CN115994887B - 一种基于动态锚点的医学图像密集目标分析方法 - Google Patents
一种基于动态锚点的医学图像密集目标分析方法 Download PDFInfo
- Publication number
- CN115994887B CN115994887B CN202211083558.1A CN202211083558A CN115994887B CN 115994887 B CN115994887 B CN 115994887B CN 202211083558 A CN202211083558 A CN 202211083558A CN 115994887 B CN115994887 B CN 115994887B
- Authority
- CN
- China
- Prior art keywords
- network model
- anchor point
- target
- output
- loss function
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于动态锚点的医学图像密集目标分析方法,采集多张图片作为网络模型的训练数据,每张图片均包括多个目标,人工标注每个目标的中心坐标,并估算每张图片中目标的平均像素大小S;对于宽W高H的图片,采用间隔为S/2的锚点,生成预设锚点集合,记为{Pi};通过网络模型进行迭代训练,并计算网络模型的损失函数;最小化损失函数优化网络模型;通过优化过的网络模型对目标进行检测。模型中增加了锚点尺度估计分支,对于使得锚点不再固定不变,适应了不同目标尺度下的密集目标的检测。
Description
技术领域
本发明涉及目标检测技术领域,具体的为:一种基于动态锚点的医学图像密集目标分析方法。
背景技术
在妇科疾病的诊疗中,对一些人体组织的成像分析成了重要的手段,图像中往往存在密集的目标,对这些目标进行定性和定量的分析,往往关系着疾病的诊断结果。如何从医学图像数据中挖掘出有用信息,对医学图像识别带来巨大的挑战。
深度学习是机器学习的一个新领域,传统的机器学习方法不能有效地挖掘到医学图像中蕴含的丰富信息,而深度学习通过模拟人脑建立分层模型,具有强大的自动特征提取、复杂模型构建以及高效的特征表达能力,更重要的是深度学习方法能从像素级的原始数据中逐级提取从底层到高层的特征,这为解决医学图像识别面临的新问题提供了新思路。
面对医学图像中非常常规的密集目标图像,常规的目标检测方法往往是通过回归目标框的方式,给出目标检测的结果。这种方式存在的问题是建立训练数据的时候,标注数据非常的繁琐,需要把目标一个个的标注出来;而且,为了使得模型具有相应的泛化能力,往往还需要标注不同尺度下的目标图像,而这些图像,对于人类来说,都是高度相似的,这样对于数据标注人员来说,非常不友好。
发明内容
发明目的:针对上述现有技术,提出一种基于动态锚点的医学图像密集目标分析方法
一种基于动态锚点的医学图像密集目标分析方法,包括以下步骤:
1)采集多张图片作为网络模型的训练数据,每张图片均包括多个目标,人工标注每个目标的中心坐标,并估算每张图片中目标的平均像素大小S;
2)对于宽W高H的图片,采用间隔为S/2的锚点,生成预设锚点集合,记为{Pi};
3)通过网络模型进行迭代训练,并计算网络模型的损失函数L;
4)最小化损失函数L优化网络模型;
5)通过优化过的网络模型对目标进行检测。
优选的,步骤3)中:网络模型为yolov5,网络模型的损失函数L的计算公式为:
L=αLscl+βLreg+γLcls
Lscl=|S0-S|
Lreg=Distance(p,pa)
其中:Lscl为目标尺度回归的损失函数;Lreg为网络模型的输出点p和目标点pa的距离;Lcls目标分类的损失函数,S0为输出。
优选的,步骤3)中:在训练时,每次迭代优化进行2次反向计算:第一次使用预设的初始锚点计算整个网络模型的输出,记录锚点尺度估计分支输出So,计算损失并进行反向优化;第二次使用So/2作为锚点间隔生成锚点集合{Pi},再进行计算损失并反向优化,经过多次迭代获得优化后的网络模型。
优选的,步骤5)中:在使用网络模型进行目标检测的时候,需要进行2次前向计算:第一次使用预设的初始锚点计算整个网络模型的输出,记录锚点尺度估计分支输出So;第二次使用So/2作为锚点间隔生成锚点集合{Pi},进行计算,获得目标坐标和置信度输出。
有益效果:本发明使用动态的坐标锚点代替了传统的目标框锚点,相应的,检测的输出只是一个个目标的中心点。虽然没有输出目标的边界框,但是对于该场景下的医学分析来说,得到的目标的坐标和位置已经足够了。同时模型中增加了锚点尺度估计分支,对于使得锚点不再固定不变,适应了不同目标尺度下的密集目标的检测。
具体实施方式
下面对本发明做更进一步的解释。
一种基于动态锚点的医学图像密集目标分析方法,包括以下步骤:
1)采集多张图片作为网络模型的训练数据,每张图片均包括多个目标,人工标注每个目标的中心坐标,并估算每张图片中目标的平均像素大小S;
2)对于宽W高H的图片,采用间隔为S/2的锚点,生成预设锚点集合,记为{Pi}
3)通过网络模型进行迭代训练,并计算网络模型的损失函数L;
4)最小化损失函数L优化网络模型;
5)通过优化过的网络模型对目标进行检测。
步骤3)中:网络模型为yolov5,网络模型的损失函数L的计算公式为:
L=αLscl+βLreg+γLcls
Lscl=|S0-S|
Lreg=Distance(p,pa)
其中:Lscl为目标尺度回归的损失函数;Lreg为网络模型的输出点p和目标点pa的距离;Lcls目标分类的损失函数,S0为输出。
步骤3)中:在训练时,每次迭代优化进行2次反向计算:第一次使用预设的初始锚点计算整个网络模型的输出,记录锚点尺度估计分支输出So,计算损失并进行反向优化;第二次使用So/2作为锚点间隔生成锚点集合{Pi},再进行计算损失并反向优化,经过多次迭代获得优化后的网络模型。
步骤5)中:在使用网络模型进行目标检测的时候,需要进行2次前向计算:第一次使用预设的初始锚点计算整个网络模型的输出,记录锚点尺度估计分支输出So;第二次使用So/2作为锚点间隔生成锚点集合{Pi},进行计算,获得目标坐标和置信度输出。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种基于动态锚点的医学图像密集目标分析方法,其特征在于,包括以下步骤:
1)采集多张图片作为网络模型的训练数据,每张图片均包括多个目标,人工标注每个目标的中心坐标,并估算每张图片中目标的平均像素大小S;
2)对于宽W高H的图片,采用间隔为S/2的锚点,生成预设锚点集合,记为{Pi};
3)通过网络模型进行迭代训练,并计算网络模型的损失函数L;
4)最小化损失函数L优化网络模型;
5)通过优化过的网络模型对目标进行检测;
步骤3)中:网络模型采用yolov5,网络模型的损失函数L的计算公式为:
L=αLscl+βLreg+γLcls
Lscl=|S0-S|
Lreg=Distance(p,pa)
其中:Lscl为目标尺度回归的损失函数;Lreg为网络模型的输出点p和目标点pa的距离;Lcls目标分类的损失函数,α、β、γ为权重参数,S0为尺度估计分支的输出;
步骤3)中:在训练时,每次迭代优化进行2次反向计算:第一次使用预设的初始锚点计算整个网络模型的输出,记录锚点尺度估计分支输出S0,计算损失并进行反向优化;第二次使用S0/2作为锚点间隔生成锚点集合{Pi},再进行计算损失并反向优化,经过多次迭代获得优化后的网络模型;
步骤5)中:在使用网络模型进行目标检测的时候,进行2次前向计算:第一次使用预设的初始锚点计算整个网络模型的输出,记录锚点尺度估计分支输出S0;第二次使用S0/2作为锚点间隔生成锚点集合{Pi},进行计算,获得目标坐标和置信度输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211083558.1A CN115994887B (zh) | 2022-09-06 | 2022-09-06 | 一种基于动态锚点的医学图像密集目标分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211083558.1A CN115994887B (zh) | 2022-09-06 | 2022-09-06 | 一种基于动态锚点的医学图像密集目标分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115994887A CN115994887A (zh) | 2023-04-21 |
CN115994887B true CN115994887B (zh) | 2024-01-09 |
Family
ID=85993107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211083558.1A Active CN115994887B (zh) | 2022-09-06 | 2022-09-06 | 一种基于动态锚点的医学图像密集目标分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115994887B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807496A (zh) * | 2019-11-12 | 2020-02-18 | 智慧视通(杭州)科技发展有限公司 | 一种密集目标检测方法 |
CN111126278A (zh) * | 2019-12-24 | 2020-05-08 | 北京邮电大学 | 针对少类别场景的目标检测模型优化与加速的方法 |
CN111291587A (zh) * | 2018-12-06 | 2020-06-16 | 深圳光启空间技术有限公司 | 一种基于密集人群的行人检测方法、存储介质及处理器 |
CN111832479A (zh) * | 2020-07-14 | 2020-10-27 | 西安电子科技大学 | 基于改进的自适应锚点r-cnn的视频目标检测方法 |
CN112420165A (zh) * | 2019-08-23 | 2021-02-26 | 腾讯美国有限责任公司 | 显微镜视图对应的增强现实图像的显示方法和装置 |
CN113963272A (zh) * | 2021-10-25 | 2022-01-21 | 重庆科技学院 | 一种基于改进yolov3的无人机图像目标检测方法 |
CN114926722A (zh) * | 2022-04-19 | 2022-08-19 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于YOLOv5的尺度自适应目标检测的方法及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4252190A1 (en) * | 2020-11-24 | 2023-10-04 | Huron Technologies International Inc. | Systems and methods for generating encoded representations for multiple magnifications of image data |
CN112835037B (zh) * | 2020-12-29 | 2021-12-07 | 清华大学 | 一种基于视觉和毫米波融合的全天候目标检测方法 |
-
2022
- 2022-09-06 CN CN202211083558.1A patent/CN115994887B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291587A (zh) * | 2018-12-06 | 2020-06-16 | 深圳光启空间技术有限公司 | 一种基于密集人群的行人检测方法、存储介质及处理器 |
CN112420165A (zh) * | 2019-08-23 | 2021-02-26 | 腾讯美国有限责任公司 | 显微镜视图对应的增强现实图像的显示方法和装置 |
CN110807496A (zh) * | 2019-11-12 | 2020-02-18 | 智慧视通(杭州)科技发展有限公司 | 一种密集目标检测方法 |
CN111126278A (zh) * | 2019-12-24 | 2020-05-08 | 北京邮电大学 | 针对少类别场景的目标检测模型优化与加速的方法 |
CN111832479A (zh) * | 2020-07-14 | 2020-10-27 | 西安电子科技大学 | 基于改进的自适应锚点r-cnn的视频目标检测方法 |
CN113963272A (zh) * | 2021-10-25 | 2022-01-21 | 重庆科技学院 | 一种基于改进yolov3的无人机图像目标检测方法 |
CN114926722A (zh) * | 2022-04-19 | 2022-08-19 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于YOLOv5的尺度自适应目标检测的方法及存储介质 |
Non-Patent Citations (3)
Title |
---|
"A Deep Learning-Based Object Detection Scheme by Improving YOLOv5 for Sprouted Potatoes Datasets";Guowei Dai et.al.;《IEEE Access》;第10卷;第2169-3536页 * |
"改进YOLOv5的白细胞检测算法";王静等;《计算机工程与应用》;第58卷(第4期);第134-142页 * |
基于深度卷积神经网络的遥感图像目标检测方法;刘思远;程良伦;;工业控制计算机(第05期);第75-77+133页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115994887A (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022041307A1 (zh) | 一种构建半监督图像分割框架的方法及系统 | |
US11151721B2 (en) | System and method for automatic detection, localization, and semantic segmentation of anatomical objects | |
CN104517102A (zh) | 学生课堂注意力检测方法及系统 | |
CN109284737A (zh) | 一种用于智慧教室的学生行为分析和识别系统 | |
JP2018530401A5 (zh) | ||
TWI709085B (zh) | 用於對車輛損傷影像進行損傷分割的方法、裝置、電腦可讀儲存媒體和計算設備 | |
CN109711389B (zh) | 一种基于Faster R-CNN和HMM的哺乳母猪姿态转换识别方法 | |
CN112862824A (zh) | 新型冠状病毒肺炎病灶检测方法、系统、装置和存储介质 | |
CN105740945A (zh) | 一种基于视频分析的人群计数方法 | |
US9615805B2 (en) | Image alignment of breast images | |
CN110838140A (zh) | 基于混合监督学习的超声和核磁图像配准融合方法及装置 | |
CN113762009B (zh) | 一种基于多尺度特征融合及双注意力机制的人群计数方法 | |
CN111462049A (zh) | 一种乳腺超声造影视频中病灶区形态自动标注方法 | |
US20190261880A1 (en) | Automatic extraction of disease-specific features from doppler images | |
CN114842238B (zh) | 一种嵌入式乳腺超声影像的识别方法 | |
CN111445496B (zh) | 一种水下图像识别跟踪系统及方法 | |
CN101727568B (zh) | 前景动作估计装置和前景动作估计方法 | |
CN104318565A (zh) | 基于等梯度距离的双向区域增长的视网膜血管分割交互式方法 | |
CN111528907A (zh) | 一种超声影像肺炎辅助诊断方法及系统 | |
CN115994887B (zh) | 一种基于动态锚点的医学图像密集目标分析方法 | |
CN111275754B (zh) | 一种基于深度学习的脸部痘印比例计算方法 | |
CN112651962A (zh) | 一种ai智能诊断系统平台 | |
CN111708907B (zh) | 一种目标人员的查询方法、装置、设备及存储介质 | |
KR102460899B1 (ko) | 심층 구조 학습 기반 사람 계수 방법 및 시스템 | |
CN114004854B (zh) | 一种显微镜下的切片图像实时处理显示系统和方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |