET-CT)扫描仪、数字减影血管造影-核磁共振成像(DSA-MRI)扫描仪等。上面提供的扫描仪仅用于说明目的,而无意限制本申请的范围。如本文所用,术语“成像模态”或“模态”广泛地是指收集、生成、处理和/或分析目标对象的成像信息的成像方法或技术。
在一些实施例中,医学设备110可以包括用于执行成像和/或相关分析的模块和/或组件。例如,医学设备110可以是MRI扫描仪,可以包括磁体、线圈(如梯度线圈和/或RF线圈)等用于成像的部件。医学设备110还可以包括图像采集装置(如深度相机)和处理器(如处理设备140)等。在一些实施例中,图像采集装置可以用于采集图像信息。例如,图像采集装置可以拍摄包含目标对象全部和/或部分区域的图像。在一些实施例中,图像采集装置可以包括相机(例如,数码相机、模拟相机、深度相机等)、红绿蓝(RGB)传感器、RGB深度(RGB-D)传感器或可以采集诊疗室内物体的图像数据的其他设备。在一些实施例中,可以安装两个或两个以上图像采集装置,所述两个或两个以上图像采集装置的安装位置和安装方式可以为上述多个安装位置和安装方式中的任意组合。例如,两个图像采集装置可以分别安装在医学设备110上与线圈上的两个通孔对应的位置。
在一些实施例中,由医学设备110获取的图像数据(如,图像采集装置拍摄的目标对象的图像,和/或目标对象的医学图像)可以被传送到处理设备140以供进一步分析。附加地或替代地,由医学设备110获取的图像数据可以被发送到终端设备(例如,终端设备130)用于显示和/或存储设备(例如,存储设备150)用于存储。
网络120可以包括能够促进医学成像系统100的信息和/或数据交换的任何合适的网络。在一些实施例中,医学成像系统100的至少一个组件(例如,医学设备110、终端设备130、处理设备140、存储设备150)可以通过网络120与医学成像系统100中至少一个其他组件交换信息和/或数据。例如,处理设备140可以通过网络120从医学设备110的图像采集装置中获得目标对象的图像数据。网络120可以包括公共网络(例如,因特网)、专用网络(例如,局部区域网络(LAN))、有线网络、无线网络(例如,802.11网络、Wi-Fi网络)、帧中继网络、虚拟专用网络(VPN)、卫星网络、电话网络、路由器、集线器、交换机等或其任意组合。例如,网络120可以包括有线网络、有线网络、光纤网络、电信网络、内联网、无线局部区域网络(WLAN)、城域网(MAN)、公共电话交换网络(PSTN)、蓝牙TM网络、ZigBeeTM网络、近场通信(NFC)网络等或其任意组合。在一些实施例中,网络120可以包括至少一个网络接入点。例如,网络120可以包括有线和/或无线网络接入点,例如基站和/或互联网交换点,医学成像系统100的至少一个组件可以通过接入点连接到网络120以交换数据和/或信息。
终端设备130可以与医学设备110、处理设备140和/或存储设备150通信和/或连接。例如,用户可以通过终端设备130与医学设备110进行交互,以控制医学设备110的一个或多个部件。在一些实施例中,终端设备130可以包括移动设备130-1、平板计算机130-2、膝上型计算机130-3等或其任意组合。例如,移动设备130-1可以包括移动控制手柄、个人数字助理(PDA)、智能手机等或其任意组合。在一些实施例中,用户可以通过终端设备130与处理设备140进行交互,从而对数据处理过程发出指令。例如,用户可以指定一个或多个数据处理模型(例如参考数据处理模型),从而使处理设备140从这些数据处理模型中选定目标数据处理模型。
在一些实施例中,终端设备130可以包括输入设备、输出设备等。输入方式可以包括键盘输入、触摸屏(例如,具有触觉或触觉反馈)输入、语音输入、眼睛跟踪输入、手势跟踪输入、大脑监测系统输入、图像输入、视频输入或任何其他类似的输入机制。通过输入设备接收的输入信息可以通过如总线传输到处理设备140,以进行进一步处理。其他类型的输入设备可以包括光标控制装置,例如,鼠标、轨迹球或光标方向键等。在一些实施例中,操作者(如,医护人员)可以通过输入设备输入反映目标对象医学图像类别的指令。输出设备可以包括显示器、扬声器、打印机等或其任意组合。输出设备可以用于输出图像采集装置拍摄的图像,和/或医学设备110扫描的医学图像,和/或处理设备140确定的图像等。在一些实施例中,终端设备130可以是处理设备140的一部分。
处理设备140可以处理从医学设备110、至少一个终端设备130、存储设备150或医学成像系统100的其他组件获得的数据和/或信息。例如,处理设备140可以从医学设备110中获取目标对象的医学图像数据。又例如,处理设备140可以从图像采集装置获取拍摄的目标对象的图像,并对其进行分析处理。在一些实施例中,处理设备140可以用于确定目标数据处理模型。所述目标数据处理模型可以是用于医学数据采集、数据校正、图像重建、图像后处理、诊断分析等的模型。例如,处理设备140可以使用评估模型,对多个候选数据处理模型进行评分,并基于评分,从多个候选数据处理模型中选定目标数据处理模型。
在一些实施例中,处理设备140可以是单一服务器或服务器组。服务器组可以是集中式的或分布式的。在一些实施例中,处理设备140可以是本地或远程的。例如,处理设备140可以通过网络120从医学设备110、至少一个终端设备130和/或存储设备150访问信息和/或数据。又例如,处理设备140可以直接连接到医学设备110、至少一个终端设备130和/或存储设备150以访问信息和/或数据。在一些实施例中,处理设备140可以在云平台上实现。例如,云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间云、多云等或其任意组合。
在一些实施例中,处理设备140可以包括一个或以上处理器(例如,单芯片处理器或多芯片处理器)。仅作为示例,处理设备140可以包括中央处理单元(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图像处理单元(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或其任意组合。在一些实施例中,处理设备140可以为医学设备110或终端设备130的一部分。例如,处理设备140可以集成在医学设备110内,用于处理目标对象的第一图像和包含目标对象部分区域的第二图像,以对目标对象进行定位。
存储设备150可以存储数据、指令和/或任何其他信息。例如,存储设备150可以存储医学设备110获取的目标对象的医学图像数据,图像采集装置拍摄的图像等。在一些实施例中,存储设备150可以存储从医学设备110、至少一个终端设备130和/或处理设备140获得的数据。例如,存储设备150可以存储由处理设备140选定的目标数据处理模型。在一些实施例中,存储设备150可以存储处理设备140用来执行或使用来完成本申请中描述的示例性方法的数据和/或指令。在一些实施例中,存储设备150可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。在一些实施例中,存储设备150可以在云平台上实现。
在一些实施例中,存储设备150可以连接到网络120以与医学成像系统100中的至少一个其他组件(例如,医学设备110、至少一个终端设备130、处理设备140)通信。医学成像系统100中的至少一个组件可以通过网络120访问存储设备150中存储的数据(例如,目标对象的第一图像/第二图像、目标对象的医学图像数据等)。在一些实施例中,存储设备150可以是处理设备140的一部分。
应该注意的是,上述描述仅出于说明性目的而提供,并不旨在限制本申请的范围。对于本领域普通技术人员而言,在本申请内容的指导下,可做出多种变化和修改。可以以各种方式组合本申请描述的示例性实施例的特征、结构、方法和其他特征,以获得另外的和/或替代的示例性实施例。例如,存储设备150可以是包括云计算平台(例如公共云、私有云、社区和混合云等)的数据存储设备。然而,这些变化与修改不会背离本申请的范围。
在一些实施例中,用同样的处理数据模型处理不同的数据时,可能由于数据的特异性较大,从而导致得到的结果不够准确。例如,在医学成像领域,重建图像时,即使扫描参数相同,如果病人的体型差异很大,或者重建参数差异很大,用同样的数据处理模型重建图像的结果中某些结果可能就不够准确。如果重建图像的结果不准确,很可能对后续的诊断和治疗产生较大的影响。再例如,对于需要进行运动伪影校正的图像,不同的运动部位、运动方式和程度等因素也可能导致用同样的数据处理模型得到的校正后的某些图像并不准确。
本申请一些实施例提供一种选定数据处理模型的方法,可以通过待处理的数据来估计使用不同候选数据处理模型处理该数据的合适程度,从而从候选数据处理模型中选定用于处理该数据的目标数据处理模型,从而使结果更加准确。
图2是根据本说明书一些实施例所示的选定数据处理模型的方法的示例性流程图。
具体的,选定数据处理模型的方法200可以由处理器执行,例如医学成像系统100中的处理设备140。例如,选定数据处理模型的方法200可以以程序或指令的形式存储在存储装置(如存储设备150)中,当医学成像系统100(如处理设备140)执行该程序或指令时,可以实现选定数据处理模型的方法200。在一些实施例中,选定数据处理模型的方法200可以由选定数据处理模型的系统600执行。
步骤210,获取数据集。在一些实施例中,步骤210可以由获取模块610执行。
在一些实施例中,该数据集可以包括需要由选定的目标数据处理模型处理的数据。所述数据包括但不限于文字、图像、声音、视频等形式的数据。例如,该数据集可以包括医学设备(例如医学设备110)获取的扫描数据、设定好的重建参数等,目标数据处理模型可以处理该数据集从而得到重建后的图像。再例如,数据集可以包括具有运动伪影的图像,目标数据处理模型可以基于该图像进行运动伪影校正,从而得到校正后的图像。在一些实施例中,获取模块610可以从存储设备(例如存储设备150)中获取该数据集。
步骤220,使用评估模型处理所述数据集,得到多个候选数据处理模型中每个候选数据处理模型的评价指标。在一些实施例中,步骤220可以由评估模块620执行。
在一些实施例中,候选数据处理模型可以包括基于各种算法的模型。例如,在CT图像重建领域,候选数据处理模型可以是基于迭代重建算法、直接反投影算法、滤波反投影算法等算法的模型。在一些实施例中,候选数据处理模型还可以包括训练后的机器学习模型。不同的候选数据处理模型可以具有不同的网络结构,也可以具有不同的模型参数。例如,在运动伪影校正领域,候选数据处理模型可以包括但不限于U-NET模型、卷积神经网络模型等。具有不同的模型参数的候选数据处理模型可以是基于不同的训练集而得到的训练后的机器学习模型。所述不同的训练集可以具有较大的数据差异。例如,若候选数据处理模型用于运动伪影校正,第一训练集中的训练样本可以涉及胸腹部位发生的呼吸运动,第二训练集中的训练样本可以涉及胸部发生的心脏搏动。在针对呼吸运动产生的伪影进行校正时,使用基于第一训练集得到的训练后的第一机器学习模型的效果可能优于使用基于第二训练集得到的训练后的第二机器学习模型的效果。
在一些实施例中,评估模型可以是训练后的机器学习模型。例如,评估模型可以包括但不限于逻辑回归模型、支持向量机模型、贝叶斯模型、K近邻模型、决策树模型、随机森林模型和梯度Boosting模型等。再例如,评估模型可以包括深度学习模型,例如神经网络、深度神经网络、循环神经网络、递归神经网络、卷积网络等,或其组合。可以将前述数据集输入到评估模型中,从而获取多个候选数据处理模型中每个候选数据处理模型的评价指标。该评价指标表示对应的候选数据处理模型用于处理当前数据集的合适程度。例如,该评价指标可以是评分的形式。仅作为示例,评分可以是0或1,1表示对应的候选数据处理模型适合用于处理当前数据集,0表示对应的候选数据处理模型不适合用于处理当前数据集。又例如,评分可以是0-1之间的某个数值,如0.2、0.5、0.7等。获取评估模型的示例性过程可以参见图5。
步骤230,基于该评价指标,从多个候选数据处理模型中选定目标数据处理模型。在一些实施例中,步骤230可以由选定模块630执行。
在一些实施例中,选定模块630可以将对应于最高评分的候选数据处理模型指定为目标数据处理模型。在一些实施例中,选定模块630可以进一步从多个候选数据处理模型中选定一个或多个参考数据处理模型,并基于参考数据处理模型的对应评分,从参考数据处理模型中选定目标数据处理模型。例如,参考数据处理模型可以由选定模块630基于数据集中的特征数据来自动确定,具体可以参见图3。又例如,参考数据处理模型可以由选定模块630基于用户输入来确定,具体可以参见图4。选定目标数据处理模型之后,处理器可以使用目标数据处理模型,对待处理的数据进行处理,从而得到数据处理结果。
在一些实施例中,对于数据处理过程的整个工作流的每个环节,可以重复步骤210-230,从而根据每个环节待处理的数据,为每个环节选定合适的目标数据处理模型。例如,医学成像过程涉及医学数据采集、医学数据校正、医学图像生成(或重建)、医学图像运动伪影校正、医学图像金属伪影校正、医学图像散射校正、医学图像分割、图像后处理、诊断分析等环节。每个环节需要处理的数据不同,所需要的目标数据处理模型也可能不同。在一些实施例中,各个环节所使用的评估模型也可以是不同的。可以针对每个环节获取相应的多个训练样本,来训练对应于该环节的评估模型。通过为每个环节重复步骤210-230来选定目标数据处理模型,可以提高每个环节所得到的结果的准确度,从而提升整个工作流的最终结果(例如诊断分析结果)的准确度。
图3是根据本说明书一些实施例所示的选定数据处理模型的方法的示例性流程图。
具体的,选定数据处理模型的方法300可以由处理器执行,例如医学成像系统100中的处理设备140。例如,选定数据处理模型的方法300可以以程序或指令的形式存储在存储装置(如存储设备150)中,当医学成像系统100(如处理设备140)执行该程序或指令时,可以实现选定数据处理模型的方法300。在一些实施例中,选定数据处理模型的方法300可以由选定数据处理模型的系统600执行。
步骤310,获取数据集。在一些实施例中,步骤210可以由获取模块610执行。
步骤320,使用评估模型处理所述数据集,得到多个候选数据处理模型中每个候选数据处理模型的评价指标。在一些实施例中,步骤220可以由评估模块620执行。在一些实施例中,步骤310和步骤320可以按照与步骤210与步骤220相似的方式来完成。
步骤330,基于特征数据,从多个候选数据处理模型中选择一个或多个参考数据处理模型。在一些实施例中,步骤330可以由选定模块630执行。
在一些实施例中,特征数据是从待由目标数据处理模型处理的数据中选取的。特征数据的范围是已知的并且会对目标数据处理模型产生较大的影响。因此,可以首先基于特征数据,根据预设条件对候选数据处理模型的范围进行缩小,确定一个或多个参考数据处理模型,再从所述一个或多个参考数据处理模型中选定目标数据处理模型。在一些实施例中,所述目标数据处理模型可以用于医学成像技术,例如医学成像扫描、医学图像重建、医学图像分割等过程。在医学成像领域,特征数据可以包括但不限于医学成像设备的扫描参数、图像重建参数、医学成像的对象的感兴趣区域、医学成像的对象的特征信息等或其组合。仅作为示例,扫描参数可以包括转速、扫描方式、螺距、球管电流、球管电压、扫描长度、扫描部位、是否有造影剂等或其组合。重建参数可以包括重建算法、重建层厚、重建FoV、重建矩阵大小等或其组合。感兴趣区域可以是待扫描的部位或其一部分,包括但不限于头部、胸部、腹部、髋部、腿部、手臂等。再例如,医学成像的对象的特征信息可以包括对象的体型、成像期间的运动信息、造影剂浓度、体内植入物等。其中,成像期间的运动信息可以包括生理运动相关的信息,例如呼吸运动、心跳运动、肠胃蠕动等运动相关的信息。在一些实施例中,对于不同的环节,特征数据可以包括不同的数据类型。例如,对于图像分割,特征数据可以包括感兴趣区域和医学成像的对象的特征信息。例如,对于图像重建环节,特征数据可以包括扫描参数、图像重建参数、医学成像的对象的感兴趣区域和医学成像的对象的特征信息。
在一些实施例中,候选数据处理模型可以具有对应于特征数据的标签。选定模块630可以通过对应于特征数据的标签来选择参考数据处理模型。例如数据处理模型A更适合用于头部区域的分割,其对应的标签可以设为“头部”;数据处理模型B更适合用于腹部区域的分割,其对应的标签可以设为“腹部”。假设感兴趣区域为头部,选定模块630可以选定标签为“头部”的候选数据处理模型为参考数据处理模型。
在一些实施例中,待处理的数据中除了特征数据,还包括其他一些对于目标数据处理模型的选取有显著影响的数据。例如对于运动伪影校正,不同的运动部位、运动方式和程度会使得图像上的伪影有很大差异,从而影响校正后的结果。对于此类情况,可以通过步骤340,从参考数据处理模型中进一步选取目标数据处理模型。通过这样的方式,可以综合考虑各种类型的数据的特异性,选取更加合适于处理这些数据的数据处理模型。
步骤340,基于一个或多个参考数据处理模型的评价指标,从一个或多个参考数据处理模型中选定目标数据处理模型。在一些实施例中,步骤330可以由选定模块630执行。
在一些实施例中,评价指标可以是评分,选定模块630可以将对应于最高评分的参考数据处理模型指定为目标数据处理模型。在一些实施例中,选定模块630还可以将参考数据处理模型的最高评分与预设的评分阈值进行比较,若最高评分大于或等于预设的评分阈值,可以指定最高评分对应的参考数据处理模型为目标数据处理模型。若最高评分小于预设的评分阈值,可以认为最高评分对应的参考数据处理模型也不适合用于处理待处理的数据,可能需要重新确定参考数据处理模型的范围或候选数据处理模型的范围。
应当注意的是,上述有关方法300的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对方法300进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,步骤330可以替换为基于用户输入,从多个候选数据处理模型中选择一个或多个参考数控数据处理模型。
图4是根据本说明书一些实施例所示的选定数据处理模型的方法的示例性流程图。
具体的,选定数据处理模型的方法400可以由处理器执行,例如医学成像系统100中的处理设备140。例如,选定数据处理模型的方法400可以以程序或指令的形式存储在存储装置(如存储设备150)中,当医学成像系统100(如处理设备140)执行该程序或指令时,可以实现选定数据处理模型的方法400。在一些实施例中,选定数据处理模型的方法400可以由选定数据处理模型的系统600执行。
步骤410,获取数据集。在一些实施例中,步骤210可以由获取模块610执行。
步骤420,使用评估模型处理所述数据集,得到多个候选数据处理模型中每个候选数据处理模型的评价指标。在一些实施例中,步骤220可以由评估模块620执行。在一些实施例中,步骤410和步骤420可以按照与步骤210与步骤220相似的方式来完成。
步骤430,基于用户输入,从多个候选数据处理模型中选择一个或多个参考数据处理模型。在一些实施例中,步骤430可以由选定模块630执行。
在一些实施例中,用户可以通过终端设备(例如终端设备130)输入数据和/或指令。输入方式可以包括键盘输入、触摸屏(例如,具有触觉或触觉反馈)输入、语音输入、眼睛跟踪输入、手势跟踪输入、大脑监测系统输入、图像输入、视频输入或任何其他类似的输入机制。在一些实施例中,用户可以根据如步骤330所提到的特征数据,来确定参考数据处理模型。例如,对于CT图像重建算法,特征数据可以包括扫描参数。扫描参数包括但不限于转速、扫描方式、螺距、球管电流、球管电压、扫描长度、扫描部位、是否有造影剂等。仅作为示例,用户可以根据CT扫描仪采取的是平行光束成像还是扇形束成像来选定参考数据处理模型的范围,并输入到终端设备中。选定模块630可以根据用户输入,确定一个或多个参考数据处理模型。再例如,选定模块630可以将自动根据特征数据选定的参考数据处理模型通过终端设备展现给用户,用户可以进一步确认或修改。基于用户输入,选定模块630可以确定由用户确认过的参考数据处理模型。
步骤440,基于一个或多个参考数据处理模型的评价指标,从一个或多个参考数据处理模型中选定目标数据处理模型。在一些实施例中,步骤430可以由选定模块630执行。在一些实施例中,步骤440可以按照于步骤340相似的方式来执行。
应当注意的是,上述有关方法400的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对方法400进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。例如,步骤430可以替换为基于特征数据,从多个候选数据处理模型中选择一个或多个参考数据处理模型。
图5是根据本说明书一些实施例所示的训练评估模型的方法的示例性流程图。
具体的,选定数据处理模型的方法500可以由处理器执行,例如医学成像系统100中的处理设备140。例如,选定数据处理模型的方法500可以以程序或指令的形式存储在存储装置(如存储设备150)中,当医学成像系统100(如处理设备140)执行该程序或指令时,可以实现选定数据处理模型的方法500。在一些实施例中,选定数据处理模型的方法500可以由选定数据处理模型的系统600执行。
步骤510,获取多个训练样本。在一些实施例中,步骤510可以由获取模块610执行。
在一些实施例中,所述多个训练样本中的每个训练样本可以包括样本数据集和多个候选数据处理模型中一个或多个候选数据处理模型的样本评价指标。仅作为示例,所述样本评价指标可以是样本评分,样本评分可以是0或1,也可以是0-1之间的数值。可以根据使用对应的候选数据处理模型来处理样本数据集的结果来确定样本评分。例如,对于某个样本数据集,可以采取多个候选数据处理模型中的一个或多个候选数据处理模型来对该样本数据集进行处理,得到多个处理结果。然后可以利用处理器自动比较多个处理结果,或由用户来人为比较多个处理结果,从而得到对应于该样本数据集的一个或多个候选数据处理模型的样本评分。例如,对于运动伪影校正,处理的结果是校正后的图像,用户可以人为比较校正后的图像,根据校正效果来确定各个候选数据处理模型对应的样本评分。
步骤520,使用多个训练样本对初始评估模型进行训练,得到训练后的评估模型。在一些实施例中,步骤520可以由评估模块620执行。在一些实施例中,步骤510和步骤520可以由外部设备完成,并且外部设备将训练好的评估模型发送给选定数据处理模型的系统600。
在一些实施例中,可以通过将上述训练样本输入到初始评估模型中,通过一定方法进行训练,不断更新模型参数。例如,训练方法可以包括但不限于梯度下降法、贝叶斯法、序列最小优化法等。在一些实施例中,当训练后的模型满足预设条件时,训练结束。其中,预设条件可以是损失函数结果收敛或小于预设阈值等。
应当注意的是,上述有关方法500的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对方法500进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
图6是根据本说明书一些实施例所示的选定目标数据处理模型的系统的示例性模块图。
如图6所示,用于选定目标数据处理模型的系统600可以包括获取模块610、评估模块620和选定模块630。在一些实施例中,该系统600可以由处理设备实现,例如图1中所示的医学成像系统100的处理设备140。
获取模块210可以用于获取数据集。在一些实施例中,该数据集可以包括需要由选定的目标数据处理模型处理的数据。所述数据包括但不限于文字、图像、声音、视频等形式的数据。例如,数据集可以包括医学设备(例如医学设备110)获取的扫描数据、设定好的重建参数等,目标数据处理模型可以处理该数据集从而得到重建后的图像。再例如,数据集可以包括图像,目标数据处理模型可以基于该图像将感兴趣区域(ROI)分割出来。在一些实施例中,获取模块610可以从存储设备(例如存储设备150)中获取该数据集。
在一些实施例中,获取模块610还可以用于获取多个训练样本,以用于训练评估模型。所述多个训练样本中的每个训练样本可以包括样本数据集和标签。所述标签可以是多个候选数据处理模型中一个或多个候选数据处理模型的样本评价指标(例如样本评分)。仅作为示例,所述样本评分可以是0或1,也可以是0-1之间的数值。样本评分可以根据使用对应的候选数据处理模型来处理样本数据集的结果来确定。例如,对于某个样本数据集,可以采取多个候选数据处理模型中的一个或多个候选数据处理模型来对该样本数据集进行处理,得到多个处理结果。然后可以利用处理器自动比较多个处理结果,或由用户来人为比较多个处理结果,从而得到对应于该样本数据集的一个或多个候选数据处理模型的样本评分。例如,对于运动伪影校正,处理的结果是校正后的图像,用户可以人为比较校正后的图像,根据校正效果来确定每个数据处理模型对应的样本评分。
评估模块620可以用于通过评估模型处理所述数据集,得到多个候选数据处理模型中每个候选数据处理模型的评分。在一些实施例中,评估模型可以是训练后的机器学习模型。例如,评估模型可以包括但不限于逻辑回归模型、支持向量机模型、贝叶斯模型、K近邻模型、决策树模型、随机森林模型和梯度Boosting模型等。可以将前述数据集输入到评估模型中,从而获取多个候选数据处理模型中每个候选数据处理模型的评分。该评分表示对应的候选数据处理模型用于处理当前数据集的合适程度。例如,评分可以是0或1,1表示对应的候选数据处理模型适合用于处理当前数据集,0表示对应的候选数据处理模型不适合用于处理当前数据集。又例如,评分可以是0-1之间的某个数值,如0.2、0.5、0.7等。
在一些实施例中,评估模块620可以用于训练评估模型。具体地,评估模块620可以使用多个训练样本对初始评估模型进行训练,得到训练后的评估模型。在一些实施例中,可以通过将上述训练样本输入到初始评估模型中,通过一定方法进行训练,不断更新模型参数。例如,训练方法可以包括但不限于梯度下降法、贝叶斯法、序列最小优化法等。在一些实施例中,当训练后的模型满足预设条件时,训练结束。其中,预设条件可以是损失函数结果收敛或小于预设阈值等。
选定模块630可以用于基于多个候选数据处理模型的评分,从多个候选数据处理模型中选定目标数据处理模型。在一些实施例中,选定模块630可以将对应于最高评分的候选数据处理模型指定为目标数据处理模型。在一些实施例中,选定模块630可以进一步从多个候选数据处理模型中选定一个或多个参考数据处理模型,并基于参考数据处理模型的对应评分,从参考数据处理模型中选定目标数据处理模型。例如,参考数据处理模型可以由选定模块630基于数据集中的特征数据来自动确定。又例如,参考数据处理模型可以由选定模块630基于用户输入来确定。选定目标数据处理模型之后,处理器可以使用目标数据处理模型,对待处理的数据进行处理,从而得到数据处理结果。
在一些实施例中,对于数据处理过程的每个环节,可以重复步骤210-230,从而根据每个环节待处理的数据,为每个环节选定合适的目标数据处理模型。例如,医学成像过程涉及数据采集、数据校正、图像生成(或重建)、图像后处理、诊断分析等环节。每个环节需要处理的数据不同,所需要的目标数据处理模型也不同。在一些实施例中,各个环节所使用的评估模型也可以是不同的。可以针对各个环节获取相应的多个训练样本,来训练评估模型。通过为每个环节重复步骤210-230来选定目标数据处理模型,可以提高每个环节所得到的结果的准确度,从而提升整个工作流的最终结果(例如诊断分析结果)的准确度。
应当理解,图6所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统600及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,以上对于系统600及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。在一些实施例中,评估模块620和选定模块630可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。在一些实施例中,评估模块620和选定模块630可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
本说明书实施例可能带来的有益效果包括但不限于:(1)能够通过机器学习模型来高效确定用于处理数据的目标数据处理模型;(2)考虑到了数据的特异性,从而自动选定更适合于处理该数据的目标数据处理模型。需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种选定数据处理模型的方法,其特征在于,所述方法包括:
获取数据集,所述数据集包括需要由选定的目标数据处理模型处理的数据;
使用评估模型处理所述数据集,得到多个候选数据处理模型中每个候选数据处理模型的评价指标,所述评估模型是训练后的机器学习模型;以及
基于所述评价指标,从所述多个候选数据处理模型中选定目标数据处理模型。
2.如权利要求1所述的方法,其特征在于,所述数据集包括特征数据,
基于所述特征数据,从所述多个候选数据处理模型中选定一个或多个参考数据处理模型;以及
基于所述一个或多个参考数据处理模型的评价指标,从所述一个或多个参考数据处理模型中选定所述目标数据处理模型。
3.如权利要求2所述的方法,其特征在于,所述目标数据处理模型用于医学成像技术,所述特征数据包括以下内容中的一种或多种:医学成像设备的扫描参数、图像重建参数、医学成像的对象的感兴趣区域和所述对象的特征信息。
4.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取用户输入;
基于所述用户输入,从所述多个候选处理模型中选定一个或多个参考数据处理模型;以及
基于所述参考数据处理模型的评价指标,从所述一个或多个参考数据处理模型中选定所述目标数据处理模型。
5.如权利要求1所述的方法,其特征在于,所述评估模型的获取步骤包括:
获取多个训练样本,所述多个训练样本中的每个训练样本包括样本数据集和所述多个候选数据处理模型中一个或多个候选数据处理模型的样本评价指标,所述样本评价指标是根据使用所述一个或多个候选数据处理模型来处理所述样本数据集的结果而确定的;
使用所述多个训练样本对初始评估模型进行训练,得到训练后的所述评估模型。
6.如权利要求1所述的方法,其特征在于,所述多个候选数据处理模型包括机器学习模型,并且所述多个候选处理模型中至少两个候选处理模型的模型结构不同或模型参数不同。
7.如权利要求1所述的方法,其特征在于,所述评估模型包括逻辑回归模型、支持向量机模型、贝叶斯模型、K近邻模型、决策树模型、随机森林模型、梯度Boosting模型、神经网络、深度神经网络、循环神经网络、递归神经网络或卷积网络。
8.如权利要求1所述的方法,其特征在于,所述目标数据处理模型用于以下中的一项或多项:医学图像重建、医学图像降噪、医学图像运动伪影校正、医学图像金属伪影校正、医学图像散射校正、医学图像分割和医学诊断。
9.一种选定数据处理模型的系统,其特征在于,所述系统包括:
获取模块,用于获取数据集,所述数据集包括需要由待确定的目标数据处理模型处理的数据;
评估模块,用于使用评估模型处理所述数据集,得到多个候选数据处理模型中一个或多个候选数据处理模型的评价指标,所述评估模型是训练后的机器学习模型;以及
选定模块,用于基于所述评价指标,从所述多个候选数据处理模型中选定目标数据处理模型。
10.一种选定数据处理模型的设备,其特征在于,所述设备具有至少一个存储设备和至少一个处理器,所述至少一个处理器被配置为:
获取数据集,所述数据集包括需要由待确定的目标数据处理模型处理的数据;
使用评估模型处理所述数据集,得到多个候选数据处理模型中每个候选数据处理模型的评价指标,所述评估模型是训练后的机器学习模型;以及
基于所述评价指标,从所述多个候选数据处理模型中选定目标数据处理模型。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110858595.4A CN115688932A (zh) | 2021-07-28 | 2021-07-28 | 选定数据处理模型的方法和系统 |
US17/644,790 US20230030595A1 (en) | 2021-07-28 | 2021-12-17 | Methods and systems for selecting data processing models |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110858595.4A CN115688932A (zh) | 2021-07-28 | 2021-07-28 | 选定数据处理模型的方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115688932A true CN115688932A (zh) | 2023-02-03 |
Family
ID=85037923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110858595.4A Pending CN115688932A (zh) | 2021-07-28 | 2021-07-28 | 选定数据处理模型的方法和系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230030595A1 (zh) |
CN (1) | CN115688932A (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190046471A (ko) * | 2017-10-26 | 2019-05-07 | 삼성전자주식회사 | 의료 영상 처리 방법 및 그에 따른 의료 영상 처리 장치 |
US10909401B2 (en) * | 2018-05-29 | 2021-02-02 | Sri International | Attention-based explanations for artificial intelligence behavior |
US10740866B2 (en) * | 2018-06-26 | 2020-08-11 | International Business Machines Corporation | Determining appropriate medical image processing pipeline based on machine learning |
US20200027530A1 (en) * | 2018-07-18 | 2020-01-23 | International Business Machines Corporation | Simulating Patients for Developing Artificial Intelligence Based Medical Solutions |
CN109165249B (zh) * | 2018-08-07 | 2020-08-04 | 阿里巴巴集团控股有限公司 | 数据处理模型构建方法、装置、服务器和用户端 |
US11568179B2 (en) * | 2018-10-19 | 2023-01-31 | Oracle International Corporation | Selecting an algorithm for analyzing a data set based on the distribution of the data set |
US10755412B2 (en) * | 2018-11-20 | 2020-08-25 | International Business Machines Corporation | Automated patient complexity classification for artificial intelligence tools |
-
2021
- 2021-07-28 CN CN202110858595.4A patent/CN115688932A/zh active Pending
- 2021-12-17 US US17/644,790 patent/US20230030595A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230030595A1 (en) | 2023-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210104313A1 (en) | Medical image processing apparatus, medical image processing method and computer-readable medium | |
US11501485B2 (en) | System and method for image-based object modeling using multiple image acquisitions or reconstructions | |
US11033251B2 (en) | Systems and methods for ultrasound imaging | |
US20210390696A1 (en) | Medical image processing apparatus, medical image processing method and computer-readable storage medium | |
EP4023143A1 (en) | Information processing device, information processing method, information processing system, and program | |
WO2021213519A1 (zh) | 图像获取、判断图像质量、医学图像采集的方法和系统 | |
US11922601B2 (en) | Medical image processing apparatus, medical image processing method and computer-readable medium | |
CN110298447B (zh) | 用于处理机器学习方法的参数的方法以及重建方法 | |
CN110969633B (zh) | 一种心脏ct成像自动最优相位识别方法 | |
WO2023046092A1 (en) | Systems and methods for artifact removing | |
CN110503698A (zh) | 确定成像模态和其的参数的方法,装置和成像系统 | |
CN113744264A (zh) | 一种图像处理方法和系统 | |
US20240104705A1 (en) | Systems and methods for image correction | |
CN114202516A (zh) | 一种异物检测方法、装置、电子设备及存储介质 | |
CN115249279A (zh) | 医学图像处理方法、装置、计算机设备和存储介质 | |
KR102254365B1 (ko) | 의료영상 처리 방법 | |
CN111369636A (zh) | 一种图像重建方法、系统、装置及存储介质 | |
CN115688932A (zh) | 选定数据处理模型的方法和系统 | |
CN114373029A (zh) | 一种pet图像的运动校正方法和系统 | |
EP4083650A1 (en) | Controlling a scanning operation of a medical imaging device | |
CN114882968A (zh) | 一种医学影像报告生成方法和系统 | |
CN115700740A (zh) | 医学图像处理方法、装置、计算机设备和存储介质 | |
CN115482183A (zh) | 一种图像的校正方法和系统 | |
EP3667618A1 (en) | Deep partial-angle coronary restoration | |
CN112529919B (zh) | 用于生成受试者的心脏的牛眼图生成的系统和方法 |
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 |