CN116109824A - 基于扩散模型的医学影像及像素级标注生成方法及装置 - Google Patents
基于扩散模型的医学影像及像素级标注生成方法及装置 Download PDFInfo
- Publication number
- CN116109824A CN116109824A CN202310118369.1A CN202310118369A CN116109824A CN 116109824 A CN116109824 A CN 116109824A CN 202310118369 A CN202310118369 A CN 202310118369A CN 116109824 A CN116109824 A CN 116109824A
- Authority
- CN
- China
- Prior art keywords
- medical image
- pixel
- data
- diffusion model
- level
- 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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- 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
- G06V10/82—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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10116—X-ray 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
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Bioethics (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- General Engineering & Computer Science (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请提出了一种基于扩散模型的医学影像及像素级标注生成方法及装置,涉及医学图像处理领域,包括:获取医学影像样本,并对医学影像样本进行标注处理,确定医学影像样本对应的像素级分割标注样本;将医学影像样本归一化,并与像素级分割标注样本进行拼接,获取拼接数据;对拼接数据进行预处理,生成训练数据;训练训练数据以获得扩散模型,其中,扩散模型以U‑Net作为网络结构;将随机采样高斯噪声输入扩散模型并通过多次迭代,生成医学影像与对应的像素级分割标注。通过深度学习的方式自动生成大规模医学影像及像素级标注,有助于在真实数据有限的情况下通过增加训练数据来提高自动分割方法的准确性和稳定性,并避免了真实数据泄露造成的隐私问题。
Description
技术领域
本申请涉及医学图像处理领域,尤其涉及一种基于扩散模型的医学影像及像素级标注生成方法及装置。
背景技术
基于机器学习的医学影像自动分割方法通常需要较大规模的医学影像及像素级标注作为训练数据,而实际中大规模像素级标注的获取需要非常可观的人力成本。此外,在真实数据上训练得到的深度分割模型具有泄露训练数据的风险。
扩散模型(Diffusion Model)是一种近年来新出现的基于深度学习的生成模型,具有生成质量高、多样性强、训练稳定的优点。近年来,扩散模型在图像生成、视频生成等领域取得了令人瞩目的效果,其中DDPM(Denoising Diffusion Probabilistic Model)是广泛使用的图像生成方法。
发明内容
针对上述问题,提出了一种基于扩散模型的医学影像及像素级标注生成方法及装置。
本申请第一方面提出一种基于扩散模型的医学影像及像素级标注生成方法,包括:
获取医学影像样本,并对所述医学影像样本进行标注处理,确定所述医学影像样本对应的像素级分割标注样本;
将所述医学影像样本归一化,并与所述像素级分割标注样本进行拼接,获取拼接数据;
对所述拼接数据进行预处理,生成训练数据;
训练所述训练数据以获得扩散模型,其中,所述扩散模型以U-Net作为网络结构;
将随机采样高斯噪声输入所述扩散模型并通过多次迭代,生成医学影像与对应的像素级分割标注。
可选的,所述将所述医学影像样本归一化,并与所述像素级分割标注样本进行拼接,获取拼接数据,包括:
将所述像素级分割标注样本表示为与对应的所述医学影像样本具有相同空间分辨率的高维向量,其中,每个位置上的元素表示所述医学影像样本对应位置像素的类别;
将所述类别赋值,实现所述医学影像样本的归一化,其中,所述类别的数值均匀分布在-1至1的区间内;
在通道维度上将所述像素级分割标注样本与所述医学影像样本拼接,生成所述拼接数据。
可选的,所述对所述拼接数据进行预处理,生成训练数据,包括;
将所述拼接数据缩放至固定尺寸,作为所述扩散模型的训练数据。
可选的,所述扩散模型的网络结构,还包括:
采用2D U-Net处理二维图像;
采用3D U-Net处理三维影像。
可选的,所述将随机采样高斯噪声输入所述扩散模型并通过多次迭代,生成医学影像与对应的像素级分割标注,包括:
将随机采样高斯噪声输入所述扩散模型,并生成网络输出数据;
根据所述网络输出数据,计算下一次的网络输入数据;
重复上述步骤,直至迭代次数满足预设次数,得到生成数据
根据通道划分处理所述生成数据,获取所述医学影像以及编码的所述像素级分割标注。
可选的,所述方法,还包括:
对所述像素级分割标注进行后处理,在每个像素位置上以数值最接近的类别数值对应的类别作为类别标注。
本申请第二方面提出一种基于扩散模型的医学影像及像素级标注生成装置,包括:
获取模块,用于获取医学影像样本,并对所述医学影像样本进行标注处理,确定所述医学影像样本对应的像素级分割标注样本;
拼接模块,用于将所述医学影像样本归一化,并与所述像素级分割标注样本进行拼接,获取拼接数据;
预处理模块,用于对所述拼接数据进行预处理,生成训练数据;
训练模块,用于训练所述训练数据以获得扩散模型,其中,所述扩散模型以U-Net作为网络结构;
输出模块,用于将随机采样高斯噪声输入所述扩散模型并通过多次迭代,生成医学影像与对应的像素级分割标注。
本申请第三方面提出一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上述第一方面中任一所述的方法。
本申请第四方面提出一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面中任一所述的方法。
本申请的实施例提供的技术方案至少带来以下有益效果:
通过深度学习的方式自动生成大规模医学影像及像素级标注,有助于在真实数据有限的情况下通过增加训练数据来提高自动分割方法的准确性和鲁棒性,也可以通过仅在生成数据上训练分割模型来避免真实数据泄露造成的隐私问题。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本申请实施例示出的一种基于扩散模型的医学影像及像素级标注生成方法的流程图;
图2是根据本申请实施例示出的一种基于扩散模型的医学影像及像素级标注生成方法的流程图;
图3是根据本申请实施例示出的一种基于扩散模型的医学影像及像素级标注生成方法的流程图;
图4是根据本申请实施例示出的一种基于扩散模型的医学影像及像素级标注生成装置的框图;
图5是一种电子设备的框图。
具体实施方式
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
图1是根据本申请实施例示出的一种基于扩散模型的医学影像及像素级标注生成方法的流程图,包括:
步骤101,获取医学影像样本,并对医学影像样本进行标注处理,确定医学影像样本对应的像素级分割标注样本。
本申请实施例中,医学影像样本为经过X射线投影、CT、超声、磁共振成像、核素等处理后的影像,其中,本申请通过公开的医学影像数据库获取医学影像样本,例如TCIA数据库、MedPix数据库、LONI数据库等。
本申请实施例中,像素级分割标注的目的是指示感兴趣类别(如病灶、生理结构)在医学影像上的位置和类别,在计算机中表示为具有与医学影像样本相同空间分辨率的高维向量,医学影像样本的每一个像素/体素与像素级分割标注样本的一个类别向量一一对应。
其中,类别向量指示了该像素具有的类别标记,对于共计C个类别的应用场景,类别向量就是一个长度为C的一维向量,对应的像素/体素所符合的类别被赋值为1,否则赋值为0
步骤102,将医学影像样本归一化,并与像素级分割标注样本进行拼接,获取拼接数据。
本申请实施例中,将医学影像样本和像素级分割标注样本表示为适合于扩散模型的形式,具体来说,步骤102还包括:
步骤201,将像素级分割标注样本表示为与对应的医学影像样本具有相同空间分辨率的高维向量,其中,每个位置上的元素表示医学影像样本对应位置像素的类别。
步骤202,将类别赋值,实现医学影像样本的归一化,其中,类别的数值均匀分布在-1至1的区间内。
本申请实施例中,每一个类别用一个固定的数值进行表示,不同类别对应不同的数值,所有类别的数值表示均匀分布在-1至1的区间内,由此将医学影像样本归一化到-1至1的区间中。
步骤203,在通道维度上将像素级分割标注样本与医学影像样本拼接,生成拼接数据。
本申请实施例中,将医学影像样本与对应的像素级分割标注样本拼接成为一个高维向量,作为扩散模型生成数据的形式。
步骤103,对拼接数据进行预处理,生成训练数据。
本申请实施例中,将拼接数据缩放到一个固定的尺寸,作为扩散模型的训练数据。
步骤104,训练训练数据以获得扩散模型,其中,扩散模型以U-Net作为网络结构。
本申请实施例中,采用DDPM作为扩散模型,采用U-Net作为扩散模型的网络结构,每一步去噪过程中将上一步输出的数据输入到U-Net网络中,根据网络输出的噪声预测进行去噪。
其中,二维图像采用2D U-Net,三维影像采用3D U-Net。
一种可能的实施例中,二维图像为X光图像,三维影像为CT影像。
步骤105,将随机采样高斯噪声输入扩散模型并通过多次迭代,生成医学影像与对应的像素级分割标注。
本申请考虑在真实数据上逐步添加随机高斯噪声的逆过程,从随机噪声出发逐步进行去噪从而生成真实数据,具体的说,步骤105还包括:
步骤301,将随机采样高斯噪声输入扩散模型,并生成网络输出数据;
步骤302,根据网络输出数据,计算下一次的网络输入数据;
步骤303,重复上述步骤,直至迭代次数满足预设次数,得到生成数据;
步骤304,根据通道划分处理生成数据,获取医学影像以及编码的像素级分割标注。
本申请实施例中,预设次数设为1000次,生成数据与训练数据格式相同、尺寸相同。
另外,对像素级分割标注进行后处理,在每个像素位置上以数值最接近的类别数值对应的类别作为类别标注。
本申请实施例通过深度学习的方式自动生成大规模医学影像及像素级标注,有助于在真实数据有限的情况下通过增加训练数据来提高自动分割方法的准确性和稳定性,也可以通过仅在生成数据上训练分割模型来避免真实数据泄露造成的隐私问题。
图4是根据本申请实施例示出的一种基于扩散模型的医学影像及像素级标注生成装置的框图,包括获取模块410、拼接模块420、预处理模块430、训练模块440和输出模块450。
获取模块410,用于获取医学影像样本,并对医学影像样本进行标注处理,确定医学影像样本对应的像素级分割标注样本;
拼接模块420,用于将医学影像样本归一化,并与像素级分割标注样本进行拼接,获取拼接数据;
预处理模块430,用于对拼接数据进行预处理,生成训练数据;
训练模块440,用于训练训练数据以获得扩散模型,其中,扩散模型以U-Net作为网络结构;
输出模块450,用于将随机采样高斯噪声输入扩散模型并通过多次迭代,生成医学影像与对应的像素级分割标注。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元503加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如语音指令响应方法。例如,在一些实施例中,语音指令响应方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的语音指令响应方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行语音指令响应方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (9)
1.一种基于扩散模型的医学影像及像素级标注生成方法,其特征在于,包括:
获取医学影像样本,并对所述医学影像样本进行标注处理,确定所述医学影像样本对应的像素级分割标注样本;
将所述医学影像样本归一化,并与所述像素级分割标注样本进行拼接,获取拼接数据;
对所述拼接数据进行预处理,生成训练数据;
训练所述训练数据以获得扩散模型,其中,所述扩散模型以U-Net作为网络结构;
将随机采样高斯噪声输入所述扩散模型并通过多次迭代,生成医学影像与对应的像素级分割标注。
2.根据权利要求1所述的方法,其特征在于,所述将所述医学影像样本归一化,并与所述像素级分割标注样本进行拼接,获取拼接数据,包括:
将所述像素级分割标注样本表示为与对应的所述医学影像样本具有相同空间分辨率的高维向量,其中,每个位置上的元素表示所述医学影像样本对应位置像素的类别;
将所述类别赋值,实现所述医学影像样本的归一化,其中,所述类别的数值均匀分布在-1至1的区间内;
在通道维度上将所述像素级分割标注样本与所述医学影像样本拼接,生成所述拼接数据。
3.根据权利要求2所述的方法,其特征在于,所述对所述拼接数据进行预处理,生成训练数据,包括;
将所述拼接数据缩放至固定尺寸,作为所述扩散模型的训练数据。
4.根据权利要求3所述的方法,其特征在于,所述扩散模型的网络结构,还包括:
采用2D U-Net处理二维图像;
采用3D U-Net处理三维影像。
5.根据权利要求1所述的方法,其特征在于,所述将随机采样高斯噪声输入所述扩散模型并通过多次迭代,生成医学影像与对应的像素级分割标注,包括:
将随机采样高斯噪声输入所述扩散模型,并生成网络输出数据;
根据所述网络输出数据,计算下一次的网络输入数据;
重复上述步骤,直至迭代次数满足预设次数,得到生成数据;
根据通道划分处理所述生成数据,获取所述医学影像以及编码的所述像素级分割标注。
6.根据权利要求5所述的方法,其特征在于,所述方法,还包括:
对所述像素级分割标注进行后处理,在每个像素位置上以数值最接近的类别数值对应的类别作为类别标注。
7.一种基于扩散模型的医学影像及像素级标注生成装置,其特征在于,包括:
获取模块,用于获取医学影像样本,并对所述医学影像样本进行标注处理,确定所述医学影像样本对应的像素级分割标注样本;
拼接模块,用于将所述医学影像样本归一化,并与所述像素级分割标注样本进行拼接,获取拼接数据;
预处理模块,用于对所述拼接数据进行预处理,生成训练数据;
训练模块,用于训练所述训练数据以获得扩散模型,其中,所述扩散模型以U-Net作为网络结构;
输出模块,用于将随机采样高斯噪声输入所述扩散模型并通过多次迭代,生成医学影像与对应的像素级分割标注。
8.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-6中任一所述的方法。
9.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310118369.1A CN116109824A (zh) | 2023-02-10 | 2023-02-10 | 基于扩散模型的医学影像及像素级标注生成方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310118369.1A CN116109824A (zh) | 2023-02-10 | 2023-02-10 | 基于扩散模型的医学影像及像素级标注生成方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116109824A true CN116109824A (zh) | 2023-05-12 |
Family
ID=86259551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310118369.1A Pending CN116109824A (zh) | 2023-02-10 | 2023-02-10 | 基于扩散模型的医学影像及像素级标注生成方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109824A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116758098A (zh) * | 2023-08-07 | 2023-09-15 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 磁共振图像的丘脑底核分割方法及模型构建方法 |
CN117315378A (zh) * | 2023-11-29 | 2023-12-29 | 北京大学第三医院(北京大学第三临床医学院) | 一种尘肺病的分级判定方法及相关设备 |
CN117351328A (zh) * | 2023-12-04 | 2024-01-05 | 杭州灵西机器人智能科技有限公司 | 一种标注图像生成方法、系统、设备和介质 |
CN117422732A (zh) * | 2023-12-18 | 2024-01-19 | 湖南自兴智慧医疗科技有限公司 | 病理学图像分割方法及装置 |
-
2023
- 2023-02-10 CN CN202310118369.1A patent/CN116109824A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116758098A (zh) * | 2023-08-07 | 2023-09-15 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 磁共振图像的丘脑底核分割方法及模型构建方法 |
CN117315378A (zh) * | 2023-11-29 | 2023-12-29 | 北京大学第三医院(北京大学第三临床医学院) | 一种尘肺病的分级判定方法及相关设备 |
CN117315378B (zh) * | 2023-11-29 | 2024-03-12 | 北京大学第三医院(北京大学第三临床医学院) | 一种尘肺病的分级判定方法及相关设备 |
CN117351328A (zh) * | 2023-12-04 | 2024-01-05 | 杭州灵西机器人智能科技有限公司 | 一种标注图像生成方法、系统、设备和介质 |
CN117351328B (zh) * | 2023-12-04 | 2024-02-13 | 杭州灵西机器人智能科技有限公司 | 一种标注图像生成方法、系统、设备和介质 |
CN117422732A (zh) * | 2023-12-18 | 2024-01-19 | 湖南自兴智慧医疗科技有限公司 | 病理学图像分割方法及装置 |
CN117422732B (zh) * | 2023-12-18 | 2024-02-23 | 湖南自兴智慧医疗科技有限公司 | 病理学图像分割方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116109824A (zh) | 基于扩散模型的医学影像及像素级标注生成方法及装置 | |
CN108830780B (zh) | 图像处理方法及装置、电子设备、存储介质 | |
CN112862877B (zh) | 用于训练图像处理网络和图像处理的方法和装置 | |
CN113674421B (zh) | 3d目标检测方法、模型训练方法、相关装置及电子设备 | |
CN112991180B (zh) | 图像拼接方法、装置、设备以及存储介质 | |
CN113436100B (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
CN115861462B (zh) | 图像生成模型的训练方法、装置、电子设备及存储介质 | |
CN108182457B (zh) | 用于生成信息的方法和装置 | |
CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
CN115359308B (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
CN114511743B (zh) | 检测模型训练、目标检测方法、装置、设备、介质及产品 | |
CN113837194B (zh) | 图像处理方法、图像处理装置、电子设备以及存储介质 | |
CN114792355A (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN108734718B (zh) | 用于图像分割的处理方法、装置、存储介质及设备 | |
CN111292333A (zh) | 用于分割图像的方法和装置 | |
CN116245832B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN115409856B (zh) | 一种肺部医学图像处理方法、装置、设备及存储介质 | |
CN113781653B (zh) | 对象模型生成方法、装置、电子设备及存储介质 | |
CN113610856B (zh) | 训练图像分割模型和图像分割的方法和装置 | |
CN113065585B (zh) | 图像合成模型的训练方法、装置与电子设备 | |
CN112530554B (zh) | 一种扫描定位方法、装置、存储介质及电子设备 | |
CN114549904A (zh) | 视觉处理及模型训练方法、设备、存储介质及程序产品 | |
CN114119990A (zh) | 用于图像特征点匹配的方法、装置及计算机程序产品 | |
CN113112398A (zh) | 图像处理方法和装置 | |
CN112991179B (zh) | 用于输出信息的方法、装置、设备以及存储介质 |
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 |