CN116342974A - 模型训练方法、膝关节分割方法、装置及设备 - Google Patents
模型训练方法、膝关节分割方法、装置及设备 Download PDFInfo
- Publication number
- CN116342974A CN116342974A CN202310280843.0A CN202310280843A CN116342974A CN 116342974 A CN116342974 A CN 116342974A CN 202310280843 A CN202310280843 A CN 202310280843A CN 116342974 A CN116342974 A CN 116342974A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- focus area
- model training
- model
- contour line
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000012549 training Methods 0.000 title claims abstract description 40
- 210000000629 knee joint Anatomy 0.000 title claims abstract description 37
- 238000002372 labelling Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 28
- 238000010586 diagram Methods 0.000 description 14
- 238000003860 storage Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 12
- 238000005457 optimization Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 210000000845 cartilage Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 210000003127 knee Anatomy 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Image Processing (AREA)
Abstract
本说明书公开了一种模型训练方法、膝关节分割方法、装置及设备,该模型训练方法包括:获取病灶区影像的标注结果,所述病灶区影像的标注结果为病灶区轮廓线,所述病灶区轮廓线为封闭曲线;将所述病灶区影像的标注结果作为输入,采用多尺度特征进行目标分割,回归获得预设个数的傅立叶级数权重,获得分割模型;基于所述傅立叶级数权重,采用损失函数对所述分割模型进行优化,获得最优的分割模型。
Description
技术领域
本说明书涉及医学影像及计算机技术领域,尤其涉及一种模型训练方法、膝关节分割方法、装置及设备。
背景技术
基于语义分割的深度学习,在提升分割效果方面具有重要作用。现有技术中,在卷积神经网络的结构上进行调整,提升信息的传递效率;或者,在分割之后添加优化模块;或者,通过更有效的预训练模型提升分割效果;或者,通过引入transformer扩大模型感受野提升效果,均可以提升分割效果。但是上述算法,均未在轮廓优化的分割算法上予以足够关注。
轮廓分割表现的好坏对于医学图像分析极其重要,直接关系到分割结果的准确性。基于CRF(conditional random field,随机条件场)等方式进行掩模后处理改进边缘表现效果,但是该方法的计算时间长且难以取得较好的效果,并且无法实现端到端优化。随后,出现了使用点集的形式进行轮廓表示,通过优化点集的方法,该方法最大的问题是要将轮廓表示成稀疏点集,但目前没有好的度量方法保证稀疏化的点集是唯一的。通过距离等方式寻找点集之间的对应关系,要求算法输出的点集尽可能贴近稀疏后的点集,因为稀疏后点集并不唯一,所以完全可以存在很多组输出点集已经很好的靠近轮廓但离稀疏点集有一定距离,从而带来难以优化的问题,模型很难根据图像特征特定输出某一个随机稀疏化的点集。同时,对于这个问题满足要求(贴合轮廓)的点集不唯一,无法实现深度学习的优化。
基于此,需要一种新的方法。
发明内容
本说明书实施例提供一种模型训练方法、膝关节分割方法、装置及设备,用于解决以下技术问题:
为解决上述技术问题,本说明书实施例是这样实现的:
本说明书实施例提供的一种模型训练方法,该方法包括:
获取病灶区影像的标注结果,所述病灶区影像的标注结果为病灶区轮廓线,所述病灶区轮廓线为封闭曲线;
将所述病灶区影像的标注结果作为输入,采用多尺度特征进行目标分割,回归获得预设个数的傅立叶级数权重,获得分割模型;
基于所述傅立叶级数权重,采用损失函数对所述分割模型进行优化,获得最优的分割模型。
本说明书实施例还提供一种膝关节分割方法,该方法包括:
获取待处理的膝关节影像数据;
将所述待处理的膝关节影像数据,通过如权利要求1-6任一项所述的模型训练方法获得的最优的分割模型,获得所述待处理的膝关节影像数据的分割结果。
本说明书实施例还提供一种模型训练装置,该装置包括:
获取模块,获取病灶区影像的标注结果,所述病灶区影像的标注结果为病灶区轮廓线,所述病灶区轮廓线为封闭曲线;
分割模块,将所述病灶区影像的标注结果作为输入,采用多尺度特征进行目标分割,回归获得预设个数的傅立叶级数权重,获得分割模型;
优化模块,基于所述傅立叶级数权重,采用损失函数对所述分割模型进行优化,获得最优的分割模型。
本说明书实施例还提供一种膝关节分割装置,该装置包括:
获取模块,获取待处理的膝关节影像数据;
分割模块,将所述待处理的膝关节影像数据,通过如权利要求1-6任一项所述的模型训练方法获得的最优的分割模型,获得所述待处理的膝关节影像数据的分割结果。
本说明书实施例还提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
执行前述模型训练方法;
或者
执行前述膝关节分割方法。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果:通过获取病灶区影像的标注结果,所述病灶区影像的标注结果为病灶区轮廓线,所述病灶区轮廓线为封闭曲线;将所述病灶区影像的标注结果作为输入,采用多尺度特征进行目标分割,回归获得预设个数的傅立叶级数权重,获得分割模型;基于所述傅立叶级数权重,采用损失函数对所述分割模型进行优化,获得最优的分割模型,能够实现端到端优化轮廓的目的,且能够获得光滑的分割边缘,提高分割的准确性,明显改善分割效果。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书实施例提供的利用现有技术分割膝关节的结果示意图;
图2为本说明书实施例提供的模型训练方法的系统架构示意图;
图3为本说明书实施例提供的一种模型训练方法的流程图;
图4为本说明书实施例提供的一种预测结果的示意图;
图5为本说明书实施例提供的一种分割模型的架构示意图;
图6为本说明书实施例提供的一种膝关节分割方法的流程图;
图7为本说明书实施例提供的一种模型训练装置的流程图;
图8为本说明书实施例提供的一种膝关节分割装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
膝关节MRI中,准确的解剖组织分割,是膝关节算法分析中至关重要的一步。其中很多组织表面的形态就决定了其健康状况,如软骨必须光滑且足够厚地罩在股骨表面上才算健康。由于软骨比较薄使其分割成为一个较有挑战的任务,同时现在的分割算法如UNet等方法很容易产生有毛刺边缘的分割结果,从而容易对下游任务产生影响。如图1所示,覆盖在股骨上的圆弧形高信号区域即为软骨,不难看出其狭长的形态和在部分区域极其纤薄的特性。这使得分割轮廓几个像素的变化就会严重影响对于软骨区域信息的测量,如厚度体积等。
本说明书实施例针对上述问题,提出了模型训练方法,以及基于该模型训练方法的膝关节分割方法。
图2为本说明书实施例提供的模型训练方法的系统架构示意图。
如图2所示,系统架构200可以包括终端设备201、202、203,网络204和服务器205。网络204用以在终端设备201、202、203和服务器205之间提供通信链路的介质。网络204可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备201、202、203通过网络204与服务器205交互,以接收或发送消息等。终端设备201、202、203上可以安装有各种客户端应用。
终端设备201、202、203可以是硬件,也可以是软件。当终端设备201、202、203为硬件时,可以是各种专用或通用的电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备201、202、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。
服务器205可以是提供各种服务的服务器,例如为终端设备201、202、203上所安装的客户端应用提供服务的后端服务器。例如,服务器可以训练分割模型,实现膝关节分割的功能,以便将自动测量的结果显示在终端设备201、202、203上。
服务器205可以是硬件,也可以是软件。当服务器205为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器205为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。
本公开实施例提供的模型训练方法例如可以由服务器205执行,也可以由终端设备201、202、203执行。或者,本公开实施例的模型训练方法可以部分地由终端设备201、202、203执行,其他部分由服务器205执行。
应该理解,图2中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图3为本说明书实施例提供的一种模型训练方法的流程图。如图3所示,该方法包括如下步骤:
步骤S301:获取病灶区影像的标注结果,所述病灶区影像的标注结果为病灶区轮廓线,所述病灶区轮廓线为封闭曲线。
在本说明书实施例中,病灶区影像的标注结果可以采用人工方法进行标注,也可以采用已经训练好的模型进行标注,病灶区影像的标注结果的标注方式可以为多种,在此不做限定。病灶区影像可以为膝关节的MRI影像数据。
通过病灶区轮廓线的表达式,使得病灶区轮廓转化成了点集之外的方法,该表示方法具有一定的合理性,该表示方法使得病灶区轮廓线由一组固定的函数通过不同的权重组合拟合获得,而傅里叶变换可以实现该目的。但是,病灶区轮廓线的表达式如果表示成y=f(x)的函数,其中x、y都是轮廓上点的坐标求解f并将其傅立叶变换表示是有问题的,因为封闭曲线不能表示成这样的函数。基于此,本说明书实施例将病灶区轮廓线的表达式分别使用两个函数表示。
在本说明书实施例中,所述病灶区轮廓线的表达式为基于权重的函数表达式;
所述病灶区轮廓线的表达式为:
x=f(u)
y=g(u)
其中,
x为病灶区轮廓线在X轴上的点;
y为病灶区轮廓线在Y轴上的点;
f表示病灶区轮廓线在X轴上的点的傅立叶权重;
g表示病灶区轮廓线在Y轴上的点的傅立叶权重。
需要特别说明的是,本说明书实施例中,病灶区轮廓线为封闭曲线,病灶区轮廓线的表达式为x、y的二维表达式。当然,病灶区轮廓线也可以为封闭体,则病灶区轮廓线的表达式为x、y、z的三维表达式。
步骤S303:将所述病灶区影像的标注结果作为输入,采用多尺度特征进行目标分割,回归获得预设个数的傅立叶级数权重,获得分割模型。
在本说明书实施例中,将所述病灶区影像的标注结果作为输入,采用多尺度特征进行目标分割可以采用基于RetinaNet架构的模型。具体地,利用RetinaNet的骨干网络计算获得病灶影像的特征图。RetinaNet的骨干网络为现有技术,在此不再赘述。
当然,将病灶区影像的标注结果作为输入,采用多尺度特征进行目标分割的方法,也可以采用RetinaNet架构之外的其他模型,并不构成对本申请的限定。
在本说明书实施例中,所述预设个数的傅立叶级数权重是基于所述病灶区影像的标注结果,将所述标注结果中的病灶区轮廓线调整大小为预设长度,且利用预设的傅立叶级数对所述预设长度进行拟合获得的。
在本说明书实施例中,所述预设个数为100。
在本说明书实施例中,所述预设长度为200个点,所述预设的傅里叶级数为100阶傅立叶级数。
步骤S305:基于所述傅立叶级数权重,采用损失函数对所述分割模型进行优化,获得最优的分割模型。
继续延续前例,将病灶区轮廓线变成向量的时候,具有随机性,则不同的起点的选取,会得到不同顺序的向量。但是不同顺序的向量并不是点的值的变化,这也是傅立叶级数表示的重要性。由于傅立叶级数是循环的,不同起点表示的向量可以理解为不同相位差的结果。因此,在本说明书实施例中通过跨相位卷积的方式进行损失函数的计算。
图4为本说明书实施例提供的一种预测结果的示意图。在图4中,从左侧开始,曲线上的第一和第三个点之间的曲线可能是预测结果,而真值可能是第二和第四个点之间的曲线。基于此,本说明书实施例提供了基于卷积的smoothl1来进行损失函数的计算。
在本说明书实施例中,所述损失函数为改进的smoothl1损失,所述损失函数的表达式为:
loss=mincurve~period((smoothl1(curve,pred)))
其中,
loss为损失函数;
min表示取最小值;
pred是分割模型的输出;
curve表示曲线;
period是真值左右各扩展半个周期的曲线。
为了进一步理解本说明书实施例提供的模型训练方法,本说明书实施例还提供了分割模型的架构示意图。图5为本说明书实施例提供的一种分割模型的架构示意图,如图5所示,病灶区影像的标注结果输入到RetinaNet的骨干网络,获得轮廓特征图,将获得的轮廓特征图进行轮廓回归。与RetinaNet不同,RetinaNet回归四个坐标,而本说明书实施例中,回归100个傅立叶级数权重。
采用本说明书实施例提供的模型训练方法,能够实现端到端优化轮廓的目的,且能够获得光滑的分割边缘,提高分割的准确性,明显改善分割效果。
基于本说明书实施例提供的模型训练方法,本说明书实施例还提供一种膝关节分割方法,图6为本说明书实施例提供的一种膝关节分割方法的流程图。如图6所示,膝关节分割方法包括:
步骤S601:获取待处理的膝关节影像数据。
在本说明书实施例中,待处理的膝关节影像数据为MRI影像数据。
步骤S603:将所述待处理的膝关节影像数据,通过本说明书实施例提供的模型训练方法获得的最优的分割模型,获得所述待处理的膝关节影像数据的分割结果。
采用本说明书实施例提供的膝关节分割方法,能够实现软骨等难以分割区域的轮廓分割,且能够提供分割的准确率及分割效果。
本说明书实施例提供了一种模型训练方法,基于同样的思路,本说明书实施例还提供一种模型训练装置。图7为本说明书实施例提供的一种模型训练装置的示意图,如图7所示,该装置包括:
获取模块701,获取病灶区影像的标注结果,所述病灶区影像的标注结果为病灶区轮廓线,所述病灶区轮廓线为封闭曲线;
分割模块703,将所述病灶区影像的标注结果作为输入,采用多尺度特征进行目标分割,回归获得预设个数的傅立叶级数权重,获得分割模型;
优化模块705,基于所述傅立叶级数权重,采用损失函数对所述分割模型进行优化,获得最优的分割模型。
本说明书实施例提供了一种膝关节分割方法,基于同样的思路,本说明书实施例还提供一种膝关节分割装置。图8为本说明书实施例提供的一种膝关节分割装置的示意图,如图8所示,该装置包括:
获取模块801,获取待处理的膝关节影像数据.
分割模块803,将所述待处理的膝关节影像数据,通过本说明书实施例提供的模型训练方法获得的最优的分割模型,获得所述待处理的膝关节影像数据的分割结果。
本说明书实施例还提供一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
执行本说明书实施例提供的模型训练方法;
或者
执行本说明书实施例提供的膝关节分割方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
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,对于装置、电子设备、非易失性计算机存储介质实施例而言,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。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的,因此,装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,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(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,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(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit 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,在实施本说明书一个或多个实施例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,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例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,本说明书实施例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。
本说明书是参照根据本说明书实施例的方法、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优化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优化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优化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优化设备上,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实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请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 (10)
1.一种模型训练方法,其特征在于,所述方法包括:
获取病灶区影像的标注结果,所述病灶区影像的标注结果为病灶区轮廓线,所述病灶区轮廓线为封闭曲线;
将所述病灶区影像的标注结果作为输入,采用多尺度特征进行目标分割,回归获得预设个数的傅立叶级数权重,获得分割模型;
基于所述傅立叶级数权重,采用损失函数对所述分割模型进行优化,获得最优的分割模型。
2.如权利要求1所述的模型训练方法,其特征在于,所述预设个数的傅立叶级数权重是基于所述病灶区影像的标注结果,将所述标注结果中的病灶区轮廓线调整大小为预设长度,且利用预设的傅立叶级数对所述预设长度进行拟合获得的。
3.如权利要求1所述的模型训练方法,其特征在于,所述预设个数为100。
4.如权利要求2所述的模型训练方法,其特征在于,所述预设长度为200个点,所述预设的傅里叶级数为100阶傅立叶级数。
5.如权利要求1所述的模型训练方法,其特征在于,所述病灶区轮廓线的表达式为基于权重的函数表达式;
所述病灶区轮廓线的表达式为:
x=f(u)
y=g(u)
其中,
x为病灶区轮廓线在X轴上的点;
y为病灶区轮廓线在Y轴上的点;
f表示病灶区轮廓线在X轴上的点的傅立叶权重;
g表示病灶区轮廓线在Y轴上的点的傅立叶权重。
6.如权利要求1所述的模型训练方法,其特征在于,所述损失函数为改进的smoothl1损失,所述损失函数的表达式为:
loss=mincurve~period((smoothl1(curve,pred)))
其中,
loss为损失函数;
min表示取最小值;
pred是分割模型的输出;
curve表示曲线;
period是真值左右各扩展半个周期的曲线。
7.一种膝关节分割方法,其特征在于,所述方法包括:
获取待处理的膝关节影像数据;
将所述待处理的膝关节影像数据,通过如权利要求1-6任一项所述的模型训练方法获得的最优的分割模型,获得所述待处理的膝关节影像数据的分割结果。
8.一种模型训练装置,其特征在于,所述装置包括:
获取模块,获取病灶区影像的标注结果,所述病灶区影像的标注结果为病灶区轮廓线,所述病灶区轮廓线为封闭曲线;
分割模块,将所述病灶区影像的标注结果作为输入,采用多尺度特征进行目标分割,回归获得预设个数的傅立叶级数权重,获得分割模型;
优化模块,基于所述傅立叶级数权重,采用损失函数对所述分割模型进行优化,获得最优的分割模型。
9.一种膝关节分割装置,其特征在于,所述装置包括:
获取模块,获取待处理的膝关节影像数据;
分割模块,将所述待处理的膝关节影像数据,通过如权利要求1-6任一项所述的模型训练方法获得的最优的分割模型,获得所述待处理的膝关节影像数据的分割结果。
10.一种电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
执行如权利要求1-6任一项所述的模型训练方法;
或者
执行如权利要求7所述的膝关节分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310280843.0A CN116342974A (zh) | 2023-03-20 | 2023-03-20 | 模型训练方法、膝关节分割方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310280843.0A CN116342974A (zh) | 2023-03-20 | 2023-03-20 | 模型训练方法、膝关节分割方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116342974A true CN116342974A (zh) | 2023-06-27 |
Family
ID=86885157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310280843.0A Pending CN116342974A (zh) | 2023-03-20 | 2023-03-20 | 模型训练方法、膝关节分割方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116342974A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570338A (zh) * | 2016-11-14 | 2017-04-19 | 绍兴文理学院 | 结构面粗糙度尺寸效应研究中轮廓线采样精度确定方法 |
CN109977504A (zh) * | 2019-03-13 | 2019-07-05 | 南昌大学 | 基于椭圆傅里叶的产品外形意向设计方法 |
CN110197491A (zh) * | 2019-05-17 | 2019-09-03 | 上海联影智能医疗科技有限公司 | 图像分割方法、装置、设备和存储介质 |
-
2023
- 2023-03-20 CN CN202310280843.0A patent/CN116342974A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570338A (zh) * | 2016-11-14 | 2017-04-19 | 绍兴文理学院 | 结构面粗糙度尺寸效应研究中轮廓线采样精度确定方法 |
CN109977504A (zh) * | 2019-03-13 | 2019-07-05 | 南昌大学 | 基于椭圆傅里叶的产品外形意向设计方法 |
CN110197491A (zh) * | 2019-05-17 | 2019-09-03 | 上海联影智能医疗科技有限公司 | 图像分割方法、装置、设备和存储介质 |
Non-Patent Citations (5)
Title |
---|
HAMD UL MOQEET RIAZ 等: "FourierMask: Instance Segmentation using Fourier Mapping in Implicit Neural Networks", 《ARXIV》, pages 1 - 12 * |
HAMD UL MOQEET RIAZ 等: "FourierNet: Compact Mask Representation for Instance Segmentation Using Differentiable Shape Decoders", 《ARXIV》, pages 1 - 8 * |
孔凡梅 等: "傅里叶描述子在AIDS患者智能化舌诊中的应用", 《医学信息》, vol. 36, no. 4, pages 38 - 43 * |
孙增圻: "《计算机控制理论及应用》", 清华大学出版社, pages: 297 - 302 * |
宋平 等: "基于深度学习的膝关节CT图像自动分割准确性验证研究", 《中国修复重建外科杂志》, vol. 36, no. 5, pages 534 - 539 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115828162B (zh) | 一种分类模型训练的方法、装置、存储介质及电子设备 | |
CN117635822A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN117409466B (zh) | 一种基于多标签控制的三维动态表情生成方法及装置 | |
CN113988162A (zh) | 模型训练及图像识别方法、装置、存储介质及电子设备 | |
CN116091895B (zh) | 一种面向多任务知识融合的模型训练方法及装置 | |
CN117197781A (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
CN117113174A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN116824331A (zh) | 一种模型训练、图像识别方法、装置、设备及存储介质 | |
CN111639684A (zh) | 一种数据处理模型的训练方法及装置 | |
CN116342974A (zh) | 模型训练方法、膝关节分割方法、装置及设备 | |
CN114997277A (zh) | 一种模型训练的方法、任务执行的方法及装置 | |
CN113887326B (zh) | 一种人脸图像处理方法及装置 | |
CN115017915B (zh) | 一种模型训练、任务执行的方法及装置 | |
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 | |
CN116246774B (zh) | 一种基于信息融合的分类方法、装置及设备 | |
CN117034926A (zh) | 一种针对多领域文本分类模型的模型训练的方法及装置 | |
CN109325127A (zh) | 一种风险识别方法和装置 | |
CN116434787B (zh) | 一种语音情感识别的方法、装置、存储介质及电子设备 | |
CN116501852B (zh) | 一种可控对话模型训练方法、装置、存储介质及电子设备 | |
CN117726907B (zh) | 一种建模模型的训练方法、三维人体建模的方法以及装置 | |
CN117455015B (zh) | 一种模型优化的方法、装置、存储介质及电子设备 | |
CN116109008B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
CN117911630B (zh) | 一种三维人体建模的方法、装置、存储介质及电子设备 | |
CN118229979A (zh) | 一种图像分割方法、装置及设备 | |
CN117932406A (zh) | 一种应用于脑机接口任务的分类模型的训练方法及装置 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 3011, 2nd Floor, Building A, No. 1092 Jiangnan Road, Nanmingshan Street, Liandu District, Lishui City, Zhejiang Province, 323000 Applicant after: Zhejiang Yizhun Intelligent Technology Co.,Ltd. Address before: No. 301, 3rd Floor, Zhizhen Building, No. 7 Zhichun Road, Haidian District, Beijing, 100000 Applicant before: Beijing Yizhun Intelligent Technology Co.,Ltd. |