CN116030247B - 一种医学图像样本生成方法、装置、存储介质及电子设备 - Google Patents
一种医学图像样本生成方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116030247B CN116030247B CN202310299830.8A CN202310299830A CN116030247B CN 116030247 B CN116030247 B CN 116030247B CN 202310299830 A CN202310299830 A CN 202310299830A CN 116030247 B CN116030247 B CN 116030247B
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- sample image
- images
- synthesized
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本说明书公开了一种医学图像样本生成方法、装置、存储介质及电子设备。在本说明书提供的医学图像样本生成方法中,在用户分析医学图像时,采集医学图像,作为样本图像,并采集用户的视线数据;根据视线数据,在样本图像中,生成与医学信息相关的感兴趣区域,作为样本图像对应的标注图像;针对任意两个样本图像,对该两个样本图像进行融合,得到合成样本图像,并根据该两个样本图像对应的两个标注图像,得到合成标注图像,合成标注图像对应于合成样本图像;将各样本图像以及各合成样本图像确定为模型的训练样本,并将各标注图像以及各合成标注图像确定为模型的标注,进行基于深度学习框架的医学图像视线区域预测,即合成标注图像样本的生成。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种医学图像样本生成方法、装置、存储介质及电子设备。
背景技术
如今,对医学图像进行分析是现代医学领域中重要的手段之一,通过医学图像能够对潜在的疾病进行分析与诊断。基于此,现代医学通常会采用神经网络模型对医学图像中的人体器官、病变体等可能的感兴趣区域进行预测,从而达到提高医生临床诊断效率与准确性的目的。
目前,在对用于分析医学图像的神经网络模型进行训练时,通常会采用有监督学习的方式,将医生可能的感兴趣区域标注在医学图像中,用于模型的训练。但是,由于医学图像本身样本数量较少,且人工标注门槛较高,需要医生亲自完成,费时费力,导致无法生成足够的样本用于模型的训练。
因此,如何增加医学图像样本的生成量是一个亟待解决的问题。
发明内容
本说明书提供一种医学图像样本生成方法、装置、存储介质及电子设备,以至少部分地解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种医学图像样本生成方法,包括:
在用户对医学图像进行分析时,采集各时刻展示的所述医学图像,作为样本图像,以及采集所述各时刻所述用户的视线数据;
针对每个样本图像,根据与采集该样本图像同一时刻采集的视线数据,在该样本图像中,确定感兴趣区域,作为该样本图像对应的标注图像;
针对任意两个采集时刻相差不超过指定时长的样本图像,对该两个样本图像进行融合,得到合成样本图像,并根据该两个样本图像对应的两个标注图像中各像素点的位置,得到合成标注图像,所述合成标注图像对应于所述合成样本图像;
将各样本图像以及各合成样本图像确定为训练样本,并将各标注图像以及各合成标注图像确定为标注。
可选的,采集所述各时刻所述用户的视线数据,具体包括:
针对每个样本图像,在该样本图像对应的时间段内,采集用户在对医学图像进行分析时,视线映射在所述医学图像中的各视线点,作为该样本图像对应的视线数据。
可选的,针对每个样本图像,根据与采集该样本图像同一时刻采集的视线数据,在该样本图像中,确定感兴趣区域,作为该样本图像对应的标注图像,具体包括:
针对每个样本图像,根据该样本图像中各视线点的位置,确定该样本图像对应的视线数据在该样本图像上的聚类中心;
根据所述聚类中心以及预设的误差角度,在该样本图像中确定感兴趣区域,作为该样本图像对应的标注图像。
可选的,根据所述聚类中心以及预设的误差角度,在该样本图像中确定感兴趣区域,作为该样本图像对应的标注图像,具体包括:
以所述聚类中心为原点,以预设的误差角度映射在所述样本图像上的长度为标准差,构建二维正态分布的感兴趣区域,作为所述视线数据在所述样本图像上的标注图像。
可选的,针对任一时刻,该时刻下采集的视线数据对应于该时刻下采集的样本图像;
在确定感兴趣区域之前,所述方法还包括:
针对每个样本图像,当该样本图像中存在数据损坏时,删除该样本图像与该样本图像对应的视线数据;
当该样本图像对应的视线数据中存在位于所述样本图像的成像区域之外的视线数据时,删除成像区域之外的视线数据;
当该样本图像不存在对应的视线数据时,删除该样本图像。
可选的,对该两个样本图像进行融合,得到合成样本图像,具体包括:
对该两个样本图像中对应位置的像素点的像素值进行叠加,得到合成样本图像。
可选的,对该两个样本图像进行融合,得到合成样本图像,并根据该两个样本图像对应的两个标注图像中各像素点的位置,得到合成标注图像,具体包括:
根据预设的分布参数确定合成权重;
根据所述合成权重,对该两个样本图像进行融合,得到合成样本图像,并根据该两个样本图像对应的两个标注图像中各像素点的位置以及所述合成权重,得到合成标注图像。
可选的,在对该两个样本图像进行融合,得到合成样本图像,并根据该两个样本图像对应的两个标注图像中各像素点的位置,得到合成标注图像之前,所述方法还包括:
对该两个样本图像中的至少一个样本图像以及所述至少一个样本图像对应的标注图像进行增强处理。
可选的,对该两个样本图像进行融合,得到合成样本图像,并根据该两个样本图像对应的两个标注图像中各像素点的位置,得到合成标注图像,具体包括:
对该两个样本图像进行融合,得到待定样本图像,并根据该两个样本图像对应的两个标注图像中各像素点的位置,得到待定标注图像,
对所述待定标注图像与所述待定样本图像分别进行增强处理,得到合成标注图像与和合成样本图像。
可选的,所述方法还包括:
将所述训练样本输入分析模型中;
通过所述分析模型中的编码子网,对所述训练样本进行编码,确定所述训练样本的编码特征;
通过所述分析模型中的解码子网,对所述编码特征进行解码,并根据解码特征输出所述训练样本的预测注视区域;
以所述预测注视区域与所述训练样本对应的标注之间的差异最小为优化目标,对所述分析模型进行训练。
可选的,所述编码子网至少包含若干卷积层和压缩激励通道,所述若干卷积层为并行结构,且各卷积层的卷积核均不相同;
通过所述分析模型中的编码子网,对所述训练样本进行编码,确定所述训练样本的编码特征,具体包括:
将所述训练样本分别输入各卷积层中,并对所述各卷积层的输出进行拼接,确定所述训练样本的空间特征和通道特征;
将所述通道特征输入所述压缩激励通道,对所述训练样本的通道特征进行强化;
对所述空间特征与所述通道特征进行融合,得到所述训练样本的编码特征。
可选的,所述编码子网还包括:残差网络层;
对所述空间特征与所述通道特征进行融合,具体包括:
通过所述残差网络层对所述空间特征与所述通道特征进行残差融合。
本说明书提供的一种样本生成装置,所述装置包括:
采集模块,用于在用户对医学图像进行分析时,采集各时刻展示的所述医学图像,作为样本图像,以及采集所述各时刻所述用户的视线数据;
标注模块,用于针对每个样本图像,根据与采集该样本图像同一时刻采集的视线数据,在该样本图像中,确定感兴趣区域,作为该样本图像对应的标注图像;
合成模块,用于针对任意两个样本图像,对该两个样本图像进行融合,得到合成样本图像,并根据该两个样本图像对应的两个标注图像中各像素点的位置,得到合成标注图像,所述合成标注图像对应于所述合成样本图像;
整合模块,用于将各样本图像以及各合成样本图像确定为训练样本,并将各标注图像以及各合成标注图像确定为标注。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述医学图像样本生成方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述医学图像样本生成方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的医学图像样本生成方法中,在用户分析医学图像时,采集医学图像,作为样本图像,并采集用户的视线数据;根据视线数据,在样本图像中,生成与医学信息相关的感兴趣区域,作为样本图像对应的标注图像;针对任意两个样本图像,对该两个样本图像进行融合,得到合成样本图像,并根据该两个样本图像对应的两个标注图像,得到合成标注图像,合成标注图像对应于合成样本图像;将各样本图像以及各合成样本图像确定为模型的训练样本,并将各标注图像以及各合成标注图像确定为模型的标注,进行基于深度学习框架的医学图像视线区域预测,即合成标注图像样本的生成。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中一种医学图像样本生成方法的流程示意图;
图2为本说明书中一种分析模型的结构示意图;
图3为本说明书提供的一种样本生成装置的示意图;
图4为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中一种医学图像样本生成方法的流程示意图,具体包括以下步骤:
S100:在用户对医学图像进行分析时,采集各时刻展示的所述医学图像,作为样本图像,以及采集所述各时刻所述用户的视线数据。
本说明书所提供的医学图像样本生成方法中的所有步骤均可由任何具有计算功能的电子设备实现,例如终端、服务器等设备。
在本说明书提供的医学图像样本生成方法中,用户可以是任何具有能力对医学图像进行分析的个体,通常可为医护人员;医学图像可以是通过各种医疗手段得到的可以反映人体内部结构的图像,包括但不限于电子计算机断层扫描(Computed Tomography,CT),超声图像、核磁共振成像(Magnetic Resonance Imaging,MRI)、病理图像等。
在采集样本图像与视线数据时,可让用户在对医学图像进行分析时,穿戴图像采集设备与眼球追踪设备,其中,图像采集设备用于对用户分析的医学图像进行采集;眼球追踪设备用于在用户对医学图像进行分析时对用户的视线数据进行采集。在采集的过程中,为了保证样本图像与视线数据能够一一对应,图像采集设备采集一帧样本图像与眼球追踪设备生成一个视线数据所需要的时间应相同,换句话说,采集每个样本图像与生成每个视线数据的时刻应相同。
实际上,在采集视线数据时,可针对每个样本图像,在该样本图像对应的时间段内,采集用户在对医学图像进行分析时,视线映射在所述医学图像中的各视线点,作为该样本图像对应的视线数据。换句话说,采集的视线数据实际上可以是在采集一帧样本图像的时间内,用户的视线点在样本图像上的分布。其中,每个视线点都可采用在样本图像中的位置坐标的形式来表现。在图像采集设备采集一帧样本图像的时间内,眼球追踪设备通常能够采集到用户的多个视线点,将眼球追踪设备在一帧样本图像对应的时间内采集到的多个视线点作为这一帧样本图像对应的视线数据。
可以想到的,采集一个样本图像与生成一个视线数据所需的时间并非固定不变的。由于用户在分析不同种类的医学图像时,面临的情况可能各不相同。因此在针对不同的医学图像时,可采用不同的时间间隔来采集样本图像与生成视线数据。例如,在医学图像为超声图像时,可常见的以每秒25帧的频率采集样本图像,并为每个样本图像生成对应的视线数据;而在医学图像为CT图像等固定不变的图像时,可在用户分析医学图像时,仅采集一个样本图像,并生成一个包含了用户在分析医学图像过程中全部视线点的视线数据。
值得一提的是,图像采集设备与眼球追踪设备可以是同时具备图像采集功能与眼球追踪功能的同一设备。
S102:针对每个样本图像,根据与采集该样本图像同一时刻采集的视线数据,在该样本图像中,确定感兴趣区域,作为该样本图像对应的标注图像。
通常情况下,用户在分析医学图像时,视线停留较久的位置大多为用户的感兴趣区域。因此,可根据用户的视线数据在样本图像中确定出感兴趣区域,作为样本图像对应的标注图像,用于对分析医学图像的模型的训练。其中,分析模型为用于确定出医学图像中感兴趣区域的模型。
可以想到的,在对医学图像进行分析的过程中,用户的视线并不会始终聚焦在样本图像上的一个点上不发生任何改变,而是会集中在用户感兴趣区域内来回移动。因此,在采集一帧样本图像的时间内,可以采集到多个处于不同位置的视线点的视线数据。可以认为,这些视线点所汇集在的一个特定的区域就是用户在样本图像上的感兴趣区域。
由此,为了确定出感兴趣区域,可首先确定出视线数据的聚类中心。具体的,可针对每个样本图像,根据该样本图像中各视线点的位置,确定该样本图像对应的视线数据在该样本图像上的聚类中心;根据所述聚类中心以及预设的误差角度,在该样本图像中确定感兴趣区域,作为该样本图像对应的标注图像。其中,各视线点的位置可以体现为各视线点在样本图像中的坐标;在确定聚类中心时可采用多种聚类方法,例如K-means、取平均等方法,本说明书对此不做具体限制。同样的,确定出的聚类中心也可采用在样本图像上的坐标的形式来表示。
以采用K-means进行聚类为例。在确定每个视线点在样本图像上的坐标后,可采用如下公式确定聚类中心:
其中,SSE为各视线点到聚类中心点的误差平方和,K为类别数量,x为视线点,为第i个类别的聚类中心。由于在本说明书提供的医学图像样本生成方法中,针对一帧样本图像,通常只需要确定出一个对应的聚类中心,因此K可以为1。上述公式可理解为,当SSE的值最小时,得到的/>即为需要的聚类中心。
在确定出聚类中心后,可随之根据聚类中心确定出对应的感兴趣区域。在本说明书提供的医学图像样本生成方法中,确定出的感兴趣区域,将作为标注图像用于对分析模型的训练。具体的,可以所述聚类中心为原点,以预设的误差角度映射在所述样本图像上的长度为标准差,构建呈二维正态分布的感兴趣区域,作为所述视线数据在所述样本图像上的标注图像。其中,误差角度表示在采集视线点时,视线与样本图像所在的平面的夹角的误差角度。可以想到的,在用户的眼球位置与样本图像的位置不变的情况下,当用户的视线与样本图像所在的平面的夹角发生改变时,视线点落在样本图像上的位置自然会发生改变。假设用户的视线与样本图像所在的平面的夹角改变的角度为误差角度,那么在夹角的角度改变前后,两个视线点在样本图像上所差的距离即为误差角度映射在样本图像上的长度。
可以想到的,当用户的视线与样本图像所在的平面并非垂直相交时,视线与样本图像的夹角在各方向上变化相同的角度时,映射在样本图像上的长度是不同的。因此,为了保证能够形成正态分布的标注图像,预设的误差角度可以为较小的角度,例如1°。由此,在角度变化较小的情况下,视线与样本图像的夹角在各方向上映射的长度趋于相同,可将任一方向上的映射的长度作为标准差,构建呈二维正态分布的感兴趣区域。当然,也可构建出各方向上标准差均不相同的正态分布,但构建过程相对困难,本说明书对此不做具体限制。
以二维正态分布表示的标注图像,可以用于表征出用户在对样本图像进行分析时,视线落在二维正态分布内的概率。也可用于表征,以聚类中心为原点的圆形区域,在不同半径下为感兴趣区域的概率。
标注图像可以仅包含二维正态分布图本身,也可以是二维正态分布图与样本图像的结合。通常情况下,正态分布可采用原点与标准差进行表达,而作为原点的聚类中心,以及根据误差角度确定出的标准差都是在对应的样本图像上确定出的,因此,即使无需包含样本图像,标注图像中的二维正态分布也能够对应在样本图像中的正确位置上。
虽然如此,但在实际应用到模型训练中时,被训练的分析模型通常会在样本图像的基础上对感兴趣区域进行预测,也就是分析模型的输出通常为样本图像与感兴趣区域的结合。当然,模型也可根据样本图像仅输出不包含原样本图像的感兴趣区域,但实现难度较高,通常不予考虑。因此,为了更便于后续对分析模型的训练,标注图像在一般情况下为样本图像与对应的二维正态分布图的结合。
S106:针对任意两个采集时刻相差不超过指定时长的样本图像,对该两个样本图像进行融合,得到合成样本图像,并根据该两个样本图像对应的两个标注图像中各像素点的位置,得到合成标注图像,所述合成标注图像对应于所述合成样本图像。
由于在目前的医疗领域中,可以用作训练样本的样本图像数量较少,因此,在对模型进行训练之前,需要对训练样本进行扩展,增加训练样本的数量。在本说明书提供的医学图像样本生成方法中,可通过对已有的训练样本进行数据增强,得到新的训练样本。对于用户在同一医学图像进行分析中采集到的各样本图像与对应的标注图像,可在其中任意选择两个采集时刻相差不超过指定时长的样本图像,以及与该两个样本图像对应的两个标注图像;将该两个样本图像合成为新的合成样本图像,并将对应的两个标注图像合成为新的合成标注图像。可以想到的,得到的合成样本图像与合成标注图像相对应,可作为额外的训练样本与标注进行使用。
可以想到的,当两帧样本图像之间的采集间隔较久时,对应的标注图像在进行合成时的效果可能会较差。因此,在选择用于合成的样本图像与标注图像时,可选择任意两个采集时刻相差不超过指定时长的样本图像。额外的,还可选择任意两帧间隔的帧数小于指定帧数的图像。其中,指定时长和指定帧数均可根据具体需求进行设定。
样本图像是对医学图像的完整采集,而标注图像是位于样本图像中的某个位置的二维正态分布图。换句话说,标注图像是对样本图像中感兴趣区域所在的位置的标注。因此,通常采用不同的方式得到合成样本图像与合成标注图像。具体的,在合成样本图像时,可对该两个样本图像中对应位置的像素点的像素值进行叠加,得到合成样本图像。其中,对像素值的叠加可以是直接相加,也可以是加权相加或取平均值。而在合成标注图像时,可将两个标注图像中二维正态分布的原点坐标取平均,并将两个标注图像中二维正态分布的标准差取平均,得到新的原点坐标和标准差,构建合成标注图像中的二维正态分布。
在合成时,可通过多种方式得到合成样本图像与合成标注图像,本说明书在此给出一种实施例以供参考。具体的,可根据预设的分布参数确定合成权重;根据所述合成权重,对该两个样本图像进行融合,得到合成样本图像,并根据该两个样本图像对应的两个标注图像中各像素点的位置以及所述合成权重,得到合成标注图像。可按照下述公式确定合成样本图像与合成标注图像:
在确定合成样本图像与合成标注图像时,均可按照上述公式进行确定。可以想到的,合成样本图像是由两个样本图像合成得到的,合成标注图像是由两个标注图像合成得到的。
其中,表示合成样本图像,/>表示合成标注图像;/>分别表示用于合成的两个样本图像;/>表示用于合成的两个标注图像;/>表示一组对应的样本合成图像与样本标注图像,也可表示为(/>,/>);α为合成权重。其中,合成权重可根据预设的分布参数的改变而改变,具体的,合成权重α与分布参数m可遵循β分布:。分布参数m可根据具体需求进行不同的设置,且m与β的取值范围均在0到1之间。
额外的,还可通过对样本图像与标注图像进行增强处理的方式来获取更多的训练样本与标注。其中,可选择先对样本图像与标注图像进行增强处理,之后再合成;也可选择先对样本图像和标注图像分别进行合成,再进行增强处理。
具体的,在合成之前,可对该两个样本图像中的至少一个样本图像以及所述至少一个样本图像对应的标注图像进行增强处理。或,可在得到合成的样本图像与合成的标注图像后,还可采用图像数据增强的方式得到更多不同的训练样本与标注。具体的,可根据该两个标注图像中各像素点的位置,得到待定标注图像,并根据该两个标注图像对应的两个样本图像中各像素点的位置,得到待定样本图像;对所述待定标注图像与所述待定样本图像分别进行增强处理,得到合成标注图像与和合成样本图像。
其中,增强处理可包括但不限于拉伸、倾斜、翻转、亮度调整的处理方式。并且额外的,上述增强处理同样可用于原本的样本图像与标注图像本身,得到新的训练样本与标注。
同时,可以想到的,对样本图像和标注图像进行增强处理后,也可不用于合成,直接作为训练样本与标注。
S108:将各样本图像以及各合成样本图像确定为训练样本,并将各标注图像以及各合成标注图像确定为标注。
在本说明书提供的医学图像样本生成方法中,需要训练的模型为对样本图像进行分析的分析模型,分析模型的主要功能为预测出样本图像中可能的感兴趣区域。在本说明书提供的医学图像样本生成方法中,分析模型的输入为医学图像,输出为样本图像上的预测注视区域,也就是用户可能的感兴趣区域。由此,可将之前步骤中得到的样本图像、合成样本图像作为训练样本,将标注图像、合成标注图像作为标注,在后续对分析模型进行训练。
从上述方法中可以看出,在采用本说明书提供的医学图像样本生成方法对用于预测样本图像的感兴趣区域的分析模型进行训练时,可通过对用户的视线追踪自动生成样本图像的标注,并通过合成、数据增强等方式增加有标注的训练样本的数量,使分析模型得到充分的训练,显著提高了分析模型的训练效果。
额外的,由于采集设备和人为操作存在不稳定性,无法保证采集到的样本图像与对应的视线数据一定是可用的有效数据,因此在对视线数据进行聚类之前,还可对采集的各视线数据以及与所述各视线数据对应的各样本图像进行数据清洗与归一化处理。
可以想到的,针对任一时刻,该时刻下采集的视线数据对应于该时刻下采集的样本图像。其中,数据清洗可针对每个样本图像,当该样本图像中存在数据损坏时,舍弃该样本图像与该样本图像对应的视线数据;当该样本图像对应的视线数据中存在位于所述样本图像的成像区域之外的视线数据时,删除成像区域之外的视线数据;当该样本图像不存在对应的视线数据时,舍弃该样本图像。
由此,即可保证留存的样本图像与对应的视线数据均为可靠的数据,并且经过归一化处理后能够提供更好的训练效果。
在本说明书提供的医学图像样本生成方法中,分析模型可至少包括编码子网与解码子网。在训练时,可具体的,将所述训练样本输入分析模型中;通过所述分析模型中的编码子网,对所述训练样本进行编码,确定所述训练样本的编码特征;通过所述分析模型中的解码子网,对所述编码特征进行解码,并根据解码特征输出所述训练样本的预测注视区域;以所述预测注视区域与所述训练样本对应的标注之间的差异最小为优化目标,对所述分析模型进行训练。
其中,所述编码子网至少包含若干卷积层和压缩激励(Squeez-and-Excite,SE)通道,所述若干卷积层为并行结构,且各卷积层的卷积核均不相同。在通过编码子网确定编码特征时,可将所述训练样本分别输入各卷积层中,并对所述各卷积层的输出进行拼接,确定所述训练样本的空间特征;将所述空间特征输入所述压缩激励通道,确定所述训练样本的通道特征;对所述空间特征与所述通道特征通过残差连接进行融合,得到所述训练样本的编码特征。
图2展示了本说明书提供的一种分析模型的模型结构的示意图。如图2所示,分析模型的编码子网中可包含若干个卷积核大小不同且并行的卷积层,以及SE通道。其中,各卷积层用于捕捉输入图像中不同的相对空间特征,将各并行的卷积层的输出进行拼接,即可得到训练样本的空间特征;同时,各卷积层还可包含下采样功能,缩小输入的图像的尺寸。SE通道用于捕捉输入的图像的通道特征。将得到的空间特征与通道特征进行融合,即可得到对应的训练样本的编码特征。其中,编码子网中还可包括残差网络层,用于对所述空间特征与所述通道特征进行残差融合。
相对应的,解码子网中可包含转置卷积层、归一化层、丢弃(dropout)层以及若干卷积层。其中,转置卷积层用于对图像进行上采样,放大图像的尺寸。Dropout层用于在每次训练时随机暂时丢弃若干神经单元,以防止在训练过程中出现过拟合现象,提高分析模型的泛化能力。最终,通过卷积核大小为1×1的卷积层输出预测的视线区域。
值得一提的是,在分析模型的编码网络中,以若干并行卷积层与一个SE通道为一级标准结构;在分析模型的解码网络中,以一个转置卷积层、一个归一化层、一个dropout层和两个卷积层为一级标准结构。在如图2所示的分析模型的编码网络与解码网络中,存在两级标准结构。可以想到的,多级结构能够带来更好的模型效果,但也会增加模型的计算量,因此,在实际应用中,分析模型中的层级数可根据具体需求进行设置,本说明书对此不做具体限制。
以上是本说明书提供的医学图像样本生成方法,基于同样的思路,本说明书还提供了相应的样本生成装置,如图3所示。
图3为本说明书提供的一种样本生成装置示意图,具体包括:
采集模块200,用于在用户对医学图像进行分析时,采集各时刻展示的所述医学图像,作为样本图像,以及采集所述各时刻所述用户的视线数据;
标注模块202,用于针对每个样本图像,根据与采集该样本图像同一时刻采集的视线数据,在该样本图像中,确定感兴趣区域,作为该样本图像对应的标注图像;
合成模块204,用于针对任意两个采集时刻相差不超过指定时长的样本图像,对该两个样本图像进行融合,得到合成样本图像,并根据该两个样本图像对应的两个标注图像中各像素点的位置,得到合成标注图像,所述合成标注图像对应于所述合成样本图像;
整合模块206,用于将各样本图像以及各合成样本图像确定为训练样本,并将各标注图像以及各合成标注图像确定为标注。
可选的,所述采集模块200,具体用于针对每个样本图像,在该样本图像对应的时间段内,采集用户在对医学图像进行分析时,视线映射在所述医学图像中的各视线点,作为该样本图像对应的视线数据。
可选的,所述标注模块202,具体用于针对每个样本图像,根据该样本图像中各视线点的位置,确定该样本图像对应的视线数据在该样本图像上的聚类中心;根据所述聚类中心以及预设的误差角度,在该样本图像中确定感兴趣区域,作为该样本图像对应的标注图像。
可选的,所述标注模块202,具体用于以所述聚类中心为原点,以预设的误差角度映射在所述样本图像上的长度为标准差,构建呈二维正态分布的感兴趣区域,作为所述视线数据在所述样本图像上的标注图像。
可选的,针对任一时刻,该时刻下采集的视线数据对应于该时刻下采集的样本图像;
所述装置还包括,清洗模块208,具体用于针对每个样本图像,当该样本图像中存在数据损坏时,删除该样本图像与该样本图像对应的视线数据;当该样本图像对应的视线数据中存在位于所述样本图像的成像区域之外的视线数据时,删除成像区域之外的视线数据;当该样本图像不存在对应的视线数据时,删除该样本图像。
可选的,所述任意两个样本图像的采集时刻相差不超过指定时长。
可选的,所述合成模块204,具体用于对该两个样本图像中对应位置的像素点的像素值进行叠加,得到合成样本图像。
可选的,所述合成模块204,具体用于根据预设的分布参数确定合成权重;根据所述合成权重,对该两个样本图像进行融合,得到合成样本图像,并根据该两个样本图像对应的两个标注图像中各像素点的位置以及所述合成权重,得到合成标注图像。
可选的,所述装置还包括,增强模块210,具体用于对该两个样本图像中的至少一个样本图像以及所述至少一个样本图像对应的标注图像进行增强处理。
可选的,所述合成模块204,具体用于对该两个样本图像进行融合,得到待定样本图像,并根据该两个样本图像对应的两个标注图像中各像素点的位置,得到待定标注图像,对所述待定标注图像与所述待定样本图像分别进行增强处理,得到合成标注图像与和合成样本图像。
可选的,所述装置还包括,训练模块212,具体用于将所述训练样本输入分析模型中;通过所述分析模型中的编码子网,对所述训练样本进行编码,确定所述训练样本的编码特征;通过所述分析模型中的解码子网,对所述编码特征进行解码,并根据解码特征输出所述训练样本的预测注视区域;以所述预测注视区域与所述训练样本对应的标注之间的差异最小为优化目标,对所述分析模型进行训练。
可选的,所述编码子网至少包含若干卷积层和压缩激励通道,所述若干卷积层为并行结构,且各卷积层的卷积核均不相同;
所述训练模块212,具体用于将所述训练样本分别输入各卷积层中,并对所述各卷积层的输出进行拼接,确定所述训练样本的空间特征和通道特征;将所述空间特征输入所述压缩激励通道,对所述训练样本的通道特征进行强化;对所述空间特征与所述通道特征进行融合,得到所述训练样本的编码特征。
可选的,所述编码子网还包括:残差网络层;
所述训练模块212,具体用于通过所述残差网络层对所述空间特征与所述通道特征进行残差融合。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的医学图像样本生成方法。
本说明书还提供了图4所示的电子设备的示意结构图。如图4所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的医学图像样本生成方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(ProgrammableLogic Device, PLD)(例如现场可编程门阵列(Field Programmable Gate Array,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(HardwareDescription Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(AdvancedBoolean Expression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(JavaHardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby HardwareDescription Language)等,目前最普遍使用的是VHDL(Very-High-Speed IntegratedCircuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (15)
1.一种医学图像样本生成方法,其特征在于,包括:
在用户对医学图像进行分析时,采集各时刻展示的所述医学图像,作为样本图像,以及采集所述各时刻所述用户的视线数据;
针对每个样本图像,确定在该样本图像对应的时间段内采集的各视线点,作为视线数据,根据对各视线点聚类得到的聚类中心及预设的误差角度,构建呈二维正态分布的感兴趣区域,作为该样本图像对应的标注图像;
针对任意两个采集时刻相差不超过指定时长的样本图像,对该两个样本图像进行融合,得到合成样本图像,并根据该两个样本图像对应的两个标注图像中各像素点的位置,得到合成标注图像,所述合成标注图像对应于所述合成样本图像;
将各样本图像以及各合成样本图像确定为训练样本,并将各标注图像以及各合成标注图像确定为标注。
2.如权利要求1所述的方法,其特征在于,采集所述各时刻所述用户的视线数据,具体包括:
针对每个样本图像,在该样本图像对应的时间段内,采集用户在对医学图像进行分析时,视线映射在所述医学图像中的各视线点,作为该样本图像对应的视线数据。
3.如权利要求2所述的方法,其特征在于,对各视线点聚类得到的聚类中心,具体包括:
针对每个样本图像,根据该样本图像中各视线点的位置,确定该样本图像对应的视线数据在该样本图像上的聚类中心。
4.如权利要求3所述的方法,其特征在于,根据对各视线点聚类得到的聚类中心及预设的误差角度,构建呈二维正态分布的感兴趣区域,具体包括:
以所述聚类中心为原点,以预设的误差角度映射在所述样本图像上的长度为标准差,构建呈二维正态分布的感兴趣区域。
5.如权利要求1所述的方法,其特征在于,针对任一时刻,该时刻下采集的视线数据对应于该时刻下采集的样本图像;
在确定感兴趣区域之前,所述方法还包括:
针对每个样本图像,当该样本图像中存在数据损坏时,删除该样本图像与该样本图像对应的视线数据;
当该样本图像对应的视线数据中存在位于所述样本图像的成像区域之外的视线数据时,删除成像区域之外的视线数据;
当该样本图像不存在对应的视线数据时,删除该样本图像。
6.如权利要求1所述的方法,其特征在于,对该两个样本图像进行融合,得到合成样本图像,具体包括:
对该两个样本图像中对应位置的像素点的像素值进行叠加,得到合成样本图像。
7.如权利要求1所述的方法,其特征在于,对该两个样本图像进行融合,得到合成样本图像,并根据该两个样本图像对应的两个标注图像中各像素点的位置,得到合成标注图像,具体包括:
根据预设的分布参数确定合成权重;
根据所述合成权重,对该两个样本图像进行融合,得到合成样本图像,并根据该两个样本图像对应的两个标注图像中各像素点的位置以及所述合成权重,得到合成标注图像。
8.如权利要求1所述的方法,其特征在于,在对该两个样本图像进行融合,得到合成样本图像,并根据该两个样本图像对应的两个标注图像中各像素点的位置,得到合成标注图像之前,所述方法还包括:
对该两个样本图像中的至少一个样本图像以及所述至少一个样本图像对应的标注图像进行增强处理。
9.如权利要求1所述的方法,其特征在于,对该两个样本图像进行融合,得到合成样本图像,并根据该两个样本图像对应的两个标注图像中各像素点的位置,得到合成标注图像,具体包括:
对该两个样本图像进行融合,得到待定样本图像,并根据该两个样本图像对应的两个标注图像中各像素点的位置,得到待定标注图像,
对所述待定标注图像与所述待定样本图像分别进行增强处理,得到合成标注图像与和合成样本图像。
10.如权利要求1-9中任一项所述的方法,其特征在于,所述方法还包括:
将所述训练样本输入分析模型中;
通过所述分析模型中的编码子网,对所述训练样本进行编码,确定所述训练样本的编码特征;
通过所述分析模型中的解码子网,对所述编码特征进行解码,并根据解码特征输出所述训练样本的预测注视区域;
以所述预测注视区域与所述训练样本对应的标注之间概率分布的差异最小为优化目标,对所述分析模型进行训练。
11.如权利要求10所述的方法,其特征在于,所述编码子网至少包含若干卷积层和压缩激励通道,所述若干卷积层为并行结构,且各卷积层的卷积核均不相同;
通过所述分析模型中的编码子网,对所述训练样本进行编码,确定所述训练样本的编码特征,具体包括:
将所述训练样本分别输入卷积层中,并对所述各卷积层的输出进行拼接,确定所述训练样本的空间特征和通道特征;
将所述通道特征输入所述压缩激励通道,对所述训练样本的通道特征进行强化;
对所述空间特征与所述通道特征进行融合,得到所述训练样本的编码特征。
12.如权利要求11所述的方法,其特征在于,所述编码子网还包括:残差网络层;
对所述空间特征与所述通道特征进行融合,具体包括:
通过所述残差网络层对所述空间特征与所述通道特征进行残差融合。
13.一种样本生成装置,其特征在于,包括:
采集模块,用于在用户对医学图像进行分析时,采集各时刻展示的所述医学图像,作为样本图像,以及采集所述各时刻所述用户的视线数据;
标注模块,用于针对每个样本图像,确定在该样本图像对应的时间段内采集的各视线点,作为视线数据,根据对各视线点聚类得到的聚类中心及预设的误差角度,构建呈二维正态分布的感兴趣区域,作为该样本图像对应的标注图像;
合成模块,用于针对任意两个采集时刻相差不超过指定时长的样本图像,对该两个样本图像进行融合,得到合成样本图像,并根据该两个样本图像对应的两个标注图像中各像素点的位置,得到合成标注图像,所述合成标注图像对应于所述合成样本图像;
整合模块,用于将各样本图像以及各合成样本图像确定为训练样本,并将各标注图像以及各合成标注图像确定为标注。
14.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~12任一项所述的方法。
15.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~12任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310299830.8A CN116030247B (zh) | 2023-03-20 | 2023-03-20 | 一种医学图像样本生成方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310299830.8A CN116030247B (zh) | 2023-03-20 | 2023-03-20 | 一种医学图像样本生成方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116030247A CN116030247A (zh) | 2023-04-28 |
CN116030247B true CN116030247B (zh) | 2023-06-27 |
Family
ID=86074268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310299830.8A Active CN116030247B (zh) | 2023-03-20 | 2023-03-20 | 一种医学图像样本生成方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116030247B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117036830B (zh) * | 2023-10-07 | 2024-01-09 | 之江实验室 | 一种肿瘤分类模型训练方法、装置、存储介质及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105223583A (zh) * | 2015-09-10 | 2016-01-06 | 清华大学 | 一种基于三维激光雷达的目标车辆航向角计算方法 |
CN107493432A (zh) * | 2017-08-31 | 2017-12-19 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、移动终端及计算机可读存储介质 |
CN108073886A (zh) * | 2016-11-18 | 2018-05-25 | 南京行者易智能交通科技有限公司 | 一种基于机器学习的公交车乘客量估算方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107077211B (zh) * | 2014-10-23 | 2021-02-02 | 皇家飞利浦有限公司 | 视线跟踪驱动的感兴趣区域分割 |
CN104978719A (zh) * | 2015-06-16 | 2015-10-14 | 浙江工业大学 | 基于时空相关性的自适应交通视频实时去雾方法 |
CN109298786B (zh) * | 2018-09-13 | 2022-06-21 | 北京旷视科技有限公司 | 标注准确率评估方法及装置 |
CN109816013A (zh) * | 2019-01-17 | 2019-05-28 | 陆宇佳 | 基于眼动追踪进行图像样本快速获取装置及方法 |
CN110009675B (zh) * | 2019-04-03 | 2021-05-18 | 北京市商汤科技开发有限公司 | 生成视差图的方法、装置、介质及设备 |
CN110516695A (zh) * | 2019-07-11 | 2019-11-29 | 南京航空航天大学 | 面向医学图像分类的对抗样本生成方法及系统 |
CN110910391B (zh) * | 2019-11-15 | 2023-08-18 | 安徽大学 | 一种双模块神经网络结构视频对象分割方法 |
CN111553440B (zh) * | 2020-05-09 | 2023-05-26 | 创新奇智(南京)科技有限公司 | 样本图像生成方法、装置和设备 |
CN112308006A (zh) * | 2020-11-10 | 2021-02-02 | 深圳地平线机器人科技有限公司 | 视线区域预测模型生成方法、装置、存储介质及电子设备 |
CN113724186A (zh) * | 2021-03-10 | 2021-11-30 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、设备及介质 |
CN112801064A (zh) * | 2021-04-12 | 2021-05-14 | 北京的卢深视科技有限公司 | 一种模型训练方法、电子设备及存储介质 |
CN114581375A (zh) * | 2022-01-27 | 2022-06-03 | 大连东软教育科技集团有限公司 | 一种无线胶囊内窥镜病灶自动检测方法、装置及存储介质 |
CN114612479B (zh) * | 2022-02-09 | 2023-03-24 | 苏州大学 | 基于全局与局部特征重建网络的医学图像分割方法和装置 |
CN115063785B (zh) * | 2022-08-17 | 2023-01-10 | 深圳联友科技有限公司 | 高速公路场景使用目标识别模型定位车牌的方法及装置 |
-
2023
- 2023-03-20 CN CN202310299830.8A patent/CN116030247B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105223583A (zh) * | 2015-09-10 | 2016-01-06 | 清华大学 | 一种基于三维激光雷达的目标车辆航向角计算方法 |
CN108073886A (zh) * | 2016-11-18 | 2018-05-25 | 南京行者易智能交通科技有限公司 | 一种基于机器学习的公交车乘客量估算方法 |
CN107493432A (zh) * | 2017-08-31 | 2017-12-19 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、移动终端及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116030247A (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Smartphone-based wound assessment system for patients with diabetes | |
KR20210082234A (ko) | 이미지 처리 방법 및 장치, 전자 기기 및 기억 매체 | |
US20220198230A1 (en) | Auxiliary detection method and image recognition method for rib fractures based on deep learning | |
CN112784857B (zh) | 一种模型训练以及图像处理方法及装置 | |
CN116030247B (zh) | 一种医学图像样本生成方法、装置、存储介质及电子设备 | |
CN116187448B (zh) | 一种信息展示的方法、装置、存储介质及电子设备 | |
CN116342888B (zh) | 一种基于稀疏标注训练分割模型的方法及装置 | |
CN116524295A (zh) | 一种图像处理方法、装置、设备及可读存储介质 | |
CN115082405B (zh) | 颅内病灶的检测模型的训练方法、检测方法、装置及设备 | |
CN115546094A (zh) | 一种模型的训练方法、ct图像的优化方法及装置 | |
CN110517244B (zh) | 一种基于dsa图像的定位方法及系统 | |
CN116229218B (zh) | 一种模型训练、图像配准方法及装置 | |
CN117726760B (zh) | 一种用于视频的三维人体重建模型的训练方法及装置 | |
CN115623317B (zh) | 一种对焦的方法、设备及存储介质 | |
Chao et al. | Surgical action detection based on path aggregation adaptive spatial network | |
CN117036830B (zh) | 一种肿瘤分类模型训练方法、装置、存储介质及电子设备 | |
CN114782390B (zh) | 检测模型的确定方法、息肉检测方法、装置、介质及设备 | |
CN116188469A (zh) | 一种病灶检测方法、装置、可读存储介质及电子设备 | |
Arora et al. | Enhancing teeth segmentation using multifusion deep neural net in panoramic X-ray images | |
CN110634129B (zh) | 一种基于dsa图像的定位方法及系统 | |
CN116309582B (zh) | 一种便携式超声扫描图像的识别方法、装置及电子设备 | |
JP7459357B1 (ja) | 画像認識方法、装置、デバイスおよび記憶媒体 | |
KR101957810B1 (ko) | 영상을 다배율로 촬영하는 방법, 이를 위한 제어 장치 및 촬영 장치 | |
CN116309428A (zh) | 一种感兴趣区域确定方法、装置、存储介质及电子设备 | |
CN116864064A (zh) | 一种医学影像报告的生成方法、装置及存储介质 |
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 |