CN116543154A - 一种基于多层次语义特征的医学影像分割方法 - Google Patents
一种基于多层次语义特征的医学影像分割方法 Download PDFInfo
- Publication number
- CN116543154A CN116543154A CN202310505820.5A CN202310505820A CN116543154A CN 116543154 A CN116543154 A CN 116543154A CN 202310505820 A CN202310505820 A CN 202310505820A CN 116543154 A CN116543154 A CN 116543154A
- Authority
- CN
- China
- Prior art keywords
- data
- medical
- node
- medical image
- segmentation model
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003709 image segmentation Methods 0.000 title claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 230000008667 sleep stage Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 230000005284 excitation Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 230000000903 blocking effect Effects 0.000 claims description 5
- 238000012790 confirmation Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
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
- G06F21/6209—Protecting access to data via a platform, e.g. using keys or access control rules to a single file or object, e.g. in a secure envelope, encrypted and accessed using a key, or with access control rules appended to the object itself
-
- 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
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06V10/77—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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
- G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Security & Cryptography (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Bioethics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多层次语义特征的医学影像分割方法,属于影像分割技术领域,该分割方法具体步骤如下:(1)对采集的医学影像进行图像增强;(2)构建语义分割模型并优化该模型参数;(3)分割医学影像并对其进行分析判断;(4)依据分析结果生产对应检测报告并进行核实;(5)记录检测报告并进行区块化存储;本发明能够有效地提高医学影像的分割精确性,同时降低操作难度,方便医护人员使用,提高工作人员工作效率,能够降低数据能耗,提高数据处理效率,同时实现了数据去中心化,保障数据安全,保证医护人员后期调用数据的完整性以及高效性。
Description
技术领域
本发明涉及影像分割技术领域,尤其涉及一种基于多层次语义特征的医学影像分割方法。
背景技术
医疗诊断设备极大地提高了人类获取自身信息的能力,推动了现代医学的发展。这些设备获得的信息主要以图像的形式存在,因此对这些图像的处理就成了充分发挥其效果的关键。由于其成像方式的共同特点,我们把这些来自各种医疗诊断设备的图像统称为医学影像。如今CT和MR等成像技术能够获得人体某一断层的影像数据,然后医生通过胶片进行诊断或者通过显示屏幕进行观察。但是无论是胶片还是屏幕显示,医务人员所观察到的仍然是二维图像,并且只能以固定方式对图像进行观察,所得到的诊断结果带有医生的主观判断,这在很大程度上取决于医生的临床经验;因此,发明出一种基于多层次语义特征的医学影像分割方法变得尤为重要。
经检索,中国专利号CN115526898A公开了一种医学影像分割方法,该发明虽然能够进一步提升有监督分割模型的精度,但是操作难度较高,不方便医护人员使用;此外,现有的医学影像分割方法数据处理能耗较高,数据处理效率低,同时数据安全性差;为此,我们提出一种基于多层次语义特征的医学影像分割方法。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷,而提出的一种基于多层次语义特征的医学影像分割方法。
为了实现上述目的,本发明采用了如下技术方案:
一种基于多层次语义特征的医学影像分割方法,该分割方法具体步骤如下:
(1)对采集的医学影像进行图像增强;
(2)构建语义分割模型并优化该模型参数;
(3)分割医学影像并对其进行分析判断;
(4)依据分析结果生产对应检测报告并进行核实;
(5)记录检测报告并进行区块化存储。
作为本发明的进一步方案,步骤(1)中所述图像增强具体步骤如下:
步骤一:依据医学影像的显示比例对其进行分块处理,之后对分块后的各组医学影像通过傅里叶变换对数据中高频成分进行分析提取,并通过高斯滤波进行平滑处理,同时去除医学影像中的文字信息;
步骤二:通过图像金字塔对各医学影像进行尺度归一化处理,并对各组医学影像进行特征提取,再将提取出的特征送入双向特征金字塔进行特征融合,再将融合结果进行分类回归以输出检测框以及类别,之后收集检测框信息,并生成对应检测框坐标,然后依据检测框信息裁剪出医学影像中的超声区域。
作为本发明的进一步方案,步骤(2)中所述语义分割模型具体构建步骤如下:
步骤①:从医学数据库中获取多组医学影像并将其整合成样本数据集,之后计算该样本数据集标准偏差,并依据计算出的标准偏差对样本数据集中的异常数据进行剔除,再对剩余数据作标准化处理;
步骤②:通过归一化方法将剩余样本数据转换至规定区间后,将其划分为测试集以及训练集,之后再构建一组卷积神经网络,并对其参数设定向量进行赋值,再依据工作人员预设信息确定各神经网络层神经元数以及对应激励函数;
步骤③:将训练集输入神经网络输入层中,并确定中心向量值以获取输出层为隐节点输出的线性组合,之后采用最小二乘递推法,定义该卷积神经网络多轮学习后的能量函数,当能量函数小于目标误差时,训练过程结束并输出语义分割模型,将测试集导入语义分割模型中测试该模型性能,并依据测试结果对该语义分割模型进行参数更新。
作为本发明的进一步方案,步骤①中所述标准偏差具体计算公式如下:
其中,vn为样本数据集的数据偏差,s为标准偏差,若任一数据xi的偏差vn满足|vn|>3σ,则判断该数据为异常数据,并剔除;
步骤②中所述激励函数具体公式如下:
式中,Ry(z)是隐含层第y个单元的输出,σy是第y个隐节点函数的归一化参数,z代表输入层的输入矢量,cy为第y个单元其隐层函数聚类中心向量。
作为本发明的进一步方案,步骤(2)中所述模型参数优化具体步骤如下:
步骤Ⅰ:在该语义分割模型的规定区间内初始化网络连接权值,之后从训练时的输入以及输出对的集合中提交训练样本,并计算该语义分割模型的输出,在比较期望的网络输出与实际的网络输出,并且计算所有神经元的局部误差;
步骤Ⅱ:当局部误差超出预设阈值后,依据学习规则方程对该语义分割模型的权值进行训练以及更新,并依据预设的学习率以及步长列出所有可能的数据结果;
步骤Ⅲ:对于每一组数据,选取任意一个子集作为测试集,其余子集作为训练集,训练测试模型后对测试集进行检测,并统计检测结果的均方根误差;
步骤Ⅳ:将测试集更换为另一子集,再取剩余子集作为训练集,再次统计均方根误差,直至对所有数据都进行一次预测,通过选取均方根误差最小时对应的组合参数作为数据区间内最优的参数并替换语义分割模型原有参数。
作为本发明的进一步方案,步骤(4)中所述分析判断具体步骤如下:
第一步:将优化后的医学影像送入语义分割模型中,之后通过语义分割模型进行输入、卷积、池化、全连接以及输出处理,并对该影像中的不同组织按照不同灰度值进行分离,同时进行标注;
第二步:将标注结果与医学图谱库中的资料进行比对,同时将比对结果反馈给医护人员,之后医护人员对该标注结果进行人工修正,同时语义分割模型接收人工修正结果并对自身进行参数调整。
作为本发明的进一步方案,步骤(5)中所述区块化存储具体步骤如下:
第Ⅰ步:将检测报告预处理成符合条件的区块,并将该区块上传至区块链,并申请入链,之后区块链网络中各节点自行生成本地的公私钥对作为自己在网络中的标识码,当某一节点等待本地角色成为候选节点时,向网络中其他节点广播领导申请并发送;
第Ⅱ步:该候选节点成为领导节点后,其他节点成为跟随节点,之后领导节点广播区块记录信息,跟随节点收到信息以后向其他跟随节点广播收到的信息并记录重复次数,并使用重复次数最多的信息生成区块头,并向领导节点发送验证申请;
第Ⅲ步:验证通过后,领导节点发送添加命令并进入沉睡期,在沉睡期内不能再次申请成为领导节点,直到结束沉睡期,跟随节点收到确认信息后,将新生成的各组区块添加至区块链上并返回候选身份。
相比于现有技术,本发明的有益效果在于:
1、该基于多层次语义特征的医学影像分割方法通过从医学数据库中获取多组医学影像并将其整合成样本数据集,之后对样本数据集中的异常数据进行剔除,通过归一化方法将剩余样本数据转换至规定区间后,将其划分为测试集以及训练集,之后再构建一组卷积神经网络,并对其参数设定向量进行赋值,再依据工作人员预设信息确定各神经网络层神经元数以及对应激励函数,将训练集输入神经网络输入层中,并确定中心向量值以获取输出层为隐节点输出的线性组合,之后采用最小二乘递推法,定义该卷积神经网络多轮学习后的能量函数,当能量函数小于目标误差时,训练过程结束并输出语义分割模型,将测试集导入语义分割模型中测试该模型性能,并依据测试结果对该语义分割模型进行参数更新,能够有效地提高医学影像的分割精确性,同时降低操作难度,方便医护人员使用,提高工作人员工作效率。
2、该基于多层次语义特征的医学影像分割方法通过将检测报告预处理成符合条件的区块,并将该区块上传至区块链,并申请入链,之后区块链网络中各节点自行生成本地的公私钥对作为自己在网络中的标识码,当某一节点等待本地角色成为候选节点时,向网络中其他节点广播领导申请并发送,该候选节点成为领导节点后,其他节点成为跟随节点,之后领导节点广播区块记录信息,跟随节点收到信息以后向其他跟随节点广播收到的信息并记录重复次数,并使用重复次数最多的信息生成区块头,并向领导节点发送验证申请,验证通过后,领导节点发送添加命令并进入沉睡期,在沉睡期内不能再次申请成为领导节点,直到结束沉睡期,跟随节点收到确认信息后,将新生成的各组区块添加至区块链上并返回候选身份,能够降低数据能耗,提高数据处理效率,同时实现了数据去中心化,保障数据安全,保证医护人员后期调用数据的完整性以及高效性。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明提出的一种基于多层次语义特征的医学影像分割方法的流程框图。
具体实施方式
实施例1
参照图1,一种基于多层次语义特征的医学影像分割方法,该分割方法具体步骤如下:
对采集的医学影像进行图像增强。
具体的,依据医学影像的显示比例对其进行分块处理,之后对分块后的各组医学影像通过傅里叶变换对数据中高频成分进行分析提取,并通过高斯滤波进行平滑处理,同时去除医学影像中的文字信息,通过图像金字塔对各医学影像进行尺度归一化处理,并对各组医学影像进行特征提取,再将提取出的特征送入双向特征金字塔进行特征融合,再将融合结果进行分类回归以输出检测框以及类别,之后收集检测框信息,并生成对应检测框坐标,然后依据检测框信息裁剪出医学影像中的超声区域。
构建语义分割模型并优化该模型参数。
具体的,从医学数据库中获取多组医学影像并将其整合成样本数据集,之后计算该样本数据集标准偏差,并依据计算出的标准偏差对样本数据集中的异常数据进行剔除,再对剩余数据作标准化处理,通过归一化方法将剩余样本数据转换至规定区间后,将其划分为测试集以及训练集,之后再构建一组卷积神经网络,并对其参数设定向量进行赋值,再依据工作人员预设信息确定各神经网络层神经元数以及对应激励函数,将训练集输入神经网络输入层中,并确定中心向量值以获取输出层为隐节点输出的线性组合,之后采用最小二乘递推法,定义该卷积神经网络多轮学习后的能量函数,当能量函数小于目标误差时,训练过程结束并输出语义分割模型,将测试集导入语义分割模型中测试该模型性能,并依据测试结果对该语义分割模型进行参数更新。
具体的,在该语义分割模型的规定区间内初始化网络连接权值,之后从训练时的输入以及输出对的集合中提交训练样本,并计算该语义分割模型的输出,在比较期望的网络输出与实际的网络输出,并且计算所有神经元的局部误差,当局部误差超出预设阈值后,依据学习规则方程对该语义分割模型的权值进行训练以及更新,并依据预设的学习率以及步长列出所有可能的数据结果,对于每一组数据,选取任意一个子集作为测试集,其余子集作为训练集,训练测试模型后对测试集进行检测,并统计检测结果的均方根误差,将测试集更换为另一子集,再取剩余子集作为训练集,再次统计均方根误差,直至对所有数据都进行一次预测,通过选取均方根误差最小时对应的组合参数作为数据区间内最优的参数并替换语义分割模型原有参数。
本实施例中,标准偏差具体计算公式如下:
其中,vn为样本数据集的数据偏差,s为标准偏差,若任一数据xi的偏差vn满足|vn|>3σ,则判断该数据为异常数据,并剔除;
激励函数具体公式如下:
式中,Ry(z)是隐含层第y个单元的输出,σy是第y个隐节点函数的归一化参数,z代表输入层的输入矢量,cy为第y个单元其隐层函数聚类中心向量。
实施例2
参照图1,一种基于多层次语义特征的医学影像分割方法,该分割方法具体步骤如下:
分割医学影像并对其进行分析判断。
具体的,将优化后的医学影像送入语义分割模型中,之后通过语义分割模型进行输入、卷积、池化、全连接以及输出处理,并对该影像中的不同组织按照不同灰度值进行分离,同时进行标注,将标注结果与医学图谱库中的资料进行比对,同时将比对结果反馈给医护人员,之后医护人员对该标注结果进行人工修正,同时语义分割模型接收人工修正结果并对自身进行参数调整。
依据分析结果生产对应检测报告并进行核实。
记录检测报告并进行区块化存储。
具体的,将检测报告预处理成符合条件的区块,并将该区块上传至区块链,并申请入链,之后区块链网络中各节点自行生成本地的公私钥对作为自己在网络中的标识码,当某一节点等待本地角色成为候选节点时,向网络中其他节点广播领导申请并发送,该候选节点成为领导节点后,其他节点成为跟随节点,之后领导节点广播区块记录信息,跟随节点收到信息以后向其他跟随节点广播收到的信息并记录重复次数,并使用重复次数最多的信息生成区块头,并向领导节点发送验证申请,验证通过后,领导节点发送添加命令并进入沉睡期,在沉睡期内不能再次申请成为领导节点,直到结束沉睡期,跟随节点收到确认信息后,将新生成的各组区块添加至区块链上并返回候选身份。
Claims (7)
1.一种基于多层次语义特征的医学影像分割方法,其特征在于,该分割方法具体步骤如下:
(1)对采集的医学影像进行图像增强;
(2)构建语义分割模型并优化该模型参数;
(3)分割医学影像并对其进行分析判断;
(4)依据分析结果生产对应检测报告并进行核实;
(5)记录检测报告并进行区块化存储。
2.根据权利要求1所述的一种基于多层次语义特征的医学影像分割方法,其特征在于,步骤(1)中所述图像增强具体步骤如下:
步骤一:依据医学影像的显示比例对其进行分块处理,之后对分块后的各组医学影像通过傅里叶变换对数据中高频成分进行分析提取,并通过高斯滤波进行平滑处理,同时去除医学影像中的文字信息;
步骤二:通过图像金字塔对各医学影像进行尺度归一化处理,并对各组医学影像进行特征提取,再将提取出的特征送入双向特征金字塔进行特征融合,再将融合结果进行分类回归以输出检测框以及类别,之后收集检测框信息,并生成对应检测框坐标,然后依据检测框信息裁剪出医学影像中的超声区域。
3.根据权利要求1所述的一种基于多层次语义特征的医学影像分割方法,其特征在于,步骤(2)中所述语义分割模型具体构建步骤如下:
步骤①:从医学数据库中获取多组医学影像并将其整合成样本数据集,之后计算该样本数据集标准偏差,并依据计算出的标准偏差对样本数据集中的异常数据进行剔除,再对剩余数据作标准化处理;
步骤②:通过归一化方法将剩余样本数据转换至规定区间后,将其划分为测试集以及训练集,之后再构建一组卷积神经网络,并对其参数设定向量进行赋值,再依据工作人员预设信息确定各神经网络层神经元数以及对应激励函数;
步骤③:将训练集输入神经网络输入层中,并确定中心向量值以获取输出层为隐节点输出的线性组合,之后采用最小二乘递推法,定义该卷积神经网络多轮学习后的能量函数,当能量函数小于目标误差时,训练过程结束并输出语义分割模型,将测试集导入语义分割模型中测试该模型性能,并依据测试结果对该语义分割模型进行参数更新。
4.根据权利要求3所述的一种基于多层次语义特征的医学影像分割方法,其特征在于,步骤①中所述标准偏差具体计算公式如下:
其中,vn为样本数据集的数据偏差,s为标准偏差,若任一数据xi的偏差vn满足|vn|>3σ,则判断该数据为异常数据,并剔除;
步骤②中所述激励函数具体公式如下:
式中,Ry(z)是隐含层第y个单元的输出,σy是第y个隐节点函数的归一化参数,z代表输入层的输入矢量,cy为第y个单元其隐层函数聚类中心向量。
5.根据权利要求3所述的一种基于多层次语义特征的医学影像分割方法,其特征在于,步骤(2)中所述模型参数优化具体步骤如下:
步骤Ⅰ:在该语义分割模型的规定区间内初始化网络连接权值,之后从训练时的输入以及输出对的集合中提交训练样本,并计算该语义分割模型的输出,在比较期望的网络输出与实际的网络输出,并且计算所有神经元的局部误差;
步骤Ⅱ:当局部误差超出预设阈值后,依据学习规则方程对该语义分割模型的权值进行训练以及更新,并依据预设的学习率以及步长列出所有可能的数据结果;
步骤Ⅲ:对于每一组数据,选取任意一个子集作为测试集,其余子集作为训练集,训练测试模型后对测试集进行检测,并统计检测结果的均方根误差;
步骤Ⅳ:将测试集更换为另一子集,再取剩余子集作为训练集,再次统计均方根误差,直至对所有数据都进行一次预测,通过选取均方根误差最小时对应的组合参数作为数据区间内最优的参数并替换语义分割模型原有参数。
6.根据权利要求5所述的一种基于多层次语义特征的医学影像分割方法,其特征在于,步骤(4)中所述分析判断具体步骤如下:
第一步:将优化后的医学影像送入语义分割模型中,之后通过语义分割模型进行输入、卷积、池化、全连接以及输出处理,并对该影像中的不同组织按照不同灰度值进行分离,同时进行标注;
第二步:将标注结果与医学图谱库中的资料进行比对,同时将比对结果反馈给医护人员,之后医护人员对该标注结果进行人工修正,同时语义分割模型接收人工修正结果并对自身进行参数调整。
7.根据权利要求1所述的一种基于多层次语义特征的医学影像分割方法,其特征在于,步骤(5)中所述区块化存储具体步骤如下:
第Ⅰ步:将检测报告预处理成符合条件的区块,并将该区块上传至区块链,并申请入链,之后区块链网络中各节点自行生成本地的公私钥对作为自己在网络中的标识码,当某一节点等待本地角色成为候选节点时,向网络中其他节点广播领导申请并发送;
第Ⅱ步:该候选节点成为领导节点后,其他节点成为跟随节点,之后领导节点广播区块记录信息,跟随节点收到信息以后向其他跟随节点广播收到的信息并记录重复次数,并使用重复次数最多的信息生成区块头,并向领导节点发送验证申请;
第Ⅲ步:验证通过后,领导节点发送添加命令并进入沉睡期,在沉睡期内不能再次申请成为领导节点,直到结束沉睡期,跟随节点收到确认信息后,将新生成的各组区块添加至区块链上并返回候选身份。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310505820.5A CN116543154A (zh) | 2023-05-05 | 2023-05-05 | 一种基于多层次语义特征的医学影像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310505820.5A CN116543154A (zh) | 2023-05-05 | 2023-05-05 | 一种基于多层次语义特征的医学影像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116543154A true CN116543154A (zh) | 2023-08-04 |
Family
ID=87448313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310505820.5A Withdrawn CN116543154A (zh) | 2023-05-05 | 2023-05-05 | 一种基于多层次语义特征的医学影像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116543154A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116825293A (zh) * | 2023-08-25 | 2023-09-29 | 青岛市胶州中心医院 | 一种可视化产科影像检查处理方法 |
-
2023
- 2023-05-05 CN CN202310505820.5A patent/CN116543154A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116825293A (zh) * | 2023-08-25 | 2023-09-29 | 青岛市胶州中心医院 | 一种可视化产科影像检查处理方法 |
CN116825293B (zh) * | 2023-08-25 | 2023-11-07 | 青岛市胶州中心医院 | 一种可视化产科影像检查处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
CN109272048B (zh) | 一种基于深度卷积神经网络的模式识别方法 | |
CN107247971B (zh) | 一种超声甲状腺结节风险指标的智能分析方法及系统 | |
CN110680326B (zh) | 基于深度卷积神经网络的尘肺病鉴别及分级判定方法 | |
CN110070935B (zh) | 基于对抗神经网络的医学图像合成方法、分类方法及装置 | |
KR102097740B1 (ko) | 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템 및 그 구동방법 | |
CN111242233B (zh) | 一种基于融合网络的阿尔兹海默病分类方法 | |
CN110910377B (zh) | 一种基于神经网络的脑梗死mri图像识别方法 | |
CN113808738B (zh) | 一种基于自识别影像的疾病识别系统 | |
CN113762265B (zh) | 肺炎的分类分割方法及系统 | |
CN112508953A (zh) | 基于深度神经网络的脑膜瘤快速分割定性方法 | |
CN116543154A (zh) | 一种基于多层次语义特征的医学影像分割方法 | |
CN113768519A (zh) | 基于深度学习和静息态脑电数据分析病人意识水平的方法 | |
CN110718301A (zh) | 基于动态脑功能网络的阿尔茨海默病辅助诊断装置及方法 | |
CN112420170B (zh) | 一种提高计算机辅助诊断系统图片分类准确度的方法 | |
WO2023198224A1 (zh) | 一种精神障碍类磁共振图像初步筛查模型构建方法 | |
CN117352164A (zh) | 基于人工智能的多模态肿瘤检测诊断平台及其处理方法 | |
JP2023509300A (ja) | 予測モデルを組み合わせた画像の効率的な人工知能分析 | |
DE102020211214A1 (de) | System und Verfahren zum Erkennen von Anomalien in Bildern | |
CN117195027A (zh) | 基于成员选择的簇加权聚类集成方法 | |
CN109840564B (zh) | 一种基于超声造影图像均匀程度的分类系统 | |
CN116071373A (zh) | 一种基于融合PCA的U-net模型舌体自动分割方法 | |
CN114331996A (zh) | 基于自编码解码器的医学影像分型方法及系统 | |
CN111401119A (zh) | 细胞核的分类 | |
Yin et al. | Early autism diagnosis based on path signature and Siamese unsupervised feature compressor |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230804 |
|
WW01 | Invention patent application withdrawn after publication |