CN117974611A - 肋骨抑制模型的生成方法、装置、电子设备及存储介质 - Google Patents

肋骨抑制模型的生成方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN117974611A
CN117974611A CN202410168301.9A CN202410168301A CN117974611A CN 117974611 A CN117974611 A CN 117974611A CN 202410168301 A CN202410168301 A CN 202410168301A CN 117974611 A CN117974611 A CN 117974611A
Authority
CN
China
Prior art keywords
image
network
loss
generation
rib
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
CN202410168301.9A
Other languages
English (en)
Inventor
刘长东
许文仪
周子捷
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.)
Lianren Healthcare Big Data Technology Co Ltd
Original Assignee
Lianren Healthcare Big Data Technology 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 Lianren Healthcare Big Data Technology Co Ltd filed Critical Lianren Healthcare Big Data Technology Co Ltd
Priority to CN202410168301.9A priority Critical patent/CN117974611A/zh
Publication of CN117974611A publication Critical patent/CN117974611A/zh
Pending legal-status Critical Current

Links

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种肋骨抑制模型的生成方法、装置、电子设备及存储介质。具体方案为:获取多张样本胸部图像,并获取与每张样本胸部图像对应的期望肋骨抑制图像;采用多张样本胸部图像和期望肋骨抑制图像对预先建立的生成对抗网络进行训练,其中,生成对抗网络包括生成网络和判别网络,生成网络包括变分自编码器,与生成网络对应的图像生成损失至少包括图像重建损失、相对熵损失和图像感知损失;根据图像生成损失对生成网络的网络参数进行调整,以得到肋骨抑制模型。本发明通过对样本胸部图像训练,得到肋骨抑制模型,以便后续利用肋骨抑制模型去除胸部图像中的肋骨信息,提高了胸部图像处理的效率和准确率。

Description

肋骨抑制模型的生成方法、装置、电子设备及存储介质
技术领域
本发明涉及图像处理技术领域,尤其涉及一种肋骨抑制模型的生成方法、装置、电子设备及存储介质。
背景技术
在医学图像处理中,胸部图像的肋骨信息会在图像中呈现明显的白色阴影。为方便后续对图像中目标器官或病灶部位的检测和分析,相关人员会对胸部图像进行中的肋骨信息进行抑制。
目前,现有技术中,对胸部图像的肋骨信息的抑制主要是通过检测处理相应的数字图像,以获取肋骨特征,从而基于肋骨特征去除胸部图像中的肋骨信息。但是,上述方式中需要人工干预获取肋骨特征,因此,不仅耗费大量的时间和人力成本,而且图像处理结果的准确性也较低。
发明内容
本发明提供了一种肋骨抑制模型的生成方法、装置、电子设备及存储介质,实现了利用肋骨抑制模型去除胸部图像中的肋骨信息,提高了胸部图像处理的效率和准确率。
根据本发明的一方面,提供了一种肋骨抑制模型的生成方法,该方法包括:
获取多张样本胸部图像,并获取与每张样本胸部图像对应的期望肋骨抑制图像,其中,期望肋骨抑制图像为去除样本胸部图像中的肋骨信息的图像;
采用多张样本胸部图像和期望肋骨抑制图像对预先建立的生成对抗网络进行训练,其中,生成对抗网络包括生成网络和判别网络,生成网络包括变分自编码器,与生成网络对应的图像生成损失至少包括图像重建损失、相对熵损失和图像感知损失;
根据图像生成损失对生成网络的网络参数进行调整,以得到肋骨抑制模型。
根据本发明的另一方面,提供了一种肋骨抑制模型的生成装置,该装置包括:
图像获取模块,用于获取多张样本胸部图像,并获取与每张样本胸部图像对应的肋骨抑制图像,其中,肋骨抑制图像为去除样本胸部图像中的肋骨信息的图像;
模型训练模块,用于采用多张样本胸部图像和肋骨抑制图像对预先建立的生成对抗网络进行训练,其中,生成对抗网络包括生成网络和判别网络,生成网络包括变分自编码器,与生成网络对应的图像生成损失至少包括图像重建损失、相对熵损失和图像感知损失;
损失调整模块,用于根据图像生成损失对生成网络的网络参数进行调整,以得到肋骨抑制模型。
根据本发明的另一方面,提供了一种电子设备,该电子设备包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行本发明任一实施例的肋骨抑制模型的生成方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行时实现本发明任一实施例的肋骨抑制模型的生成方法。
本发明实施例的技术方案,通过获取多张样本胸部图像,并获取与每张样本胸部图像对应的期望肋骨抑制图像,使得后续可以利用样本胸部图像对生成对抗网络进行训练。通过利用多张样本胸部图像和期望肋骨抑制图像对预先建立的生成对抗网络进行训练,其中,生成对抗网络包括生成网络和判别网络,生成网络包括变分自编码器,与生成网络对应的图像生成损失至少包括图像重建损失、相对熵损失和图像感知损失,使得生成对抗网络能够学习样本胸部图像的特征,且提供了后续调整过程的数据依据,方便进行针对性分析。通过图像生成损失对生成网络的网络参数进行调整,以得到肋骨抑制模型,以便后续利用肋骨抑制模型去除胸部图像中的肋骨信息,解决了现有技术中对胸部图像肋骨抑制耗费大量时间和人力成本的问题,提高了胸部图像处理的效率和准确率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种肋骨抑制模型的生成方法的流程图;
图2是本发明实施例提供的一种肋骨抑制模型的生成方法的流程图;
图3是本发明实施例提供的一种肋骨抑制模型的生成方法的示例图;
图4是本发明实施例提供的一种肋骨抑制模型的生成装置的结构示意图;
图5是实现本发明实施例的肋骨抑制模型的生成方法的电子设备的结构示意图。
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。
实施例一
图1是本发明实施例提供的一种肋骨抑制模型的生成方法的流程图,本实施例可适用于对胸部图像进行肋骨信息去除的情况,该方法可以由肋骨抑制模型的生成装置来执行,该肋骨抑制模型的生成装置可以采用硬件和/或软件的形式实现,该肋骨抑制模型的生成装置可配置于手机、计算机或者服务器等的电子设备中。如图1所示,该方法包括:
S110、获取多张样本胸部图像,并获取与每张样本胸部图像对应的期望肋骨抑制图像,其中,期望肋骨抑制图像为去除样本胸部图像中的肋骨信息的图像。
为方便对胸部部位的观测与判断,可以利用相应的图像采集技术对该部位进行图像采集,从而获得多个采集的图像。可以将采集的图像作为样本胸部图像存储在相应的数据库中,使用时从数据库中获取即可。可选的,样本胸部图像可以是利用双能X射线技术采集的包含胸部部位的图像。期望肋骨抑制图像可以理解为将样本胸部图像中肋骨信息去除后得到的图像。
具体的,可以预先基于图像采集技术获取包含胸部部位的多张样本胸部图像。可选的,图像采集技术可以是双能X射线技术、计算机断层扫描技术或核磁共振技术等,本实施例对此不做限制。在获得样本胸部图像后,可以对每张样本胸部图像进行肋骨信息检测,以基于检测结果去除样本胸部图像中的肋骨信息。其中,在去除肋骨信息过程,可能会用到遮盖、模糊以及缩放等一种或多种技术,本实施例对此不做限制。基于此,将去除肋骨信息的样本胸部图像作为期望肋骨抑制图像,以便后续根据样本胸部图像和期望肋骨抑制图像对肋骨抑制模型进行训练。
S120、采用多张样本胸部图像和期望肋骨抑制图像对预先建立的生成对抗网络进行训练,其中,生成对抗网络包括生成网络和判别网络,生成网络包括变分自编码器,与生成网络对应的图像生成损失至少包括图像重建损失、相对熵损失和图像感知损失。
其中,预先建立的生成对抗网络可以是用于对样本胸部图像进行肋骨抑制的模型。生成对抗网络包括生成网络和判别网络。生成网络采用变分自编码器(VariationalAuto-Encoders,VAE)作为其网络结构。变分自编码器是可以学习样本胸部图像中的数据分布的神经网络,可以学习到数据中的潜在变量,生成全新的样本,而不是简单地重复输入数据。判别网络可以用于区分生成网络的输出图像和期望肋骨抑制图像。另外,在生成对抗网络中,与生成网络对应的图像损失可以包括图像重建损失、相对熵损失和图像感知损失。其中,图像重建损失可以用于表征输入的样本胸部图像与生成网络的输出图像之间的差异。相对熵损失模型用于表征生成网络的输出图像对应的隐变量服从的概率分布与高斯分布之间的差异。图像感知损失用于表征生成网络的输出图像与期望肋骨抑制图像在特征级别上的差异。
具体的,将获取的多张样本胸部图像输入至预先建立的生成对抗网络中,根据多张样本胸部图像以及期望肋骨抑制图像对生成对抗网络进行训练,通过有监督学习使得生成对抗网络输出对应的胸部图像,并将该胸部图像记为模型输出图像。从而,基于模型输出图像、样本胸部图像以及期望肋骨抑制图像确定生成网络对应的图像生成损失。
其中,生成对抗网络包括生成网络和判别网络,即,将样本胸部图像输入至生成网络中,并将期望肋骨抑制图像作为标签图像,以基于生成网络中的变分自编码器对样本胸部图像进行处理,得到输出结果。进一步的,将生成网络的输出结果输入至判别网络中,以得到相应的判别结果,从而根据生成网络对应的图像生成损失与判别结果对应的图像判别损失对生成对抗网络进行修正处理。
S130、根据图像生成损失对生成网络的网络参数进行调整,以得到肋骨抑制模型。
一般情况下,生成网络的网络参数为初始参数或默认参数,在对生成网络进行训练时,可以基于生成网络的输出结果修正该网络中的各项网络参数,即,可以通过对生成网络的图像生成损失对应的损失值进行修正,从而得到肋骨抑制模型。其中,图像生成损失至少包括图像重建损失、相对熵损失以及图像感知损失。
具体的,在根据图像生成损失对生成网络的网络参数进行调整时,可以将图像生成损失对应的损失函数收敛作为训练目标,比如,训练误差是否小于预设误差,或误差变化是否趋于稳定,或当前迭代次数是否等于预设次数。若检测达到收敛条件,比如损失函数的训练误差小于预设误差,或者误差变化趋势趋于稳定,表明肋骨抑制模型训练完成,此时,可以停止迭代训练。若检测到当前未达到收敛条件,可以进一步获取其他样本胸部图像和期望肋骨抑制图像以对生成网络进行训练,直至损失函数的训练误差在预设范围之内。当损失函数的训练误差达到收敛时,即得到肋骨抑制模型。
可选的,在得到肋骨抑制模型之后,还包括:获取待处理胸部图像,将待处理胸部图像输入至肋骨抑制模型中,基于肋骨抑制模型的输出获得与待处理胸部图像对应的目标肋骨抑制图像。
其中,待处理胸部图像可以是利用相应图像采集技术获得的胸部图像。其中,在待处理胸部图像中包含肋骨信息。目标肋骨抑制图像可以是肋骨抑制模型输出的图像。在目标肋骨抑制图像中实现了对肋骨信息的抑制。
具体的,基于图像采集技术获取待处理胸部图像,将待处理胸部图像输入至肋骨抑制模型中,通过肋骨抑制模型对待处理胸部图像进行处理,从而,输出目标肋骨抑制图像。基于此,可以方便相关人员利用目标肋骨抑制图像进行后续分析处理。
本实施例的技术方案,通过获取多张样本胸部图像,并获取与每张样本胸部图像对应的期望肋骨抑制图像,使得后续可以利用样本胸部图像对生成对抗网络进行训练。通过利用多张样本胸部图像和期望肋骨抑制图像对预先建立的生成对抗网络进行训练,其中,生成对抗网络包括生成网络和判别网络,生成网络包括变分自编码器,与生成网络对应的图像生成损失至少包括图像重建损失、相对熵损失和图像感知损失,使得生成对抗网络能够学习样本胸部图像的特征,且提供了后续调整过程的数据依据,方便进行针对性分析。通过图像生成损失对生成网络的网络参数进行调整,以得到肋骨抑制模型,以便后续利用肋骨抑制模型去除胸部图像中的肋骨信息,解决了现有技术中对胸部图像肋骨抑制耗费大量时间和人力成本的问题,提高了胸部图像处理的效率和准确率。
实施例二
图2是本发明实施例提供的一种肋骨抑制模型的生成方法的流程图,本实施例为上述实施例的一个优选实施例。其具体的实施方式可以参见本实施例技术方案。其中,与上述实施例相同或者相应的技术术语在此不再赘述。如图2所示,该方法包括:
S210、获取多张样本胸部图像,并获取与每张样本胸部图像对应的期望肋骨抑制图像,其中,期望肋骨抑制图像为去除样本胸部图像中的肋骨信息的图像。
示例性的,参见图3,获取多张由双能X射线技术产生的样本胸部图像,以及与样本胸部图像对应的期望肋骨抑制图像。其中,在图3中,样本胸部图像表示为Iraw,期望肋骨抑制图像表示为Iboneless
S220、针对每张样本胸部图像,将样本胸部图像输入至预先建立的生成对抗网络中的生成网络中,基于生成网络的输出结果得到与样本胸部图像对应的模型输出图像。
其中,生成对抗网络中包括生成网络和判别网络。将样本胸部图像输入至生成网络后,可以得到生成网络的输出结果,即模型输出图像。可以理解为,模型输出图像为生成网络对样本胸部图像进行处理后的输出结果。
具体的,对于每张样本胸部图像,将当前样本胸部图像输入至预先建立的生成对抗网络的生成网络中,并将期望肋骨抑制图像作为标签图像,通过有监督学习使得生成网络输出与样本胸部图像对应的模型输出图像。
示例性的,参见图3,模型输出图像表示为Ifake。如图3所示,将样本胸部图像Iraw输入至生成网络中,基于生成网络的变分自编码器对Iraw进行处理。即,通过图3中的encoder(编码器)对Iraw降维处理,得到降维处理结果。之后,对降维处理结果进行采样处理,即图3中的sampling。通过decoder(解码器)对采样结果进行重构,得到模型输出图像Ifake
可选的,在基于生成网络的输出结果得到与样本胸部图像对应的模型输出图像之后,还包括:根据模型输出图像和期望肋骨抑制图像,确定与生成网络对应的图像重建损失。
具体的,根据模型输出图像和期望肋骨抑制图像,可以选择合适的重建损失函数计算上述二者之间的差异,并将该差异作为图像重建损失。可选的,重建损失函数可以是结构相似性指数、均方误差函数等中的至少一种,本实施例对此不做限制。
示例性的,结合上述示例,将图像重建损失表示为L1,则L1的计算公式可以表示为L1=|Ifake-Iboneless|1
可选的,在基于生成网络的输出结果得到与样本胸部图像对应的模型输出图像之后,还包括:根据KL散度损失函数确定与模型输出图像对应的隐变量服从的概率分布与高斯分布之间的损失,作为与生成网络对应的相对熵损失。
其中,KL散度损失函数可以是用于衡量概率分布和高斯分布之间差异的函数,隐变量为不能直接观测到的变量,隐变量通常对模型输出图像有影响。隐变量服从的概率分布可以是隐变量服从的某种特定的分布,如(μ,σ)分布,即正态分布。相应的,相对熵损失表征概率分布和高斯分布之间的差异。
具体的,在确定模型输出图像之后,可以利用KL散度损失函数计算与模型输出图像相对应的隐变量服从的概率分布和高斯分布之间的差异,并将其作为相对熵损失,以便后续基于相对熵损失训练生成网络。
示例性的,结合上述示例,将相对熵损失表示为L2,L2用以表征(μ,σ)分布和高斯分布之间的KL散度损失。
可选的,在基于生成网络的输出结果得到与样本胸部图像对应的模型输出图像之后,还包括:确定与模型输出图像对应的第一特征向量以及与期望肋骨抑制图像对应的第二特征向量之间的相似性损失,作为图像感知损失。
其中,基于相应的分类网络对模型输出图像进行处理,得到第一特征向量,即第一特征向量是用以表征模型输出图像特征的向量。相应的,第二特征向量也可以是基于分类网络处理得到的,第二特征向量为用以表征肋骨抑制图像特征的向量。图像感知损失为用以衡量第一特征向量和第二特征向量之间相似性的损失。
具体的,对模型输出图像和期望肋骨抑制图像进行特征提取,得到与模型输出图像对应的第一特征向量以及与期望肋骨抑制图像对应的第二特征向量。可选的,可以基于分类网络LetNet实现对上述图像的特征提取。进一步的,利用相似性度量的方式计算第一特征向量和第二特征向量之间的相似性数值。其中,相似性度量的方式可以是余弦相似度、欧式距离等中的至少一种,本实施例对此不做限制。之后,将相似性数值作为图像感知损失,以便后续根据图像感知损失对生成网络的网络参数进行调整。
示例性的,结合上述示例,图像感知损失可以表示为L3,L3可以是Ifake与Iboneless通过分类网络LetNet进行特征提取后,对应的特征向量之间的相似性损失。
S230、采用生成对抗网络中的判别网络对模型输出图像和期望肋骨抑制图像进行判别,得到判别结果,并根据判别结果确定与判别网络对应的图像判别损失。
其中,判别网络可以是用于对模型输出图像和期望肋骨抑制图像进行判别的网络。可选的,判别网络可以是ResNet。判别结果即为判别网络输出的模型输出图像和期望肋骨抑制图像之间是否相同的结果。图像判别损失可以是根据判别结果利用相应损失函数计算得到的损失值。
具体的,利用生成对抗网络中的判别网络对模型输出图像和期望肋骨抑制图像进行处理,以判断模型输出图像和期望肋骨抑制图像是否相同,并将该结果作为判别结果。进一步的,利用相应的损失函数对判别结果进行处理,得到与判别网络对应的图像判别损失。
示例性的,结合上述示例,参见图3,将Ifake与Iboneless输入至判别网络Discriminator中,根据判别网络确定判别结果是True还是False,并根据判别结果计算图像判别损失。其中,图像判别损失可以表示为Ldis,Ldis的计算公式可以表示为Ldis=Ladv(Iboneless,1)+Ladv(Ifake,0),该计算公式中,Ladv表示交叉熵损失函数,即上述公式为判断期望肋骨抑制图像为1以及判断模型输出图像为0的损失。
可选的,根据判别结果确定与判别网络对应的图像判别损失,包括:根据判别结果确定将模型生成图像和期望肋骨抑制图像对应的交叉熵损失,作为图像判别损失。
其中,当判别结果确定模型生成图像和期望肋骨抑制图像之间不相同,此时,若希望模型生成图像更接近期望肋骨抑制图像,可以利用交叉熵损失进行处理。交叉熵损失用以度量模型生成图像和期望肋骨抑制图像之间差异。
具体的,若判别结果确定模型生成图像和期望肋骨抑制图像不同,此时,若使得模型生成图像接近于期望肋骨抑制图像,则可以根据交叉熵损失计算模型生成图像与期望肋骨抑制图像之间的损失,并将该损失作为图像判别损失,以便后续基于图像判别损失对生成对抗网络的网络参数进行调整。
S240、根据图像生成损失和图像判别损失对生成网络对应的网络参数进行调整。
其中,与生成网络对应的图像生成损失至少包括图像重建损失、相对熵损失和图像感知损失。
具体的,根据与生成网络对应的图像生成损失以及与判别网络对应的图像判别损失对生成网络的网络参数进行调整,以得到肋骨抑制模型。
需要说明的是,模型的训练往往是迭代训练的过程。生成网络需经多次的样本胸部图像进行训练,在此迭代过程中,基于图像生成损失和图像判别损失不断调整生成网络中的网络参数,从而得到肋骨抑制模型。
本实施例的技术方案,通过获取多张样本胸部图像以及与样本胸部图像对应的期望肋骨抑制图像,以基于样本胸部图像对生成对抗网络进行训练,得到与样本胸部图像对应的模型输出图像。进一步的,根据模型输出图像和期望肋骨抑制图像计算与生成网络对应的图像生成损失以及与判别网络对应的图像判别损失,从而根据上述两种损失对生成网络的网络参数进行调整,以得到肋骨抑制模型,解决了现有技术中对胸部图像肋骨抑制耗费大量时间和人力成本的问题,通过图像生成损失以及图像判别损失对生成网络进行修正,可以提高肋骨抑制模型的准确率,以便后续基于肋骨抑制模型对胸部图像进行精准且高效的处理。
实施例三
图4是本发明实施例提供的一种肋骨抑制模型的生成装置的结构示意图。如图4所示,该装置包括:图像获取模块310、模型训练模块320以及损失调整模块330。
图像获取模块310,用于获取多张样本胸部图像,并获取与每张样本胸部图像对应的肋骨抑制图像,其中,肋骨抑制图像为去除样本胸部图像中的肋骨信息的图像;模型训练模块320,用于采用多张样本胸部图像和肋骨抑制图像对预先建立的生成对抗网络进行训练,其中,生成对抗网络包括生成网络和判别网络,生成网络包括变分自编码器,与生成网络对应的图像生成损失至少包括图像重建损失、相对熵损失和图像感知损失;损失调整模块330,用于根据图像生成损失对生成网络的网络参数进行调整,以得到肋骨抑制模型。
本实施例的技术方案,通过获取多张样本胸部图像,并获取与每张样本胸部图像对应的期望肋骨抑制图像,使得后续可以利用样本胸部图像对生成对抗网络进行训练。通过利用多张样本胸部图像和期望肋骨抑制图像对预先建立的生成对抗网络进行训练,其中,生成对抗网络包括生成网络和判别网络,生成网络包括变分自编码器,与生成网络对应的图像生成损失至少包括图像重建损失、相对熵损失和图像感知损失,使得生成对抗网络能够学习样本胸部图像的特征,且提供了后续调整过程的数据依据,方便进行针对性分析。通过图像生成损失对生成网络的网络参数进行调整,以得到肋骨抑制模型,以便后续利用肋骨抑制模型去除胸部图像中的肋骨信息,解决了现有技术中对胸部图像肋骨抑制耗费大量时间和人力成本的问题,提高了胸部图像处理的效率和准确率。
在上述实施例的基础上,可选的,模型训练模块,包括:输出图像获取单元,用于针对每张样本胸部图像,将样本胸部图像输入至预先建立的生成对抗网络中的生成网络中,基于生成网络的输出结果得到与样本胸部图像对应的模型输出图像;判别损失确定单元,用于采用生成对抗网络中的判别网络对模型输出图像和期望肋骨抑制图像进行判别,得到判别结果,并根据判别结果确定与判别网络对应的图像判别损失;损失调整模块,包括:网络参数调整单元,用于根据图像生成损失和图像判别损失对生成网络对应的网络参数进行调整。
可选的,在输出图像获取单元之后,还包括:重建损失确定单元,用于根据模型输出图像和期望肋骨抑制图像,确定与生成网络对应的图像重建损失。
可选的,在输出图像获取单元之后,还包括:相对熵损失确定单元,用于根据KL散度损失函数确定与模型输出图像对应的隐变量服从的概率分布与高斯分布之间的损失,作为与生成网络对应的相对熵损失。
可选的,在输出图像获取单元之后,还包括:感知损失确定单元,用于确定与模型输出图像对应的第一特征向量以及与期望肋骨抑制图像对应的第二特征向量之间的相似性损失,作为图像感知损失。
可选的,判别损失确定单元,用于根据判别结果确定将模型生成图像和期望肋骨抑制图像对应的交叉熵损失,作为图像判别损失。
可选的,在损失调整模块之后,该装置还包括:目标肋骨抑制图像获取模块,用于获取待处理胸部图像,将待处理胸部图像输入至肋骨抑制模型中,基于肋骨抑制模型的输出获得与待处理胸部图像对应的目标肋骨抑制图像。
本发明实施例所提供的肋骨抑制模型的生成装置可执行本发明任意实施例所提供的肋骨抑制模型的生成方法,具备执行方法相应的功能模块和有益效果。
实施例四
图5是本发明实施例提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如肋骨抑制模型的生成方法。
在一些实施例中,肋骨抑制模型的生成方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的肋骨抑制模型的生成方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行肋骨抑制模型的生成方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的肋骨抑制模型的生成方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
实施例五
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行一种肋骨抑制模型的生成方法,该方法包括:
获取多张样本胸部图像,并获取与每张样本胸部图像对应的期望肋骨抑制图像,其中,期望肋骨抑制图像为去除样本胸部图像中的肋骨信息的图像;采用多张样本胸部图像和期望肋骨抑制图像对预先建立的生成对抗网络进行训练,其中,生成对抗网络包括生成网络和判别网络,生成网络包括变分自编码器,与生成网络对应的图像生成损失至少包括图像重建损失、相对熵损失和图像感知损失;根据图像生成损失对生成网络的网络参数进行调整,以得到肋骨抑制模型。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。

Claims (10)

1.一种肋骨抑制模型的生成方法,其特征在于,包括:
获取多张样本胸部图像,并获取与每张所述样本胸部图像对应的期望肋骨抑制图像,其中,所述期望肋骨抑制图像为去除所述样本胸部图像中的肋骨信息的图像;
采用多张所述样本胸部图像和所述期望肋骨抑制图像对预先建立的生成对抗网络进行训练,其中,所述生成对抗网络包括生成网络和判别网络,所述生成网络包括变分自编码器,与所述生成网络对应的图像生成损失至少包括图像重建损失、相对熵损失和图像感知损失;
根据所述图像生成损失对所述生成网络的网络参数进行调整,以得到肋骨抑制模型。
2.根据权利要求1所述的方法,其特征在于,所述采用多张所述样本胸部图像和所述期望肋骨抑制图像对预先建立的生成对抗网络进行训练,包括:
针对每张样本胸部图像,将所述样本胸部图像输入至预先建立的生成对抗网络中的生成网络中,基于所述生成网络的输出结果得到与所述样本胸部图像对应的模型输出图像;
采用所述生成对抗网络中的判别网络对所述模型输出图像和所述期望肋骨抑制图像进行判别,得到判别结果,并根据所述判别结果确定与所述判别网络对应的图像判别损失;
所述根据所述图像生成损失对所述生成网络的网络参数进行调整,以得到肋骨抑制模型,包括:
根据所述图像生成损失和所述图像判别损失对所述生成网络对应的网络参数进行调整。
3.根据权利要求2所述的方法,其特征在于,在所述基于所述生成网络的输出结果得到与所述样本胸部图像对应的模型输出图像之后,还包括:
根据所述模型输出图像和所述期望肋骨抑制图像,确定与所述生成网络对应的图像重建损失。
4.根据权利要求2所述的方法,其特征在于,在所述基于所述生成网络的输出结果得到与所述样本胸部图像对应的模型输出图像之后,还包括:
根据KL散度损失函数确定与所述模型输出图像对应的隐变量服从的概率分布与高斯分布之间的损失,作为与所述生成网络对应的相对熵损失。
5.根据权利要求2所述的方法,其特征在于,在所述基于所述生成网络的输出结果得到与所述样本胸部图像对应的模型输出图像之后,还包括:
确定与所述模型输出图像对应的第一特征向量以及与所述期望肋骨抑制图像对应的第二特征向量之间的相似性损失,作为图像感知损失。
6.根据权利要求1所述的方法,其特征在于,所述根据所述判别结果确定与所述判别网络对应的图像判别损失,包括:
根据所述判别结果确定将所述模型生成图像和所述期望肋骨抑制图像对应的交叉熵损失,作为图像判别损失。
7.根据权利要求1所述的方法,其特征在于,在所述得到肋骨抑制模型之后,还包括:
获取待处理胸部图像,将所述待处理胸部图像输入至所述肋骨抑制模型中,基于所述肋骨抑制模型的输出获得与所述待处理胸部图像对应的目标肋骨抑制图像。
8.一种肋骨抑制模型的生成装置,其特征在于,包括:
图像获取模块,用于获取多张样本胸部图像,并获取与每张所述样本胸部图像对应的肋骨抑制图像,其中,所述肋骨抑制图像为去除所述样本胸部图像中的肋骨信息的图像;
模型训练模块,用于采用多张所述样本胸部图像和所述肋骨抑制图像对预先建立的生成对抗网络进行训练,其中,所述生成对抗网络包括生成网络和判别网络,所述生成网络包括变分自编码器,与所述生成网络对应的图像生成损失至少包括图像重建损失、相对熵损失和图像感知损失;
损失调整模块,用于根据所述图像生成损失对所述生成网络的网络参数进行调整,以得到肋骨抑制模型。
9.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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权利要求1-7中任一项所述的肋骨抑制模型的生成方法。
10.一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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的肋骨抑制模型的生成方法。
CN202410168301.9A 2024-02-06 2024-02-06 肋骨抑制模型的生成方法、装置、电子设备及存储介质 Pending CN117974611A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410168301.9A CN117974611A (zh) 2024-02-06 2024-02-06 肋骨抑制模型的生成方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410168301.9A CN117974611A (zh) 2024-02-06 2024-02-06 肋骨抑制模型的生成方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN117974611A true CN117974611A (zh) 2024-05-03

Family

ID=90855211

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410168301.9A Pending CN117974611A (zh) 2024-02-06 2024-02-06 肋骨抑制模型的生成方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117974611A (zh)

Similar Documents

Publication Publication Date Title
CN113379813B (zh) 深度估计模型的训练方法、装置、电子设备及存储介质
CN115861462B (zh) 图像生成模型的训练方法、装置、电子设备及存储介质
CN113362314B (zh) 医学图像识别方法、识别模型训练方法及装置
CN113869449A (zh) 一种模型训练、图像处理方法、装置、设备及存储介质
CN115294332B (zh) 一种图像处理方法、装置、设备和存储介质
CN114360074A (zh) 检测模型的训练方法、活体检测方法、装置、设备和介质
CN113947188A (zh) 目标检测网络的训练方法和车辆检测方法
CN116403083A (zh) 图像的处理方法、装置、电子设备及存储介质
CN114511743B (zh) 检测模型训练、目标检测方法、装置、设备、介质及产品
CN113344862A (zh) 缺陷检测方法、装置、电子设备及存储介质
CN113869253A (zh) 活体检测方法、训练方法、装置、电子设备及介质
CN115249281B (zh) 图像遮挡和模型训练方法、装置、设备以及存储介质
CN116359738A (zh) 电池的健康状态监测方法、装置、设备及存储介质
CN117974611A (zh) 肋骨抑制模型的生成方法、装置、电子设备及存储介质
CN112541557B (zh) 生成式对抗网络的训练方法、装置及电子设备
CN114820488A (zh) 一种样本成分分析方法、装置、设备及存储介质
CN114692778A (zh) 用于智能巡检的多模态样本集生成方法、训练方法及装置
CN117437624B (zh) 违禁品检测方法、装置及电子设备
CN117746069B (zh) 以图搜图的模型训练方法、和以图搜图方法
CN115471717B (zh) 模型的半监督训练、分类方法装置、设备、介质及产品
CN117808823A (zh) 冠脉血管分割处理方法、装置、电子设备及存储介质
CN116777871A (zh) 一种基于x射线的缺陷检测方法、装置、设备及介质
CN117690181A (zh) 虹膜图像的处理方法、装置、电子设备及存储介质
CN114998273A (zh) 血管图像处理方法、装置、电子设备及存储介质
CN117746515A (zh) 检测模型的训练方法、检测方法、装置、设备和介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination