CN116862931A - 医学图像分割方法、装置、存储介质及电子设备 - Google Patents
医学图像分割方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116862931A CN116862931A CN202311134073.5A CN202311134073A CN116862931A CN 116862931 A CN116862931 A CN 116862931A CN 202311134073 A CN202311134073 A CN 202311134073A CN 116862931 A CN116862931 A CN 116862931A
- Authority
- CN
- China
- Prior art keywords
- medical image
- target
- image sample
- segmentation
- label
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003709 image segmentation Methods 0.000 title claims abstract description 51
- 230000011218 segmentation Effects 0.000 claims abstract description 167
- 238000012549 training Methods 0.000 claims abstract description 89
- 230000000399 orthopedic effect Effects 0.000 claims abstract description 74
- 238000007781 pre-processing Methods 0.000 claims abstract description 55
- 238000002372 labelling Methods 0.000 claims description 98
- 238000012545 processing Methods 0.000 claims description 60
- 230000006870 function Effects 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 20
- 230000008569 process Effects 0.000 description 19
- 230000000873 masking effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 210000000988 bone and bone Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06N3/08—Learning methods
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
-
- 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
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种医学图像分割方法、装置、存储介质及电子设备,涉及医疗技术领域。该方法包括:获取待处理的骨科医学图像;将待处理的骨科医学图像输入目标分割模型,目标分割模型是依据目标抠图蒙版、标注医学图像样本、未标注医学图像样本以及未标注医学图像样本的伪标签对学生网络训练得到的,目标抠图蒙版是通过预处理网络确定得到的,标注医学图像样本包括真实分割标签,未标注医学图像样本的伪标签是通过教师网络生成的;通过目标分割模型对待处理的骨科医学图像进行分割处理,得到目标骨科医学图像。本发明解决了现有技术中由于已标注的医学图像数据稀缺,导致训练出的医学图像分割模型存在分割准确率较低的技术问题。
Description
技术领域
本发明涉及医疗技术领域,具体而言,涉及一种医学图像分割方法、装置、存储介质及电子设备。
背景技术
医学图像分割是医学图像处理与分析的关键步骤,从骨科医学图像(例如,CT图像)中分割内部结构,对于许多临床应用至关重要。目前已有各种基于监督学习的医学图像分割技术被广泛应用,但这些技术通常需要大量的标记数据,然而由于骨科医学图像标注过程繁琐且成本高,已标注的医学图像数据稀缺,使得训练出的医学图像分割模型分割准确率较低。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种医学图像分割方法、装置、存储介质及电子设备,以至少解决现有技术中由于已标注的医学图像数据稀缺,导致训练出的医学图像分割模型存在分割准确率较低的技术问题。
根据本发明实施例的一个方面,提供了一种医学图像分割方法,包括:获取待处理的骨科医学图像;将待处理的骨科医学图像输入目标分割模型,其中,目标分割模型是依据目标抠图蒙版、标注医学图像样本、未标注医学图像样本以及未标注医学图像样本的伪标签对学生网络训练得到的,目标抠图蒙版是通过预处理网络确定得到的,标注医学图像样本包括真实分割标签,未标注医学图像样本的伪标签是通过教师网络生成的;通过目标分割模型对待处理的骨科医学图像进行分割处理,得到目标骨科医学图像,其中,目标骨科医学图像包括待处理的骨科医学图像中的特征对象,特征对象用于为目标对象提供数据参考。
进一步地,通过以下步骤生成目标分割模型:获取样本数据集,其中,样本数据集包括标注医学图像样本数据集和未标注医学图像样本数据集;依据目标取值范围确定随机数集合,并对随机数集合中的随机数进行排列组合处理,生成多个随机数组合,其中,每个随机数组合包含三个随机数;依据多个随机数组合生成多个初始抠图蒙版,并通过预处理网络和标注医学图像样本数据集,从多个初始抠图蒙版中确定目标抠图蒙版,其中,每个随机数组合对应一个初始抠图蒙版;通过教师网络和未标注医学图像样本数据集,生成未标注医学图像样本的伪标签;通过目标抠图蒙版对标注医学图像样本数据集、未标注医学图像样本数据集以及未标注医学图像样本的伪标签进行处理,得到目标医学图像样本和目标标签,并将目标医学图像样本和目标标签输入学生网络进行迭代训练,得到目标分割模型。
进一步地,通过预处理网络和标注医学图像样本数据集,从多个初始抠图蒙版中确定目标抠图蒙版,包括:从标注医学图像样本数据集中获取若干张标注医学图像样本,并随机从若干张标注医学图像样本中选取第一标注医学图像样本和第二标注医学图像样本;对于多个初始抠图蒙版中的每个初始抠图蒙版,通过初始抠图蒙版从第一标注医学图像样本中抠取第一前景图像和第一前景图像对应的第一前景标签,并将第一前景图像和第一前景标签复制粘贴到第二标注医学图像样本,生成第一混合图像和第一混合标签;通过初始抠图蒙版从第二标注医学图像样本中抠取第二前景图像和第二前景图像对应的第二前景标签,并将第二前景图像和第二前景标签复制粘贴到第一标注医学图像样本,生成第二混合图像和第二混合标签;将第一混合图像、第一混合标签、第二混合图像以及第二混合标签输入预处理网络进行训练,得到第一模型参数和第一预测分割结果,并依据第一预测分割结果确定预处理网络的分割准确率,其中,第一模型参数用于输入学生网络;依据分割准确率和第一预设损失函数,对预处理网络进行迭代训练,直至分割准确率满足第一预设损失条件,得到每个初始抠图蒙版对应的多个分割准确率;计算多个分割准确率的平均值,将平均值作为每个初始抠图蒙版的分割准确率,并依据每个初始抠图蒙版的分割准确率,生成多个初始抠图蒙版对应的分割准确率集合;将分割准确率集合中最大分割准确率对应的初始抠图蒙版作为目标抠图蒙版。
进一步地,通过教师网络和未标注医学图像样本数据集,生成未标注医学图像样本的伪标签,包括:从未标注医学图像样本数据集中获取未标注医学图像样本,其中,未标注医学图像样本至少包括第一未标注医学图像样本和第二未标注医学图像样本;将第一未标注医学图像样本和第二未标注医学图像样本输入教师网络进行处理,得到第一未标注医学图像样本的第一伪标签、第二未标注医学图像样本的第二伪标签以及教师网络的网络参数。
进一步地,通过目标抠图蒙版对标注医学图像样本数据集、未标注医学图像样本数据集以及未标注医学图像样本的伪标签进行处理,得到目标医学图像样本和目标标签,包括:从标注医学图像样本数据集中获取标注医学图像样本,其中,标注医学图像样本至少包括第三标注医学图像样本和第四标注医学图像样本;通过目标抠图蒙版从第三标注医学图像样本中抠取第三前景图像和第三前景图像对应的第三前景标签,并将第三前景图像复制粘贴到第一未标注医学图像样本,生成第三混合图像,将第三前景标签复制粘贴到第一伪标签,生成第三混合标签;通过目标抠图蒙版从第二未标注医学图像样本中抠取第四前景图像,并从第二伪标签中抠取第四前景图像对应的第四前景标签,将第四前景图像和第四前景标签复制粘贴到第四标注医学图像样本,生成第四混合图像和第四混合标签;将第三混合图像和第四混合图像作为目标医学图像样本,并将第三混合标签和第四混合标签作为目标标签。
进一步地,将目标医学图像样本和目标标签输入学生网络进行迭代训练,得到目标分割模型,包括:将第一模型参数、第三混合图像、第四混合图像、第三混合标签以及第四混合标签输入学生网络进行首次训练,得到第二模型参数和第二预测分割结果,其中,第二模型参数用于输入教师网络;依据第二预测分割结果和第二预设损失函数,对学生网络进行迭代训练,直至第二预设损失函数的损失值满足第二预设损失条件,得到目标分割模型。
进一步地,在得到第二模型参数和第二预测分割结果之后,该方法还包括:对第二模型参数进行指数滑动平均处理,得到处理后的模型参数;将处理后的模型参数输入教师网络,并将教师网络的网络参数更新为处理后的模型参数,得到更新后的教师网络。
根据本发明实施例的另一方面,还提供了一种医学图像分割装置,包括:第一获取单元,用于获取待处理的骨科医学图像;第一处理单元,用于将待处理的骨科医学图像输入目标分割模型,其中,目标分割模型是依据目标抠图蒙版、标注医学图像样本、未标注医学图像样本以及未标注医学图像样本的伪标签对学生网络训练得到的,目标抠图蒙版是通过预处理网络确定得到的,标注医学图像样本包括真实分割标签,未标注医学图像样本的伪标签是通过教师网络生成的;第二处理单元,用于通过目标分割模型对待处理的骨科医学图像进行分割处理,得到目标骨科医学图像,其中,目标骨科医学图像包括待处理的骨科医学图像中的特征对象,特征对象用于为目标对象提供数据参考。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行上述的医学图像分割方法。
根据本发明实施例的另一方面,还提供了一种电子设备,该电子设备包括一个或多个处理器;存储器,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现用于运行程序,其中,程序被设置为运行时执行上述的医学图像分割方法。
在本发明实施例中,采用训练基于半监督学习的图像分割模型,使网络自我训练生成伪标签,以伪监督的方式监督模型处理未标记的图像数据的方式,首先获取待处理的骨科医学图像,然后将待处理的骨科医学图像输入目标分割模型,通过目标分割模型对待处理的骨科医学图像进行分割处理,得到目标骨科医学图像。其中,目标分割模型是依据目标抠图蒙版、标注医学图像样本、未标注医学图像样本以及未标注医学图像样本的伪标签对学生网络训练得到的,目标抠图蒙版是通过预处理网络确定得到的,标注医学图像样本包括真实分割标签,未标注医学图像样本的伪标签是通过教师网络生成的,目标骨科医学图像包括待处理的骨科医学图像中的特征对象,特征对象用于为目标对象提供数据参考。
在上述过程中,通过预处理网络进行有监督学习确定出最优抠图蒙版(即目标抠图蒙版),并且,预处理网络学习到的模型参数传到后续学生网络中,用于模型的预训练,有效减少后续学生网络的模型参数的优化时间,提高模型训练效率;通过教师网络对未标注的医学图像数据进行无监督训练,生成对应的伪标签,并通过学生网络对已标注的医学图像数据、未标注的医学图像数据以及伪标签进行有监督训练,可以得到目标分割模型,并且,将训练得到的模型参数处理后传递给教师网络,更新教师网络的参数,实现了使用少量标注数据,结合大量未标注数据训练半监督学习模型,有效地减少了模型训练对已标注数据的依赖,从而能够通过目标分割模型对待处理的骨科医学图像进行分割处理,得到目标骨科医学图像,避免了缺乏已标注的骨科医学图像数据的问题,有效提高对医学图像进行图像分割的准确率。
由此可见,通过本发明的技术方案,达到了有效减少模型训练对已标注医学图像数据的依赖,降低标注成本的目的,从而实现了提高对医学图像进行图像分割的准确率的技术效果,进而解决了现有技术中由于已标注的医学图像数据稀缺,导致训练出的医学图像分割模型存在分割准确率较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的医学图像分割方法的流程图;
图2是根据本发明实施例的一种可选的抠图蒙版的示意图;
图3是根据本发明实施例的一种可选的模型网络的示意图;
图4是根据本发明实施例的一种可选的构造半监督学习骨科医学图像分割模型的流程示意图;
图5是根据本发明实施例的一种可选的医学图像分割装置的示意图;
图6是根据本发明实施例的一种可选的电子设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,本发明所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。例如,本系统和相关用户或机构间设置有接口,在获取相关信息之前,需要通过接口向前述的用户或机构发送获取请求,并在接收到前述的用户或机构反馈的同意信息后,获取相关信息。
实施例1
根据本发明实施例,提供了一种医学图像分割方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种可选的医学图像分割方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101,获取待处理的骨科医学图像。
可选地,可以通过应用系统、处理器、电子设备等装置获取待处理的骨科医学图像,例如,通过医学图像分割系统获取待处理的骨科医学图像,其中,待处理的骨科医学图像可以是临床应用中涉及的整体三维CT图。
步骤S102,将待处理的骨科医学图像输入目标分割模型,其中,目标分割模型是依据目标抠图蒙版、标注医学图像样本、未标注医学图像样本以及未标注医学图像样本的伪标签对学生网络训练得到的,目标抠图蒙版是通过预处理网络确定得到的,标注医学图像样本包括真实分割标签,未标注医学图像样本的伪标签是通过教师网络生成的。
可选地,目标分割模型为训练好的半监督学习骨科医学图像分割模型,具体地,依据预处理网络确定最优抠图蒙版(即目标抠图蒙版)和学生网络的初始模型参数,通过教师网络生成未标注医学图像数据的伪标签,实现无监督学习,并通过最优抠图蒙版对标注医学图像数据和未标注医学图像数据进行抠图和重新组合,生成新的图像和标签,输入学生网络进行迭代训练,得到训练好的半监督学习骨科医学图像分割模型。
步骤S103,通过目标分割模型对待处理的骨科医学图像进行分割处理,得到目标骨科医学图像,其中,目标骨科医学图像包括待处理的骨科医学图像中的特征对象,特征对象用于为目标对象提供数据参考。
可选地,目标骨科医学图像为分割后的图像,例如,通过目标分割模型对整体三维CT图进行分割处理,得到骨头图像。可选地,特征对象可以是骨头图像中的骨头,目标对象可以是诊断人员,例如,医生。
基于上述步骤S101至步骤S103所限定的方案,可以获知,在本发明实施例中,采用训练基于半监督学习的图像分割模型,使网络自我训练生成伪标签,以伪监督的方式监督模型处理未标记的图像数据的方式,首先获取待处理的骨科医学图像,然后将待处理的骨科医学图像输入目标分割模型,通过目标分割模型对待处理的骨科医学图像进行分割处理,得到目标骨科医学图像。其中,目标分割模型是依据目标抠图蒙版、标注医学图像样本、未标注医学图像样本以及未标注医学图像样本的伪标签对学生网络训练得到的,目标抠图蒙版是通过预处理网络确定得到的,标注医学图像样本包括真实分割标签,未标注医学图像样本的伪标签是通过教师网络生成的,目标骨科医学图像包括待处理的骨科医学图像中的特征对象,特征对象用于为目标对象提供数据参考。
容易注意到的是,在上述过程中,通过预处理网络进行有监督学习确定出最优抠图蒙版(即目标抠图蒙版),并且,预处理网络学习到的模型参数传到后续学生网络中,用于模型的预训练,有效减少后续学生网络的模型参数的优化时间,提高模型训练效率;通过教师网络对未标注的医学图像数据进行无监督训练,生成对应的伪标签,并通过学生网络对已标注的医学图像数据、未标注的医学图像数据以及伪标签进行有监督训练,可以得到目标分割模型,并且,将训练得到的模型参数处理后传递给教师网络,更新教师网络的参数,实现了使用少量标注数据,结合大量未标注数据训练半监督学习模型,有效地减少了模型训练对已标注数据的依赖,从而能够通过目标分割模型对待处理的骨科医学图像进行分割处理,得到目标骨科医学图像,避免了缺乏已标注的骨科医学图像数据的问题,有效提高对医学图像进行图像分割的准确率。
由此可见,通过本发明的技术方案,达到了有效减少模型训练对已标注医学图像数据的依赖,降低标注成本的目的,从而实现了提高对医学图像进行图像分割的准确率的技术效果,进而解决了现有技术中由于已标注的医学图像数据稀缺,导致训练出的医学图像分割模型存在分割准确率较低的技术问题。
在一种可选的实施例中,通过以下步骤生成目标分割模型:获取样本数据集,其中,样本数据集包括标注医学图像样本数据集和未标注医学图像样本数据集;依据目标取值范围确定随机数集合,并对随机数集合中的随机数进行排列组合处理,生成多个随机数组合,其中,每个随机数组合包含三个随机数;依据多个随机数组合生成多个初始抠图蒙版,并通过预处理网络和标注医学图像样本数据集,从多个初始抠图蒙版中确定目标抠图蒙版,其中,每个随机数组合对应一个初始抠图蒙版;通过教师网络和未标注医学图像样本数据集,生成未标注医学图像样本的伪标签;通过目标抠图蒙版对标注医学图像样本数据集、未标注医学图像样本数据集以及未标注医学图像样本的伪标签进行处理,得到目标医学图像样本和目标标签,并将目标医学图像样本和目标标签输入学生网络进行迭代训练,得到目标分割模型。
可选地,样本数据集可以是骨科图像数据集,包括有标签的骨科图像数据集(即标注医学图像样本数据集)和无标签的骨科图像数据集(即未标注医学图像样本数据集)。例如,将骨科图像数据用表示,其中,/>分别表示图像数据的长、宽、高;将图像数据对应的像素级标签映射用/>表示,其中,/>表示类别数量。有标签的骨科图像数据集表示为/>,其中,/>表示有标签数据的数量;无标签的骨科图像数据集表示为/>,其中,/>表示无标签数据的数量,并且/>,则整体骨科图像数据集(即样本数据集)可以表示为/>。
可选地,首先通过排列组合的方式,生成一系列随机数组合,每个组合中有三个随机数,依次使用这些组合构造不同的初始抠图蒙版,蒙版中只有0/1数值。具体地,依据目标取值范围可以确定出随机数集合,对随机数集合中的随机数进行排列组合处理,可以生成多个随机数组合,依据多个随机数组合可以生成多个初始抠图蒙版。其中,目标取值范围(即随机数的取值范围)为/>,随机数集合为/>个随机数构成的集合。
例如,为了对骨科图像数据进行抠图处理,设置0/1数值蒙版,设蒙版/>中数值0和数值1的范围分别用式(1)和式(2)表示:
(1)
(2)
其中,分别表示蒙版/>中数值全为0的模块的长、宽、高的系数,即蒙版中数值全为0的数据块的长、宽和高分别为/>和/>,在/>中/>以外空间中的数值全为1,即/>与/>不相交,且/>,蒙版/>如图2所示,/>表示的立方体范围即为/>,即蒙版/>的长、宽、高为/>,/>为数值0的范围,/>的系数/>为分别从/>中取一部分,剩余的为/>,即数值1的范围。
可选地,采用排列组合的方式为系数和/>赋值,随机数/>的取值范围为,假设一共取了/>个随机数得到随机数集合,依次从这/>个随机数中(即从随机数集合中)随机选取一个数,选取三次,其中,第一次为选取的/>的值,第二次为选取的/>的值,第三次为选取的/>的值,则可重复选取的随机组合个数为/>,如式(3)所示:
(3)
其中,即为生成的多个随机数组合,/>表示一个随机组合,,/>,/>表示随机组合的索引,/>,/>和/>分别表示随机组合中的随机数,即分别对系数/>和/>的取值,/>和/>分别表示其索引。可选地,构造完随机组合后,用/>中的组合依次确定/>中数值0和数值1的范围,可以获得/>个不同的蒙版(即生成的多个初始抠图蒙版),设其集合形式/>如式(4)所示:
(4)
其中,中任意一个蒙版/>,根据式(1)和式(2)可得蒙版中数值0和数值1的范围如式(5)和式(6)所示:
(5)
(6)
可选地,通过抠图蒙版可以从有标签数据和无标签数据中抠出相应的前景或背景,然后进行复制粘贴,构成新的图像数据。例如,从无标签的骨科图像数据集中随机抽取两个未标记且不同的图像/>,从有标签的骨科图像数据集/>中随机抽取两个标记且不同的图像/>,然后使用蒙版从/>中抠取前景复制粘贴到/>上以生成混合图像/>,此时,/>上未被替代的部分为背景;然后使用蒙版从/>中抠取前景复制粘贴到/>上生成另一个混合图像/>,此时,/>上未被替代的部分为背景。使用蒙版抠图过程如式(7)和式(8)所示:
(7)
(8)
其中,表示逐个元素相乘,/>。
可选地,在生成多个初始抠图蒙版之后,通过预处理网络和标注医学图像样本数据集,可以从多个初始抠图蒙版中确定出目标抠图蒙版(即最优抠图蒙版)。例如,从有标签的骨科图像数据集中选取少量图像和标签,并用所有的初始抠图蒙版对这一小部分图像进行处理,得到新的图像和标签,将新获得的图像和标签输入预处理网络进行小规模有监督学习,得到模型处理每一个图像的准确率,由于每一个图像对应一个初始抠图蒙版,因此可以获得每个初始抠图蒙版对应的准确率,将最大准确率对应的抠图蒙版提取出来作为后续处理图像的最优抠图蒙版,同时预处理网络学习到的模型参数传到后续学生网络中,用于模型的预训练,从而减少后续模型参数优化的时间。
在一种可选的实施例中,通过预处理网络和标注医学图像样本数据集,从多个初始抠图蒙版中确定目标抠图蒙版,包括:从标注医学图像样本数据集中获取若干张标注医学图像样本,并随机从若干张标注医学图像样本中选取第一标注医学图像样本和第二标注医学图像样本;对于多个初始抠图蒙版中的每个初始抠图蒙版,通过初始抠图蒙版从第一标注医学图像样本中抠取第一前景图像和第一前景图像对应的第一前景标签,并将第一前景图像和第一前景标签复制粘贴到第二标注医学图像样本,生成第一混合图像和第一混合标签;通过初始抠图蒙版从第二标注医学图像样本中抠取第二前景图像和第二前景图像对应的第二前景标签,并将第二前景图像和第二前景标签复制粘贴到第一标注医学图像样本,生成第二混合图像和第二混合标签;将第一混合图像、第一混合标签、第二混合图像以及第二混合标签输入预处理网络进行训练,得到第一模型参数和第一预测分割结果,并依据第一预测分割结果确定预处理网络的分割准确率,其中,第一模型参数用于输入学生网络;依据分割准确率和第一预设损失函数,对预处理网络进行迭代训练,直至分割准确率满足第一预设损失条件,得到每个初始抠图蒙版对应的多个分割准确率;计算多个分割准确率的平均值,将平均值作为每个初始抠图蒙版的分割准确率,并依据每个初始抠图蒙版的分割准确率,生成多个初始抠图蒙版对应的分割准确率集合;将分割准确率集合中最大分割准确率对应的初始抠图蒙版作为目标抠图蒙版。
可选地,在通过预处理网络和标注医学图像样本数据集,从多个初始抠图蒙版中确定目标抠图蒙版的过程中,从标注医学图像样本数据集中获取若干张标注医学图像样本,并随机从若干张标注医学图像样本中选取第一标注医学图像样本和第二标注医学图像样本。例如,从有标签的骨科图像数据集中选取少部分图像和标签,随机从/>(即若干张标注医学图像样本)中选取两个图像/>和/>,即第一标注医学图像样本表示为/>,第二标注医学图像样本表示为/>。
可选地,对于多个初始抠图蒙版中的每个初始抠图蒙版,通过初始抠图蒙版从第一标注医学图像样本中抠取第一前景图像和第一前景图像对应的第一前景标签,并将第一前景图像和第一前景标签复制粘贴到第二标注医学图像样本,生成第一混合图像和第一混合标签;通过初始抠图蒙版从第二标注医学图像样本中抠取第二前景图像和第二前景图像对应的第二前景标签,并将第二前景图像和第二前景标签复制粘贴到第一标注医学图像样本,生成第二混合图像和第二混合标签。例如,依次从中取出每一个初始抠图蒙版,使用蒙版/>从/>中抠取前景图像和对应的前景标签,复制粘贴到/>,构成新的图像和标签/>,即第一混合图像和第一混合标签表示为/>;使用蒙版/>从/>中抠取前景图像和对应的前景标签,复制粘贴到/>,构成新的图像和标签/>,即第二混合图像和第二混合标签表示为/>。该抠图过程如式(9)到式(12)所示:
(9)
(10)
(11)
(12)
可选地,将第一混合图像、第一混合标签、第二混合图像以及第二混合标签输入预处理网络进行训练,可以得到第一模型参数和第一预测分割结果,依据第一预测分割结果可以确定出预处理网络的分割准确率,依据分割准确率和第一预设损失函数,对预处理网络进行迭代训练,直至分割准确率满足第一预设损失条件,可以得到每个初始抠图蒙版对应的多个分割准确率,计算多个分割准确率的平均值,将平均值作为每个初始抠图蒙版的分割准确率,依据每个初始抠图蒙版的分割准确率,可以生成多个初始抠图蒙版对应的分割准确率集合,将分割准确率集合中最大分割准确率对应的初始抠图蒙版作为目标抠图蒙版。
例如,如图3所示,将和/>输入到预处理网络中进行模型训练,如式(13)所示:
(13)
其中,表示预处理网络对输入数据进行训练,/>表示学习到的模型参数(即第一模型参数),该参数将传送到后续学生网络中作为预训练模型参数,从而减少后续模型参数优化的时间。其中,/>和/>表示预处理网络的预测值(即第一预测分割结果)。
在训练的过程中,统计每组图像在模型中的分割准确率,即每个抠图蒙版抠图后得到新图,在模型训练过程中获得模型准确率,如式(14)所示:
(14)
其中,表示模型的准确率,/>表示损失函数,是Dice损失和交叉熵损失的线性组合,/>,表示损失函数中的权重。经过多次训练后,每个抠图蒙版/>会得到多个相应的准确率,将每个抠图蒙版/>对应的所有准确率依次取平均值,获得一个准确率集合(即分割准确率集合),如式(15)所示:
(15)
其中,表示每个抠图蒙版/>对应的所有准确率的平均值。
在得到之后,从/>中确定最大值的索引/>,根据该索引,从/>中选出对应的组合/>,则该组合中的数值/>和/>为最优抠图蒙版/>中数值全为0的模块长、宽和高的固定系数/>,并用于后续数据处理过程中,即将分割准确率集合中最大分割准确率对应的初始抠图蒙版作为目标抠图蒙版(即最优抠图蒙版/>)。
需要说明的是,在本发明实施例中,最优抠图蒙版为模型(即预处理网络)选择的结果,与相关技术中采用固定抠图蒙版相比,更适合处理用于模型训练的图像,从而有效提高对医学图像进行图像分割的准确率。
可选地,通过教师网络和未标注医学图像样本数据集,可以生成未标注医学图像样本的伪标签,通过目标抠图蒙版对标注医学图像样本数据集、未标注医学图像样本数据集以及未标注医学图像样本的伪标签进行处理,可以得到目标医学图像样本和目标标签。具体地,在得到最优抠图蒙版之后,从有标签的骨科图像数据集和无标签的骨科图像数据集中依次随机选取两张图像,将两张未标记图像输入到教师网络,生成伪标签。用最优抠图蒙版从一张已标记图像中抠取前景,同时抠取对应的前景标签,从一张未标记图像中抠取背景,同时抠取其对应伪标签中的背景标签,将得到的前景和背景进行组合,构成第一张新的图像,将前景标签和背景标签进行组合,构成第一个新的标签。用最优抠图蒙版从另一张已标记图像中抠取背景,同时抠取对应的背景标签,从另一张未标记图像中抠取前景,同时抠取其对应伪标签中的前景标签,将得到的前景和背景进行组合,构成第二张新的图像,将前景标签和背景标签进行组合,构成第二个新的标签。
在一种可选的实施例中,通过教师网络和未标注医学图像样本数据集,生成未标注医学图像样本的伪标签,包括:从未标注医学图像样本数据集中获取未标注医学图像样本,其中,未标注医学图像样本至少包括第一未标注医学图像样本和第二未标注医学图像样本;将第一未标注医学图像样本和第二未标注医学图像样本输入教师网络进行处理,得到第一未标注医学图像样本的第一伪标签、第二未标注医学图像样本的第二伪标签以及教师网络的网络参数。
在一种可选的实施例中,通过目标抠图蒙版对标注医学图像样本数据集、未标注医学图像样本数据集以及未标注医学图像样本的伪标签进行处理,得到目标医学图像样本和目标标签,包括:从标注医学图像样本数据集中获取标注医学图像样本,其中,标注医学图像样本至少包括第三标注医学图像样本和第四标注医学图像样本;通过目标抠图蒙版从第三标注医学图像样本中抠取第三前景图像和第三前景图像对应的第三前景标签,并将第三前景图像复制粘贴到第一未标注医学图像样本,生成第三混合图像,将第三前景标签复制粘贴到第一伪标签,生成第三混合标签;通过目标抠图蒙版从第二未标注医学图像样本中抠取第四前景图像,并从第二伪标签中抠取第四前景图像对应的第四前景标签,将第四前景图像和第四前景标签复制粘贴到第四标注医学图像样本,生成第四混合图像和第四混合标签;将第三混合图像和第四混合图像作为目标医学图像样本,并将第三混合标签和第四混合标签作为目标标签。
可选地,从无标签的骨科图像数据集(即未标注医学图像样本数据集)选取两张图像/>(即第一未标注医学图像样本)和/>(即第二未标注医学图像样本),从有标签的骨科图像数据集/>(即标注医学图像样本数据集)选取两组图像与标签/>和/>,即第三标注医学图像样本表示为/>,第四标注医学图像样本表示为/>。
可选地,将第一未标注医学图像样本和第二未标注医学图像样本输入教师网络进行处理,可以得到第一未标注医学图像样本的第一伪标签、第二未标注医学图像样本的第二伪标签以及教师网络的网络参数。通过目标抠图蒙版从第三标注医学图像样本中抠取第三前景图像和第三前景图像对应的第三前景标签,并将第三前景图像复制粘贴到第一未标注医学图像样本,生成第三混合图像,将第三前景标签复制粘贴到第一伪标签,生成第三混合标签;通过目标抠图蒙版从第二未标注医学图像样本中抠取第四前景图像,并从第二伪标签中抠取第四前景图像对应的第四前景标签,将第四前景图像和第四前景标签复制粘贴到第四标注医学图像样本,生成第四混合图像和第四混合标签;将第三混合图像和第四混合图像作为目标医学图像样本,并将第三混合标签和第四混合标签作为目标标签。
具体地,使用最优抠图蒙版从/>中抠取前景图像,将前景图复制粘贴到/>,此时/>中未被替换的部分为背景,构成新的图像/>(即第三混合图像);使用最优抠图蒙版/>从/>中抠取前景图像,复制粘贴到/>中,此时/>中未被替换的部分为背景,构成新的图像/>(即第四混合图像)。该抠图过程如式(16)和式(17)所示:
(16)
(17)
可选地,如图3所示,将和/>输入到教师网络中进行无监督训练,生成对应的伪标签/>(即第一伪标签)、/>(即第二伪标签)以及网络参数(即教师网络的网络参数),如式(18)所示:
(18)/>
其中,表示教师网络对输入数据进行处理,/>表示模型优化学习到的参数,即教师网络的网络参数。
可选地,使用最优抠图蒙版从/>中抠取前景标签,将前景标签复制粘贴到/>,此时,/>中未被替换的部分为背景标签,构成新的标签/>(即第三混合标签);使用最优抠图蒙版/>从/>中抠取前景标签,将前景标签复制粘贴到/>,此时,/>中未被替换的部分为背景标签,构成新的标签/>(即第四混合标签)。过程如式(19)和式(20)所示:
(19)
(20)
需要说明的是,通过上述过程,实现了使用少量标注数据,结合大量未标注数据训练半监督学习模型,有效地减少了模型训练对已标注数据的依赖,避免了缺乏已标注的骨科医学图像数据的问题,有效提高对医学图像进行图像分割的准确率。
可选地,将目标医学图像样本和目标标签输入学生网络进行迭代训练,可以得到目标分割模型。具体地,在得到第一张新的图像和新标签、第二张新的图像和新标签之后,将第一张新图像和新标签、第二张新图像和标签传入学生网络中进行模型训练,并将训练得到的模型参数通过指数滑动平均处理后,传递给教师网络。通过多次循环训练,得到本实施例中构造的半监督学习骨科医学图像分割模型。
在一种可选的实施例中,将目标医学图像样本和目标标签输入学生网络进行迭代训练,得到目标分割模型,包括:将第一模型参数、第三混合图像、第四混合图像、第三混合标签以及第四混合标签输入学生网络进行首次训练,得到第二模型参数和第二预测分割结果,其中,第二模型参数用于输入教师网络;依据第二预测分割结果和第二预设损失函数,对学生网络进行迭代训练,直至第二预设损失函数的损失值满足第二预设损失条件,得到目标分割模型。
在一种可选的实施例中,在得到第二模型参数和第二预测分割结果之后,对第二模型参数进行指数滑动平均处理,得到处理后的模型参数;将处理后的模型参数输入教师网络,并将教师网络的网络参数更新为处理后的模型参数,得到更新后的教师网络。
可选地,如图3所示,将第三混合图像()、第四混合图像(/>)、第三混合标签(/>)以及第四混合标签(/>)输入学生网络进行有监督训练,首次训练时,还会将第一模型参数(/>)输入学生网络,得到学生网络的模型参数/>(即第二模型参数),对使用指数滑动平均处理,更新教师网络的参数/>,过程如式(21)和式(22)所示:
(21)
(22)
其中,表示学生网络对输入数据进行训练,/>表示指数滑动平均处理数据,/>表示学生网络的预测值(即第二预测分割结果)。
可选地,依据第二预测分割结果和第二预设损失函数,对学生网络进行迭代训练,直至第二预设损失函数的损失值满足第二预设损失条件,可以得到目标分割模型(即半监督学习骨科医学图像分割模型)。
具体地,在模型训练的过程中主要通过优化四个损失函数,以达到训练网络模型参数的目的,损失函数如式(23)至式(26)所示:
(23)
(24)
(25)
(26)
其中,和/>表示预处理网络的两个损失函数(即第一预设损失函数),/>和/>表示学生网络的两个损失函数(即第二预设损失函数),/>表示损失函数,是Dice损失和交叉熵损失的线性组合,/>,表示损失函数中的权重。可选地,第一预设损失条件和第二预设损失条件可以根据需求设定,例如,分割准确率达到95%以上认为模型训练完成,或者达到预设的训练次数,模型训练完成。经过多次上述数据处理以及优化相应模型损失函数,即可得到半监督学习骨科医学图像分割模型。
需要说明的是,通过上述过程,实现了使用少量标注数据,结合大量未标注数据训练半监督学习模型,有效地减少了模型训练对已标注数据的依赖,避免了缺乏已标注的骨科医学图像数据的问题,有效提高对医学图像进行图像分割的准确率。
图4是根据本发明实施例的一种可选的构造半监督学习骨科医学图像分割模型的流程示意图,如图4所示,首先确定随机数,即通过排列组合的方式,生成依次可重复取三个随机数的排列组合,所有的排列组合构成集合;然后依次使用这些组合构造不同的初始抠图蒙版,蒙版中只有0/1数值,即依次用每个排列组合中的数值为蒙版参数赋值,确定蒙版中数值全为0的范围和全为1的范围,构造初始蒙版,一个排列组合对应一个蒙版;然后从已标记的数据集(即有标签数据集)中选取少量图像和标签,使用所有蒙版抠图,构造新图像,即用所有的初始蒙版对这一小部分图像进行处理,得到新的图像和标签;然后将新获得的图像和标签输入预处理网络,进行小规模有监督学习,计算每个蒙版构造的图像在预处理网络中的准确率,得到每个图像对应的准确率,得到每个蒙版对应的准确率,选出最高准确率对应的蒙版,确定为最优抠图蒙版,同时预处理网络学习到的模型参数(即预处理网络参数)传到后续学生网络中,用于模型的预训练,有效减少后续学生网络的模型参数的优化时间;然后从所有的已标记图像数据和未标记图像数据中依次随机选取两张图像,将两张未标记图像输入到教师网络,并生成伪标签,使用最优抠图蒙版处理有标签图像和标签,使用最优抠图蒙版处理无标签图像,使用最优抠图蒙版处理教师网络生成的伪标签,即用蒙版从一张已标记图像中抠取前景,同时抠取对应的前景标签,从一张未标记图像中抠取背景,同时抠取其对应伪标签中的背景标签,将得到的前景和背景进行组合,构成第一张新的图像,将前景标签和背景标签进行组合,构成第一个新的标签,用蒙版从另一张已标记图像中抠取背景,同时抠取对应的背景标签,从另一张未标记图像中抠取前景,同时抠取其对应伪标签中的前景标签,将得到的前景和背景进行组合,构成第二张新的图像,将前景标签和背景标签进行组合,构成第二个新的标签;然后将第一张新图像和新标签、第二张新图像和标签传入学生网络中进行模型训练,并将训练得到的模型参数(即学生网络参数)通过指数滑动平均处理后,传递给教师网络,通过多次循环训练,得到构造的半监督学习骨科医学图像分割模型。
由此可见,通过本发明的技术方案,达到了有效减少模型训练对已标注医学图像数据的依赖,降低标注成本的目的,从而实现了提高对医学图像进行图像分割的准确率的技术效果,进而解决了现有技术中由于已标注的医学图像数据稀缺,导致训练出的医学图像分割模型存在分割准确率较低的技术问题。
实施例2
根据本发明实施例,提供了一种医学图像分割装置的实施例,其中,图5是根据本发明实施例的一种可选的医学图像分割装置的示意图,如图5所示,该装置包括:第一获取单元501,用于获取待处理的骨科医学图像;第一处理单元502,用于将待处理的骨科医学图像输入目标分割模型,其中,目标分割模型是依据目标抠图蒙版、标注医学图像样本、未标注医学图像样本以及未标注医学图像样本的伪标签对学生网络训练得到的,目标抠图蒙版是通过预处理网络确定得到的,标注医学图像样本包括真实分割标签,未标注医学图像样本的伪标签是通过教师网络生成的;第二处理单元503,用于通过目标分割模型对待处理的骨科医学图像进行分割处理,得到目标骨科医学图像,其中,目标骨科医学图像包括待处理的骨科医学图像中的特征对象,特征对象用于为目标对象提供数据参考。
需要说明的是,上述的第一获取单元501、第一处理单元502以及第二处理单元503对应于上述实施例中的步骤S101至步骤S103,三个单元与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。
可选地,医学图像分割装置还包括以下单元,用于通过以下步骤生成目标分割模型:第二获取单元,用于获取样本数据集,其中,样本数据集包括标注医学图像样本数据集和未标注医学图像样本数据集;第三处理单元,用于依据目标取值范围确定随机数集合,并对随机数集合中的随机数进行排列组合处理,生成多个随机数组合,其中,每个随机数组合包含三个随机数;第一确定单元,用于依据多个随机数组合生成多个初始抠图蒙版,并通过预处理网络和标注医学图像样本数据集,从多个初始抠图蒙版中确定目标抠图蒙版,其中,每个随机数组合对应一个初始抠图蒙版;第一生成单元,用于通过教师网络和未标注医学图像样本数据集,生成未标注医学图像样本的伪标签;第四处理单元,用于通过目标抠图蒙版对标注医学图像样本数据集、未标注医学图像样本数据集以及未标注医学图像样本的伪标签进行处理,得到目标医学图像样本和目标标签,并将目标医学图像样本和目标标签输入学生网络进行迭代训练,得到目标分割模型。
可选地,第一确定单元包括:第一获取子单元,用于从标注医学图像样本数据集中获取若干张标注医学图像样本,并随机从若干张标注医学图像样本中选取第一标注医学图像样本和第二标注医学图像样本;第一处理子单元,用于对于多个初始抠图蒙版中的每个初始抠图蒙版,通过初始抠图蒙版从第一标注医学图像样本中抠取第一前景图像和第一前景图像对应的第一前景标签,并将第一前景图像和第一前景标签复制粘贴到第二标注医学图像样本,生成第一混合图像和第一混合标签;第二处理子单元,用于通过初始抠图蒙版从第二标注医学图像样本中抠取第二前景图像和第二前景图像对应的第二前景标签,并将第二前景图像和第二前景标签复制粘贴到第一标注医学图像样本,生成第二混合图像和第二混合标签;第三处理子单元,用于将第一混合图像、第一混合标签、第二混合图像以及第二混合标签输入预处理网络进行训练,得到第一模型参数和第一预测分割结果,并依据第一预测分割结果确定预处理网络的分割准确率,其中,第一模型参数用于输入学生网络;第四处理子单元,用于依据分割准确率和第一预设损失函数,对预处理网络进行迭代训练,直至分割准确率满足第一预设损失条件,得到每个初始抠图蒙版对应的多个分割准确率;计算子单元,用于计算多个分割准确率的平均值,将平均值作为每个初始抠图蒙版的分割准确率,并依据每个初始抠图蒙版的分割准确率,生成多个初始抠图蒙版对应的分割准确率集合;第一确定子单元,用于将分割准确率集合中最大分割准确率对应的初始抠图蒙版作为目标抠图蒙版。
可选地,第一生成单元包括:第二获取子单元,用于从未标注医学图像样本数据集中获取未标注医学图像样本,其中,未标注医学图像样本至少包括第一未标注医学图像样本和第二未标注医学图像样本;第五处理子单元,用于将第一未标注医学图像样本和第二未标注医学图像样本输入教师网络进行处理,得到第一未标注医学图像样本的第一伪标签、第二未标注医学图像样本的第二伪标签以及教师网络的网络参数。
可选地,第四处理单元包括:第三获取子单元,用于从标注医学图像样本数据集中获取标注医学图像样本,其中,标注医学图像样本至少包括第三标注医学图像样本和第四标注医学图像样本;第六处理子单元,用于通过目标抠图蒙版从第三标注医学图像样本中抠取第三前景图像和第三前景图像对应的第三前景标签,并将第三前景图像复制粘贴到第一未标注医学图像样本,生成第三混合图像,将第三前景标签复制粘贴到第一伪标签,生成第三混合标签;第七处理子单元,用于通过目标抠图蒙版从第二未标注医学图像样本中抠取第四前景图像,并从第二伪标签中抠取第四前景图像对应的第四前景标签,将第四前景图像和第四前景标签复制粘贴到第四标注医学图像样本,生成第四混合图像和第四混合标签;第二确定子单元,用于将第三混合图像和第四混合图像作为目标医学图像样本,并将第三混合标签和第四混合标签作为目标标签。
可选地,第四处理单元还包括:第一训练子单元,用于将第一模型参数、第三混合图像、第四混合图像、第三混合标签以及第四混合标签输入学生网络进行首次训练,得到第二模型参数和第二预测分割结果,其中,第二模型参数用于输入教师网络;第二训练子单元,用于依据第二预测分割结果和第二预设损失函数,对学生网络进行迭代训练,直至第二预设损失函数的损失值满足第二预设损失条件,得到目标分割模型。
可选地,医学图像分割装置还包括:第五处理单元,用于在得到第二模型参数和第二预测分割结果之后,对第二模型参数进行指数滑动平均处理,得到处理后的模型参数;第六处理单元,用于将处理后的模型参数输入教师网络,并将教师网络的网络参数更新为处理后的模型参数,得到更新后的教师网络。
实施例3
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行上述的医学图像分割方法。
实施例4
根据本发明实施例的另一方面,还提供了一种电子设备,其中,图6是根据本发明实施例的一种可选的电子设备的示意图,如图6所示,电子设备包括一个或多个处理器;存储器,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行时,使得一个或多个处理器实现用于运行程序,其中,程序被设置为运行时执行上述的医学图像分割方法。处理器执行程序时实现以下步骤:获取待处理的骨科医学图像;将待处理的骨科医学图像输入目标分割模型,其中,目标分割模型是依据目标抠图蒙版、标注医学图像样本、未标注医学图像样本以及未标注医学图像样本的伪标签对学生网络训练得到的,目标抠图蒙版是通过预处理网络确定得到的,标注医学图像样本包括真实分割标签,未标注医学图像样本的伪标签是通过教师网络生成的;通过目标分割模型对待处理的骨科医学图像进行分割处理,得到目标骨科医学图像,其中,目标骨科医学图像包括待处理的骨科医学图像中的特征对象,特征对象用于为目标对象提供数据参考。
可选地,通过以下步骤生成目标分割模型:获取样本数据集,其中,样本数据集包括标注医学图像样本数据集和未标注医学图像样本数据集;依据目标取值范围确定随机数集合,并对随机数集合中的随机数进行排列组合处理,生成多个随机数组合,其中,每个随机数组合包含三个随机数;依据多个随机数组合生成多个初始抠图蒙版,并通过预处理网络和标注医学图像样本数据集,从多个初始抠图蒙版中确定目标抠图蒙版,其中,每个随机数组合对应一个初始抠图蒙版;通过教师网络和未标注医学图像样本数据集,生成未标注医学图像样本的伪标签;通过目标抠图蒙版对标注医学图像样本数据集、未标注医学图像样本数据集以及未标注医学图像样本的伪标签进行处理,得到目标医学图像样本和目标标签,并将目标医学图像样本和目标标签输入学生网络进行迭代训练,得到目标分割模型。
可选地,通过预处理网络和标注医学图像样本数据集,从多个初始抠图蒙版中确定目标抠图蒙版,包括:从标注医学图像样本数据集中获取若干张标注医学图像样本,并随机从若干张标注医学图像样本中选取第一标注医学图像样本和第二标注医学图像样本;对于多个初始抠图蒙版中的每个初始抠图蒙版,通过初始抠图蒙版从第一标注医学图像样本中抠取第一前景图像和第一前景图像对应的第一前景标签,并将第一前景图像和第一前景标签复制粘贴到第二标注医学图像样本,生成第一混合图像和第一混合标签;通过初始抠图蒙版从第二标注医学图像样本中抠取第二前景图像和第二前景图像对应的第二前景标签,并将第二前景图像和第二前景标签复制粘贴到第一标注医学图像样本,生成第二混合图像和第二混合标签;将第一混合图像、第一混合标签、第二混合图像以及第二混合标签输入预处理网络进行训练,得到第一模型参数和第一预测分割结果,并依据第一预测分割结果确定预处理网络的分割准确率,其中,第一模型参数用于输入学生网络;依据分割准确率和第一预设损失函数,对预处理网络进行迭代训练,直至分割准确率满足第一预设损失条件,得到每个初始抠图蒙版对应的多个分割准确率;计算多个分割准确率的平均值,将平均值作为每个初始抠图蒙版的分割准确率,并依据每个初始抠图蒙版的分割准确率,生成多个初始抠图蒙版对应的分割准确率集合;将分割准确率集合中最大分割准确率对应的初始抠图蒙版作为目标抠图蒙版。
可选地,通过教师网络和未标注医学图像样本数据集,生成未标注医学图像样本的伪标签,包括:从未标注医学图像样本数据集中获取未标注医学图像样本,其中,未标注医学图像样本至少包括第一未标注医学图像样本和第二未标注医学图像样本;将第一未标注医学图像样本和第二未标注医学图像样本输入教师网络进行处理,得到第一未标注医学图像样本的第一伪标签、第二未标注医学图像样本的第二伪标签以及教师网络的网络参数。
可选地,通过目标抠图蒙版对标注医学图像样本数据集、未标注医学图像样本数据集以及未标注医学图像样本的伪标签进行处理,得到目标医学图像样本和目标标签,包括:从标注医学图像样本数据集中获取标注医学图像样本,其中,标注医学图像样本至少包括第三标注医学图像样本和第四标注医学图像样本;通过目标抠图蒙版从第三标注医学图像样本中抠取第三前景图像和第三前景图像对应的第三前景标签,并将第三前景图像复制粘贴到第一未标注医学图像样本,生成第三混合图像,将第三前景标签复制粘贴到第一伪标签,生成第三混合标签;通过目标抠图蒙版从第二未标注医学图像样本中抠取第四前景图像,并从第二伪标签中抠取第四前景图像对应的第四前景标签,将第四前景图像和第四前景标签复制粘贴到第四标注医学图像样本,生成第四混合图像和第四混合标签;将第三混合图像和第四混合图像作为目标医学图像样本,并将第三混合标签和第四混合标签作为目标标签。
可选地,将目标医学图像样本和目标标签输入学生网络进行迭代训练,得到目标分割模型,包括:将第一模型参数、第三混合图像、第四混合图像、第三混合标签以及第四混合标签输入学生网络进行首次训练,得到第二模型参数和第二预测分割结果,其中,第二模型参数用于输入教师网络;依据第二预测分割结果和第二预设损失函数,对学生网络进行迭代训练,直至第二预设损失函数的损失值满足第二预设损失条件,得到目标分割模型。
可选地,在得到第二模型参数和第二预测分割结果之后,对第二模型参数进行指数滑动平均处理,得到处理后的模型参数;将处理后的模型参数输入教师网络,并将教师网络的网络参数更新为处理后的模型参数,得到更新后的教师网络。
本文中的设备可以是服务器、PC、PAD、手机等。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
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 (10)
1.一种医学图像分割方法,其特征在于,包括:
获取待处理的骨科医学图像;
将所述待处理的骨科医学图像输入目标分割模型,其中,所述目标分割模型是依据目标抠图蒙版、标注医学图像样本、未标注医学图像样本以及所述未标注医学图像样本的伪标签对学生网络训练得到的,所述目标抠图蒙版是通过预处理网络确定得到的,所述标注医学图像样本包括真实分割标签,所述未标注医学图像样本的伪标签是通过教师网络生成的;
通过所述目标分割模型对所述待处理的骨科医学图像进行分割处理,得到目标骨科医学图像,其中,所述目标骨科医学图像包括所述待处理的骨科医学图像中的特征对象,所述特征对象用于为目标对象提供数据参考。
2.根据权利要求1所述的方法,其特征在于,通过以下步骤生成所述目标分割模型:
获取样本数据集,其中,所述样本数据集包括标注医学图像样本数据集和未标注医学图像样本数据集;
依据目标取值范围确定随机数集合,并对所述随机数集合中的随机数进行排列组合处理,生成多个随机数组合,其中,每个随机数组合包含三个随机数;
依据所述多个随机数组合生成多个初始抠图蒙版,并通过所述预处理网络和所述标注医学图像样本数据集,从所述多个初始抠图蒙版中确定所述目标抠图蒙版,其中,所述每个随机数组合对应一个所述初始抠图蒙版;
通过所述教师网络和所述未标注医学图像样本数据集,生成所述未标注医学图像样本的伪标签;
通过所述目标抠图蒙版对所述标注医学图像样本数据集、所述未标注医学图像样本数据集以及所述未标注医学图像样本的伪标签进行处理,得到目标医学图像样本和目标标签,并将所述目标医学图像样本和所述目标标签输入所述学生网络进行迭代训练,得到所述目标分割模型。
3.根据权利要求2所述的方法,其特征在于,通过所述预处理网络和所述标注医学图像样本数据集,从所述多个初始抠图蒙版中确定所述目标抠图蒙版,包括:
从所述标注医学图像样本数据集中获取若干张标注医学图像样本,并随机从所述若干张标注医学图像样本中选取第一标注医学图像样本和第二标注医学图像样本;
对于所述多个初始抠图蒙版中的每个初始抠图蒙版,通过所述初始抠图蒙版从所述第一标注医学图像样本中抠取第一前景图像和所述第一前景图像对应的第一前景标签,并将所述第一前景图像和所述第一前景标签复制粘贴到所述第二标注医学图像样本,生成第一混合图像和第一混合标签;
通过所述初始抠图蒙版从所述第二标注医学图像样本中抠取第二前景图像和所述第二前景图像对应的第二前景标签,并将所述第二前景图像和所述第二前景标签复制粘贴到所述第一标注医学图像样本,生成第二混合图像和第二混合标签;
将所述第一混合图像、所述第一混合标签、所述第二混合图像以及所述第二混合标签输入所述预处理网络进行训练,得到第一模型参数和第一预测分割结果,并依据所述第一预测分割结果确定所述预处理网络的分割准确率,其中,所述第一模型参数用于输入所述学生网络;
依据所述分割准确率和第一预设损失函数,对所述预处理网络进行迭代训练,直至所述分割准确率满足第一预设损失条件,得到所述每个初始抠图蒙版对应的多个分割准确率;
计算所述多个分割准确率的平均值,将所述平均值作为所述每个初始抠图蒙版的分割准确率,并依据所述每个初始抠图蒙版的分割准确率,生成所述多个初始抠图蒙版对应的分割准确率集合;
将所述分割准确率集合中最大分割准确率对应的初始抠图蒙版作为所述目标抠图蒙版。
4.根据权利要求2所述的方法,其特征在于,通过所述教师网络和所述未标注医学图像样本数据集,生成所述未标注医学图像样本的伪标签,包括:
从所述未标注医学图像样本数据集中获取所述未标注医学图像样本,其中,所述未标注医学图像样本至少包括第一未标注医学图像样本和第二未标注医学图像样本;
将所述第一未标注医学图像样本和所述第二未标注医学图像样本输入所述教师网络进行处理,得到所述第一未标注医学图像样本的第一伪标签、所述第二未标注医学图像样本的第二伪标签以及所述教师网络的网络参数。
5.根据权利要求4所述的方法,其特征在于,通过所述目标抠图蒙版对所述标注医学图像样本数据集、所述未标注医学图像样本数据集以及所述未标注医学图像样本的伪标签进行处理,得到目标医学图像样本和目标标签,包括:
从所述标注医学图像样本数据集中获取所述标注医学图像样本,其中,所述标注医学图像样本至少包括第三标注医学图像样本和第四标注医学图像样本;
通过所述目标抠图蒙版从所述第三标注医学图像样本中抠取第三前景图像和所述第三前景图像对应的第三前景标签,并将所述第三前景图像复制粘贴到所述第一未标注医学图像样本,生成第三混合图像,将所述第三前景标签复制粘贴到所述第一伪标签,生成第三混合标签;
通过所述目标抠图蒙版从所述第二未标注医学图像样本中抠取第四前景图像,并从所述第二伪标签中抠取所述第四前景图像对应的第四前景标签,将所述第四前景图像和所述第四前景标签复制粘贴到所述第四标注医学图像样本,生成第四混合图像和第四混合标签;
将所述第三混合图像和所述第四混合图像作为所述目标医学图像样本,并将所述第三混合标签和所述第四混合标签作为所述目标标签。
6.根据权利要求5所述的方法,其特征在于,将所述目标医学图像样本和所述目标标签输入所述学生网络进行迭代训练,得到所述目标分割模型,包括:
将第一模型参数、所述第三混合图像、所述第四混合图像、所述第三混合标签以及所述第四混合标签输入所述学生网络进行首次训练,得到第二模型参数和第二预测分割结果,其中,所述第二模型参数用于输入所述教师网络;
依据所述第二预测分割结果和第二预设损失函数,对所述学生网络进行迭代训练,直至所述第二预设损失函数的损失值满足第二预设损失条件,得到所述目标分割模型。
7.根据权利要求6所述的方法,其特征在于,在得到第二模型参数和第二预测分割结果之后,所述方法还包括:
对所述第二模型参数进行指数滑动平均处理,得到处理后的模型参数;
将所述处理后的模型参数输入所述教师网络,并将所述教师网络的网络参数更新为所述处理后的模型参数,得到更新后的教师网络。
8.一种医学图像分割装置,其特征在于,包括:
第一获取单元,用于获取待处理的骨科医学图像;
第一处理单元,用于将所述待处理的骨科医学图像输入目标分割模型,其中,所述目标分割模型是依据目标抠图蒙版、标注医学图像样本、未标注医学图像样本以及所述未标注医学图像样本的伪标签对学生网络训练得到的,所述目标抠图蒙版是通过预处理网络确定得到的,所述标注医学图像样本包括真实分割标签,所述未标注医学图像样本的伪标签是通过教师网络生成的;
第二处理单元,用于通过所述目标分割模型对所述待处理的骨科医学图像进行分割处理,得到目标骨科医学图像,其中,所述目标骨科医学图像包括所述待处理的骨科医学图像中的特征对象,所述特征对象用于为目标对象提供数据参考。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至7任一项中所述的医学图像分割方法。
10.一种电子设备,其特征在于,所述电子设备包括一个或多个处理器;存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现用于运行程序,其中,所述程序被设置为运行时执行所述权利要求1至7任一项中所述的医学图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311134073.5A CN116862931B (zh) | 2023-09-04 | 2023-09-04 | 医学图像分割方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311134073.5A CN116862931B (zh) | 2023-09-04 | 2023-09-04 | 医学图像分割方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116862931A true CN116862931A (zh) | 2023-10-10 |
CN116862931B CN116862931B (zh) | 2024-01-23 |
Family
ID=88225307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311134073.5A Active CN116862931B (zh) | 2023-09-04 | 2023-09-04 | 医学图像分割方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116862931B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197472A (zh) * | 2023-11-07 | 2023-12-08 | 四川农业大学 | 基于鼻出血内窥镜影像的高效师生半监督分割方法及装置 |
CN117393100A (zh) * | 2023-12-11 | 2024-01-12 | 安徽大学 | 诊断报告的生成方法、模型训练方法、系统、设备及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022242352A1 (zh) * | 2021-05-21 | 2022-11-24 | 北京沃东天骏信息技术有限公司 | 构建图像语义分割模型和图像处理的方法、装置、电子设备及介质 |
WO2023015755A1 (zh) * | 2021-08-09 | 2023-02-16 | 奥比中光科技集团股份有限公司 | 一种抠图网络训练方法及抠图方法 |
CN115797637A (zh) * | 2022-12-29 | 2023-03-14 | 西北工业大学 | 基于模型间和模型内不确定性的半监督分割模型 |
CN115841494A (zh) * | 2022-12-16 | 2023-03-24 | 华东师范大学 | 一种基于魔方切分复原的半监督多器官分割方法 |
CN116228639A (zh) * | 2022-12-12 | 2023-06-06 | 杭州电子科技大学 | 基于半监督多级不确定性感知的口腔全景片龋齿分割方法 |
CN116258695A (zh) * | 2023-02-03 | 2023-06-13 | 浙江大学 | 基于Transformer与CNN交互的半监督医学影像分割方法 |
WO2023116635A1 (zh) * | 2021-12-24 | 2023-06-29 | 中国科学院深圳先进技术研究院 | 一种基于互学习的半监督医学图像分割方法及其系统 |
CN116363363A (zh) * | 2023-03-22 | 2023-06-30 | 武汉大学 | 无监督域适应语义分割方法、装置、设备及可读存储介质 |
CN116468746A (zh) * | 2023-03-27 | 2023-07-21 | 华东师范大学 | 一种双向复制粘贴的半监督医学图像分割方法 |
-
2023
- 2023-09-04 CN CN202311134073.5A patent/CN116862931B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022242352A1 (zh) * | 2021-05-21 | 2022-11-24 | 北京沃东天骏信息技术有限公司 | 构建图像语义分割模型和图像处理的方法、装置、电子设备及介质 |
WO2023015755A1 (zh) * | 2021-08-09 | 2023-02-16 | 奥比中光科技集团股份有限公司 | 一种抠图网络训练方法及抠图方法 |
WO2023116635A1 (zh) * | 2021-12-24 | 2023-06-29 | 中国科学院深圳先进技术研究院 | 一种基于互学习的半监督医学图像分割方法及其系统 |
CN116228639A (zh) * | 2022-12-12 | 2023-06-06 | 杭州电子科技大学 | 基于半监督多级不确定性感知的口腔全景片龋齿分割方法 |
CN115841494A (zh) * | 2022-12-16 | 2023-03-24 | 华东师范大学 | 一种基于魔方切分复原的半监督多器官分割方法 |
CN115797637A (zh) * | 2022-12-29 | 2023-03-14 | 西北工业大学 | 基于模型间和模型内不确定性的半监督分割模型 |
CN116258695A (zh) * | 2023-02-03 | 2023-06-13 | 浙江大学 | 基于Transformer与CNN交互的半监督医学影像分割方法 |
CN116363363A (zh) * | 2023-03-22 | 2023-06-30 | 武汉大学 | 无监督域适应语义分割方法、装置、设备及可读存储介质 |
CN116468746A (zh) * | 2023-03-27 | 2023-07-21 | 华东师范大学 | 一种双向复制粘贴的半监督医学图像分割方法 |
Non-Patent Citations (1)
Title |
---|
曹玉红 等: "基于深度学习的医学影像分割研究综述", 计算机应用, vol. 41, no. 8, pages 2273 - 2287 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117197472A (zh) * | 2023-11-07 | 2023-12-08 | 四川农业大学 | 基于鼻出血内窥镜影像的高效师生半监督分割方法及装置 |
CN117197472B (zh) * | 2023-11-07 | 2024-03-08 | 四川农业大学 | 基于鼻出血内窥镜影像的高效师生半监督分割方法及装置 |
CN117393100A (zh) * | 2023-12-11 | 2024-01-12 | 安徽大学 | 诊断报告的生成方法、模型训练方法、系统、设备及介质 |
CN117393100B (zh) * | 2023-12-11 | 2024-04-05 | 安徽大学 | 诊断报告的生成方法、模型训练方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116862931B (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116862931B (zh) | 医学图像分割方法、装置、存储介质及电子设备 | |
Lindsey et al. | Deep neural network improves fracture detection by clinicians | |
Cheng et al. | Transfer learning with convolutional neural networks for classification of abdominal ultrasound images | |
Wang et al. | 3d u-net based brain tumor segmentation and survival days prediction | |
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
Luo et al. | Deep mining external imperfect data for chest X-ray disease screening | |
Aggarwal et al. | Automated COVID‐19 detection in chest X‐ray images using fine‐tuned deep learning architectures | |
Azizi et al. | Robust and efficient medical imaging with self-supervision | |
Yan et al. | Modeling annotator expertise: Learning when everybody knows a bit of something | |
Buty et al. | Characterization of lung nodule malignancy using hybrid shape and appearance features | |
CN111369576B (zh) | 图像分割模型的训练方法、图像分割方法、装置及设备 | |
CN113283446B (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
Rajaraman et al. | Training deep learning algorithms with weakly labeled pneumonia chest X-ray data for COVID-19 detection | |
CN113539408B (zh) | 一种医学报告生成方法、模型的训练方法、装置及设备 | |
CN113821668A (zh) | 数据分类识别方法、装置、设备及可读存储介质 | |
Matsoukas et al. | Adding seemingly uninformative labels helps in low data regimes | |
CN111882559B (zh) | Ecg信号的获取方法及装置、存储介质、电子装置 | |
Zhang et al. | Augmenting multi‐instance multilabel learning with sparse Bayesian models for skin biopsy image analysis | |
CN115222443A (zh) | 客户群体划分方法、装置、设备及存储介质 | |
Costa et al. | Covid-19 detection on chest x-ray and ct scan: A review of the top-100 most cited papers | |
Agarwal et al. | Weakly-supervised lesion segmentation on CT scans using co-segmentation | |
Liu et al. | Utilizing synthetic data for medical vision-language pre-training: Bypassing the need for real images | |
JP2010282276A (ja) | 映像認識理解装置、映像認識理解方法、及びプログラム | |
CN109616165A (zh) | 医疗信息展示方法及装置 | |
CN111368552A (zh) | 一种面向特定领域的网络用户群组划分方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |