CN117133019A - 一种数据处理的方法、装置、存储介质及电子设备 - Google Patents

一种数据处理的方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN117133019A
CN117133019A CN202311097793.9A CN202311097793A CN117133019A CN 117133019 A CN117133019 A CN 117133019A CN 202311097793 A CN202311097793 A CN 202311097793A CN 117133019 A CN117133019 A CN 117133019A
Authority
CN
China
Prior art keywords
human body
medical image
mode
network
target
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
Application number
CN202311097793.9A
Other languages
English (en)
Inventor
聂建龙
张博扬
曹晓欢
薛忠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Intelligent Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Intelligent Healthcare Co Ltd filed Critical Shanghai United Imaging Intelligent Healthcare Co Ltd
Priority to CN202311097793.9A priority Critical patent/CN117133019A/zh
Publication of CN117133019A publication Critical patent/CN117133019A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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
    • G06N3/0475—Generative 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
    • G06N3/094—Adversarial 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Image Analysis (AREA)

Abstract

本说明书公开了一种数据处理的方法、装置、存储介质及电子设备，将原始模态的人体医学图像转换为目标模态的人体医学图像，输入预先基于目标模态的人体医学图像训练的人体部位识别模型，得到目标模态的人体医学图像中的人体部位，从而得到原始模态的人体医学图像中的人体部位。通过将原始模态的人体医学图像映射至目标模态，使得该人体部位识别模型可对得到的目标模态的人体医学图像进行部位识别，间接的实现了对原始模态的人体医学图像的部位识别，从而不需要基于原始模态的人体医学图像训练另外的人体部位识别模型，解决了当原始模态的人体医学图像较少时，难以训练出效果相对较好的人体部位识别模型的问题。

Description

一种数据处理的方法、装置、存储介质及电子设备
技术领域
本申请涉及计算机技术领域，尤其涉及一种数据处理的方法、装置、存储介质及电子设备。
背景技术
随着科技的发展，医疗技术也飞速发展。在医疗领域，人工智能广泛应用。其中，在对人体进行医学检查时，可使用不同的医学影像设备得到的不同模态的人体医学图像，以基于得到的人体医学图像对人体的健康状况进行分析，例如：使用电子计算机断层扫描(Computed Tomography，CT)设备获取CT模态的人体医学图像，使用磁共振成像(MagneticResonance Imaging，MRI)设备获取MRI模态的人体医学图像。
一般的，可使用训练好的模型对人体医学图像进行相应的处理。例如：使用人体部位识别模型识别人体医学图像中的感兴趣部位，以便医师可基于人体医学图像中的感兴趣部位对人体的健康状况进行分析。但是，由于模型的训练需要使用大量的样本数据，且模型是使用特定模态的图像数据进行训练得到的，而一些医学影像设备的使用频率低，例如：正电子发射型断层成像(Positron Emission Tomography，PET)设备，单光子发射型断层成像(Single Photon Emission Computed Tomography，SPECT)设备，因此PET、SPECT等模态的人体医学图像也极少，那么使用这些少量的人体医学图像去训练模型，难以取得好的效果。
基于此，本说明书提供了一种数据处理的方法。
发明内容
本说明书提供一种数据处理的方法、装置、存储介质及电子设备，以至少部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种数据处理的方法，所述方法包括：
获取原始模态的人体医学图像；
将所述原始模态的人体医学图像转换为目标模态的人体医学图像；
将所述目标模态的人体医学图像输入预先训练的人体部位识别模型，得到所述人体部位识别模型输出的所述目标模态的人体医学图像中的人体部位；其中，所述人体部位识别模型是预先基于目标模态的人体医学图像训练的；
根据得到的所述目标模态的人体医学图像中的人体部位，得到所述原始模态的人体医学图像中的人体部位。
可选地，将所述原始模态的人体医学图像转换为目标模态的人体医学图像，具体包括：
将所述原始模态的人体医学图像输入转换网络，以使所述转换网络将所述原始模态的人体医学图像映射至目标模态，得到所述原始模态的人体医学图像对应的目标模态的人体医学图像。
可选地，所述转换网络为Cycle GAN网络。
可选地，所述原始模态的人体医学图像为MRI人体医学图像，所述目标模态的人体医学图像为CT人体医学图像。
可选地，将所述目标模态的人体医学图像输入预先训练的人体部位识别模型，得到所述人体部位识别模型输出的所述目标模态的人体医学图像中的人体部位，具体包括：
将所述CT人体医学图像输入预先训练的人体部位识别模型，得到所述人体部位识别模型输出的所述CT人体医学图像中的人体部位。
可选地，所述原始模态的人体医学图像中包括多张原始模态的人体医学图像切片；
将所述原始模态的人体医学图像转换为目标模态的人体医学图像，具体包括：
确定所述原始模态的人体医学图像中的待检测的人体医学图像切片；
将确定出的待检测的人体医学图像切片转换为目标模态的人体医学图像切片。
可选地，所述Cycle GAN网络包括：第一生成网络，第二生成网络，第一判别网络以及第二判别网络；其中，所述第一生成网络用于将原始模态的人体医学图像转换成目标模态的人体医学图像，所述第二生成网络用于将目标模态的人体医学图像转换成原始模态的人体医学图像，所述第一判别网络用于判别目标模态的人体医学图像与第一生成网络输出的目标模态的人体医学图像是否相似，所述第二判别网络用于判别原始模态的人体医学图像与第二生成网络输出的原始模态的人体医学图像是否相似；
所述Cycle GAN网络采用下述方法训练：
获取原始模态的人体医学图像样本，作为第一样本，以及获取目标模态的人体医学图像样本，作为第二样本；
将所述第一样本输入所述第一生成网络，得到所述第一生成网络输出的第一结果；
将所述第一结果输入所述第二生成网络，得到所述第二生成网络输出的第二结果；
将所述第二样本输入所述第二生成网络，得到所述第二生成网络输出的第三结果；
将所述第三结果输入所述第一生成网络，得到所述第一生成网络输出的第四结果；
根据所述第一结果、所述第二结果、所述第三结果、所述第四结果、所述第一样本以及所述第二样本，对所述第一生成网络、所述第二生成网络、所述第一判别网络以及所述第二判别网络进行训练。
可选地，对所述第一生成网络、所述第二生成网络、所述第一判别网络以及所述第二判别网络进行训练，具体包括：
根据所述第一样本与所述第二结果，对所述第二判别网络进行训练；
根据所述第二样本与所述第四结果，对所述第一判别网络进行训练；
根据所述第一结果与所述第二样本，对所述第一生成网络进行训练；
根据所述第三结果与所述第一样本，对所述第二生成网络进行训练。
本说明书提供了一种数据处理的装置，包括：
获取模块，用于获取原始模态的人体医学图像；
转换模块，用于将所述原始模态的人体医学图像转换为目标模态的人体医学图像；
输入模块，用于将所述目标模态的人体医学图像输入预先训练的人体部位识别模型，得到所述人体部位识别模型输出的所述目标模态的人体医学图像中的人体部位；其中，所述人体部位识别模型是预先基于目标模态的人体医学图像训练的；
处理模块，用于根据得到的所述目标模态的人体医学图像中的人体部位，得到所述原始模态的人体医学图像中的人体部位。
可选地，所述转换模块具体用于，将所述原始模态的人体医学图像输入转换网络，以使所述转换网络将所述原始模态的人体医学图像映射至目标模态，得到所述原始模态的人体医学图像对应的目标模态的人体医学图像。
可选地，所述转换网络为Cycle GAN网络。
可选地，所述原始模态的人体医学图像为MRI人体医学图像，所述目标模态的人体医学图像为CT人体医学图像。
可选地，所述输入模块具体用于，将所述CT人体医学图像输入预先训练的人体部位识别模型，得到所述人体部位识别模型输出的所述CT人体医学图像中的人体部位。
可选地，所述原始模态的人体医学图像中包括多张原始模态的人体医学图像切片；
所述转换模块具体用于，确定所述原始模态的人体医学图像中的待检测的人体医学图像切片；将确定出的待检测的人体医学图像切片转换为目标模态的人体医学图像切片。
可选地，所述Cycle GAN网络包括：第一生成网络，第二生成网络，第一判别网络以及第二判别网络；其中，所述第一生成网络用于将原始模态的人体医学图像转换成目标模态的人体医学图像，所述第二生成网络用于将目标模态的人体医学图像转换成原始模态的人体医学图像，所述第一判别网络用于判别目标模态的人体医学图像与第一生成网络输出的目标模态的人体医学图像是否相似，所述第二判别网络用于判别原始模态的人体医学图像与第二生成网络输出的原始模态的人体医学图像是否相似；
所述装置还包括训练模块：
所述训练模块具体用于，获取原始模态的人体医学图像样本，作为第一样本，以及获取目标模态的人体医学图像样本，作为第二样本；将所述第一样本输入所述第一生成网络，得到所述第一生成网络输出的第一结果；将所述第一结果输入所述第二生成网络，得到所述第二生成网络输出的第二结果；将所述第二样本输入所述第二生成网络，得到所述第二生成网络输出的第三结果；将所述第三结果输入所述第一生成网络，得到所述第一生成网络输出的第四结果；根据所述第一结果、所述第二结果、所述第三结果、所述第四结果、所述第一样本以及所述第二样本，对所述第一生成网络、所述第二生成网络、所述第一判别网络以及所述第二判别网络进行训练。
可选地，所述训练模块具体用于，根据所述第一样本与所述第二结果，对所述第二判别网络进行训练；根据所述第二样本与所述第四结果，对所述第一判别网络进行训练；根据所述第一结果与所述第二样本，对所述第一生成网络进行训练；根据所述第三结果与所述第一样本，对所述第二生成网络进行训练。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述数据处理的方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述数据处理的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
在本说明书提供的数据处理的方法中可以看出，在对原始模态的人体医学图像进行人体部位识别时，由于基于目标模态的人体医学图像预先训练的人体部位识别模型，不能处理原始模态的人体医学图像，或者说已有的和/或可以得到的人体部位识别模型无法对原始模态的人体医学图像进行处理，因此可先将原始模态的人体医学图像转换成目标模态的人体医学图像，以使得该人体部位识别模型可对转换后得到的目标模态的人体医学图像进行人体部位识别，从而间接的实现了对原始模态的人体医学图像中的人体部位的识别，也即不需要另外基于原始模态的人体医学图像训练另外的人体部位识别模型，并且解决了当原始模态的人体医学图像较少时，难以训练出效果相对较好的人体部位识别模型的问题。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附
图中：
图1为本说明书中一种数据处理的方法的流程示意图；
图2为本说明书提供的一种Cycle GAN网络的结构示意图；
图3为本说明书提供的一种数据处理的装置示意图；
图4为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
一般的，在医疗领域，人体医学图像可分为多种模态，通常可基于不同的医学影像设备得到的不同模态的医学人体医学图像，如基于电子计算机断层扫描(ComputedTomography，CT)设备获取CT模态的人体医学图像，基于磁共振成像(Magnetic ResonanceImaging，MRI)设备获取MRI模态的人体医学图像，还可基于正电子发射型断层成像(Positron Emission Tomography，PET)设备得到PET模态的人体医学图像，基于单光子发射型断层成像(Single Photon Emission Computed Tomography，SPECT)设备得到SPECT模态的人体医学图像等等。通常可使用人体部位识别模型识别人体医学图像中的人体部位，以便医师可基于人体医学图像中的人体部位对人体的健康状况进行分析，但是由于人体部位识别模型的训练需要使用大量的样本图像，且人体部位识别模型是使用特定模态的图像进行训练得到的，而一些医学影像设备由于费用昂贵等原因使用频率较低(如：MRI、SPECT)，因此MRI、SPECT等模态的人体医学图像也较少，而CT图像的数量则较多，那么使用这些少量的人体医学图像去训练人体部位识别模型，难以取得好的效果。
基于此，本申请说明书提供了一种数据处理的方法，可先将原始模态的人体医学图像转换成目标模态的人体医学图像，以使得该人体部位识别模型可对转换后得到的目标模态的人体医学图像进行人体部位识别，从而间接的实现了对原始模态的人体医学图像中的人体部位的识别，也即不需要另外基于原始模态的人体医学图像训练另外的人体部位识别模型，并且解决了当原始模态的人体医学图像较少时，难以训练出效果相对较好的人体部位识别模型的问题。
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的一种数据处理的方法的流程示意图，具体可包括以下步骤：
S100：获取原始模态的人体医学图像。
S102：将所述原始模态的人体医学图像转换为目标模态的人体医学图像。
执行本说明书技术方案的执行主体可为任意具备计算能力的计算设备(如：服务器、终端等)。
首先，该计算设备可获取原始模态的人体医学图像，并可将原始模态的人体医学转换为目标模态的人体医学图像。在本说明书的一个或多个实施例中，原始模态的人体医学图像可为MRI人体医学图像以及目标模态的人体医学图像可为CT医学图像，当然，原始模态的人体医学图像以及目标模态的人体医学图像也可包括PET、SPECT人体医学图像等等。但是，原始模态的人体医学图像的数量远少于目标模态的人体医学图像的数量。在本说明书中，以原始模态的人体医学图像为MRI人体医学图像，以目标模态的人体医学图像为CT人体医学图像为例进行说明。
则该计算设备可获取用户的MRI人体医学图像，并将MRI人体医学图像转换为CT人体医学图像，具体的，在本说明书中，该计算设备可将MRI人体医学图像输入转换网络，以使转换网络将MRI人体医学图像映射到CT模态，得到该MRI人体医学图像对应的CT模态的人体医学图像。
由于人体部位在不同的模态的人体医学图像中具有一定相似特征，因此可以将数量较少的原始模态的人体医学图像映射为数量较多的目标模态的人体医学图像，可有效解决目标模态的人体医学图像数量不足难以训练出性能较好的人体部位识别模型的问题，可提高对原始模态的人体医学图像中的人体部位识别的准确性。在本说明书的一个或多个实施例中，该转换网络用于进行原始模态的人体医学图像与目标模态的人体医学图像之间的转换。在本说明书中，该转换网络可为Cycle GAN网络，并且，本说明书还提供了Cycle GAN网络的训练方法，如下：
如图2所示，为本申请说明书提供的Cycle GAN网络的结构示意图，可见该CycleGAN网络包括：第一生成网络，第二生成网络，第一判别网络以及第二判别网络。其中，第一生成网络用于将原始模态的人体医学图像转换成目标模态的人体医学图像，第二生成网络用于将目标模态的人体医学图像转换成原始模态的人体医学图像，第一判别网络用于判别目标模态的人体医学图像与第一生成网络输出的目标模态的人体医学图像是否相似，第二判别网络用于判别原始模态的人体医学图像与第二生成网络输出的原始模态的人体医学图像是否相似。
在本说明书的一个或多个实施例中，在训练Cycle GAN网络时，可先获取原始模态的人体医学图像样本，作为第一样本，以及获取目标模态的人体医学图像样本，作为第二样本，如图2中所示的原始模态的人体医学图像为模态A图像X，可为MRI模态的人体医学图像，目标模态的人体医学图像为模态B图像Y，可为CT模态的人体医学图像，可将模态A图像X输入到第一生成网络，得到第一生成网络输出的第一结果，即该模态A图像X对应的模态B图像Y1，以及将第一结果输入第二生成网络，得到第二生成网络输出的第二结果，即模态A图像X1，以及将第二样本即模态B图像X输入第二生成网络，得到第二生成网络输出的第三结果，即模态A图像X2，以及将第三结果输入所述第一生成网络，得到第一生成网络输出的第四结果，即模态B图像Y2。
进而该计算设备可根据第一结果、第二结果、第三结果、第四结果、第一样本以及第二样本，对第一生成网络、第二生成网络、第一判别网络以及第二判别网络进行训练。也即可根据第一样本与第二结果，对第二判别网络进行训练，根据第二样本与第四结果，对第一判别网络进行训练，根据第一结果与所述第二样本，对第一生成网络进行训练，根据第三结果与第一样本，对第二生成网络进行训练。具体的，可以以第一样本与第二结果之间的差异最小为目标，对第二判别网络进行训练，以第二样本与第四结果之间的差异最小为目标，对第一判别网络进行训练，以第一结果与第二样本之间的差异最小为目标，对第一生成网络进行训练，以第三结果与第一样本之间的差异最小为目标，对第二生成网络进行训练。以图2为例，则可以以第一样本即模态A图像X与第二结果模态A图像X2之间的差异最小为目标，对第二判别网络进行训练，以及以第二样本即模态B图像Y与第四结果即模态B图像Y2之间的差异最小为目标，对第一判别网络进行训练，以及以第一结果即模态B图像Y1与第二样本即模态B图像Y之间的差异最小为目标，对第一生成网络进行训练，以及以第三结果即模态A图像X2与第一样本即模态A图像X之间的差异最小为目标，对第二生成网络进行训练。
从而可得到训练训练完成的Cycle GAN网络，以用于进行原始模态的人体医学图像与目标模态的人体医学图像之间的转换。
需要说明的是，在本说明书的一个或多个实施例中，还可以使用其他转换网络实现原始模态的人体医学图像与目标模态的人体医学图像之间的转换，该转换网络还可以为pixel2pixel网络，star GAN网络等等，具体本说明书不做限制。
S104：将所述目标模态的人体医学图像输入预先训练的人体部位识别模型，得到所述人体部位识别模型输出的所述目标模态的人体医学图像中的人体部位；其中，所述人体部位识别模型是预先基于目标模态的人体医学图像训练的。
S106：根据得到的所述目标模态的人体医学图像中的人体部位，得到所述原始模态的人体医学图像中的人体部位。
然后，该计算设备可将目标模态的人体医学图像输入预先训练的人体部位识别模型，得到人体部位识别模型输出的目标模态的人体医学图像中的人体部位。在本说明书中，人体部位识别模型是预先基于目标模态的人体医学图像训练的。也就是说，该人体部位识别模型仅能对目标模态的人体医学图像进行处理。
最后，该计算设备可根据得到的目标模态的人体医学图像中的人体部位，得到所述原始模态的人体医学图像中的人体部位。也就是说，根据人体部位识别模型，识别出目标模态的人体医学图像中的人体部位，那么原始模态的人体医学图像中也必然存在该人体部位，例如：根据人体部位识别模型，识别出目标模态的人体医学图像中存在胃部以及胸部，那么原始模态的人体医学图像中也必然存在胃部以及胸部。也即，在本说明书中，该计算设备可将得到的目标模态的人体医学图像中的人体部位对应的类别，作为原始模态的人体医学图像中存在的人体部位的类别。
进一步的，在本说明书中，该计算设备还可对得到的原始模态的人体医学图像中的人体部位进行业务处理，也即根据得到的原始模态的人体医学图像中的人体部位，执行下游业务。该业务处理可以是：根据原始模态的人体医学图像中的人体部位，确定该人体部位是否病变，如：确定原始模态的人体医学图像中包含肺部，进而可将该原始模态的人体医学图像输入肺结节良恶性分类模型，得到分类预测结果，以确定该原始模态的人体医学图像对应的用户是否健康。
此外，本申请还提供了人体部位识别模型的训练方法，可先获取目标模态的人体医学图像样本，以及获取目标模态的人体医学图像中的人体部位标签。然后，将目标模态的人体医学图像输入待训练的人体部位识别模型，得到待训练的人体部位识别模型输出的目标模态的人体医学图像中的人体部位预测结果，以人体部位预测结果与人体部位标签之间的差异最小为目标，对待训练的人体部位识别结果进行训练，得到训练完成的人体部位识别模型。
基于图1所示本说明书提供的上述数据处理的方法中，在对原始模态的人体医学图像进行人体部位识别时，由于基于目标模态的人体医学图像预先训练的人体部位识别模型，不能处理原始模态的人体医学图像，也即已有的和/或可以得到的人体部位识别模型无法对原始模态的人体医学图像进行处理，因此可先将原始模态的人体医学图像转换成目标模态的人体医学图像，以使得该人体部位识别模型可对转换后得到的目标模态的人体医学图像进行人体部位识别，从而间接的实现了对原始模态的人体医学图像中的人体部位的识别，也即不需要另外基于原始模态的人体医学图像训练另外的人体部位识别模型，并且解决了当原始模态的人体医学图像较少时，难以训练出效果相对较好的人体部位识别模型的问题。
进一步的，在本说明书的一个或多个实施例中，原始模态的人体医学图像中还可包括多张原始模态的人体医学图像切片，该计算设备可确定原始模态的人体医学图像中的待检测的人体医学图像切片，并将确定出的待检测的人体医学图像切片转换为目标模态的人体医学图像切片，进而使用训练好的人体部位识别模型对目标模态的人体医学图像切片中的人体部位进行识别。其中，该人体部位识别模型是基于目标模态的人体医学图像切片进行训练得到的，在将确定出的待检测的人体医学图像切片转换为目标模态的人体医学图像切片时，可使用Cycle GAN网络进行转换，且该Cycle GAN网络是基于原始模态的人体医学图像切片以及目标模态的人体医学图像切片进行训练得到的，如上述步骤S100～S102中所述，具体不再赘述。
也就是说，在本说明书中，原始模态的人体医学图像以及目标模态的人体医学图像可为2D图像也可为3D图像，具体本说明书不做限制。当原始模态的人体医学图像以及目标模态的人体医学图像为2D图像切片时，可使用2D的Cycle GAN网络将原始模态的人体医学图像切片进行映射至目标模态。
此外，在确定原始模态的人体医学图像中的待检测的人体医学图像切片时，可通过3D体数据进行抽取得到待检测的人体医学图像切片，且抽取方向不做限定，可以是从上到下，也可以是从左到右、从前到后等等。
基于上述内容所述的数据处理的方法，本说明书实施例还对应的提供一种用于数据处理的装置示意图，如图3所示。
图3为本说明书实施例提供的一种用于数据处理的装置的示意图，所述装置包括：
获取模块300，用于获取原始模态的人体医学图像；
转换模块302，用于将所述原始模态的人体医学图像转换为目标模态的人体医学图像；
输入模块304，用于将所述目标模态的人体医学图像输入预先训练的人体部位识别模型，得到所述人体部位识别模型输出的所述目标模态的人体医学图像中的人体部位；其中，所述人体部位识别模型是预先基于目标模态的人体医学图像训练的；
处理模块306，用于根据得到的所述目标模态的人体医学图像中的人体部位，得到所述原始模态的人体医学图像中的人体部位。
可选地，所述转换模块302具体用于，将所述原始模态的人体医学图像输入转换网络，以使所述转换网络将所述原始模态的人体医学图像映射至目标模态，得到所述原始模态的人体医学图像对应的目标模态的人体医学图像。
可选地，所述转换网络为Cycle GAN网络。
可选地，所述原始模态的人体医学图像为MRI人体医学图像，所述目标模态的人体医学图像为CT人体医学图像。
可选地，所述输入模块304具体用于，将所述CT人体医学图像输入预先训练的人体部位识别模型，得到所述人体部位识别模型输出的所述CT人体医学图像中的人体部位。
可选地，所述原始模态的人体医学图像中包括多张原始模态的人体医学图像切片；
所述转换模块302具体用于，确定所述原始模态的人体医学图像中的待检测的人体医学图像切片；将确定出的待检测的人体医学图像切片转换为目标模态的人体医学图像切片。
可选地，所述Cycle GAN网络包括：第一生成网络，第二生成网络，第一判别网络以及第二判别网络；其中，所述第一生成网络用于将原始模态的人体医学图像转换成目标模态的人体医学图像，所述第二生成网络用于将目标模态的人体医学图像转换成原始模态的人体医学图像，所述第一判别网络用于判别目标模态的人体医学图像与第一生成网络输出的目标模态的人体医学图像是否相似，所述第二判别网络用于判别原始模态的人体医学图像与第二生成网络输出的原始模态的人体医学图像是否相似；
所述装置还包括训练模块308：
所述训练模块308具体用于，获取原始模态的人体医学图像样本，作为第一样本，以及获取目标模态的人体医学图像样本，作为第二样本；将所述第一样本输入所述第一生成网络，得到所述第一生成网络输出的第一结果；将所述第一结果输入所述第二生成网络，得到所述第二生成网络输出的第二结果；将所述第二样本输入所述第二生成网络，得到所述第二生成网络输出的第三结果；将所述第三结果输入所述第一生成网络，得到所述第一生成网络输出的第四结果；根据所述第一结果、所述第二结果、所述第三结果、所述第四结果、所述第一样本以及所述第二样本，对所述第一生成网络、所述第二生成网络、所述第一判别网络以及所述第二判别网络进行训练。
可选地，所述训练模块308具体用于，根据所述第一样本与所述第二结果，对所述第二判别网络进行训练；根据所述第二样本与所述第四结果，对所述第一判别网络进行训练；根据所述第一结果与所述第二样本，对所述第一生成网络进行训练；根据所述第三结果与所述第一样本，对所述第二生成网络进行训练。
本说明书实施例还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述内容所述的数据处理的方法。
基于上述内容所述的数据处理的方法，本说明书实施例还提出了图4所示的电子设备的示意结构图。如图4，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述内容所述的数据处理的方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
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：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种数据处理的方法，其特征在于，所述方法包括：
获取原始模态的人体医学图像；
将所述原始模态的人体医学图像转换为目标模态的人体医学图像；
将所述目标模态的人体医学图像输入预先训练的人体部位识别模型，得到所述人体部位识别模型输出的所述目标模态的人体医学图像中的人体部位；其中，所述人体部位识别模型是预先基于目标模态的人体医学图像训练的；
根据得到的所述目标模态的人体医学图像中的人体部位，得到所述原始模态的人体医学图像中的人体部位。
2.如权利要求1所述的方法，其特征在于，将所述原始模态的人体医学图像转换为目标模态的人体医学图像，具体包括：
将所述原始模态的人体医学图像输入转换网络，以使所述转换网络将所述原始模态的人体医学图像映射至目标模态，得到所述原始模态的人体医学图像对应的目标模态的人体医学图像。
3.如权利要求2所述的方法，其特征在于，所述转换网络为Cycle GAN网络。
4.如权利要求1所述的方法，其特征在于，所述原始模态的人体医学图像为MRI人体医学图像，所述目标模态的人体医学图像为CT人体医学图像。
5.如权利要求4所述的方法，其特征在于，将所述目标模态的人体医学图像输入预先训练的人体部位识别模型，得到所述人体部位识别模型输出的所述目标模态的人体医学图像中的人体部位，具体包括：
将所述CT人体医学图像输入预先训练的人体部位识别模型，得到所述人体部位识别模型输出的所述CT人体医学图像中的人体部位。
6.如权利要求1所述的方法，其特征在于，所述原始模态的人体医学图像中包括多张原始模态的人体医学图像切片；
将所述原始模态的人体医学图像转换为目标模态的人体医学图像，具体包括：
确定所述原始模态的人体医学图像中的待检测的人体医学图像切片；
将确定出的待检测的人体医学图像切片转换为目标模态的人体医学图像切片。
7.如权利要求3所述的方法，其特征在于，所述Cycle GAN网络包括：第一生成网络，第二生成网络，第一判别网络以及第二判别网络；其中，所述第一生成网络用于将原始模态的人体医学图像转换成目标模态的人体医学图像，所述第二生成网络用于将目标模态的人体医学图像转换成原始模态的人体医学图像，所述第一判别网络用于判别目标模态的人体医学图像与第一生成网络输出的目标模态的人体医学图像是否相似，所述第二判别网络用于判别原始模态的人体医学图像与第二生成网络输出的原始模态的人体医学图像是否相似；
所述Cycle GAN网络采用下述方法训练：
获取原始模态的人体医学图像样本，作为第一样本，以及获取目标模态的人体医学图像样本，作为第二样本；
将所述第一样本输入所述第一生成网络，得到所述第一生成网络输出的第一结果；
将所述第一结果输入所述第二生成网络，得到所述第二生成网络输出的第二结果；
将所述第二样本输入所述第二生成网络，得到所述第二生成网络输出的第三结果；
将所述第三结果输入所述第一生成网络，得到所述第一生成网络输出的第四结果；
根据所述第一结果、所述第二结果、所述第三结果、所述第四结果、所述第一样本以及所述第二样本，对所述第一生成网络、所述第二生成网络、所述第一判别网络以及所述第二判别网络进行训练。
8.如权利要求7所述的方法，其特征在于，对所述第一生成网络、所述第二生成网络、所述第一判别网络以及所述第二判别网络进行训练，具体包括：
根据所述第一样本与所述第二结果，对所述第二判别网络进行训练；
根据所述第二样本与所述第四结果，对所述第一判别网络进行训练；
根据所述第一结果与所述第二样本，对所述第一生成网络进行训练；
根据所述第三结果与所述第一样本，对所述第二生成网络进行训练。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-8任一所述的方法。
10.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1-8任一所述的方法。
CN202311097793.9A 2023-08-28 2023-08-28 一种数据处理的方法、装置、存储介质及电子设备 Pending CN117133019A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311097793.9A CN117133019A (zh) 2023-08-28 2023-08-28 一种数据处理的方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311097793.9A CN117133019A (zh) 2023-08-28 2023-08-28 一种数据处理的方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN117133019A true CN117133019A (zh) 2023-11-28

Family

ID=88854105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311097793.9A Pending CN117133019A (zh) 2023-08-28 2023-08-28 一种数据处理的方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN117133019A (zh)

Similar Documents

Publication Publication Date Title
CN109978037B (zh) 图像处理方法、模型训练方法、装置、和存储介质
JP7297081B2 (ja) 画像分類方法、画像分類装置、医療用電子機器、画像分類機器、及びコンピュータプログラム
CN106339571B (zh) 用于分类医学图像数据组的人工神经网络
CN109035261B (zh) 医疗影像处理方法及装置、电子设备及存储介质
CN109448003A (zh) 一种颅内动脉血管图像分割方法及系统
CN117333529B (zh) 一种基于模板匹配的血管超声内膜自动化测量方法及系统
CN116030247B (zh) 一种医学图像样本生成方法、装置、存储介质及电子设备
Stebani et al. Towards fully automated inner ear analysis with deep-learning-based joint segmentation and landmark detection framework
CN116524295A (zh) 一种图像处理方法、装置、设备及可读存储介质
CN116168154A (zh) 一种预测方法、装置、设备及可读存储介质
CN117133019A (zh) 一种数据处理的方法、装置、存储介质及电子设备
CN114299046A (zh) 一种医学图像配准方法、装置、设备及存储介质
JP7321271B2 (ja) 学習用画像生成装置、方法及びプログラム、並びに学習方法、装置及びプログラム
CN115546094A (zh) 一种模型的训练方法、ct图像的优化方法及装置
CN116229218B (zh) 一种模型训练、图像配准方法及装置
CN112288683A (zh) 基于多模态融合的肺结核病判定装置和方法
CN116152246B (zh) 一种图像识别方法、装置、设备及存储介质
CN107799166B (zh) 医学成像系统
CN116188469A (zh) 一种病灶检测方法、装置、可读存储介质及电子设备
CN116864064A (zh) 一种医学影像报告的生成方法、装置及存储介质
CN116824247A (zh) 一种图像识别的方法、装置、存储介质及电子设备
EP3896658A1 (en) Creating a synthetic medical image
CN117275680A (zh) 一种医学影像处理方法、装置、设备及可读存储介质
CN117252831A (zh) 一种病灶转移预测方法、装置、存储介质及电子设备
CN117974503A (zh) 一种图像处理的方法、装置、存储介质及电子设备

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