JP2021520568A - 組織結節検出方法及びそのモデルトレーニング方法、装置、機器、システム、並びにそのコンピュータプログラム - Google Patents
組織結節検出方法及びそのモデルトレーニング方法、装置、機器、システム、並びにそのコンピュータプログラム Download PDFInfo
- Publication number
- JP2021520568A JP2021520568A JP2020560811A JP2020560811A JP2021520568A JP 2021520568 A JP2021520568 A JP 2021520568A JP 2020560811 A JP2020560811 A JP 2020560811A JP 2020560811 A JP2020560811 A JP 2020560811A JP 2021520568 A JP2021520568 A JP 2021520568A
- Authority
- JP
- Japan
- Prior art keywords
- source domain
- target
- image
- feature
- domain data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 249
- 238000012549 training Methods 0.000 title claims abstract description 188
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000004590 computer program Methods 0.000 title claims description 21
- 238000005070 sampling Methods 0.000 claims abstract description 252
- 238000003062 neural network model Methods 0.000 claims abstract description 136
- 238000000605 extraction Methods 0.000 claims abstract description 52
- 230000006870 function Effects 0.000 claims description 120
- 238000013507 mapping Methods 0.000 claims description 51
- 230000008569 process Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 11
- 210000001519 tissue Anatomy 0.000 description 228
- 238000009826 distribution Methods 0.000 description 25
- 239000000284 extract Substances 0.000 description 19
- 206010056342 Pulmonary mass Diseases 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000008520 organization Effects 0.000 description 7
- 210000004072 lung Anatomy 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 201000005202 lung cancer Diseases 0.000 description 3
- 208000020816 lung neoplasm Diseases 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000011423 initialization method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000005623 Carcinogenesis Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000036952 cancer formation Effects 0.000 description 1
- 231100000504 carcinogenesis Toxicity 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 210000000952 spleen Anatomy 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/7753—Incorporation of unlabelled data, e.g. multiple instance learning [MIL]
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Engineering & Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
Description
本願は、2018年11月8日に提出された出願番号が第201811326267.4号で、発明の名称が「組織結節検出及びそのモデルトレーニング方法、装置、機器、システム」である中国特許出願の優先権を主張し、当該出願の全ての内容は援用することにより本願に組み込まれる。
ソースドメイン画像と前記ソースドメイン画像における組織結節の位置情報を指示する画像アノテーションとを含むソースドメインデータ、及びターゲット画像を含むターゲットドメインデータを取得するステップと、
ニューラルネットワークモデルによって前記ソースドメイン画像に特徴抽出を行ってソースドメインサンプリング特徴を取得し、前記ニューラルネットワークモデルによって前記ターゲット画像に特徴抽出を行ってターゲットサンプリング特徴を取得し、前記ソースドメインサンプリング特徴に基づいてトレーニング結果を決定するステップと、
前記ソースドメインサンプリング特徴及び前記ターゲットサンプリング特徴に基づいて、前記ソースドメインデータと前記ターゲットドメインデータの距離パラメータを決定するステップと、
前記トレーニング結果及び前記画像アノテーションに基づいて、前記ソースドメイン画像に対応する損失関数値を決定するステップと、
前記損失関数値、前記距離パラメータ及び前記ニューラルネットワークモデルに基づいて、組織結節検出モデルを決定するステップと、を含む。
ソースドメイン画像と前記ソースドメイン画像における組織結節の位置情報を指示する画像アノテーションとを含むソースドメインデータ、及びターゲット画像を含むターゲットドメインデータを取得するトレーニングデータ取得モジュールと、
ニューラルネットワークモデルによって前記ソースドメイン画像に特徴抽出を行ってソースドメインサンプリング特徴を取得し、前記ニューラルネットワークモデルによって前記ターゲット画像に特徴抽出を行ってターゲットサンプリング特徴を取得し、前記ソースドメインサンプリング特徴に基づいてトレーニング結果を決定する特徴抽出トレーニングモジュールと、
前記ソースドメインサンプリング特徴及び前記ターゲットサンプリング特徴に基づいて、前記ソースドメインデータと前記ターゲットドメインデータのデータ差異の大きさを示す距離パラメータを決定する距離パラメータ決定モジュールと、
前記トレーニング結果及び前記画像アノテーションに基づいて、前記ソースドメイン画像に対応する損失関数値を決定するソースドメイン損失決定モジュールと、
前記損失関数値、前記距離パラメータ及び前記ニューラルネットワークモデルに基づいて、組織結節検出モデルを決定するモデル決定モジュールと、を含む。
前記距離パラメータ決定モジュールは、前記ソースドメインサンプリング特徴及び前記ターゲットサンプリング特徴に基づいて、前記ソースドメインデータと前記ターゲットドメインデータの最大平均差異に基づく差異損失を決定する。
前記ソースドメインサンプリング特徴及び前記ターゲットサンプリング特徴に基づいて、前記ソースドメインデータと前記ターゲットドメインデータの最大平均差異に基づく第1差異損失を決定する第1差異損失ユニットと、
前記ソースドメインサンプリング特徴にターゲット領域抽出を行って、ソースドメイン候補領域を取得し、前記ターゲットサンプリング特徴にターゲット領域抽出を行って、ターゲット候補領域を取得する候補領域決定ユニットと、
前記ソースドメインサンプリング特徴及び前記ソースドメイン候補領域にプーリング処理を行った後、マッピングによりソースドメインマッピング結果を取得し、前記ターゲットサンプリング特徴及び前記ターゲット候補領域にプーリング処理を行った後、マッピングによりターゲットマッピング結果を取得するマッピング結果決定ユニットと、
前記ソースドメインマッピング結果及び前記ターゲットマッピング結果に基づいて、前記ソースドメインデータと前記ターゲットドメインデータの最大平均差異に基づく第2差異損失を決定する第2差異損失ユニットと、
前記第1差異損失及び前記第2差異損失に基づいて、前記ソースドメインデータと前記ターゲットドメインデータの最大平均差異に基づく差異損失を決定する総合差異決定ユニットと、を含む。
モデル決定モジュールはさらに、前記総損失関数値及び前記ニューラルネットワークモデルに基づいて、組織結節検出モデルを決定する。
前記総損失決定モジュールは、前記最大平均差異の二乗と前記損失関数値を線形加算して、総損失関数値を取得する。
特徴抽出トレーニングモジュールは、ニューラルネットワークモデルによって前記ソースドメイン組織領域に特徴抽出を行って、ソースドメインサンプリング特徴を取得し、前記ニューラルネットワークモデルによって前記ターゲット組織領域に特徴抽出を行って、ターゲットサンプリング特徴を取得する。
第1ニューラルネットワークモデルによって前記ソースドメイン画像に特徴抽出を行って、ソースドメインサンプリング特徴を取得し、前記ソースドメインサンプリング特徴に基づいてトレーニング結果を決定する特徴抽出トレーニングユニットと、
第2ニューラルネットワークモデルによって前記ターゲット画像に特徴抽出を行って、ターゲットサンプリング特徴を取得し、前記第2ニューラルネットワークモデルと前記第1ニューラルネットワークモデルとで重みが共有される特徴抽出ユニットと、を含む。
被検出画像を取得するステップと、
前記ターゲット画像とデータ構造が同じである前記被検出画像を組織結節検出モデルトレーニング装置によって得られる組織結節検出モデルに入力して、結節位置情報を取得するステップと、を含み、
前記組織結節検出モデルトレーニング装置は、ソースドメイン画像と前記ソースドメイン画像における組織結節の位置情報を指示する画像アノテーションとを含むソースドメインデータ、及びターゲット画像を含むターゲットドメインデータを取得するトレーニングデータ取得モジュールと、ニューラルネットワークモデルによって前記ソースドメイン画像に特徴抽出を行ってソースドメインサンプリング特徴を取得し、前記ニューラルネットワークモデルによって前記ターゲット画像に特徴抽出を行ってターゲットサンプリング特徴を取得し、前記ソースドメインサンプリング特徴に基づいてトレーニング結果を決定する特徴抽出トレーニングモジュールと、前記ソースドメインサンプリング特徴及び前記ターゲットサンプリング特徴に基づいて、前記ソースドメインデータと前記ターゲットドメインデータのデータ差異の大きさを示す距離パラメータを決定する距離パラメータ決定モジュールと、前記トレーニング結果及び前記画像アノテーションに基づいて、前記ソースドメイン画像に対応する損失関数値を決定するソースドメイン損失決定モジュールと、前記損失関数値、前記距離パラメータ及び前記ニューラルネットワークモデルに基づいて、組織結節検出モデルを決定するモデル決定モジュールと、を含む。
被検出画像を取得する被検出画像取得モジュールと、
前記ターゲット画像とデータ構造が同じである前記被検出画像を組織結節検出モデルトレーニング装置によって得られる組織結節検出モデルに入力して、結節位置情報を取得する検出モデル検出モジュールと、を含み、
前記組織結節検出モデルトレーニング装置は、ソースドメイン画像と前記ソースドメイン画像における組織結節の位置情報を指示する画像アノテーションとを含むソースドメインデータ、及びターゲット画像を含むターゲットドメインデータを取得するトレーニングデータ取得モジュールと、ニューラルネットワークモデルによって前記ソースドメイン画像に特徴抽出を行ってソースドメインサンプリング特徴を取得し、前記ニューラルネットワークモデルによって前記ターゲット画像に特徴抽出を行ってターゲットサンプリング特徴を取得し、前記ソースドメインサンプリング特徴に基づいてトレーニング結果を決定する特徴抽出トレーニングモジュールと、前記ソースドメインサンプリング特徴及び前記ターゲットサンプリング特徴に基づいて、前記ソースドメインデータと前記ターゲットドメインデータのデータ差異の大きさを示す距離パラメータを決定する距離パラメータ決定モジュールと、前記トレーニング結果及び前記画像アノテーションに基づいて、前記ソースドメイン画像に対応する損失関数値を決定するソースドメイン損失決定モジュールと、前記損失関数値、前記距離パラメータ及び前記ニューラルネットワークモデルに基づいて、組織結節検出モデルを決定するモデル決定モジュールと、を含む。
ソースドメイン画像と前記ソースドメイン画像における組織結節の位置情報を指示する画像アノテーションとを含むソースドメインデータ、及びターゲット画像を含むターゲットドメインデータを取得するステップと、
ニューラルネットワークモデルによって前記ソースドメイン画像に特徴抽出を行ってソースドメインサンプリング特徴を取得し、前記ニューラルネットワークモデルによって前記ターゲット画像に特徴抽出を行ってターゲットサンプリング特徴を取得し、前記ソースドメインサンプリング特徴に基づいてトレーニング結果を決定するステップと、
前記ソースドメインサンプリング特徴及び前記ターゲットサンプリング特徴に基づいて、前記ソースドメインデータと前記ターゲットドメインデータのデータ差異の大きさを示す距離パラメータを決定するステップと、
前記トレーニング結果及び前記画像アノテーションに基づいて、前記ソースドメイン画像に対応する損失関数値を決定するステップと、
前記損失関数値、前記距離パラメータ及び前記ニューラルネットワークモデルに基づいて、組織結節検出モデルを決定するステップと、が実現される。
被検出画像を取得するステップと、
前記ターゲット画像とデータ構造が同じである前記被検出画像を前記組織結節検出モデルトレーニング方法によって得られる組織結節検出モデルに入力して、結節位置情報を取得するステップと、が実現される。
ソースドメイン画像と前記ソースドメイン画像における組織結節の位置情報を指示する画像アノテーションとを含むソースドメインデータ、及びターゲット画像を含むターゲットドメインデータを取得するステップと、
ニューラルネットワークモデルによって前記ソースドメイン画像に特徴抽出を行ってソースドメインサンプリング特徴を取得し、前記ニューラルネットワークモデルによって前記ターゲット画像に特徴抽出を行ってターゲットサンプリング特徴を取得し、前記ソースドメインサンプリング特徴に基づいてトレーニング結果を決定するステップと、
前記ソースドメインサンプリング特徴及び前記ターゲットサンプリング特徴に基づいて、前記ソースドメインデータと前記ターゲットドメインデータのデータ差異の大きさを示す距離パラメータを決定するステップと、
前記トレーニング結果及び前記画像アノテーションに基づいて、前記ソースドメイン画像に対応する損失関数値を決定するステップと、
前記損失関数値、前記距離パラメータ及び前記ニューラルネットワークモデルに基づいて、組織結節検出モデルを決定するステップと、が実現される。
被検出画像を取得するステップと、
前記ターゲット画像とデータ構造が同じである前記被検出画像を組織結節検出モデルトレーニング装置によって得られる組織結節検出モデルに入力して、結節位置情報を取得するステップと、が実現され、
前記組織結節検出モデルトレーニング装置は、ソースドメイン画像と前記ソースドメイン画像における組織結節の位置情報を指示する画像アノテーションとを含むソースドメインデータ、及びターゲット画像を含むターゲットドメインデータを取得するトレーニングデータ取得モジュールと、ニューラルネットワークモデルによって前記ソースドメイン画像に特徴抽出を行ってソースドメインサンプリング特徴を取得し、前記ニューラルネットワークモデルによって前記ターゲット画像に特徴抽出を行ってターゲットサンプリング特徴を取得し、前記ソースドメインサンプリング特徴に基づいてトレーニング結果を決定する特徴抽出トレーニングモジュールと、前記ソースドメインサンプリング特徴及び前記ターゲットサンプリング特徴に基づいて、前記ソースドメインデータと前記ターゲットドメインデータのデータ差異の大きさを示す距離パラメータを決定する距離パラメータ決定モジュールと、前記トレーニング結果及び前記画像アノテーションに基づいて、前記ソースドメイン画像に対応する損失関数値を決定するソースドメイン損失決定モジュールと、前記損失関数値、前記距離パラメータ及び前記ニューラルネットワークモデルに基づいて、組織結節検出モデルを決定するモデル決定モジュールと、を含む。
ターゲットドメインデータ及び被検出画像を収集する画像収集モジュールと、
前記画像収集モジュールによって収集された被検出画像を取得する被検出画像取得モジュールと、
前記ターゲット画像とデータ構造が同じである前記被検出画像を組織結節検出モデルトレーニング装置によって得られる組織結節検出モデルに入力して、結節位置情報を取得する検出モデル検出モジュールと、を含み、
前記組織結節検出モデルトレーニング装置は、ソースドメイン画像と前記ソースドメイン画像における組織結節の位置情報を指示する画像アノテーションとを含むソースドメインデータ及び前記画像収集モジュールによって収集された、ターゲット画像を含む前記ターゲットドメインデータを取得するトレーニングデータ取得モジュールと、ニューラルネットワークモデルによって前記ソースドメイン画像に特徴抽出を行ってソースドメインサンプリング特徴を取得し、前記ニューラルネットワークモデルによって前記ターゲット画像に特徴抽出を行ってターゲットサンプリング特徴を取得し、前記ソースドメインサンプリング特徴に基づいてトレーニング結果を決定する特徴抽出トレーニングモジュールと、前記ソースドメインサンプリング特徴及び前記ターゲットサンプリング特徴に基づいて、前記ソースドメインデータと前記ターゲットドメインデータのデータ差異の大きさを示す距離パラメータを決定する距離パラメータ決定モジュールと、前記トレーニング結果及び前記画像アノテーションに基づいて、前記ソースドメイン画像に対応する損失関数値を決定するソースドメイン損失決定モジュールと、前記損失関数値、前記距離パラメータ及び前記ニューラルネットワークモデルに基づいて、組織結節検出モデルを決定するモデル決定モジュールと、を含む。
最大平均差異に基づく差異損失の決定時に、カーネル関数にはガウシアンカーネル関数を用いてよく、これにより、最大平均差異に基づく差異損失の正確性が上がり、ソースドメインデータとターゲットドメインデータのサンプリング特徴間の差異が一層減らされる。検出の正確性が一層向上される。
L=LRPN+LCls+LReg+λMMD2(S,T)
ここで、LRPNは領域抽出結果に基づく領域損失関数値であり、LClsは分類結果に基づく分類損失関数値であり、LRegは正規化結果に基づく正規化損失関数値であり、MMD2(S,T)はソースドメインデータとターゲットドメインデータの最大平均差異の二乗である。λはハイパーパラメータであり、トレーニング前に経験に基づいて調整することができる。
ソースドメイン画像と画像アノテーションとを含むソースドメインデータ、及びソースドメインデータにおけるソースドメイン画像と数量が同じのターゲット画像を含むターゲットドメインデータを取得することと、
ソースドメイン画像及びターゲット画像をそれぞれ分割して、ソースドメイン組織領域及びターゲット組織領域を取得するステップと、
第1ニューラルネットワークモデルによってソースドメイン組織領域に特徴抽出を行って、ソースドメインサンプリング特徴を取得し、ソースドメインサンプリング特徴に基づいてトレーニング結果を決定することと、
第2ニューラルネットワークモデルによってターゲット組織領域に特徴抽出を行って、ターゲットサンプリング特徴を取得し、第2ニューラルネットワークモデルと第1ニューラルネットワークモデルとで重みが共有されるステップと、
ソースドメインサンプリング特徴及びターゲットサンプリング特徴に基づいて、ガウシアンカーネル関数によってソースドメインデータとターゲットドメインデータの最大平均差異に基づく第1差異損失を決定することと、
ソースドメインサンプリング特徴及びターゲットサンプリング特徴にそれぞれターゲット領域抽出を行って、ソースドメイン候補領域及びターゲット候補領域を取得するステップと、
ソースドメインサンプリング特徴及びソースドメイン候補領域にプーリング処理を行った後、マッピングによりソースドメインマッピング結果を取得し、ターゲットサンプリング特徴及びターゲット候補領域にプーリング処理を行った後、マッピングによりターゲットマッピング結果を取得するステップと、
ソースドメインマッピング結果及びターゲットマッピング結果に基づいて、ガウシアンカーネル関数によってソースドメインデータとターゲットドメインデータの最大平均差異に基づく第2差異損失を決定することと、
第1差異損失及び第2差異損失に基づいて、ソースドメインデータとターゲットドメインデータの最大平均差異の二乗を決定することと、
トレーニング結果及び画像アノテーションに基づいて、ソースドメイン画像に対応する損失関数値を決定することと、
最大平均差異の二乗と損失関数値を線形加算して、総損失関数値を取得するステップと、
総損失関数値及びニューラルネットワークモデルに基づいて、組織結節検出モデルを決定することと、を含む。
被検出画像を取得するS702と、
ターゲット画像とデータ構造が同じである被検出画像を前記組織結節検出モデルトレーニング装置によって得られる組織結節検出モデルに入力して、結節位置情報を取得するS704と、を含む。
ソースドメイン画像と前記ソースドメイン画像における組織結節の位置情報を指示する画像アノテーションとを含むソースドメインデータ、及びターゲット画像を含むターゲットドメインデータを取得するトレーニングデータ取得モジュール802と、
ニューラルネットワークモデルによって前記ソースドメイン画像に特徴抽出を行ってソースドメインサンプリング特徴を取得し、前記ニューラルネットワークモデルによって前記ターゲット画像に特徴抽出を行ってターゲットサンプリング特徴を取得し、前記ソースドメインサンプリング特徴に基づいてトレーニング結果を決定する特徴抽出トレーニングモジュール804と、
前記ソースドメインサンプリング特徴及び前記ターゲットサンプリング特徴に基づいて、前記ソースドメインデータと前記ターゲットドメインデータのデータ差異の大きさを示す距離パラメータを決定する距離パラメータ決定モジュール806と、
前記トレーニング結果及び前記画像アノテーションに基づいて、前記ソースドメイン画像に対応する損失関数値を決定するソースドメイン損失決定モジュール808と、
前記損失関数値、前記距離パラメータ及び前記ニューラルネットワークモデルに基づいて、組織結節検出モデルを決定するモデル決定モジュール810と、が含まれる。
前記ソースドメインサンプリング特徴及び前記ターゲットサンプリング特徴に基づいて、前記ソースドメインデータと前記ターゲットドメインデータの最大平均差異に基づく第1差異損失を決定する第1差異損失ユニットと、
前記ソースドメインサンプリング特徴にターゲット領域抽出を行って、ソースドメイン候補領域を取得し、前記ターゲットサンプリング特徴にターゲット領域抽出を行って、ターゲット候補領域を取得する候補領域決定ユニットと、
前記ソースドメインサンプリング特徴及び前記ソースドメイン候補領域にプーリング処理を行った後、マッピングによりソースドメインマッピング結果を取得し、前記ターゲットサンプリング特徴及び前記ターゲット候補領域にプーリング処理を行った後、マッピングによりターゲットマッピング結果を取得するマッピング結果決定ユニットと、
前記ソースドメインマッピング結果及び前記ターゲットマッピング結果に基づいて、前記ソースドメインデータと前記ターゲットドメインデータの最大平均差異に基づく第2差異損失を決定する第2差異損失ユニットと、
前記第1差異損失及び前記第2差異損失に基づいて、前記ソースドメインデータと前記ターゲットドメインデータの最大平均差異に基づく差異損失を決定する総合差異決定ユニットと、を含む。
モデル決定モジュールはさらに、前記総損失関数値及び前記ニューラルネットワークモデルに基づいて、組織結節検出モデルを決定する。
特徴抽出トレーニングモジュールは、ニューラルネットワークモデルによって前記ソースドメイン組織領域に特徴抽出を行って、ソースドメインサンプリング特徴を取得し、前記ニューラルネットワークモデルによって前記ターゲット組織領域に特徴抽出を行って、ターゲットサンプリング特徴を取得する。
第1ニューラルネットワークモデルによって前記ソースドメイン画像に特徴抽出を行って、ソースドメインサンプリング特徴を取得し、前記ソースドメインサンプリング特徴に基づいてトレーニング結果を決定する特徴抽出トレーニングユニットと、
第2ニューラルネットワークモデルによって前記ターゲット画像に特徴抽出を行って、ターゲットサンプリング特徴を取得し、前記第2ニューラルネットワークモデルと前記第1ニューラルネットワークモデルとで重みが共有される特徴抽出ユニットと、を含む。
被検出画像を取得する被検出画像取得モジュール902と、
前記ターゲット画像とデータ構造が同じである前記被検出画像を前記組織結節検出モデルトレーニング装置によって得られる組織結節検出モデルに入力して、結節位置情報を取得する検出モデル検出モジュール904と、が含まれる。
ターゲットドメインデータ及び被検出画像を収集する画像収集モジュールと、
前記画像収集モジュールによって収集された被検出画像を取得する被検出画像取得モジュールと、
前記ターゲット画像とデータ構造が同じである前記被検出画像を組織結節検出モデルトレーニング装置によって得られる組織結節検出モデルに入力して、結節位置情報を取得する検出モデル検出モジュールと、を含み、
前記組織結節検出モデルトレーニング装置は、ソースドメイン画像と前記ソースドメイン画像における組織結節の位置情報を指示する画像アノテーションとを含むソースドメインデータ及び前記画像収集モジュールによって収集された、ターゲット画像を含む前記ターゲットドメインデータを取得するトレーニングデータ取得モジュールと、ニューラルネットワークモデルによって前記ソースドメイン画像に特徴抽出を行ってソースドメインサンプリング特徴を取得し、前記ニューラルネットワークモデルによって前記ターゲット画像に特徴抽出を行ってターゲットサンプリング特徴を取得し、前記ソースドメインサンプリング特徴に基づいてトレーニング結果を決定する特徴抽出トレーニングモジュールと、前記ソースドメインサンプリング特徴及び前記ターゲットサンプリング特徴に基づいて、前記ソースドメインデータと前記ターゲットドメインデータのデータ差異の大きさを示す距離パラメータを決定する距離パラメータ決定モジュールと、前記トレーニング結果及び前記画像アノテーションに基づいて、前記ソースドメイン画像に対応する損失関数値を決定するソースドメイン損失決定モジュールと、前記損失関数値、前記距離パラメータ及び前記ニューラルネットワークモデルに基づいて、組織結節検出モデルを決定するモデル決定モジュールと、を含む。
804 候補ウェブページ決定モジュール
806 イベント決定モジュール
808 発見結果決定モジュール
810 モデル決定モジュール
902 被検出画像取得モジュール
904 検出モデル検出モジュール
Claims (17)
- コンピュータ機器が実行する組織結節検出モデルトレーニング方法であって、
ソースドメインデータ及びターゲットドメインデータを取得するステップであって、前記ソースドメインデータはソースドメイン画像と画像アノテーションとを含み、前記画像アノテーションは前記ソースドメイン画像における組織結節の位置情報を指示するものである、ステップと、
ニューラルネットワークモデルによって前記ソースドメイン画像に特徴抽出を行ってソースドメインサンプリング特徴を取得し、前記ニューラルネットワークモデルによって前記ターゲット画像に特徴抽出を行ってターゲットサンプリング特徴を取得し、前記ソースドメインサンプリング特徴に基づいてトレーニング結果を決定するステップと、
前記ソースドメインサンプリング特徴及び前記ターゲットサンプリング特徴に基づいて、前記ソースドメインデータと前記ターゲットドメインデータの距離パラメータを決定するステップであって、前記距離パラメータは前記ソースドメインデータと前記ターゲットドメインデータのデータ差異の大きさを示すものである、ステップと、
前記トレーニング結果及び前記画像アノテーションに基づいて、前記ソースドメイン画像に対応する損失関数値を決定するステップと、
前記損失関数値、前記距離パラメータ及び前記ニューラルネットワークモデルに基づいて、組織結節検出モデルを決定するステップと、を含む方法。 - 前記距離パラメータは最大平均差異に基づく差異損失を含み、
前記ソースドメインサンプリング特徴及び前記ターゲットサンプリング特徴に基づいて、前記ソースドメインデータと前記ターゲットドメインデータの距離パラメータを決定する前記ステップは、
前記ソースドメインサンプリング特徴及び前記ターゲットサンプリング特徴に基づいて、前記ソースドメインデータと前記ターゲットドメインデータの最大平均差異に基づく差異損失を決定するステップを含むことを特徴とする請求項1に記載の方法。 - 前記ソースドメインサンプリング特徴及び前記ターゲットサンプリング特徴に基づいて、前記ソースドメインデータと前記ターゲットドメインデータの最大平均差異に基づく差異損失を決定する前記ステップは、
前記ソースドメインサンプリング特徴及び前記ターゲットサンプリング特徴に基づいて、ガウシアンカーネル関数によって前記ソースドメインデータと前記ターゲットドメインデータの最大平均差異に基づく差異損失を決定するステップを含むことを特徴とする請求項2に記載の方法。 - 前記ソースドメインサンプリング特徴及び前記ターゲットサンプリング特徴に基づいて、前記ソースドメインデータと前記ターゲットドメインデータの最大平均差異に基づく差異損失を決定する前記ステップは、
前記ソースドメインサンプリング特徴及び前記ターゲットサンプリング特徴に基づいて、前記ソースドメインデータと前記ターゲットドメインデータの最大平均差異に基づく第1差異損失を決定するステップと、
前記ソースドメインサンプリング特徴にターゲット領域抽出を行って、ソースドメイン候補領域を取得し、前記ターゲットサンプリング特徴にターゲット領域抽出を行って、ターゲット候補領域を取得するステップと、
前記ソースドメインサンプリング特徴及び前記ソースドメイン候補領域にプーリング処理を行った後、マッピングによりソースドメインマッピング結果を取得し、前記ターゲットサンプリング特徴及び前記ターゲット候補領域にプーリング処理を行った後、マッピングによりターゲットマッピング結果を取得するステップと、
前記ソースドメインマッピング結果及び前記ターゲットマッピング結果に基づいて、前記ソースドメインデータと前記ターゲットドメインデータの最大平均差異に基づく第2差異損失を決定するステップと、
前記第1差異損失及び前記第2差異損失に基づいて、前記ソースドメインデータと前記ターゲットドメインデータの最大平均差異に基づく差異損失を決定するステップと、を含むことを特徴とする請求項2に記載の方法。 - 前記損失関数値、前記距離パラメータ及び前記ニューラルネットワークモデルに基づいて、組織結節検出モデルを決定する前記ステップは、
前記損失関数値及び前記距離パラメータに基づいて、総損失関数値を決定するステップと、
前記総損失関数値及び前記ニューラルネットワークモデルに基づいて、組織結節検出モデルを決定するステップと、を含むことを特徴とする請求項1に記載の方法。 - 前記距離パラメータは最大平均差異の二乗を含み、
前記損失関数値及び前記距離パラメータに基づいて、総損失関数値を決定する前記ステップは、
前記最大平均差異の二乗と前記損失関数値を線形加算して、総損失関数値を取得するステップを含むことを特徴とする請求項5に記載の方法。 - ニューラルネットワークモデルによって前記ソースドメイン画像に特徴抽出を行ってソースドメインサンプリング特徴を取得し、前記ニューラルネットワークモデルによって前記ターゲット画像に特徴抽出を行ってターゲットサンプリング特徴を取得する前記ステップは、
前記ソースドメイン画像を分割して、ソースドメイン組織領域を取得し、前記ターゲット画像を分割して、ターゲット組織領域を取得するステップと、
ニューラルネットワークモデルによって前記ソースドメイン組織領域に特徴抽出を行って、ソースドメインサンプリング特徴を取得し、前記ニューラルネットワークモデルによって前記ターゲット組織領域に特徴抽出を行って、ターゲットサンプリング特徴を取得するステップと、を含むことを特徴とする請求項1に記載の方法。 - 前記ソースドメインデータにおける前記ソースドメイン画像と前記ターゲットドメインデータにおける前記ターゲット画像は数量的関係を満たすことを特徴とする請求項1から7のいずれか一項に記載の方法。
- 前記ソースドメインデータにおける前記ソースドメイン画像と前記ターゲットドメインデータにおける前記ターゲット画像は数量が同じであることを特徴とする請求項8に記載の方法。
- ニューラルネットワークモデルによって前記ソースドメイン画像に特徴抽出を行ってソースドメインサンプリング特徴を取得し、前記ニューラルネットワークモデルによって前記ターゲット画像に特徴抽出を行ってターゲットサンプリング特徴を取得し、前記ソースドメインサンプリング特徴に基づいてトレーニング結果を決定する前記ステップは、
第1ニューラルネットワークモデルによって前記ソースドメイン画像に特徴抽出を行って、ソースドメインサンプリング特徴を取得し、前記ソースドメインサンプリング特徴に基づいてトレーニング結果を決定するステップと、
第2ニューラルネットワークモデルによって前記ターゲット画像に特徴抽出を行って、ターゲットサンプリング特徴を取得し、前記第2ニューラルネットワークモデルと前記第1ニューラルネットワークモデルとで重みが共有されるステップと、を含むことを特徴とする請求項1から7のいずれか一項に記載の方法。 - コンピュータ機器に用いられる組織結節検出モデルトレーニング装置であって、
ソースドメインデータ及びターゲットドメインデータを取得するトレーニングデータ取得モジュールであって、前記ソースドメインデータはソースドメイン画像と画像アノテーションとを含み、前記画像アノテーションは前記ソースドメイン画像における組織結節の位置情報を指示する、トレーニングデータ取得モジュールと、
ニューラルネットワークモデルによって前記ソースドメイン画像に特徴抽出を行ってソースドメインサンプリング特徴を取得し、前記ニューラルネットワークモデルによって前記ターゲット画像に特徴抽出を行ってターゲットサンプリング特徴を取得し、前記ソースドメインサンプリング特徴に基づいてトレーニング結果を決定する特徴抽出トレーニングモジュールと、
前記ソースドメインサンプリング特徴及び前記ターゲットサンプリング特徴に基づいて、前記ソースドメインデータと前記ターゲットドメインデータの距離パラメータを決定する距離パラメータ決定モジュールであって、前記距離パラメータは前記ソースドメインデータと前記ターゲットドメインデータのデータ差異の大きさを示す、距離パラメータ決定モジュールと、
前記トレーニング結果及び前記画像アノテーションに基づいて、前記ソースドメイン画像に対応する損失関数値を決定するソースドメイン損失決定モジュールと、
前記損失関数値、前記距離パラメータ及び前記ニューラルネットワークモデルに基づいて、組織結節検出モデルを決定するモデル決定モジュールと、を含む装置。 - コンピュータ機器が実行する組織結節検出方法であって、
被検出画像を取得するステップと、
前記被検出画像を組織結節検出モデルに入力して、結節位置情報を取得するステップであって、前記組織結節検出モデルは組織結節検出モデルトレーニング装置によって得られ、前記被検出画像は前記ターゲット画像とデータ構造が同じであるものである、ステップと、を含み、
前記組織結節検出モデルトレーニング装置は、
ソースドメインデータ及びターゲットドメインデータを取得するトレーニングデータ取得モジュールであって、前記ソースドメインデータはソースドメイン画像と画像アノテーションとを含み、前記画像アノテーションは前記ソースドメイン画像における組織結節の位置情報を指示する、トレーニングデータ取得モジュールと、
ニューラルネットワークモデルによって前記ソースドメイン画像に特徴抽出を行ってソースドメインサンプリング特徴を取得し、前記ニューラルネットワークモデルによって前記ターゲット画像に特徴抽出を行ってターゲットサンプリング特徴を取得し、前記ソースドメインサンプリング特徴に基づいてトレーニング結果を決定する特徴抽出トレーニングモジュールと、
前記ソースドメインサンプリング特徴及び前記ターゲットサンプリング特徴に基づいて、前記ソースドメインデータと前記ターゲットドメインデータの距離パラメータを決定する距離パラメータ決定モジュールであって、前記距離パラメータは前記ソースドメインデータと前記ターゲットドメインデータのデータ差異の大きさを示す、距離パラメータ決定モジュールと、
前記トレーニング結果及び前記画像アノテーションに基づいて、前記ソースドメイン画像に対応する損失関数値を決定するソースドメイン損失決定モジュールと、
前記損失関数値、前記距離パラメータ及び前記ニューラルネットワークモデルに基づいて、組織結節検出モデルを決定するモデル決定モジュールと、を含む方法。 - コンピュータ機器に用いられる組織結節検出装置であって、
被検出画像を取得する被検出画像取得モジュールと、
前記被検出画像を組織結節検出モデルに入力して、結節位置情報を取得する検出モデル検出モジュールであって、前記組織結節検出モデルは組織結節検出モデルトレーニング装置によって得られ、前記被検出画像は前記ターゲット画像とデータ構造が同じである、検出モデル検出モジュールと、を含み、
前記組織結節検出モデルトレーニング装置は、
ソースドメインデータ及びターゲットドメインデータを取得するトレーニングデータ取得モジュールであって、前記ソースドメインデータはソースドメイン画像と画像アノテーションとを含み、前記画像アノテーションは前記ソースドメイン画像における組織結節の位置情報を指示する、トレーニングデータ取得モジュールと、
ニューラルネットワークモデルによって前記ソースドメイン画像に特徴抽出を行ってソースドメインサンプリング特徴を取得し、前記ニューラルネットワークモデルによって前記ターゲット画像に特徴抽出を行ってターゲットサンプリング特徴を取得し、前記ソースドメインサンプリング特徴に基づいてトレーニング結果を決定する特徴抽出トレーニングモジュールと、
前記ソースドメインサンプリング特徴及び前記ターゲットサンプリング特徴に基づいて、前記ソースドメインデータと前記ターゲットドメインデータの距離パラメータを決定する距離パラメータ決定モジュールであって、前記距離パラメータは前記ソースドメインデータと前記ターゲットドメインデータのデータ差異の大きさを示す、距離パラメータ決定モジュールと、
前記トレーニング結果及び前記画像アノテーションに基づいて、前記ソースドメイン画像に対応する損失関数値を決定するソースドメイン損失決定モジュールと、
前記損失関数値、前記距離パラメータ及び前記ニューラルネットワークモデルに基づいて、組織結節検出モデルを決定するモデル決定モジュールと、を含む装置。 - コンピュータプログラムが記憶されているメモリと、プロセッサとを含むコンピュータ機器であって、前記プロセッサが前記コンピュータプログラムを実行すると、請求項1から10、及び請求項12のいずれか一項に記載の方法のステップが実現されることを特徴とするコンピュータ機器。
- 組織結節検出システムであって、
ターゲットドメインデータ及び被検出画像を収集する画像収集モジュールと、
前記画像収集モジュールによって収集された被検出画像を取得する被検出画像取得モジュールと、
前記被検出画像を組織結節検出モデルに入力して、結節位置情報を取得する検出モデル検出モジュールであって、前記組織結節検出モデルは組織結節検出モデルトレーニング装置によって得られ、前記被検出画像は前記ターゲット画像とデータ構造が同じである、検出モデル検出モジュールと、を含み、
前記組織結節検出モデルトレーニング装置は、
ソースドメイン画像と前記ソースドメイン画像における組織結節の位置情報を指示する画像アノテーションとを含むソースドメインデータ及び前記画像収集モジュールによって収集された、ターゲット画像を含む前記ターゲットドメインデータを取得するトレーニングデータ取得モジュールと、ニューラルネットワークモデルによって前記ソースドメイン画像に特徴抽出を行ってソースドメインサンプリング特徴を取得し、前記ニューラルネットワークモデルによって前記ターゲット画像に特徴抽出を行ってターゲットサンプリング特徴を取得し、前記ソースドメインサンプリング特徴に基づいてトレーニング結果を決定する特徴抽出トレーニングモジュールと、前記ソースドメインサンプリング特徴及び前記ターゲットサンプリング特徴に基づいて、前記ソースドメインデータと前記ターゲットドメインデータのデータ差異の大きさを示す距離パラメータを決定する距離パラメータ決定モジュールと、前記トレーニング結果及び前記画像アノテーションに基づいて、前記ソースドメイン画像に対応する損失関数値を決定するソースドメイン損失決定モジュールと、前記損失関数値、前記距離パラメータ及び前記ニューラルネットワークモデルに基づいて、組織結節検出モデルを決定するモデル決定モジュールと、を含む、システム。 - 画像収集機器と、組織結節検出機器と、を含み、前記画像収集機器のメモリには前記画像収集モジュールが記憶され、前記組織結節検出機器のメモリには、前記被検出画像取得モジュール及び前記検出モデル検出モジュールが記憶されていることを特徴とする請求項15に記載のシステム。
- 請求項1から10、及び請求項12のいずれか一項に記載の方法をコンピュータに実行させるコンピュータプログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811326267.4A CN109523526B (zh) | 2018-11-08 | 2018-11-08 | 组织结节检测及其模型训练方法、装置、设备和系统 |
CN201811326267.4 | 2018-11-08 | ||
PCT/CN2019/115822 WO2020094026A1 (zh) | 2018-11-08 | 2019-11-05 | 组织结节检测及其模型训练方法、装置、设备和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021520568A true JP2021520568A (ja) | 2021-08-19 |
JP7086336B2 JP7086336B2 (ja) | 2022-06-20 |
Family
ID=65774289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020560811A Active JP7086336B2 (ja) | 2018-11-08 | 2019-11-05 | 組織結節検出方法及びそのモデルトレーニング方法、装置、機器、システム、並びにそのコンピュータプログラム |
Country Status (5)
Country | Link |
---|---|
US (1) | US11880972B2 (ja) |
EP (1) | EP3879485B1 (ja) |
JP (1) | JP7086336B2 (ja) |
CN (1) | CN109523526B (ja) |
WO (1) | WO2020094026A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022538137A (ja) * | 2020-04-30 | 2022-08-31 | 上▲海▼商▲湯▼智能科技有限公司 | 画像検出方法及び関連モデルの訓練方法並びに関連装置、機器 |
Families Citing this family (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10268275B2 (en) | 2016-08-03 | 2019-04-23 | Ultrahaptics Ip Ltd | Three-dimensional perceptions in haptic systems |
US11531395B2 (en) | 2017-11-26 | 2022-12-20 | Ultrahaptics Ip Ltd | Haptic effects from focused acoustic fields |
CN109523526B (zh) | 2018-11-08 | 2021-10-22 | 腾讯科技(深圳)有限公司 | 组织结节检测及其模型训练方法、装置、设备和系统 |
US11222210B2 (en) * | 2018-11-13 | 2022-01-11 | Nec Corporation | Attention and warping based domain adaptation for videos |
US11842517B2 (en) * | 2019-04-12 | 2023-12-12 | Ultrahaptics Ip Ltd | Using iterative 3D-model fitting for domain adaptation of a hand-pose-estimation neural network |
CN110084314B (zh) * | 2019-05-06 | 2021-08-13 | 西安交通大学 | 一种针对靶向捕获基因测序数据的假阳性基因突变过滤方法 |
CN110459303B (zh) * | 2019-06-27 | 2022-03-08 | 浙江工业大学 | 基于深度迁移的医疗影像异常检测装置 |
CN110516671B (zh) * | 2019-08-27 | 2022-06-07 | 腾讯科技(深圳)有限公司 | 神经网络模型的训练方法、图像检测方法及装置 |
CN112446239A (zh) * | 2019-08-29 | 2021-03-05 | 株式会社理光 | 神经网络的训练及目标检测方法、设备及存储介质 |
CN110807760B (zh) * | 2019-09-16 | 2022-04-08 | 北京农业信息技术研究中心 | 一种烟叶分级方法及系统 |
CN110930386B (zh) * | 2019-11-20 | 2024-02-20 | 重庆金山医疗技术研究院有限公司 | 图像处理方法、装置、设备及存储介质 |
US11080833B2 (en) * | 2019-11-22 | 2021-08-03 | Adobe Inc. | Image manipulation using deep learning techniques in a patch matching operation |
CN110990135B (zh) * | 2019-11-28 | 2023-05-12 | 中国人民解放军国防科技大学 | 基于深度迁移学习的Spark作业时间预测方法和装置 |
KR20210074748A (ko) * | 2019-12-12 | 2021-06-22 | 삼성전자주식회사 | 도메인 적응에 기반한 네트워크의 트레이닝 방법, 동작 방법 및 동작 장치 |
CN113065662A (zh) * | 2020-01-02 | 2021-07-02 | 阿里巴巴集团控股有限公司 | 数据处理方法、自学习系统及电子设备 |
CN111260618B (zh) * | 2020-01-13 | 2023-08-25 | 北京妙医佳健康科技集团有限公司 | 病灶检测系统构建的方法、装置及电子设备 |
EP3872695A1 (en) * | 2020-02-28 | 2021-09-01 | Toyota Jidosha Kabushiki Kaisha | A method and system of adapting an initial model of a neural network |
US11544503B2 (en) * | 2020-04-06 | 2023-01-03 | Adobe Inc. | Domain alignment for object detection domain adaptation tasks |
CN111582449B (zh) * | 2020-05-07 | 2023-08-04 | 广州视源电子科技股份有限公司 | 一种目标域检测网络的训练方法、装置、设备及存储介质 |
CN111814655B (zh) * | 2020-07-03 | 2023-09-01 | 浙江大华技术股份有限公司 | 目标重识别方法及其网络训练方法、相关装置 |
US11886639B2 (en) | 2020-09-17 | 2024-01-30 | Ultraleap Limited | Ultrahapticons |
CN112257809B (zh) * | 2020-11-02 | 2023-07-14 | 浙江大华技术股份有限公司 | 目标检测网络优化方法和装置、存储介质及电子设备 |
CN112561053B (zh) * | 2020-11-10 | 2023-09-08 | 北京百度网讯科技有限公司 | 图像处理方法、预训练模型的训练方法、装置和电子设备 |
US11410309B2 (en) * | 2020-12-03 | 2022-08-09 | Ping An Technology (Shenzhen) Co., Ltd. | Method, device, and computer program product for deep lesion tracker for monitoring lesions in four-dimensional longitudinal imaging |
CN112614108B (zh) * | 2020-12-24 | 2024-04-19 | 中国人民解放军总医院第一医学中心 | 基于深度学习检测甲状腺超声图像中结节的方法和装置 |
US20240054349A1 (en) * | 2021-01-12 | 2024-02-15 | Nec Corporation | Training apparatus, classification apparatus, training method, classification method, and program |
CN113468805B (zh) * | 2021-06-21 | 2022-10-14 | 国网黑龙江省电力有限公司电力科学研究院 | 传感器极寒环境可靠性评估方法、电子设备及存储介质 |
CN113537403A (zh) * | 2021-08-14 | 2021-10-22 | 北京达佳互联信息技术有限公司 | 图像处理模型的训练方法和装置及预测方法和装置 |
CN113658146B (zh) * | 2021-08-20 | 2022-08-23 | 合肥合滨智能机器人有限公司 | 一种结节分级方法、装置、电子设备及存储介质 |
KR20230041921A (ko) * | 2021-09-17 | 2023-03-27 | 주식회사 온택트헬스 | 체내 장기 또는 근육의 이상 유무를 판단하는 방법 및 장치 |
CN113658178B (zh) * | 2021-10-14 | 2022-01-25 | 北京字节跳动网络技术有限公司 | 组织图像的识别方法、装置、可读介质和电子设备 |
KR20230057646A (ko) * | 2021-10-22 | 2023-05-02 | 연세대학교 산학협력단 | 멀티-레벨 전이 영역 기반의 도메인 적응형 객체 검출 장치 및 방법 |
CN115409815A (zh) * | 2022-09-02 | 2022-11-29 | 山东财经大学 | 一种基于三维可变形transformer的肺结节检测方法 |
CN116310513B (zh) * | 2023-02-14 | 2023-12-05 | 成都泰莱生物科技有限公司 | 基于肺部CT与5hmC标志物融合的肺结节分类方法及产品 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018020277A1 (en) * | 2016-07-28 | 2018-02-01 | Google Llc | Domain separation neural networks |
JP2018117883A (ja) * | 2017-01-25 | 2018-08-02 | 国立大学法人大阪大学 | 学習装置、識別装置、識別方法、及びプログラム |
JP2020071883A (ja) * | 2018-10-29 | 2020-05-07 | 富士通株式会社 | モデル訓練方法、データ認識方法及びデータ認識装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030210820A1 (en) * | 2002-05-07 | 2003-11-13 | Rainer Lachner | Method and device for localizing a structure in a measured data set |
US20160078287A1 (en) * | 2014-08-29 | 2016-03-17 | Konica Minola Laboratory U.S.A., Inc. | Method and system of temporal segmentation for gesture analysis |
US10289909B2 (en) * | 2017-03-06 | 2019-05-14 | Xerox Corporation | Conditional adaptation network for image classification |
IL272433B2 (en) * | 2017-08-03 | 2024-02-01 | Nucleai Ltd | Systems and methods for tissue image analysis |
CN107403201A (zh) * | 2017-08-11 | 2017-11-28 | 强深智能医疗科技(昆山)有限公司 | 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法 |
CN107871318B (zh) * | 2017-11-16 | 2018-11-09 | 吉林大学 | 一种基于模型迁移的冠状动脉钙化斑块检测方法 |
CN108460415B (zh) * | 2018-02-28 | 2021-06-15 | 国信优易数据股份有限公司 | 一种语种识别方法 |
US10740866B2 (en) * | 2018-06-26 | 2020-08-11 | International Business Machines Corporation | Determining appropriate medical image processing pipeline based on machine learning |
CN109523526B (zh) * | 2018-11-08 | 2021-10-22 | 腾讯科技(深圳)有限公司 | 组织结节检测及其模型训练方法、装置、设备和系统 |
-
2018
- 2018-11-08 CN CN201811326267.4A patent/CN109523526B/zh active Active
-
2019
- 2019-11-05 WO PCT/CN2019/115822 patent/WO2020094026A1/zh unknown
- 2019-11-05 JP JP2020560811A patent/JP7086336B2/ja active Active
- 2019-11-05 EP EP19881015.2A patent/EP3879485B1/en active Active
-
2020
- 2020-11-09 US US17/093,022 patent/US11880972B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018020277A1 (en) * | 2016-07-28 | 2018-02-01 | Google Llc | Domain separation neural networks |
JP2018117883A (ja) * | 2017-01-25 | 2018-08-02 | 国立大学法人大阪大学 | 学習装置、識別装置、識別方法、及びプログラム |
JP2020071883A (ja) * | 2018-10-29 | 2020-05-07 | 富士通株式会社 | モデル訓練方法、データ認識方法及びデータ認識装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022538137A (ja) * | 2020-04-30 | 2022-08-31 | 上▲海▼商▲湯▼智能科技有限公司 | 画像検出方法及び関連モデルの訓練方法並びに関連装置、機器 |
Also Published As
Publication number | Publication date |
---|---|
WO2020094026A1 (zh) | 2020-05-14 |
US11880972B2 (en) | 2024-01-23 |
CN109523526B (zh) | 2021-10-22 |
US20210056693A1 (en) | 2021-02-25 |
CN109523526A (zh) | 2019-03-26 |
EP3879485B1 (en) | 2024-01-03 |
JP7086336B2 (ja) | 2022-06-20 |
EP3879485A1 (en) | 2021-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7086336B2 (ja) | 組織結節検出方法及びそのモデルトレーニング方法、装置、機器、システム、並びにそのコンピュータプログラム | |
US11604949B2 (en) | Image processing method and apparatus, computer-readable storage medium, and computer device | |
US9959615B2 (en) | System and method for automatic pulmonary embolism detection | |
WO2020228570A1 (zh) | 乳腺钼靶图像处理方法、装置、系统及介质 | |
RU2677764C2 (ru) | Координатная привязка медицинских изображений | |
WO2022089221A1 (zh) | 医学图像分割方法、装置、设备、系统及计算机存储介质 | |
CN112102237A (zh) | 基于半监督学习的脑部肿瘤识别模型的训练方法及装置 | |
CN111709485B (zh) | 医学影像处理方法、装置和计算机设备 | |
JP2015080720A (ja) | コンピュータ補助診断方法及び装置 | |
US10726948B2 (en) | Medical imaging device- and display-invariant segmentation and measurement | |
CN111383259B (zh) | 图像分析方法、计算机设备和存储介质 | |
US20220036575A1 (en) | Method for measuring volume of organ by using artificial neural network, and apparatus therefor | |
WO2022178997A1 (zh) | 医学影像配准方法、装置、计算机设备及存储介质 | |
CN112396606B (zh) | 一种基于用户交互的医学图像分割方法、系统和装置 | |
CN111524109A (zh) | 头部医学影像的评分方法和装置、电子设备及存储介质 | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
CN110533120B (zh) | 器官结节的图像分类方法、装置、终端及存储介质 | |
CN113160199B (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
US20220301177A1 (en) | Updating boundary segmentations | |
CN107610772A (zh) | 一种甲状腺结节ct图像诊断系统设计方法 | |
CN110992312A (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
CN116309346A (zh) | 医学图像的检测方法、装置、设备、存储介质及程序产品 | |
CN114972026A (zh) | 图像处理方法和存储介质 | |
CN113962957A (zh) | 医学图像处理方法、骨骼图像处理方法、装置、设备 | |
CN115546089A (zh) | 医学图像分割方法、病理图像处理方法、装置、设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201029 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220104 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220401 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220509 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220517 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7086336 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |