JP7064050B2 - 画像変換に基づく病巣判定方法、装置、コンピュータ機器及び記憶媒体 - Google Patents

画像変換に基づく病巣判定方法、装置、コンピュータ機器及び記憶媒体 Download PDF

Info

Publication number
JP7064050B2
JP7064050B2 JP2021500419A JP2021500419A JP7064050B2 JP 7064050 B2 JP7064050 B2 JP 7064050B2 JP 2021500419 A JP2021500419 A JP 2021500419A JP 2021500419 A JP2021500419 A JP 2021500419A JP 7064050 B2 JP7064050 B2 JP 7064050B2
Authority
JP
Japan
Prior art keywords
image
model
value calculation
confidence value
conversion
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.)
Active
Application number
JP2021500419A
Other languages
English (en)
Other versions
JP2021530780A (ja
Inventor
蘇輝 楊
鵬 高
国▲トン▼ 謝
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Publication of JP2021530780A publication Critical patent/JP2021530780A/ja
Application granted granted Critical
Publication of JP7064050B2 publication Critical patent/JP7064050B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/04—Context-preserving transformations, e.g. by using an importance map
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Eye Examination Apparatus (AREA)

Description

（関連出願の相互参照）
本願は、出願番号２０１９１０３６７７６７．０（出願日：２０１９年０５月０５日）の中国特許出願を基礎としてその優先権を主張するが、当該出願のすべての内容は、ここで全体的に本願に取り込まれる。
（技術分野）
本出願はコンピュータ技術分野に関し、特に画像変換に基づく病巣判定方法、装置、コンピュータ機器及び記憶媒体に関する。
病巣の判定を行う過程において、撮画機器で画像を撮るが、色の分布、明るさ、コントラスト、ノイズなどが含まれる撮られた画像のスタイルは機器によってそれぞれ異なる。一部の重要な情報は、撮られた画像から直接取得できず、病巣が存在するか否かを判断することに役に立つように、画像を、撮画機器のスタイルに一致する画像に変換しないと取得できない。従来の病巣判定方法は、画像のスタイルを変換した後に取得した画像を、期待されるスタイルに完全に一致させることができず、撮られた画像に病巣が存在するか否かを正確に判断することもできない。
本出願の実施例は、画像変換に基づく病巣判定方法、装置、コンピュータ機器及び記憶媒体を提供し、従来技術の方法において、撮られた画像に病巣が存在するか否かを判断できないという問題を解決することを旨とする。
第１の態様で、本出願の実施例は、画像変換に基づく病巣判定方法を提供し、
予め設定された変換テンプレートによってそれぞれ第１画像変換モデル及び第２画像変換モデルを構築し、前記第１画像変換モデルは、第１撮画機器によって撮られた画像を、第２撮画機器によって撮られた画像のスタイルに一致する画像に変換することに用いられ、前記第２画像変換モデルは、第２撮画機器によって撮られた画像を、第１撮画機器によって撮られた画像のスタイルに一致する画像に変換することに用いられることと、
予め設定された計算テンプレートによって第１信頼値計算モデル及び第２信頼値計算モデルを生成し、前記第１信頼値計算モデルは、前記第１信頼値計算モデルに入力された画像と、前記第２撮画機器によって撮られた画像とのスタイルの類似度に対して数量化を行うことに用いられ、前記第２信頼値計算モデルは、前記第２信頼値計算モデルに入力された画像と、前記第１撮画機器によって撮られた画像とのスタイルの類似度に対して数量化を行うことに用いられることと、
トレーニング後の第２画像変換モデルを取得するように、予め設定されたモデルトレーニングルールと予め設定された画像ギャラリとによって、前記第１信頼値計算モデル、前記第２信頼値計算モデル及び前記第１画像変換モデルを合わせて、前記第２画像変換モデルに対してトレーニングを行うことと、
ユーザが入力した判定対象画像を受信した後、前記判定対象画像の収集ソース情報によって、前記判定対象画像の撮画機器が第１撮画機器であるか否かを確定することと、
前記判定対象画像の撮画機器が前記第１撮画機器ではない場合、病巣判定結果を取得するように、予め設定された画像判定ルール及びトレーニング後の前記第２画像変換モデルによって、前記判定対象画像に病巣が含まれるか否かを判断することと、を含む。
第２の態様で、本出願の実施例は、画像変換に基づく病巣判定装置を提供し、
予め設定された変換テンプレートによってそれぞれ第１画像変換モデル及び第２画像変換モデルを構築することに用いられ、前記第１画像変換モデルは、第１撮画機器によって撮られた画像を、第２撮画機器によって撮られた画像のスタイルに一致する画像に変換することに用いられ、前記第２画像変換モデルは、第２撮画機器によって撮られた画像を、第１撮画機器によって撮られた画像のスタイルに一致する画像に変換することに用いられる変換モデル構築ユニットと、
予め設定された計算テンプレートによって第１信頼値計算モデル及び第２信頼値計算モデルを生成し、前記第１信頼値計算モデルは、前記第１信頼値計算モデルに入力された画像と、前記第２撮画機器によって撮られた画像とのスタイルの類似度に対して数量化を行うことに用いられ、前記第２信頼値計算モデルは、前記第２信頼値計算モデルに入力された画像と、前記第１撮画機器によって撮られた画像とのスタイルの類似度に対して数量化を行うことに用いられる計算モデル生成ユニットと、
トレーニング後の第２画像変換モデルを取得するように、予め設定されたモデルトレーニングルールと予め設定された画像ギャラリとによって、前記第１信頼値計算モデル、前記第２信頼値計算モデル及び前記第１画像変換モデルを合わせて、前記第２画像変換モデルに対してトレーニングを行うための変換モデルトレーニングユニットと、
ユーザが入力した判定対象画像を受信した後、前記判定対象画像の収集ソース情報によって、前記判定対象画像の撮画機器が第１撮画機器であるか否かを確定するための撮画機器確定ユニットと、
前記判定対象画像の撮画機器が前記第１撮画機器ではない場合、病巣判定結果を取得するように、予め設定された画像判定ルール及びトレーニング後の前記第２画像変換モデルによって、前記判定対象画像に病巣が含まれるか否かを判断するための病巣判定結果取得ユニットと、を備える。
第３の態様で、本出願の実施例はコンピュータ機器をさらに提供し、それはメモリ、プロセッサ及び前記メモリに記憶され、且つ前記プロセッサで実行可能なコンピュータプログラムを備え、前記プロセッサは、前記コンピュータプログラムを実行する際、上記第１態様に記載の画像変換に基づく病巣判定方法を実現する。
第４の態様で、本出願の実施例はコンピュータ可読記憶媒体をさらに提供し、前記コンピュータ可読記憶媒体にコンピュータプログラムが記憶され、前記コンピュータプログラムがプロセッサによって実行される際、前記プロセッサは上記第１態様に記載の画像変換に基づく病巣判定方法を実行する。
本出願の実施例は画像変換に基づく病巣判定方法、装置、コンピュータ機器及び記憶媒体を提供し、変換して取得した目標画像とほかの撮画機器によって撮られた画像とのスタイルを完全に一致させ、画像変換の効率と品質を高める。したがって、病巣を判断する正確率を大幅に高め、実際の適用過程中における技術的効果が優れる。
本発明の実施例に係る技術的解決手段をより明確に説明するために、以下の実施例の説明で使用する図面を簡単に説明するが、以下の説明における図面は、本発明の実施例の一部であり、当業者にとって、創造的な作業を伴うことなくこれらの図面から他の図面を得ることができることは明らかである。
本出願の実施例によって提供される画像変換に基づく病巣判定方法のフローチャートである。 本出願の実施例によって提供される画像変換に基づく病巣判定方法の効果図である。 本出願の実施例によって提供される画像変換に基づく病巣判定方法のサブフローチャートである。 本出願の実施例によって提供される画像変換に基づく病巣判定方法のほかのサブフローチャートである。 本出願の実施例によって提供される画像変換に基づく病巣判定方法のほかのサブフローチャートである。 本出願の実施例によって提供される画像変換に基づく病巣判定方法のほかのサブフローチャートである。 本出願の実施例によって提供される画像変換に基づく病巣判定装置のブロック図である。 本出願の実施例によって提供される画像変換に基づく病巣判定装置のサブユニットの示唆的なブロック図である。 本出願の実施例によって提供される画像変換に基づく病巣判定装置のほかのサブユニットの示唆的なブロック図である。 本出願の実施例によって提供される画像変換に基づく病巣判定装置のほかのサブユニットの示唆的なブロック図である。 図本出願の実施例によって提供される画像変換に基づく病巣判定装置のほかのサブユニットの示唆的なブロック図である。 本出願の実施例によって提供されるコンピュータ機器の示唆的なブロック図である。
以下、本発明の実施例の図面とともに、本発明の実施例の技術手段を明確且つ完全的に記載する。明らかに、記載する実施例は、本発明の実施例の一部であり、全てではない。本発明の実施例に基づき、当業者が創造性のある作業をしなくても為しえる全ての他の実施例は、いずれも本発明の保護範囲に属するものである。
本明細書及び添付の特許請求の範囲で使用される場合、用語「備える」及び「含む」は、記載された特徴、全体、ステップ、動作、要素及び／又は構成要素の存在を示すが、１つ又は複数の他の特徴、全体、ステップ、動作、要素、構成要素及び／又はそれらの集合の存在又は追加を排除するものではないことを理解されたい。
本発明の明細書で使用される用語は、特定の実施例を説明する目的のためのものにすぎず、本発明を限定することを意図していないことを更に理解されたい。本発明の明細書及び添付の特許請求の範囲で使用されるように、単数形の「一」、「１つ」、及び「該」は、文脈が明らかに他のことを示さない限り、複数形を含むことが意図される。
本発明の明細書及び添付の特許請求の範囲で使用される「及び／又は」という用語は、関連付けて列挙された要素のうちの１つ以上の任意の組み合わせ、及び全ての可能な組み合わせを指し、これらの組み合わせを含むことを更に理解されたい。
図１に示されるように、図１は、本出願の実施例によって提供される画像変換に基づく病巣判定方法のフローチャートである。該画像変換に基づく病巣判定方法はユーザ端末に適用され、該方法は、ユーザ端末の中にインストールされたアプリケーションソフトウェアを通して実行され、ユーザ端末は、卓上パソコン、ノードパソコン、タブレットパソコン又は携帯電話などが含まれる病巣を判断するように画像変換に基づく病巣判定方法を実行する端末機器である。
図１に示されるように、該方法はステップＳ１１０～Ｓ１５０を備える。
Ｓ１１０では、予め設定された変換テンプレートによってそれぞれ第１画像変換モデル及び第２画像変換モデルを構築し、前記第１画像変換モデルは、第１撮画機器によって撮られた画像を、第２撮画機器によって撮られた画像のスタイルに一致する画像に変換することに用いられ、前記第２画像変換モデルは、第２撮画機器によって撮られた画像を、第１撮画機器によって撮られた画像のスタイルに一致する画像に変換することに用いられる。
予め設定された変換テンプレートによってそれぞれ第１画像変換モデル及び第２画像変換モデルを構築する。具体的に、前記変換テンプレートは、ステップ長さ付きのコンボリューションレイヤとデコンボリューションレイヤとからなる複数のテンプレートであり、変換テンプレート、第１撮画機器及び第２撮画機器を通して、第１画像変換モデル及び第２画像変換モデルを構築することができる。第１撮画機器及び第２撮画機器はいずれも画像を撮るための機器であり、機器によって撮られた画像のスタイルが異なり、例えば、上記スタイルは画像における色の分布、明るさ、コントラスト、ノイズなどが含まれるが、それらに限定されない。第１画像変換モデルのコンボリューションとデコンボリューション作用を通して、第１撮画機器のスタイルに一致する画像を、第２撮画機器のスタイルに一致する画像に変換し、第２画像変換モデルは第２撮画機器のスタイルに一致する画像を、第１撮画機器のスタイルに一致する画像に変換することができる。
１つの実施例において、図３に示されるように、ステップＳ１１０はサブステップＳ１１１とＳ１１２とを含む。
Ｓ１１１では、前記変換テンプレート及び前記第１撮画機器の第１フォーマット情報によって第１画像変換モデルを構築し、前記第１フォーマット情報は、前記第１撮画機器によって撮られた画像のフォーマットを特徴付けることに用いられる。
前記変換テンプレート及び前記第１撮画機器の第１フォーマット情報によって第１画像変換モデルを構築する。第１撮画機器の第１フォーマット情報を取得し、それぞれの撮画機器により撮られた画像のスタイルはそれぞれであり、第１フォーマット情報は第１撮画機器により撮られた画像のフォーマット情報であり、即ち、画像の具体的なサイズ情報である。第１画像変換モデルは、１つのズーミング処理レイヤ、ステップ長さが２である２つのコンボリューションレイヤ及びステップ長さが０．５である２つのデコンボリューションレイヤを備え、ズーミング処理レイヤは対応する画素サイズの画像を取得するように第１フォーマット情報の画像に対してズーミング処理を行うレイヤであり、各コンボリューションレイヤに１つのコンボリューションカーネルが含まれ、コンボリューションカーネルの各素子はいずれも１つの重み係数と１つのオフセット量とに対応し、それと同じように、１つのデコンボリューションレイヤにも１つのデコンボリューションカーネルが含まれ、デコンボリューションレイヤの各素子はいずれも１つの重み係数と１つのオフセット量とに対応する。
例えば、第１機器により撮られた画像を受信した後、まず、ズーミング処理レイヤを通して該画像を画素２５６×２５６の画像に変換し、コンボリューション処理を通して画素２５６×２５６の画像を１つの多次元ベクトルに変換し、デコンボリューション処理を通して多次元ベクトルをほかの１つの画素２５６×２５６の画像に変換する。
Ｓ１１２では、前記変換テンプレート及び前記第２撮画機器の第２フォーマット情報によって第２画像変換モデルを構築し、前記第２フォーマット情報は、前記第２撮画機器によって撮られた画像のフォーマットを特徴付けることに用いられる。
前記変換テンプレート及び前記第２撮画機器の第２フォーマット情報によって第２画像変換モデルを構築する。第２フォーマット情報は第２撮画機器により撮られた画像のフォーマット情報であり、即ち、画像の具体的なサイズ情報であり、第２画像変換モデルは、１つのズーミング処理レイヤ、ステップ長さが２である２つのコンボリューションレイヤ及びステップ長さが０．５である２つのデコンボリューションレイヤを備え、ズーミング処理レイヤは対応する画素サイズの画像を取得するように第２フォーマット情報の画像に対してズーミング処理を行うレイヤであり、各コンボリューションレイヤには１つのコンボリューションカーネルが含まれ、コンボリューションカーネルの各素子はいずれも１つの重み係数と１つのオフセット量とに対応し、それと同じように、１つのデコンボリューションレイヤにも１つのデコンボリューションカーネルが含まれ、デコンボリューションレイヤの各素子はいずれも１つの重み係数と１つのオフセット量とに対応する。
Ｓ１２０では、予め設定された計算テンプレートによって第１信頼値計算モデル及び第２信頼値計算モデルを生成し、前記第１信頼値計算モデルは、前記第１信頼値計算モデルに入力された画像と、前記第２撮画機器によって撮られた画像とのスタイルの類似度に対して数量化を行うことに用いられ、前記第２信頼値計算モデルは、前記第２信頼値計算モデルに入力された画像と、前記第１撮画機器によって撮られた画像とのスタイルの類似度に対して数量化を行うことに用いられる。
予め設定された計算テンプレートによって第１信頼値計算モデル及び第２信頼値計算モデルを生成する。計算テンプレートをコピーして、第１信頼値計算モデル及び第２信頼値計算モデルを取得でき、各計算モデルにいずれもステップ長さが２である２つのコンボリューションレイヤ、１つの完全接続レイヤ、１つの出力ノードが含まれ、各計算モデルはいずれも計算モデルに入力された画像を処理し、且つ該画像の信頼値を計算して取得できる。具体的に、一定の画素サイズの画像を１つの計算モデルに入力する場合、該計算モデルを通して、入力された画像に対してコンボリューション処理を行い、１つの多次元ベクトルを取得し、多次元ベクトルにおける各次元は計算モデルにおける１つの入力ノードであり、各次元のベクトル値も入力ノードに対応する入力ノード値であり、完全接続レイヤに予め設定された複数の特徴ユニットが含まれ、各特徴ユニットはいずれもすべての入力ノードと出力ノードとに関連し、特徴ユニットは多次元ベクトルと出力ノードとの関係を反映することに用いられ、特徴ユニットは完全接続レイヤにおける特徴ユニットの計算値である。
計算モデルには、すべての入力ノードからすべての特徴ユニットまでの式と、すべての特徴ユニットから出力ノードまでの式がさらに含まれ、入力ノードから特徴ユニットまでの式は入力ノード値ｘ１を入力値、特徴ユニットｙ１を出力値とする計算式であり、例えば、ｙ１＝ｉ×ｘ１＋ｊ、ｉ及びｊはいずれも該式の中のパラメータ値であり、特徴ユニットから出力ノードまでの式は特徴ユニット値を入力値とし、出力ノード値を出力値とする計算式であり、式の具体的な形式は上記例に示されるように、計算モデルを通して入力された画像に対して計算処理を行い、該計算モデルの出力ノード値を取得でき、即ち、該画像に対応する信頼値を取得できる。信頼値の具体的な数値範囲は［０，１］であり、第１信頼値計算モデルを用いて信頼値を取得し、入力された画像と第２撮画機器により撮られた画像とのスタイルの類似度を数量化することに用いることができ、第１信頼値計算モデル入力された画像は第１撮画機器により取られ、且つ第１画像変換モデルで変換された画像である場合、第１信頼値計算モデルを通して、第１画像変換モデルにより変換された該画像と第２撮画機器により撮られた画像とのスタイルの類似度を計算し、類似度は信頼値で示される。具体的に、第１信頼値計算モデルにより計算して、信頼値の１を取得すれば、入力された画像と第２撮画機器により撮られた画像のスタイルが類似することが示され、第１信頼値計算モデルにより計算して、信頼値の０を取得すれば、入力された画像と第２撮画機器により撮られた画像とのスタイルが類似していないことが示される。第２信頼値計算モデルにより計算して得られた信頼値は、入力された画像と第１撮画機器により撮られた画像とのスタイルを数量化することに用いられ、具体的に、第２信頼値計算モデルにより計算して、信頼値の１を取得すれば、入力された画像と第１撮画機器により撮られた画像とのスタイルが類似することが示され、第２信頼値計算モデルにより計算して信頼値の０を取得すれば、入力された画像と撮画機器により撮られた画像とのスタイルが類似していないことが示される。
第１信頼値計算モデル及び第２信頼値計算モデルを構築した後、予め設定されたトレーニングデータを通して第１信頼値計算モデル及び第２信頼値計算モデルに対してトレーニングをさらに行うことにより、第１信頼値計算モデル及び第２信頼値計算モデルにおける式のパラメータ値を調整することができ、それにより、トレーニング後の第１信頼値計算モデル及び第２信頼値計算モデルは実用的な需要を満すことができる。
Ｓ１３０では、トレーニング後の第２画像変換モデルを取得するように、予め設定されたモデルトレーニングルール及び予め設定された画像ギャラリによって、前記第１信頼値計算モデル、前記第２信頼値計算モデル及び前記第１画像変換モデルを合わせて、前記第２画像変換モデルに対してトレーニングを行う。
トレーニング後の第２画像変換モデルを取得するように、予め設定されたモデルトレーニングルールと予め設定された画像ギャラリとによって、前記第１信頼値計算モデル、前記第２信頼値計算モデル及び前記第１画像変換モデルを合わせて、前記第２画像変換モデルに対してトレーニングを行う。具体的に、画像ギャラリに第１画像集及び第２画像集が含まれ、第１画像集は、第１撮画機器によって撮られた画像からなる画像の集合であり、第２画像集は、第２撮画機器によって撮られた画像からなる画像の集合であり、第１画像集に数枚の第１画像が含まれ、第２画像集に数枚の第２画像が含まれる。モデルトレーニングルールは、第１画像変換モデル及び第２画像変換モデルに対してトレーニングを行うルール情報であり、モデルトレーニングルールに損失関数及びパラメータ調整ルールが含まれる。
１つの実施例において、図４に示されるように、ステップＳ１３０にはサブステップＳ１３１、Ｓ１３２及びＳ１３３が含まれる。
Ｓ１３１では、前記画像ギャラリにおける第１画像集の１枚の第１画像及び前記画像ギャラリにおける第２画像集の１枚の第２画像を取得し、前記第１画像集は、前記第１撮画機器によって撮られた画像からなる画像の集合であり、前記第２画像集は、第２撮画機器によって撮られた画像からなる画像の集合である。
前記画像ギャラリにおける第１画像集の１枚の第１画像及び前記画像ギャラリにおける第２画像集の１枚の第２画像をランダムに取得する。第１画像はａで示され、第１画像は第１撮画機器のスタイルに一致する画像であり、第２画像はｂで示され、第２画像も第２撮画機器のスタイルに一致する画像である。
Ｓ１３２では、トレーニング損失値を取得するように、前記第１画像、前記第２画像、前記第１信頼値計算モデル、前記第２信頼値計算モデル、前記第１画像変換モデル及び前記第２画像変換モデルを前記モデルトレーニングルールにおける損失関数に入力して計算する。
具体的に、損失関数はＬ＝λ×（｜｜Ｇ＿Ｘ（ｂ）－ｂ｜｜１＋｜｜Ｇ＿Ｙ（ａ）－ａ｜｜１＋｜｜Ｇ＿Ｙ（Ｇ＿Ｘ（ａ））－ａ｜｜１＋｜｜Ｇ＿Ｘ（Ｇ＿Ｙ（ｂ））－ｂ｜｜１）＋ｌｏｇＤ＿Ｘ（ｂ）＋ｌｏｇ（１－Ｄ＿Ｘ（Ｇ＿Ｘ（ａ）））＋ｌｏｇＤ＿Ｙ（ａ）＋ｌｏｇ（１－Ｄ＿Ｙ（Ｇ＿Ｙ（ｂ）））である。第１画像変換モデルを通して第１画像を変換した後に第１変換画像を取得することができ、第２画像変換モデルを通して第２画像を変換した後に第２変換画像を取得することができ、第２変換画像と第１撮画機器とのスタイルをもっと高く一致させ、且つ第１変換画像と第２撮画機器とのスタイルをもっと高く一致させるように、第１画像変換モデル及び第２画像変換モデルに対してトレーニングを行うことができ、トレーニングの速度を高めるように、上記損失関数を通して第１画像変換モデル及び第２画像変換モデルに対して同時にトレーニングを行うことができる。Ｌは計算して取得したトレーニング損失値であり、第１画像はａで示され、第２画像はｂで示され、第１信頼値計算モデルはＤ＿Ｘで示され、第２信頼値計算モデルはＤ＿Ｙで示され、第１画像変換モデルはＧ＿Ｘで示され、第２画像変換モデルはＧ＿Ｙで示される。第１変換画像はＧ＿Ｘ（ａ）で示され、第２変換画像はＧ＿Ｙ（ｂ）で示され、λは損失関数における比重値であり、例えば、比重値λ＝０．１を設定することができる。そのほか、画像ａ及び画像ｂに対してズーミング処理を行った後、第１画像変換モデルを用いて第２画像を変換して取得した画像をＧ＿Ｘ（ｂ）で示し、第２画像変換モデルを用いて第１画像を変換して取得した画像をＧ＿Ｙ（ａ）で示し、第１信頼値計算モデルを用いて計算して取得した第１画像の信頼値をＧ＿Ｘ（ａ）で示し、計算して取得した第２画像の信頼値をＤ＿Ｘ（ｂ）で示し、第２信頼値計算モデルを用いて計算して取得した第１画像の信頼値をＤ＿Ｙ（ａ）で示し、計算して取得した第２画像の信頼値をＤ＿Ｙ（ｂ）で示す。｜｜Ｇ＿Ｘ（ｂ）－ｂ｜｜１はＧ＿Ｘ（ｂ）と画像ｂとのノルムであり、ノルムの計算は具体的に、画像Ｇ＿Ｘ（ｂ）及び画像ｂをｕｎｉｔ８の数値に変換し、即ち画像における各画素の画素値を取得し、画像Ｇ＿Ｘ（ｂ）の数値と画像ｂの数値とを減算し、ノルムを取得でき、ノルムが小さければ小さいほど、２枚の画像が類似する。
Ｓ１３３では、前記第２画像変換モデルに対する一次トレーニングを完成するように、前記モデルトレーニングルールにおけるパラメータ調整ルールと前記トレーニング損失値とを合わせて、前記第２画像変換モデルにおけるパラメータ値に対して調整を行う。
前記第２画像変換モデルに対する一次トレーニングを完成するように、前記モデルトレーニングルールにおけるパラメータ調整ルールと前記トレーニング損失値とを合わせて、前記第２画像変換モデルにおけるパラメータ値に対して調整を行う。トレーニング損失値を計算して取得した後、パラメータ調整ルール及びトレーニング損失値によってパラメータアップデート勾配値を確定し、トレーニング損失値が大きければ大きいほど、対応するアップデート勾配値が大きくなり、トレーニング損失値が小さくなり、対応するアップデート勾配値が小さくなる。第２画像変換モデルにおけるパラメータ値は該モデルにおけるコンボリューションカーネル及びデコンボリューションカーネルに含まれる重み係数であり、パラメータ調整ルールに調整方向がさらに含まれ、調整方向及びアップデート勾配値を合わせて第２画像変換モデルに含まれる重み係数を調整することができ、即ち、第２画像変換モデルに対する一次トレーニングを完成することができる。
上記重み係数調整方法を通して、第２画像変換モデルに対して反復トレーニングを行い、反復トレーニングの回数はユーザにより設定され、反復トレーニングを行った後にトレーニング後の第２画像変換モデルを最終的に取得することができる。
Ｓ１４０では、ユーザが入力した判定対象画像を受信した後、前記判定対象画像の収集ソース情報によって、前記判定対象画像の撮画機器が第１撮画機器であるか否かを確定する。
ユーザが入力した判定対象画像を受信した後、前記判定対象画像の収集ソース情報によって、前記判定対象画像の撮画機器が第１撮画機器であるか否かを確定する。判定対象画像は、ユーザが入力した病巣判断を行うべき画像であり、具体的に、判定対象画像に収集ソース情報が含まれ、収集ソース情報によって該判定対象画像の撮画機器が第１撮画機器であるか否かを確定でき、ここで、判定対象画像の撮画機器は第１撮画機器又は第２撮画機器であってもよい。
例えば、ユーザが入力した判定対象画像はハイデルベルク機器又はＯｐｔｏｖｕｅ機器であり、判定対象画像の収集ソース情報が「Ｈ」である場合、該画像の撮画機器はハイデルベルク機器であり、即ち、該判定対象画像の撮画機器は第１撮画機器であり、判定対象画像の収集ソース情報が「０」である場合、該画像の撮画機器はＯｐｔｏｖｕｅ機器であり、即ち、該判定対象画像の撮画機器は第１撮画機器ではない。
Ｓ１５０では、前記判定対象画像の撮画機器が前記第１撮画機器ではない場合、病巣判定結果を取得するように、予め設定された画像判定ルール及びトレーニング後の前記第２画像変換モデルによって、前記判定対象画像に病巣が含まれるか否かを判断する。
前記判定対象画像の撮画機器が前記第１撮画機器ではない場合、病巣判定結果を取得するように、予め設定された画像判定ルール及びトレーニング後の前記第２画像変換モデルによって、前記判定対象画像に病巣が含まれるか否かを判断する。画像判断ルールは、判定対象画像を判断するルール情報であり、画像判断ルールに画像分割モデル及び病巣判定ルールが含まれ、画像分割処理モデルは第１撮画機器だけに適用され、ほかの撮画機器に適用されない。目標画像を取得するように、第２画像変換モデル及び画像分割モデルによって判定対象画像を処理することにより、目標画像から判定対象画像に含まれない情報を取得でき、この技術は、網膜内出血が存在するか否かという部分的な病巣への判断に最適である。
図２は本出願の実施例により提供される画像変換に基づく病巣判定方法の効果図であり、図２に示されるように、図２（ａ）は上記第２撮画機器により撮られた画像であり、図２（ｂ）は画像判定ルールにおける画像分割モデルによって図２（ａ）に対して分割処理を行った後の画像であり、図２（ｃ）は第２画像変換モデルによって図２（ａ）に対して変換を行った後に取得した画像であり、図２（ｄ）は画像判定ルールにおける画像分割モデルによって図２（ｃ）に対して分割処理を行った後の画像である。
１つの実施例において、図５に示されるように、ステップＳ１５０にはサブステップＳ１５１、Ｓ１５２及びＳ１５３が含まれる。
Ｓ１５１では、分割対象画像を取得するように、前記第２画像変換モデルによって前記判定対象画像に対して変換を行う。
分割対象画像を取得するように、前記第２画像変換モデルによって前記判定対象画像を変換する。トレーニング後の第２画像変換モデルを通して、第２撮画機器により撮られた判定対象画像を、第１撮画機器のスタイルに一致する分割対象画像に変換することができる。撮画機器によって撮られた画像のスタイルが異なり、上記スタイルは画像における色の分布、明るさ、コントラスト、ノイズなどが含まれるが、これらに限定されず、判定対象画像の撮画機器は第１撮画機器ではないため、判定対象画像に対して画像分割処理を直接的に行った後、図２（ｂ）に示されるように、分割処理後の画像から一部の重要な情報を取得できない。判定対象画像における一部の重要な情報を取得するように、第２画像変換モデルを通して第２撮画機器により撮られた画像を、第１撮画機器のスタイルに一致する画像に変換することができ、図２（ｃ）に示されるように、その後、画像分割処理モデルを通して、スタイル変換後の画像に対して分割処理を行い、目標画像を取得する。
Ｓ１５２では、目標画像を取得するように、前記画像判定ルールにおける画像分割モデルによって、前記分割対象画像に対して分割処理を行う。
目標画像を取得するように、前記画像判定ルールにおける画像分割モデルによって、前記分割対象画像に対して分割処理を行う。画像分割処理モデルを通して、スタイル変換が行われた画像に対して分割処理を行い、目標画像を取得した後、目標画像に含まれる一部の重要な情報をその中から取得することができる。具体的に、画像分割モデルは画像に対して分割処理を行うモデルであり、図２（ｄ）に示されるように、画像分割モデルを通して、画像における画素のコントラスト、明るさ、色の分布などの情報によって、部分的な病巣の画素情報を画像から分割することができる。
Ｓ１５３では、病巣判定結果を取得するように、前記画像判定ルールにおける病巣判定ルールによって前記目標画像に病巣が含まれるか否かを判断する。
病巣判定結果を取得するように、前記画像判定ルールにおける病巣判定ルールによって前記目標画像に病巣が含まれるか否かを判断する。ここで、病巣判定ルールは、目標画像に対して判断分析を行うルールであり、病巣判定ルールによって目標画像に病巣が含まれるか否かの病巣判定結果を取得することができる。
例えば、病巣判定ルールは、画像におけるハイライトエリアが５０ピクセルを超えると、画像に病巣が含まれることが示され、目標画像に対してコントラスト分析を行うことにより、目標画像におけるハイライトエリアを取得でき、ハイライトエリアが５０ピクセルを超えた場合、該目標画像に病巣が含まれるという病巣判定結果を取得でき、そうではない場合、該目標画像に病巣が含まれていないという病巣判定結果を取得する。
１つの実施例において、図６に示されるように、ステップＳ１４０の後にサブステップＳ１４１とＳ１４２とが含まれる。
Ｓ１４１では、前記判定対象画像の撮画機器が前記第１撮画機器である場合、目標画像を取得するように、前記画像判定ルールにおける画像分割モデルによって、前記分割対象画像に対して分割処理を行う。
前記判定対象画像の撮画機器が前記第１撮画機器である場合、目標画像を取得するように、前記画像判定ルールにおける画像分割モデルによって、前記分割対象画像に対して分割処理を行う。画像分割処理モデルは第１撮画機器のみに適用され、ほかの撮画機器に適用されないため、判定対象画像の撮画機器が第１撮画機器である場合、目標画像を取得するように、画像分割モデルを通して判定対象画像を直接的に分割処理することができる。
Ｓ１４２では、病巣判定結果を取得するように、前記画像判定ルールにおける病巣判定ルールによって前記目標画像に病巣が含まれるか否かを判断する。
病巣判定結果を取得するように、前記画像判定ルールにおける病巣判定ルールによって前記目標画像に病巣が含まれるか否かを判断する。病巣判定ルールによって目標画像に病巣が含まれるか否かの病巣判定結果を取得することができる。
本出願の実施例により提供される画像変換に基づく病巣判定方法において、変換テンプレートによってそれぞれ第１画像変換モデル及び第２画像変換モデルを構築し、計算テンプレートによってそれぞれ第１信頼値計算モデル及び第２信頼値計算モデルを生成し、モデルトレーニングルール及び画像ギャラリ並びに第１画像変換モデルを通して第２画像変換モデルに対してトレーニングを行い、且つトレーニング後の第２画像変換モデル及び画像判定ルールによって、病巣が含まれるか否かという病巣判定結果を取得するように、ユーザが入力した判定対象画像を判断し、変換して取得した目標画像とほかの撮画機器のスタイルとを完全に一致させ、画像の変換効率と品質を高める。したがって、病巣の判断の正確率を大幅に高め、実施の適用過程中に優れた技術的効果を取得できる。
本出願の実施例は、画像変換に基づく病巣判定装置をさらに提供し、該画像変換に基づく病巣判定装置は前述画像変換に基づく病巣判定方法のいずれか１つの実施例を実行することに用いられる。具体的に、図７に示されるように、図７は、本出願の実施例によって提供される画像変換に基づく病巣判定装置の示唆的なブロック図である。画像変換に基づく病巣判定装置は卓上パソコン、ノートパソコン、タブレットパソコン又は携帯電話などのユーザ端末の中に組み立てられる。
図７に示されるように、画像変換に基づく病巣判定装置１００は変換モデル構築ユニット１１０、計算モデル生成ユニット１２０、変換モデルトレーニングユニット１３０、撮画機器確定ユニット１４０及び病巣判定結果取得ユニット１５０を備える。
変換モデル構築ユニット１１０は、予め設定された変換テンプレートによってそれぞれ第１画像変換モデル及び第２画像変換モデルを構築することに用いられ、前記第１画像変換モデルは、第１撮画機器によって撮られた画像を、第２撮画機器によって撮られた画像のスタイルに一致する画像に変換することに用いられ、前記第２画像変換モデルは、第２撮画機器によって撮られた画像を、第１撮画機器によって撮られた画像のスタイルに一致する画像に変換することに用いられる。
ほかの出願の実施例において、図８に示されるように、前記変換モデル構築ユニット１１０は、第１画像変換モデル構築ユニット１１１及び第２画像変換モデル構築ユニット１１２というサブユニットを備える。
第１画像変換モデル構築ユニット１１１は、前記変換テンプレート及び前記第１撮画機器の第１フォーマット情報によって第１画像変換モデルを構築することに用いられ、前記第１フォーマット情報は、前記第１撮画機器によって撮られた画像のフォーマットを特徴付けることに用いられる。
第２画像変換モデル構築ユニット１１２は、前記変換テンプレート及び前記第２撮画機器の第２フォーマット情報によって第２画像変換モデルを構築することに用いられ、前記第２フォーマット情報は、前記第２撮画機器によって撮られた画像のフォーマットを特徴付けることに用いられる。
計算モデル生成ユニット１２０は、予め設定された計算テンプレートによって第１信頼値計算モデル及び第２信頼値計算モデルを生成することに用いられ、前記第１信頼値計算モデルは、前記第１信頼値計算モデルに入力された画像と、前記第２撮画機器によって撮られた画像とのスタイルの類似度に対して数量化を行うことに用いられ、前記第２信頼値計算モデルは、前記第２信頼値計算モデルに入力された画像と、前記第１撮画機器によって撮られた画像とのスタイルの類似度に対して数量化を行う。
変換モデルトレーニングユニット１３０は、トレーニング後の第２画像変換モデルを取得するように、予め設定されたモデルトレーニングルールと予め設定された画像ギャラリとによって、前記第１信頼値計算モデル、前記第２信頼値計算モデル及び前記第１画像変換モデルを合わせて、前記第２画像変換モデルに対してトレーニングを行うことに用いられる。
ほかの出願の実施例において、図９に示されるように、前記変換モデルトレーニングユニット１３０は、画像取得ユニット１３１、トレーニング損失値計算ユニット１３２及びパラメータ値調整ユニット１３３というサブユニットを備える。
画像取得ユニット１３１は、前記画像ギャラリにおける第１画像集の１枚の第１画像及び前記画像ギャラリにおける第２画像集の１枚の第２画像を取得することに用いられ、前記第１画像集は、前記第１撮画機器によって撮られた画像からなる画像集であり、前記第２画像集は、第２撮画機器によって撮られた画像からなる画像の集合である。トレーニング損失値計算ユニット１３２は、トレーニング損失値を取得するように、前記第１画像、前記第２画像、前記第１信頼値計算モデル、前記第２信頼値計算モデル、前記第１画像変換モデル及び前記第２画像変換モデルを前記モデルトレーニングルールにおける損失関数に入力して計算することに用いられる。パラメータ値調整ユニット１３３は、前記第２画像変換モデルに対する一次トレーニングを完成するように、前記モデルトレーニングルールにおけるパラメータ調整ルールと前記トレーニング損失値とを合わせて、前記第２画像変換モデルにおけるパラメータ値に対して調整を行うことに用いられる。
撮画機器確定ユニット１４０は、ユーザが入力した判定対象画像を受信した後、前記判定対象画像の収集ソース情報によって、前記判定対象画像の撮画機器が第１撮画機器であるか否かを確定することに用いられる。
病巣判定結果取得ユニット１５０は、前記判定対象画像の撮画機器が前記第１撮画機器ではない場合、病巣判定結果を取得するように、予め設定された画像判定ルール及びトレーニング後の前記第２画像変換モデルによって、前記判定対象画像に病巣が含まれるか否かを判断することに用いられる。
ほかの出願の実施例において、図１０に示されるように、前記病巣判定結果取得ユニット１５０は、画像変換ユニット１５１、第１分割処理ユニット１５２及び第１病巣判定ユニット１５３というサブユニットを備える。
画像変換ユニット１５１は、分割対象画像を取得するように、前記第２画像変換モデルによって前記判定対象画像を変換することに用いられる。第１分割処理ユニット１５２は、目標画像を取得するように、前記画像判定ルールにおける画像分割モデルによって、前記分割対象画像に対して分割処理を行うことに用いられる。第１病巣判定ユニット１５３は、病巣判定結果を取得するように、前記画像判定ルールにおける病巣判定ルールによって前記目標画像に病巣が含まれるか否かを判断することに用いられる。
ほかの出願の実施例において、図１１に示されるように、前記画像変換に基づく病巣判定装置１００は、第２分割処理ユニット１４１及び第２病巣判定ユニット１４２というサブユニットを備える。
第２分割処理ユニット１４１は、前記判定対象画像の撮画機器が前記第１撮画機器である場合、目標画像を取得するように、前記画像判定ルールにおける画像分割モデルによって、前記判定対象画像に対して分割処理を行うことに用いられる。第２病巣判定ユニット１４２は、病巣判定結果を取得するように、前記画像判定ルールにおける病巣判定ルールによって前記目標画像に病巣が含まれるか否かを判断することに用いられる。
本出願の実施例により提供される画像変換に基づく病巣判定装置は、上記画像変換に基づく病巣判定方法を用い、変換テンプレートによってそれぞれ第１画像変換モデル及び第２画像変換モデルを構築し、計算テンプレートによってそれぞれ第１信頼値計算モデル及び第２信頼値計算モデルを生成し、モデルトレーニングルール、画像ギャラリ並びに第１画像変換モデルを通して第２画像変換モデルに対してトレーニングを行い、且つユーザが入力した判定対象画像の撮画機器を確定し、画像判定ルール及びトレーニング後の第２画像変換モデルによって、病巣判定結果を取得するように、ユーザが入力した判定対象画像を判断し、変換して取得した目標画像とほかの撮画機器のスタイルとを完全に一致させ、画像の変換効率と品質を高める。したがって、病巣の判断の正確率を大幅に高め、実施の適用過程中に優れた技術的効果を取得できる。
上記画像変換に基づく病巣判定装置はコンピュータプログラムの形式で実現され、該コンピュータプログラムは図１２に示されるコンピュータ機器で実行可能である。
図１２に示されるように、図１２は、本出願の実施例によって提供されるコンピュータ機器の示唆的なブロック図である。
図１２に示されるように、該コンピュータ機器５００は、システムバス５０１で接続されるプロセッサ５０２、メモリ及びネットワークインターフェース５０５を備え、メモリは不揮発性記憶媒体５０３と内部メモリ５０４とを備えることができる。
該不揮発性記憶媒体５０３は、オペレーティングシステム５０３１とコンピュータプログラム５０３２とを記憶することができる。該コンピュータプログラム５０３２は実行される際、プロセッサ５０２が画像変換に基づく病巣判定方法を実行する。
該プロセッサ５０２は計算と制御能力とを提供し、コンピュータ機器５００全体の実行をサポートすることに用いられる。
該内部メモリ５０４は不揮発性記憶媒体５０３におけるコンピュータプログラム５０３２の実行に環境を提供し、該コンピュータプログラム５０３２はプロセッサにより実行される際、プロセッサ５０２が画像変換に基づく病巣判定方法を実行する。
該ネットワークインターフェース５０５は、データ情報を伝送するなどのネットワーク通信を行うことに用いられる。当業者であれば、図１２に示される構造は、本出願の解決手段に関連する一部の構造のブロック図のみであり、本出願の解決手段が提供されるコンピュータ機器５００への限定ではなく、具体的なコンピュータ機器５００は図に示される部材よりも多いか少ない部材を備えてもよく、或いは一部の部材を組み合わせ、或いは異なる部材の配置を備えてもよいことが理解される。
ここで、前記プロセッサ５０２は、本出願の実施例の画像変換に基づく病巣判定方法を実現するように、メモリに記憶されるコンピュータプログラム５０３２を実行することに用いられる。
当業者であれば、図１２に示されるコンピュータ機器の実施例は、コンピュータ機器に対する具体的な限定を構成せず、ほかの実施例において、コンピュータ機器は、図に示される部材よりも多いか少ない部材を備えてもよく、或いは一部の部材を組み合わせ、或いは異なる部材の配置を備えてもよいことが理解される。例えば、一部の実施例において、コンピュータ機器はメモリ及びプロセッサのみを備えてもよく、これらの実施例において、メモリ及びプロセッサの構造並びに機能は図１２に示される実施例に一致し、ここで贅言しない。
本出願の実施例において、プロセッサ５０２は中央処理装置（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ，ＣＰＵ）であってもよく、該プロセッサ５０２はさらにほかの汎用プロセッサ、デジタル信号プロセッサ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ，ＤＳＰ）、特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ，ＡＳＩＣ）、現場でプログラム可能なゲートアレイ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ，ＦＰＧＡ）又はほかのプログラム可能なロジックデバイス、ディスクリートコンポーネントゲート又はトランジスタロジックデバイス、ディスクリートハードウェアコンポーネントなどであってもよいことが理解すべきである。ここで、汎用プロセッサはマイクロプロセッサであってもよく、該プロセッサはいずれかの一般的なプロセッサなどでもよい。
本出願のほかの実施例において、コンピュータ可読記憶媒体が提供される。該コンピュータ可読記憶媒体は不揮発性コンピュータ可読記憶媒体であってもよい。該コンピュータ可読記憶媒体にコンピュータプログラムが記憶され、コンピュータプログラムがプロセッサによって実行される際、本出願の実施例の画像変換に基づく病巣判定方法を実現する。
前記記憶媒体は物理的、非一時的な記憶媒体であり、例えば、Ｕフラッシュディスク、モバイルハードディスク、読み取り専用メモリ（Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ，ＲＯＭ）、ディスク又はＣＤなどのようなプログラムコード記憶可能な物理的な記憶媒体であってもよい。
なお、当業者であれば、上記設備、装置及びユニットの具体的な実現過程は、前述実施例における対応する説明を参考にすることができ、説明の簡潔さのため、ここで省略することははっきり了解される。
以上は、本発明の好適な実施例であり、発明に対しあらゆる形式上の限定をしない。当業者が上記実施例に基づいて様々な同等な変更や改良を加えることができ、特許請求の範囲内に為す同等な変化や修飾は、いずれも本発明の範囲内に含まれる。
（付記）
（付記１）
画像変換に基づく病巣判定方法であって、
予め設定された変換テンプレートによってそれぞれ第１画像変換モデル及び第２画像変換モデルを構築し、前記第１画像変換モデルは、第１撮画機器によって撮られた画像を、第２撮画機器によって撮られた画像のスタイルに一致する画像に変換することに用いられ、前記第２画像変換モデルは、第２撮画機器によって撮られた画像を、第１撮画機器によって撮られた画像のスタイルに一致する画像に変換することに用いられることと、
予め設定された計算テンプレートによって第１信頼値計算モデル及び第２信頼値計算モデルを生成し、前記第１信頼値計算モデルは、前記第１信頼値計算モデルに入力された画像と、前記第２撮画機器によって撮られた画像とのスタイルの類似度に対して数量化を行うことに用いられ、前記第２信頼値計算モデルは、前記第２信頼値計算モデルに入力された画像と、前記第１撮画機器によって撮られた画像とのスタイルの類似度に対して数量化を行うことに用いられることと、
トレーニング後の第２画像変換モデルを取得するように、予め設定されたモデルトレーニングルールと予め設定された画像ギャラリとによって、前記第１信頼値計算モデル、前記第２信頼値計算モデル及び前記第１画像変換モデルを合わせて、前記第２画像変換モデルに対してトレーニングを行うことと、
ユーザが入力した判定対象画像を受信した後、前記判定対象画像の収集ソース情報によって、前記判定対象画像の撮画機器が第１撮画機器であるか否かを確定することと、
判定対象画像の撮画機器が前記第１撮画機器ではない場合、病巣判定結果を取得するように、予め設定された画像判定ルール及びトレーニング後の前記第２画像変換モデルによって、前記判定対象画像に病巣が含まれるか否かを判断することと、を備える画像変換に基づく病巣判定方法。
（付記２）
前記予め設定された変換テンプレートによってそれぞれ第１画像変換モデル及び第２画像変換モデルを構築することは、
前記変換テンプレート及び前記第１撮画機器の第１フォーマット情報によって第１画像変換モデルを構築し、前記第１フォーマット情報は、前記第１撮画機器によって撮られた画像のフォーマットを特徴付けることに用いられることと、
前記変換テンプレート及び前記第２撮画機器の第２フォーマット情報によって第２画像変換モデルを構築し、前記第２フォーマット情報は、前記第２撮画機器によって撮られた画像のフォーマットを特徴付けることに用いられることと、を備える付記１に記載の画像変換に基づく病巣判定方法。
（付記３）
前記トレーニング後の第２画像変換モデルを取得するように、予め設定されたモデルトレーニングルールと予め設定された画像ギャラリとによって、前記第１信頼値計算モデル、前記第２信頼値計算モデル及び前記第１画像変換モデルを合わせて、前記第２画像変換モデルに対してトレーニングを行うことは、
前記画像ギャラリにおける第１画像集の１枚の第１画像及び前記画像ギャラリにおける第２画像集の１枚の第２画像を取得し、前記第１画像集は、前記第１撮画機器によって撮られた画像からなる画像の集合であり、前記第２画像集は、第２撮画機器によって撮られた画像からなる画像の集合であることと、
トレーニング損失値を取得するように、前記第１画像、前記第２画像、前記第１信頼値計算モデル、前記第２信頼値計算モデル、前記第１画像変換モデル及び前記第２画像変換モデルを前記モデルトレーニングルールにおける損失関数に入力して計算することと、
前記第２画像変換モデルに対する一次トレーニングを完成するように、前記モデルトレーニングルールにおけるパラメータ調整ルールと前記トレーニング損失値とを合わせて、前記第２画像変換モデルにおけるパラメータ値に対して調整を行うことと、を備える付記１に記載の画像変換に基づく病巣判定方法。
（付記４）
病巣判定結果を取得するように、予め設定された画像判定ルール及びトレーニング後の前記第２画像変換モデルによって、前記判定対象画像に病巣が含まれるか否かを判断することは、
分割対象画像を取得するように、前記第２画像変換モデルによって前記判定対象画像を変換することと、
目標画像を取得するように、前記画像判定ルールにおける画像分割モデルによって、前記分割対象画像に対して分割処理を行うことと、
病巣判定結果を取得するように、前記画像判定ルールにおける病巣判定ルールによって前記目標画像に病巣が含まれるか否かを判断することと、を備える付記１に記載の画像変換に基づく病巣判定方法。
（付記５）
前記した前記判定対象画像の収集ソース情報によって、前記判定対象画像の撮画機器が第１撮画機器であるか否かを確定することは、
前記判定対象画像の撮画機器が前記第１撮画機器である場合、目標画像を取得するように、前記画像判定ルールにおける画像分割モデルによって、前記分割対象画像に対して分割処理を行うことと、
病巣判定結果を取得するように、前記画像判定ルールにおける病巣判定ルールによって前記目標画像に病巣が含まれるか否かを判断することと、をさらに備える付記４に記載の画像変換に基づく病巣判定方法。
（付記６）
前記第１画像変換モデルはズーミング処理レイヤ、コンボリューションレイヤ及びデコンボリューションレイヤを備え、前記第２画像変換モデルはズーミング処理レイヤ、コンボリューションレイヤ及びデコンボリューションレイヤを備える付記１に記載の画像変換に基づく病巣判定方法。
（付記７）
前記第１信頼値計算モデルはコンボリューションレイヤ、完全接続レイヤ及び出力ノードを備え、前記第２信頼値計算モデルはコンボリューションレイヤ、完全接続レイヤ及び出力ノードを備える付記１に記載の画像変換に基づく病巣判定方法。
（付記８）
画像変換に基づく病巣の判定装置であって、
予め設定された変換テンプレートによってそれぞれ第１画像変換モデル及び第２画像変換モデルを構築することに用いられ、前記第１画像変換モデルは、第１撮画機器によって撮られた画像を、第２撮画機器によって撮られた画像のスタイルに一致する画像に変換することに用いられ、前記第２画像変換モデルは、第２撮画機器によって撮られた画像を、第１撮画機器によって撮られた画像のスタイルに一致する画像に変換することに用いられる変換モデル構築ユニットと、
予め設定された計算テンプレートによって第１信頼値計算モデル及び第２信頼値計算モデルを生成し、前記第１信頼値計算モデルは、前記第１信頼値計算モデルに入力された画像と、前記第２撮画機器によって撮られた画像とのスタイルの類似度に対して数量化を行うことに用いられ、前記第２信頼値計算モデルは、前記第２信頼値計算モデルに入力された画像と、前記第１撮画機器によって撮られた画像とのスタイルの類似度に対して数量化を行うことに用いられる計算モデル生成ユニットと、
トレーニング後の第２画像変換モデルを取得するように、予め設定されたモデルトレーニングルールと予め設定された画像ギャラリとによって、前記第１信頼値計算モデル、前記第２信頼値計算モデル及び前記第１画像変換モデルを合わせて、前記第２画像変換モデルに対してトレーニングを行うための変換モデルトレーニングユニットと、
ユーザが入力した判定対象画像を受信した後、前記判定対象画像の収集ソース情報によって、前記判定対象画像の撮画機器が第１撮画機器であるか否かを確定するための撮画機器確定ユニットと、
前記判定対象画像の撮画機器が前記第１撮画機器ではない場合、病巣判定結果を取得するように、予め設定された画像判定ルール及びトレーニング後の前記第２画像変換モデルによって、前記判定対象画像に病巣が含まれるか否かを判断するための病巣判定結果取得ユニットと、を備える画像変換に基づく病巣判定装置。
（付記９）
前記変換モデル構築ユニットは、
前記変換テンプレート及び前記第１撮画機器の第１フォーマット情報によって第１画像変換モデルを構築することに用いられ、前記第１フォーマット情報は、前記第１撮画機器によって撮られた画像のフォーマットを特徴付けることに用いられる第１画像変換モデル構築ユニットと、
前記変換テンプレート及び前記第２撮画機器の第２フォーマット情報によって第２画像変換モデルを構築することに用いられ、前記第２フォーマット情報は、前記第２撮画機器によって撮られた画像のフォーマットを特徴付けることに用いられる第２画像変換モデル構築ユニットと、を備える付記８に記載の画像変換に基づく病巣判定装置。
（付記１０）
前記変換モデルトレーニングユニットは、
前記画像ギャラリにおける第１画像集の１枚の第１画像及び前記画像ギャラリにおける第２画像集の１枚の第２画像を取得することに用いられ、前記第１画像集は、前記第１撮画機器によって撮られた画像からなる画像集であり、前記第２画像集は、第２撮画機器によって撮られた画像からなる画像の集合である画像取得ユニットと、
トレーニング損失値を取得するように、前記第１画像、前記第２画像、前記第１信頼値計算モデル、前記第２信頼値計算モデル、前記第１画像変換モデル及び前記第２画像変換モデルを前記モデルトレーニングルールにおける損失関数に入力して計算するためのトレーニング損失値計算ユニットと、
前記第２画像変換モデルに対する一次トレーニングを完成するように、前記モデルトレーニングルールにおけるパラメータ調整ルールと前記トレーニング損失値とを合わせて、前記第２画像変換モデルにおけるパラメータ値に対して調整を行うためのパラメータ値調整ユニットと、を備える付記８に記載の画像変換に基づく病巣判定装置。
（付記１１）
メモリ、プロセッサ及び前記メモリに記憶され、且つ前記プロセッサで実行可能なコンピュータプログラムを備えるコンピュータ機器であって、前記プロセッサは、前記コンピュータプログラムを実行する際、
予め設定された変換テンプレートによってそれぞれ第１画像変換モデル及び第２画像変換モデルを構築し、前記第１画像変換モデルは、第１撮画機器によって撮られた画像を、第２撮画機器によって撮られた画像のスタイルに一致する画像に変換することに用いられ、前記第２画像変換モデルは、第２撮画機器によって撮られた画像を、第１撮画機器によって撮られた画像のスタイルに一致する画像に変換することに用いられるステップと、
予め設定された計算テンプレートによって第１信頼値計算モデル及び第２信頼値計算モデルを生成し、前記第１信頼値計算モデルは、前記第１信頼値計算モデルに入力された画像と、前記第２撮画機器によって撮られた画像とのスタイルの類似度に対して数量化を行うことに用いられ、前記第２信頼値計算モデルは、前記第２信頼値計算モデルに入力された画像と、前記第１撮画機器によって撮られた画像とのスタイルの類似度に対して数量化を行うことに用いられるステップと、
トレーニング後の第２画像変換モデルを取得するように、予め設定されたモデルトレーニングルールと予め設定された画像ギャラリとによって、前記第１信頼値計算モデル、前記第２信頼値計算モデル及び前記第１画像変換モデルを合わせて、前記第２画像変換モデルに対してトレーニングを行うステップと、
ユーザが入力した判定対象画像を受信した後、前記判定対象画像の収集ソース情報によって、前記判定対象画像の撮画機器が第１撮画機器であるか否かを確定するステップと、
判定対象画像の撮画機器が前記第１撮画機器ではない場合、病巣判定結果を取得するように、予め設定された画像判定ルール及びトレーニング後の前記第２画像変換モデルによって、前記判定対象画像に病巣が含まれるか否かを判断するステップと、を実行する画像変換に基づくコンピュータ機器。
（付記１２）
前記予め設定された変換テンプレートによってそれぞれ第１画像変換モデル及び第２画像変換モデルを構築することは、
前記変換テンプレート及び前記第１撮画機器の第１フォーマット情報によって第１画像変換モデルを構築し、前記第１フォーマット情報は、前記第１撮画機器によって撮られた画像のフォーマットを特徴付けることに用いられることと、
前記変換テンプレート及び前記第２撮画機器の第２フォーマット情報によって第２画像変換モデルを構築し、前記第２フォーマット情報は、前記第２撮画機器によって撮られた画像のフォーマットを特徴付けることに用いられることと、を備える付記１１に記載の画像変換に基づくコンピュータ機器。
（付記１３）
前記トレーニング後の第２画像変換モデルを取得するように、前記予め設定されたモデルトレーニングルールと予め設定された画像ギャラリとによって、前記第１信頼値計算モデル、前記第２信頼値計算モデル及び前記第１画像変換モデルを合わせて、前記第２画像変換モデルに対してトレーニングを行うことは、
前記画像ギャラリにおける第１画像集の１枚の第１画像及び前記画像ギャラリにおける第２画像集の１枚の第２画像を取得し、前記第１画像集は、前記第１撮画機器によって撮られた画像からなる画像の集合であり、前記第２画像集は、第２撮画機器によって撮られた画像からなる画像の集合であることと、
トレーニング損失値を取得するように、前記第１画像、前記第２画像、前記第１信頼値計算モデル、前記第２信頼値計算モデル、前記第１画像変換モデル及び前記第２画像変換モデルを前記モデルトレーニングルールにおける損失関数に入力して計算することと、
前記第２画像変換モデルに対する一次トレーニングを完成するように、前記モデルトレーニングルールにおけるパラメータ調整ルールと前記トレーニング損失値とを合わせて、前記第２画像変換モデルにおけるパラメータ値に対して調整を行うことと、を備える付記１１に記載の画像変換に基づくコンピュータ機器。
（付記１４）
病巣判定結果を取得するように、予め設定された画像判定ルール及びトレーニング後の前記第２画像変換モデルによって、前記判定対象画像に病巣が含まれるか否かを判断することは、
分割対象画像を取得するように、前記第２画像変換モデルによって前記判定対象画像を変換することと、
目標画像を取得するように、前記画像判定ルールにおける画像分割モデルによって、前記分割対象画像に対して分割処理を行うことと、
病巣判定結果を取得するように、前記画像判定ルールにおける病巣判定ルールによって前記目標画像に病巣が含まれるか否かを判断することと、を備える付記１１に記載の画像変換に基づくコンピュータ機器。
（付記１５）
前記した前記判定対象画像の収集ソース情報によって、前記判定対象画像の撮画機器が第１撮画機器であるか否かを確定することは、
前記判定対象画像の撮画機器が前記第１撮画機器である場合、目標画像を取得するように、前記画像判定ルールにおける画像分割モデルによって、前記分割対象画像に対して分割処理を行うことと、
病巣判定結果を取得するように、前記画像判定ルールにおける病巣判定ルールによって前記目標画像に病巣が含まれるか否かを判断することと、をさらに備える付記１４に記載の画像変換に基づくコンピュータ機器。
（付記１６）
前記第１画像変換モデルはズーミング処理レイヤ、コンボリューションレイヤ及びデコンボリューションレイヤを備え、前記第２画像変換モデルはズーミング処理レイヤ、コンボリューションレイヤ及びデコンボリューションレイヤを備える付記１１に記載の画像変換に基づくコンピュータ機器。
（付記１７）
前記第１信頼値計算モデルはコンボリューションレイヤ、完全接続レイヤ及び出力ノードを備え、前記第２信頼値計算モデルはコンボリューションレイヤ、完全接続レイヤ及び出力ノードを備える付記１１に記載の画像変換に基づくコンピュータ機器。
（付記１８）
コンピュータプログラムが記憶されたコンピュータ可読記憶媒体であって、前記コンピュータプログラムがプロセッサによって実行される際、前記プロセッサは、予め設定された変換テンプレートによってそれぞれ第１画像変換モデル及び第２画像変換モデルを構築し、前記第１画像変換モデルは、第１撮画機器によって撮られた画像を、第２撮画機器によって撮られた画像のスタイルに一致する画像に変換することに用いられ、前記第２画像変換モデルは、第２撮画機器によって撮られた画像を、第１撮画機器によって撮られた画像のスタイルに一致する画像に変換することに用いられることと、
予め設定された計算テンプレートによって第１信頼値計算モデル及び第２信頼値計算モデルを生成し、前記第１信頼値計算モデルは、前記第１信頼値計算モデルに入力された画像と、前記第２撮画機器によって撮られた画像とのスタイルの類似度に対して数量化を行うことに用いられ、前記第２信頼値計算モデルは、前記第２信頼値計算モデルに入力された画像と、前記第１撮画機器によって撮られた画像とのスタイルの類似度に対して数量化を行うことに用いられることと、
トレーニング後の第２画像変換モデルを取得するように、予め設定されたモデルトレーニングルールと予め設定された画像ギャラリとによって、前記第１信頼値計算モデル、前記第２信頼値計算モデル及び前記第１画像変換モデルを合わせて、前記第２画像変換モデルに対してトレーニングを行うことと、
ユーザが入力した判定対象画像を受信した後、前記判定対象画像の収集ソース情報によって、前記判定対象画像の撮画機器が第１撮画機器であるか否かを確定することと、
判定対象画像の撮画機器が前記第１撮画機器ではない場合、病巣判定結果を取得するように、予め設定された画像判定ルール及びトレーニング後の前記第２画像変換モデルによって、前記判定対象画像に病巣が含まれるか否かを判断することと、を実行する画像変換に基づく記憶媒体。
（付記１９）
前記予め設定された変換テンプレートによってそれぞれ第１画像変換モデル及び第２画像変換モデルを構築することは、
前記変換テンプレート及び前記第１撮画機器の第１フォーマット情報によって第１画像変換モデルを構築し、前記第１フォーマット情報は、前記第１撮画機器によって撮られた画像のフォーマットを特徴付けることに用いられることと、
前記変換テンプレート及び前記第２撮画機器の第２フォーマット情報によって第２画像変換モデルを構築し、前記第２フォーマット情報は、前記第２撮画機器によって撮られた画像のフォーマットを特徴付けることに用いられることと、を備える付記１８に記載の画像変換に基づく記憶媒体。
（付記２０）
前記トレーニング後の第２画像変換モデルを取得するように、前記予め設定されたモデルトレーニングルールと予め設定された画像ギャラリとによって、前記第１信頼値計算モデル、前記第２信頼値計算モデル及び前記第１画像変換モデルを合わせて、前記第２画像変換モデルに対してトレーニングを行うことは、
前記画像ギャラリにおける第１画像集の１枚の第１画像及び前記画像ギャラリにおける第２画像集の１枚の第２画像を取得し、前記第１画像集は、前記第１撮画機器によって撮られた画像からなる画像の集合であり、前記第２画像集は、第２撮画機器によって撮られた画像からなる画像の集合であることと、
トレーニング損失値を取得するように、前記第１画像、前記第２画像、前記第１信頼値計算モデル、前記第２信頼値計算モデル、前記第１画像変換モデル及び前記第２画像変換モデルを前記モデルトレーニングルールにおける損失関数に入力して計算することと、
前記第２画像変換モデルに対する一次トレーニングを完成するように、前記モデルトレーニングルールにおけるパラメータ調整ルールと前記トレーニング損失値とを合わせて、前記第２画像変換モデルにおけるパラメータ値に対して調整を行うことと、を備える付記１８に記載の画像変換に基づく記憶媒体。

Claims (20)

  1. 画像変換に基づく病巣判定方法であって、
    予め設定された変換テンプレートによってそれぞれ第１画像変換モデル及び第２画像変換モデルを構築し、前記第１画像変換モデルは、第１撮画機器によって撮られた画像を、第２撮画機器によって撮られた画像のスタイルに一致する画像に変換することに用いられ、前記第２画像変換モデルは、第２撮画機器によって撮られた画像を、第１撮画機器によって撮られた画像のスタイルに一致する画像に変換することに用いられることと、
    予め設定された計算テンプレートによって第１信頼値計算モデル及び第２信頼値計算モデルを生成し、前記第１信頼値計算モデルは、前記第１信頼値計算モデルに入力された画像と、前記第２撮画機器によって撮られた画像とのスタイルの類似度に対して数量化を行うことに用いられ、前記第２信頼値計算モデルは、前記第２信頼値計算モデルに入力された画像と、前記第１撮画機器によって撮られた画像とのスタイルの類似度に対して数量化を行うことに用いられることと、
    トレーニング後の第２画像変換モデルを取得するように、予め設定されたモデルトレーニングルールと予め設定された画像ギャラリとによって、前記第１信頼値計算モデル、前記第２信頼値計算モデル及び前記第１画像変換モデルを合わせて、前記第２画像変換モデルに対してトレーニングを行うことと、
    ユーザが入力した判定対象画像を受信した後、前記判定対象画像の収集ソース情報によって、前記判定対象画像の撮画機器が第１撮画機器であるか否かを確定することと、
    判定対象画像の撮画機器が前記第１撮画機器ではない場合、病巣判定結果を取得するように、予め設定された画像判定ルール及びトレーニング後の前記第２画像変換モデルによって、前記判定対象画像に病巣が含まれるか否かを判断することと、を備える画像変換に基づく病巣判定方法。
  2. 前記予め設定された変換テンプレートによってそれぞれ第１画像変換モデル及び第２画像変換モデルを構築することは、
    前記変換テンプレート及び前記第１撮画機器の第１フォーマット情報によって第１画像変換モデルを構築し、前記第１フォーマット情報は、前記第１撮画機器によって撮られた画像のフォーマットを特徴付けることに用いられることと、
    前記変換テンプレート及び前記第２撮画機器の第２フォーマット情報によって第２画像変換モデルを構築し、前記第２フォーマット情報は、前記第２撮画機器によって撮られた画像のフォーマットを特徴付けることに用いられることと、を備える請求項１に記載の画像変換に基づく病巣判定方法。
  3. 前記トレーニング後の第２画像変換モデルを取得するように、予め設定されたモデルトレーニングルールと予め設定された画像ギャラリとによって、前記第１信頼値計算モデル、前記第２信頼値計算モデル及び前記第１画像変換モデルを合わせて、前記第２画像変換モデルに対してトレーニングを行うことは、
    前記画像ギャラリにおける第１画像集の１枚の第１画像及び前記画像ギャラリにおける第２画像集の１枚の第２画像を取得し、前記第１画像集は、前記第１撮画機器によって撮られた画像からなる画像の集合であり、前記第２画像集は、第２撮画機器によって撮られた画像からなる画像の集合であることと、
    トレーニング損失値を取得するように、前記第１画像、前記第２画像、前記第１信頼値計算モデル、前記第２信頼値計算モデル、前記第１画像変換モデル及び前記第２画像変換モデルを前記モデルトレーニングルールにおける損失関数に入力して計算することと、
    前記第２画像変換モデルに対する一次トレーニングを完成するように、前記モデルトレーニングルールにおけるパラメータ調整ルールと前記トレーニング損失値とを合わせて、前記第２画像変換モデルにおけるパラメータ値に対して調整を行うことと、を備える請求項１に記載の画像変換に基づく病巣判定方法。
  4. 病巣判定結果を取得するように、予め設定された画像判定ルール及びトレーニング後の前記第２画像変換モデルによって、前記判定対象画像に病巣が含まれるか否かを判断することは、
    分割対象画像を取得するように、前記第２画像変換モデルによって前記判定対象画像を変換することと、
    目標画像を取得するように、前記画像判定ルールにおける画像分割モデルによって、前記分割対象画像に対して分割処理を行うことと、
    病巣判定結果を取得するように、前記画像判定ルールにおける病巣判定ルールによって前記目標画像に病巣が含まれるか否かを判断することと、を備える請求項１に記載の画像変換に基づく病巣判定方法。
  5. 前記した前記判定対象画像の収集ソース情報によって、前記判定対象画像の撮画機器が第１撮画機器であるか否かを確定することは、
    前記判定対象画像の撮画機器が前記第１撮画機器である場合、目標画像を取得するように、前記画像判定ルールにおける画像分割モデルによって、前記分割対象画像に対して分割処理を行うことと、
    病巣判定結果を取得するように、前記画像判定ルールにおける病巣判定ルールによって前記目標画像に病巣が含まれるか否かを判断することと、をさらに備える請求項４に記載の画像変換に基づく病巣判定方法。
  6. 前記第１画像変換モデルはズーミング処理レイヤ、コンボリューションレイヤ及びデコンボリューションレイヤを備え、前記第２画像変換モデルはズーミング処理レイヤ、コンボリューションレイヤ及びデコンボリューションレイヤを備える請求項１に記載の画像変換に基づく病巣判定方法。
  7. 前記第１信頼値計算モデルはコンボリューションレイヤ、完全接続レイヤ及び出力ノードを備え、前記第２信頼値計算モデルはコンボリューションレイヤ、完全接続レイヤ及び出力ノードを備える請求項１に記載の画像変換に基づく病巣判定方法。
  8. 画像変換に基づく病巣の判定装置であって、
    予め設定された変換テンプレートによってそれぞれ第１画像変換モデル及び第２画像変換モデルを構築することに用いられ、前記第１画像変換モデルは、第１撮画機器によって撮られた画像を、第２撮画機器によって撮られた画像のスタイルに一致する画像に変換することに用いられ、前記第２画像変換モデルは、第２撮画機器によって撮られた画像を、第１撮画機器によって撮られた画像のスタイルに一致する画像に変換することに用いられる変換モデル構築ユニットと、
    予め設定された計算テンプレートによって第１信頼値計算モデル及び第２信頼値計算モデルを生成し、前記第１信頼値計算モデルは、前記第１信頼値計算モデルに入力された画像と、前記第２撮画機器によって撮られた画像とのスタイルの類似度に対して数量化を行うことに用いられ、前記第２信頼値計算モデルは、前記第２信頼値計算モデルに入力された画像と、前記第１撮画機器によって撮られた画像とのスタイルの類似度に対して数量化を行うことに用いられる計算モデル生成ユニットと、
    トレーニング後の第２画像変換モデルを取得するように、予め設定されたモデルトレーニングルールと予め設定された画像ギャラリとによって、前記第１信頼値計算モデル、前記第２信頼値計算モデル及び前記第１画像変換モデルを合わせて、前記第２画像変換モデルに対してトレーニングを行うための変換モデルトレーニングユニットと、
    ユーザが入力した判定対象画像を受信した後、前記判定対象画像の収集ソース情報によって、前記判定対象画像の撮画機器が第１撮画機器であるか否かを確定するための撮画機器確定ユニットと、
    前記判定対象画像の撮画機器が前記第１撮画機器ではない場合、病巣判定結果を取得するように、予め設定された画像判定ルール及びトレーニング後の前記第２画像変換モデルによって、前記判定対象画像に病巣が含まれるか否かを判断するための病巣判定結果取得ユニットと、を備える画像変換に基づく病巣判定装置。
  9. 前記変換モデル構築ユニットは、
    前記変換テンプレート及び前記第１撮画機器の第１フォーマット情報によって第１画像変換モデルを構築することに用いられ、前記第１フォーマット情報は、前記第１撮画機器によって撮られた画像のフォーマットを特徴付けることに用いられる第１画像変換モデル構築ユニットと、
    前記変換テンプレート及び前記第２撮画機器の第２フォーマット情報によって第２画像変換モデルを構築することに用いられ、前記第２フォーマット情報は、前記第２撮画機器によって撮られた画像のフォーマットを特徴付けることに用いられる第２画像変換モデル構築ユニットと、を備える請求項８に記載の画像変換に基づく病巣判定装置。
  10. 前記変換モデルトレーニングユニットは、
    前記画像ギャラリにおける第１画像集の１枚の第１画像及び前記画像ギャラリにおける第２画像集の１枚の第２画像を取得することに用いられ、前記第１画像集は、前記第１撮画機器によって撮られた画像からなる画像集であり、前記第２画像集は、第２撮画機器によって撮られた画像からなる画像の集合である画像取得ユニットと、
    トレーニング損失値を取得するように、前記第１画像、前記第２画像、前記第１信頼値計算モデル、前記第２信頼値計算モデル、前記第１画像変換モデル及び前記第２画像変換モデルを前記モデルトレーニングルールにおける損失関数に入力して計算するためのトレーニング損失値計算ユニットと、
    前記第２画像変換モデルに対する一次トレーニングを完成するように、前記モデルトレーニングルールにおけるパラメータ調整ルールと前記トレーニング損失値とを合わせて、前記第２画像変換モデルにおけるパラメータ値に対して調整を行うためのパラメータ値調整ユニットと、を備える請求項８に記載の画像変換に基づく病巣判定装置。
  11. メモリ、プロセッサ及び前記メモリに記憶され、且つ前記プロセッサで実行可能なコンピュータプログラムを備えるコンピュータ機器であって、前記プロセッサは、前記コンピュータプログラムを実行する際、
    予め設定された変換テンプレートによってそれぞれ第１画像変換モデル及び第２画像変換モデルを構築し、前記第１画像変換モデルは、第１撮画機器によって撮られた画像を、第２撮画機器によって撮られた画像のスタイルに一致する画像に変換することに用いられ、前記第２画像変換モデルは、第２撮画機器によって撮られた画像を、第１撮画機器によって撮られた画像のスタイルに一致する画像に変換することに用いられるステップと、
    予め設定された計算テンプレートによって第１信頼値計算モデル及び第２信頼値計算モデルを生成し、前記第１信頼値計算モデルは、前記第１信頼値計算モデルに入力された画像と、前記第２撮画機器によって撮られた画像とのスタイルの類似度に対して数量化を行うことに用いられ、前記第２信頼値計算モデルは、前記第２信頼値計算モデルに入力された画像と、前記第１撮画機器によって撮られた画像とのスタイルの類似度に対して数量化を行うことに用いられるステップと、
    トレーニング後の第２画像変換モデルを取得するように、予め設定されたモデルトレーニングルールと予め設定された画像ギャラリとによって、前記第１信頼値計算モデル、前記第２信頼値計算モデル及び前記第１画像変換モデルを合わせて、前記第２画像変換モデルに対してトレーニングを行うステップと、
    ユーザが入力した判定対象画像を受信した後、前記判定対象画像の収集ソース情報によって、前記判定対象画像の撮画機器が第１撮画機器であるか否かを確定するステップと、
    判定対象画像の撮画機器が前記第１撮画機器ではない場合、病巣判定結果を取得するように、予め設定された画像判定ルール及びトレーニング後の前記第２画像変換モデルによって、前記判定対象画像に病巣が含まれるか否かを判断するステップと、を実行する画像変換に基づくコンピュータ機器。
  12. 前記予め設定された変換テンプレートによってそれぞれ第１画像変換モデル及び第２画像変換モデルを構築することは、
    前記変換テンプレート及び前記第１撮画機器の第１フォーマット情報によって第１画像変換モデルを構築し、前記第１フォーマット情報は、前記第１撮画機器によって撮られた画像のフォーマットを特徴付けることに用いられることと、
    前記変換テンプレート及び前記第２撮画機器の第２フォーマット情報によって第２画像変換モデルを構築し、前記第２フォーマット情報は、前記第２撮画機器によって撮られた画像のフォーマットを特徴付けることに用いられることと、を備える請求項１１に記載の画像変換に基づくコンピュータ機器。
  13. 前記トレーニング後の第２画像変換モデルを取得するように、前記予め設定されたモデルトレーニングルールと予め設定された画像ギャラリとによって、前記第１信頼値計算モデル、前記第２信頼値計算モデル及び前記第１画像変換モデルを合わせて、前記第２画像変換モデルに対してトレーニングを行うことは、
    前記画像ギャラリにおける第１画像集の１枚の第１画像及び前記画像ギャラリにおける第２画像集の１枚の第２画像を取得し、前記第１画像集は、前記第１撮画機器によって撮られた画像からなる画像の集合であり、前記第２画像集は、第２撮画機器によって撮られた画像からなる画像の集合であることと、
    トレーニング損失値を取得するように、前記第１画像、前記第２画像、前記第１信頼値計算モデル、前記第２信頼値計算モデル、前記第１画像変換モデル及び前記第２画像変換モデルを前記モデルトレーニングルールにおける損失関数に入力して計算することと、
    前記第２画像変換モデルに対する一次トレーニングを完成するように、前記モデルトレーニングルールにおけるパラメータ調整ルールと前記トレーニング損失値とを合わせて、前記第２画像変換モデルにおけるパラメータ値に対して調整を行うことと、を備える請求項１１に記載の画像変換に基づくコンピュータ機器。
  14. 病巣判定結果を取得するように、予め設定された画像判定ルール及びトレーニング後の前記第２画像変換モデルによって、前記判定対象画像に病巣が含まれるか否かを判断することは、
    分割対象画像を取得するように、前記第２画像変換モデルによって前記判定対象画像を変換することと、
    目標画像を取得するように、前記画像判定ルールにおける画像分割モデルによって、前記分割対象画像に対して分割処理を行うことと、
    病巣判定結果を取得するように、前記画像判定ルールにおける病巣判定ルールによって前記目標画像に病巣が含まれるか否かを判断することと、を備える請求項１１に記載の画像変換に基づくコンピュータ機器。
  15. 前記した前記判定対象画像の収集ソース情報によって、前記判定対象画像の撮画機器が第１撮画機器であるか否かを確定することは、
    前記判定対象画像の撮画機器が前記第１撮画機器である場合、目標画像を取得するように、前記画像判定ルールにおける画像分割モデルによって、前記分割対象画像に対して分割処理を行うことと、
    病巣判定結果を取得するように、前記画像判定ルールにおける病巣判定ルールによって前記目標画像に病巣が含まれるか否かを判断することと、をさらに備える請求項１４に記載の画像変換に基づくコンピュータ機器。
  16. 前記第１画像変換モデルはズーミング処理レイヤ、コンボリューションレイヤ及びデコンボリューションレイヤを備え、前記第２画像変換モデルはズーミング処理レイヤ、コンボリューションレイヤ及びデコンボリューションレイヤを備える請求項１１に記載の画像変換に基づくコンピュータ機器。
  17. 前記第１信頼値計算モデルはコンボリューションレイヤ、完全接続レイヤ及び出力ノードを備え、前記第２信頼値計算モデルはコンボリューションレイヤ、完全接続レイヤ及び出力ノードを備える請求項１１に記載の画像変換に基づくコンピュータ機器。
  18. コンピュータプログラムが記憶されたコンピュータ可読記憶媒体であって、前記コンピュータプログラムがプロセッサによって実行される際、前記プロセッサは、予め設定された変換テンプレートによってそれぞれ第１画像変換モデル及び第２画像変換モデルを構築し、前記第１画像変換モデルは、第１撮画機器によって撮られた画像を、第２撮画機器によって撮られた画像のスタイルに一致する画像に変換することに用いられ、前記第２画像変換モデルは、第２撮画機器によって撮られた画像を、第１撮画機器によって撮られた画像のスタイルに一致する画像に変換することに用いられることと、
    予め設定された計算テンプレートによって第１信頼値計算モデル及び第２信頼値計算モデルを生成し、前記第１信頼値計算モデルは、前記第１信頼値計算モデルに入力された画像と、前記第２撮画機器によって撮られた画像とのスタイルの類似度に対して数量化を行うことに用いられ、前記第２信頼値計算モデルは、前記第２信頼値計算モデルに入力された画像と、前記第１撮画機器によって撮られた画像とのスタイルの類似度に対して数量化を行うことに用いられることと、
    トレーニング後の第２画像変換モデルを取得するように、予め設定されたモデルトレーニングルールと予め設定された画像ギャラリとによって、前記第１信頼値計算モデル、前記第２信頼値計算モデル及び前記第１画像変換モデルを合わせて、前記第２画像変換モデルに対してトレーニングを行うことと、
    ユーザが入力した判定対象画像を受信した後、前記判定対象画像の収集ソース情報によって、前記判定対象画像の撮画機器が第１撮画機器であるか否かを確定することと、
    判定対象画像の撮画機器が前記第１撮画機器ではない場合、病巣判定結果を取得するように、予め設定された画像判定ルール及びトレーニング後の前記第２画像変換モデルによって、前記判定対象画像に病巣が含まれるか否かを判断することと、を実行する画像変換に基づく記憶媒体。
  19. 前記予め設定された変換テンプレートによってそれぞれ第１画像変換モデル及び第２画像変換モデルを構築することは、
    前記変換テンプレート及び前記第１撮画機器の第１フォーマット情報によって第１画像変換モデルを構築し、前記第１フォーマット情報は、前記第１撮画機器によって撮られた画像のフォーマットを特徴付けることに用いられることと、
    前記変換テンプレート及び前記第２撮画機器の第２フォーマット情報によって第２画像変換モデルを構築し、前記第２フォーマット情報は、前記第２撮画機器によって撮られた画像のフォーマットを特徴付けることに用いられることと、を備える請求項１８に記載の画像変換に基づく記憶媒体。
  20. 前記トレーニング後の第２画像変換モデルを取得するように、前記予め設定されたモデルトレーニングルールと予め設定された画像ギャラリとによって、前記第１信頼値計算モデル、前記第２信頼値計算モデル及び前記第１画像変換モデルを合わせて、前記第２画像変換モデルに対してトレーニングを行うことは、
    前記画像ギャラリにおける第１画像集の１枚の第１画像及び前記画像ギャラリにおける第２画像集の１枚の第２画像を取得し、前記第１画像集は、前記第１撮画機器によって撮られた画像からなる画像の集合であり、前記第２画像集は、第２撮画機器によって撮られた画像からなる画像の集合であることと、
    トレーニング損失値を取得するように、前記第１画像、前記第２画像、前記第１信頼値計算モデル、前記第２信頼値計算モデル、前記第１画像変換モデル及び前記第２画像変換モデルを前記モデルトレーニングルールにおける損失関数に入力して計算することと、
    前記第２画像変換モデルに対する一次トレーニングを完成するように、前記モデルトレーニングルールにおけるパラメータ調整ルールと前記トレーニング損失値とを合わせて、前記第２画像変換モデルにおけるパラメータ値に対して調整を行うことと、を備える請求項１８に記載の画像変換に基づく記憶媒体。
JP2021500419A 2019-05-05 2019-08-29 画像変換に基づく病巣判定方法、装置、コンピュータ機器及び記憶媒体 Active JP7064050B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201910367767.0 2019-05-05
CN201910367767.0A CN110232401B (zh) 2019-05-05 2019-05-05 基于图片转换的病灶判断方法、装置、计算机设备
PCT/CN2019/103337 WO2020224118A1 (zh) 2019-05-05 2019-08-29 基于图片转换的病灶判断方法、装置、计算机设备

Publications (2)

Publication Number Publication Date
JP2021530780A JP2021530780A (ja) 2021-11-11
JP7064050B2 true JP7064050B2 (ja) 2022-05-09

Family

ID=67860610

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021500419A Active JP7064050B2 (ja) 2019-05-05 2019-08-29 画像変換に基づく病巣判定方法、装置、コンピュータ機器及び記憶媒体

Country Status (3)

Country Link
JP (1) JP7064050B2 (ja)
CN (1) CN110232401B (ja)
WO (1) WO2020224118A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112766277A (zh) * 2021-02-07 2021-05-07 普联技术有限公司 卷积神经网络模型的通道调整方法、装置和设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001258044A (ja) 2000-03-14 2001-09-21 Matsushita Research Institute Tokyo Inc 医療用画像処理装置
JP2002159477A (ja) 2000-09-18 2002-06-04 Fuji Photo Film Co Ltd 異常陰影候補の検出方法
CN109166087A (zh) 2018-09-29 2019-01-08 上海联影医疗科技有限公司 医学图像的风格转换方法、装置、医学设备、影像系统及存储介质
JP2020533660A (ja) 2018-08-13 2020-11-19 シェンチェン センスタイム テクノロジー カンパニー リミテッドＳｈｅｎｚｈｅｎ Ｓｅｎｓｅｔｉｍｅ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏ．，Ｌｔｄ 画像スタイル変換方法および装置、機器、ならびに記憶媒体

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7680312B2 (en) * 2005-07-13 2010-03-16 Siemens Medical Solutions Usa, Inc. Method for knowledge based image segmentation using shape models
CN109389135B (zh) * 2017-08-03 2020-11-13 杭州海康威视数字技术股份有限公司 一种图像筛选方法及装置
CN107665333A (zh) * 2017-08-28 2018-02-06 平安科技（深圳）有限公司 一种基于卷积神经网络的不雅图片识别方法、终端、设备及计算机可读存储介质
CN108596180A (zh) * 2018-04-09 2018-09-28 深圳市腾讯网络信息技术有限公司 图像中的参数识别、参数识别模型的训练方法及装置
CN108564127B (zh) * 2018-04-19 2022-02-18 腾讯科技（深圳）有限公司 图像转换方法、装置、计算机设备及存储介质
CN109189973B (zh) * 2018-08-30 2021-07-30 清华大学 基于策略梯度的大规模图像检索方法及装置
CN109241318B (zh) * 2018-09-21 2023-06-13 平安科技（深圳）有限公司 图片推荐方法、装置、计算机设备及存储介质
CN109685102A (zh) * 2018-11-13 2019-04-26 平安科技（深圳）有限公司 胸部病灶图像分类方法、装置、计算机设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001258044A (ja) 2000-03-14 2001-09-21 Matsushita Research Institute Tokyo Inc 医療用画像処理装置
JP2002159477A (ja) 2000-09-18 2002-06-04 Fuji Photo Film Co Ltd 異常陰影候補の検出方法
JP2020533660A (ja) 2018-08-13 2020-11-19 シェンチェン センスタイム テクノロジー カンパニー リミテッドＳｈｅｎｚｈｅｎ Ｓｅｎｓｅｔｉｍｅ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏ．，Ｌｔｄ 画像スタイル変換方法および装置、機器、ならびに記憶媒体
CN109166087A (zh) 2018-09-29 2019-01-08 上海联影医疗科技有限公司 医学图像的风格转换方法、装置、医学设备、影像系统及存储介质

Also Published As

Publication number Publication date
CN110232401A (zh) 2019-09-13
JP2021530780A (ja) 2021-11-11
WO2020224118A1 (zh) 2020-11-12
CN110232401B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
JP7373554B2 (ja) クロスドメイン画像変換
CN110399825B (zh) 面部表情迁移方法、装置、存储介质及计算机设备
RU2564832C2 (ru) Способ стабилизации видеоизображения для многофункциональных платформ
US9628684B2 (en) Light-field aberration correction
JP5846517B2 (ja) 画像構図変更の品質評価
CN110574077A (zh) 利用虚拟三维深层神经网络的影像分析装置及方法
WO2022206020A1 (zh) 图像场景深度的估计方法、装置、终端设备和存储介质
CN106355195B (zh) 用于测量图像清晰度值的系统及其方法
KR102053527B1 (ko) 이미지 처리 방법
US20220414821A1 (en) Systems and methods for point cloud registration
CN114925748B (zh) 模型训练及模态信息的预测方法、相关装置、设备、介质
WO2022166604A1 (zh) 图像处理方法、装置、计算机设备、存储介质和程序产品
JP7032913B2 (ja) 画像処理装置、画像処理方法、コンピュータプログラム
CN113129425A (zh) 一种人脸图像三维重建方法、存储介质及终端设备
JP2022544665A (ja) 画像処理方法、機器、非一時的コンピュータ可読媒体
CN113039816A (zh) 信息处理装置、信息处理方法和信息处理程序
Zheng et al. Learn from unpaired data for image restoration: A variational bayes approach
JP7064050B2 (ja) 画像変換に基づく病巣判定方法、装置、コンピュータ機器及び記憶媒体
CN114638375A (zh) 视频生成模型训练方法、视频生成方法及装置
Chen et al. Face super resolution based on parent patch prior for VLQ scenarios
Chen et al. A novel face super resolution approach for noisy images using contour feature and standard deviation prior
CN116934591A (zh) 多尺度特征提取的图像拼接方法、装置、设备及存储介质
WO2022233137A1 (zh) 三维网格重建方法、装置、设备及存储介质
CN112530003B (zh) 一种三维人手重建方法、装置及电子设备
CN114638748A (zh) 图像处理方法、图像修复方法、计算机设备、存储介质

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210107

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: 20220405

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220421

R150 Certificate of patent or registration of utility model

Ref document number: 7064050

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150