CN108280487A - 一种结节良恶性的确定方法及装置 - Google Patents
一种结节良恶性的确定方法及装置 Download PDFInfo
- Publication number
- CN108280487A CN108280487A CN201810113020.8A CN201810113020A CN108280487A CN 108280487 A CN108280487 A CN 108280487A CN 201810113020 A CN201810113020 A CN 201810113020A CN 108280487 A CN108280487 A CN 108280487A
- Authority
- CN
- China
- Prior art keywords
- tubercle
- good
- sample
- sample image
- determined
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种结节良恶性的确定方法及装置,其中,方法包括:获取患者的待确定结节良恶性的医学图像;将所述医学图像输入第一分类模型,得到第一结果值,所述第一结果值为根据所述医学图像的图像特征,确定出用于表征所述结节良恶性的结果值;将所述患者的语义特征输入第二分类模型,得到第二结果值,所述第二结果值为基于所述患者的语义特征,确定出用于表征所述结节良恶性的结果值;依据所述第一结果值与所述第二结果值,确定所述结节的良恶性。通过本申请实施例,可以提高所确定的结节良恶性的准确度。
Description
技术领域
本申请涉及医学图像处理领域,特别是涉及一种结节良恶性的确定方法及装置。
背景技术
癌症的发病率正在逐年上升,癌症的早期发现是提高癌症患者存活率的关键。由于多种类型的癌症的早期表现形式为恶性结节,例如,肺部发生癌变的早期表现形式是肺部存在恶性结节,甲状腺癌发生的早期表现是甲状腺中存在恶性结节。因此,结节的良恶性诊断对于癌症的早期发现具有重大意义。
近年来,结节良恶性的计算机辅助诊断技术(Computer Aided Diagnosis,CAD)得到了快速发展,对于医学图像中结节的良恶性判断具有重要意义。目前,对于医学图像中结节的良恶性判断,主要由人工从医学图像中提取出结节的图像特征,并将提取出的图像特征输入良恶性分类器,来确定该结节的良恶性。
但是,确定出的结节良恶性具有准确度低的问题。
发明内容
基于此,本申请提出了一种结节良恶性的确定方法,用以提高确定结节良恶性的准确度。
本申请还提供了一种结节良恶性的确定装置,用以保证上述方法在实际中的实现及应用。
本申请提供的技术方案为:
本申请提供了一种结节良恶性的确定方法,该方法包括:
获取患者的待确定结节良恶性的医学图像;
将所述医学图像输入第一分类模型,得到第一结果值,所述第一结果值为根据所述医学图像的图像特征,确定出用于表征所述结节良恶性的结果值;
将所述患者的语义特征输入第二分类模型,得到第二结果值,所述第二结果值为基于所述患者的语义特征,确定出用于表征所述结节良恶性的结果值;
依据所述第一结果值与所述第二结果值,确定所述结节的良恶性。
其中,所述依据所述第一结果值与所述第二结果值,确定所述结节的良恶性,包括:
将所述第一结果值与预先设定的第一权值的乘积,确定为第一乘积;
将所述第二结果值与预先设定的第二权值的乘积,确定为第二乘积,其中所述第一权值与所述第二权值的和为1;
依据所述第一乘积与所述第二乘积的和,来确定所述结节的良恶性。
其中,所述第一分类模型的生成过程,包括:
获取第一预设数量帧样本图像,以及事先确定的每帧所述样本图像的样本标签,所述样本标签为用于表征所述样本图像中结节良恶性的标识;
针对所述第一预设数量帧样本图像中的每帧样本图像,确定所述样本图像的置信度,所述置信度用于表征所述样本标签所描述结节良恶性的可信程度;
获取预设的初始深度学习分类模型;
针对所述第一预设数量帧样本图像中的每帧样本图像,将所述样本图像输入所述初始深度学习分类模型得到输出结果,并确定所述输出结果与所述样本图像的样本标签间的损失函数值;将所述样本图像的置信度与所述样本图像的损失函数值的乘积,确定为所述样本图像的加权损失函数值,得到第一预设数量个加权损失函数值;
按照使所述第一预设数量个加权损失函数值的和最小化的原则,来确定所述初始深度学习分类模型中的参数值;
当达到预设条件时,将具有当前参数值的深度学习分类模型,确定为第一分类模型。
其中,所述样本图像的样本标签的确定方法,包括:
获取第二预设数量个医生分别对所述样本图像标记的用于表征结节良性程度的良恶等级,得到与所述样本图像对应的第二预设数量个良恶等级;
综合所述第二预设数量个良恶等级,确定用于描述所述样本图像中结节良恶性的样本标签。
其中,所述确定所述样本图像的置信度,包括:
根据所述第二预设数量个良恶等级的一致程度,确定用于表征所述样本图像的样本标签所描述结节良恶性的可信程度的第一置信度;
根据所述第二预设数量个良恶等级中,与样本标签所描述的良恶性相同的良恶等级的数量占所述第二预设数量的比值,确定为用于表征所述样本图像的样本标签所描述结节良恶性的可信程度的第二置信度;
将所述第一置信度与所述第二置信度的乘积,确定为用于表征所述样本标签所描述结节良恶性的可信程度的置信度。
本申请还提供了一种结节良恶性的确定装置,该装置包括:
第一获取单元,用于获取患者的待确定结节良恶性的医学图像;
第二获取单元,用于将所述医学图像输入第一分类模型,得到第一结果值,所述第一结果值为根据所述医学图像的图像特征,确定出用于表征所述结节良恶性的结果值;
第三获取单元,用于将所述患者的语义特征输入第二分类模型,得到第二结果值,所述第二结果值为基于所述患者的语义特征,确定出用于表征所述结节良恶性的结果值;
确定单元,用于依据所述第一结果值与所述第二结果值,确定所述结节的良恶性。
其中,所述确定单元,包括:
第一确定子单元,用于将所述第一结果值与预先设定的第一权值的乘积,确定为第一乘积;
第二确定子单元,用于将所述第二结果值与预先设定的第二权值的乘积,确定为第二乘积,其中所述第一权值与所述第二权值的和为1;
第三确定子单元,用于依据所述第一乘积与所述第二乘积的和,来确定所述结节的良恶性。
其中,所述装置还包括:第一分类模型生成单元;
所述第一分类模型生成单元,包括:
第一获取子单元,用于获取第一预设数量帧样本图像,以及事先确定的每帧所述样本图像的样本标签,所述样本标签为用于表征所述样本图像中结节良恶性的标识;
第四确定子单元,用于针对所述第一预设数量帧样本图像中的每帧样本图像,确定所述样本图像的置信度,所述置信度用于表征所述样本标签所描述结节良恶性的可信程度;
第二获取子单元,用于获取预设的初始深度学习分类模型;
第五确定子单元,用于针对所述第一预设数量帧样本图像中的每帧样本图像,将所述样本图像输入所述初始深度学习分类模型得到输出结果,并确定所述输出结果与所述样本图像的样本标签间的损失函数值;将所述样本图像的置信度与所述样本图像的损失函数值的乘积,确定为所述样本图像的加权损失函数值,得到第一预设数量个加权损失函数值;
第六确定子单元,用于按照使所述第一预设数量个加权损失函数值的和最小化的原则,来确定所述初始深度学习分类模型中的参数值;
第七确定子单元,用于当达到预设条件时,将具有当前参数值的深度学习分类模型,确定为第一分类模型。
其中,所述装置还包括:样本标签确定单元,其中,所述样本标签确定单元,包括:
第三获取子单元,用于获取第二预设数量个医生分别对所述样本图像标记的用于表征结节良性程度的良恶等级,得到与所述样本图像对应的第二预设数量个良恶等级;
第八确定子单元,用于综合所述第二预设数量个良恶等级,确定用于描述所述样本图像中结节良恶性的样本标签。
其中,所述第四确定子单元,包括:
第一确定模块,用于根据所述第二预设数量个良恶等级的一致程度,确定用于表征所述样本图像的样本标签所描述结节良恶性的可信程度的第一置信度;
第二确定模块,用于根据所述第二预设数量个良恶等级中,与样本标签所描述的良恶性相同的良恶等级的数量占所述第二预设数量的比值,确定为用于表征所述样本图像的样本标签所描述结节良恶性的可信程度的第二置信度;
第三确定模块,用于将所述第一置信度与所述第二置信度的乘积,确定为用于表征所述样本标签所描述结节良恶性的可信程度的置信度。
本申请的有益效果为:
在本申请实施例中,分别将患者的待确定结节良恶性的医学图像输入第一分类模型,使得基于该医学图像的图像特征,输出用于表征该医学图像中结节良恶性的第一结果值;并且,将该患者对应的语义特征输入第二分类模型中,使得基于该患者的语义特征,输出用于表征该医学图像中结节良恶性的第二结果值;结合第一结果值与第二结果值,来确定结节的良恶性。由于第一结果值是从医学图像的图像特征方面来描述结节的良恶性,第二结果值是从患者的语义特征方面来描述结节的良恶性,因此,本申请实施例结合图像特征和语义特征,来综合确定结节的良恶性,因此,本申请实施例所确定的结节良恶性的准确度更高。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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申请的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本申请中一种第一分类模型的确定方法实施例的流程图;
图2为本申请中一种第一分类模型的训练方法实施例的流程图;
图3为本申请中一种结节良恶性的确定方法实施例的流程图;
图4为本申请中一种结节良恶性的确定装置实施例的结构示意图。
具体实施方式
本申请实施例提出的结节良恶性的确定方法应用于医学图像,目的在于实现提高结节良恶性确定的准确性。
本申请实施例所述的“医学图像”,从类型划分,可以包括X-Ray图像、电子计算机断层扫描(Computed Tomography,CT)图像、磁共振(Magnetic Resonance,MR)图像等。本申请实施例所述的结节良恶性的确定方法可以由结节良恶性的确定装置执行,所述装置可以集成在现有的医学影像设备上,也可以独立设置,都从现有的医学影像设备获取医学图像。
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参考图1,示出了本申请中一种第一分类模型的确定方法实施例的流程图,该方法实施例可以包括:
步骤101:获取第一预设数量帧包含结节的医学图像,以及每帧医学图像的信息,其中,每帧医学图像的信息包括:结节中心点的标记位置、第二预设数量个医生分别标记的表征良恶程度的良恶等级。
在本实施例中,医学图像的形式可以为磁共振图像,CT图像等,但是,在本实施例中,所有的医学图像必须为同一种形式,例如,所有的医学图像都为CT图像。本步骤中所获取的第一预设数量帧医学图像都包含有结节,并且本步骤所获取的每帧医学图像都被标记结节中心点,以及由第二预设数量个医生分别标记的结节良恶等级。因此,本步骤中所获取的每帧医学图像的信息包括:结节的中心点位置以及第二预设数量个良恶等级,即本步骤中一帧医学图像对应一个结节中心点以及第二预设数量个良恶等级。
步骤102:对获取的第一预设数量帧医学图像进行预处理,得到预处理后的第一预设数量帧样本图像,以及每帧样本图像对应的第二预设数量个良恶等级。
在获取到第一预设数量帧包含结节的医学图像,以及每帧医学图像的信息后,接着,在本步骤中,分别对每帧医学图像进行插值,并从插值后的医学图像中以标记的结节中心点为中心来提取预设大小的图像,为了描述方便,本实施例将提取出的预设大小的图像称为样本图像,此时得到第一预设数量帧样本图像,以及每帧样本图像对应的第二预设数量个良恶等级。
步骤103:针对第一预设数量帧样本图像中的每帧样本图像,依据该样本图像对应的第二预设数量个良恶等级,确定该样本图像对应的用于表征结节良恶性的样本标签。
在得到第一预设数量帧样本图像,以及每帧样本图像对应的第二预设数量个良恶等级后,接着,在本步骤中,针对每帧样本图像对应的第二预设数量个良恶等级,确定表征该样本图像中结节良恶性的样本标签。例如,假设有5个良恶等级,分别是1级、2级、3级、4级和5级,其中,1级和2级表示良性,且,2级的良性程度小于1级的良性程度;3级表示不确定良恶性;4级和5级表示恶性,且,5级的恶性程度大于4级的恶性程度。
具体的,根据一帧样本图像对应第二预设数量个良恶等级,确定表征该样本图像良恶性的样本标签的过程为:本实施例为每个良恶等级赋予一个得分值,例如,1级对应的得分值为-2,2级对应的得分值为-1,3级对应的得分值为0,4级对应的得分值为1,5级对应的得分值为2。假设第二预设数量为5,此时,每帧样本图像对应4个等级,并根据每个等级对应的得分值,得到每帧样本图像对应5个得分值。接着,确定每帧样本图像对应的平均得分值,并依据良恶性与得分值间的对应关系,确定该平均得分值对应的良恶性,并将表征良恶性的标识作为该样本图像的样本标签。
步骤104:针对第一预设数量帧样本图像中的每帧样本图像,依据该样本图像对应的第二预设数量个良恶等级,以及样本标签所描述的良恶性,确定表征样本标签所描述良恶性准确度的置信度。
在确定出第一预设数量帧样本图像中每帧样本图像对应的样本标签后,接着,在本步骤中,针对每帧样本图像,根据该帧样本图像对应的第二预设数量个良恶等级中良恶等级的一致程度,确定用于表征良恶等级一致程度的第一置信度。并且,依据第二预设数量个良恶等级中与样本标签所描述的良恶性相同的良恶等级的数量占该第二预设数量的比值,确定用于表征样本标签所描述的良恶性的准确程度的第二置信度。在本实施例中,将第一置信度与第二置信度的乘积,确定为表征该样本标签描述结节良恶性的可信程度的置信度。
具体的,在本实施例中,第一置信度可以通过如下公式(1)所示的方式进行确定。
Confident 1=min(abs(Score),1) (1)
式中,Confident 1表示第一置信度,Score表示样本图像中结节良恶等级的平均得分值,abs表示取绝对值,min表示取最小值操作。
其中,第二置信度可以通过公式(2)所示的方式进行确定。
式中,Confident 2表示第二置信度,u表示第二预设数量个良恶等级中与样本标签具有相同良恶性的良恶等级的数量,umax表示第二预设数量。
在实际应用中,为了保证对结节良恶性的分类模型具有较好的分类效果,对于第一预设数量的样本图像中,样本标签表示良性结节的样本图像的第一数量,与样本标签表示恶性结节的样本图像的第二数量,需要第一数量与第二数量间保持预设的比例,例如,第一数量与第二数量间的比值为5:1,当然在实际应用中,具体的比例值根据实际情况来确定,本实施例不对具体的比例值进行限定。
当第一数量与第二数量间的比例值不等于预设比例值时,调整样本图像,例如,当第一数量较小时,增加样本标签表示良性结节的样本图像,具体的,复制已存在的样本标签表示良性结节的样本图像,并对复制后的样本图像进行增强,例如,对图像进行随机采样、翻转、大小调整等增强方式。
在实际应用中,样本标签表示良性结节的样本图像的第一数量,与样本标签表示恶性结节的样本图像的第二数量达到预设比例值时,将所用的样本图像以及样本图像的信息写入二进制文件中,例如,将样本图像按照16位二进制写入,每个样本图像的样本标签按照16位二进制写入,得到样本编码文件。当然,在实际应用中,在样本编码文件中还可以写入其他的信息,本实施例不对具体的信息类型做限定。
在对分类模型的训练过程中,直接通过调用该样本编码文件中的数据,来确定分类模型中的参数值。
步骤105:以每帧样本图像的置信度作为该样本图像的损失函数值的权重,得到每帧样本图像的加权损失函数值,按照使第一预设数量帧样本图像所对应的第一预设数量个加权损失函数值的和最小的原则,来训练该初始深度学习分类模型。
步骤106:将完成训练后的初始深度学习分类模,确定为第一分类模型。
在完成对初始深度学习分类模型的训练后,接着,在本步骤中,将完成训练后的初始深度学习分类模型,确定为第一分类模型。
上述步骤101~步骤106的目的是:确定用于输出表征结节为良恶性的结果的第一分类模型。
在本实施例中,在对初始深度学习分类模型进行训练的过程中,以样本图像置信度为损失函数值的权重,即针对每帧样本图像,以该样本图像的加权损失函数值作为训练过程中的参考标准。由于每帧样本图像对应加权损失函数值中包含了以该样本图像的置信度,并且,样本图像的置信度反映该样本图像的样本标签所表征的结节良恶性的可信程度,因此,调整初始深度学习分类模型中的参数更准确,进而,采用完成训练后所得到的第一分类模型确定结节的良恶性时,所确定出的结节良恶性的准确性更高。
在本实施例中,预设的初始深度分类模型中的神经网络为卷积神经网络,分类器可以为softmax分类器,具体的,对该初始深度学习分类模型进行训练的过程,可以参考图2,示出了本申请中一种第一分类模型的训练方法实施例的流程图,该方法实施例可以包括:
步骤201:确定第一预设数量帧样本图像中的每帧样本图像的损失函数值。
针对第一预设数量帧样本图像中的每帧样本图像,该样本图像输入该初始深度学习分类模型后,输出对应的结果,接着,将该结果与该样本图像对应的样本标签代入损失函数,得到损失函数值,此时,得到与每帧样本图像对应的损失函数值,其中,损失函数可以为交叉熵函数。其中,学习率的初始值可以为0.001,总学习步数可以为5000步,当达到5000步时停止训练。
步骤202:针对第一预设数量帧样本图像中的每帧样本图像,将该样本图像的损失函数值与置信度的乘积,确定为该帧样本图像的加权损失函数值。
在本实施例中,针对第一预设数量帧样本图像中的每帧样本图像,将该样本图像的初始损失函数值与该样本图像的置信度的乘积,确定为该样本图像的加权损失函数值。
步骤203:将第一预设数量帧样本图像中的每帧样本图像的加权损失函数值的和,确定第一预设数量帧样本图像对应的目标损失函数值。
在确定出每帧样本图像对应的加权损失你函数值后,接着,在本步骤中,将第一预设数量帧样本图像中每帧样本图像的加权损失函数值的和,确定为该第一预设数量帧样本图像的目标损失函数值。
步骤204:按照使得目标损失函数值最小化的原则,确定初始深度学习分类模型中的参数值,直至满足预设条件时,完成对该初始深度学习分类模型的训练过程。
将具有当前参数值的初始深度学习分类模型,确定为第一分类模型。
具体的,采用梯度下降法对初始深度学习分类模型中的参数进行调整,直至满足预设条件时,例如当前迭代总次数达到预设迭代次数时,将当前迭代过程中调整后的参数,确定为深度学习分类模型的参数,此时,完成了对初始深度学习分类模型的训练。
参考图3,示出了本申请中一种结节良恶性的确定方法实施例的流程图,该方法实施例可以包括:
步骤301:获取患者的待确定结节良恶性的医学图像。
在本实施例中,是利用图1的方法流程得到的第一分类模型,以及通过语义特征进行结节良恶性分类的第二分类模型,来确定患者的结节的良恶性。具体的,在本步骤中,获取患者的待确定结节良恶性的医学图像。
步骤302:将获取的医学图像输入第一分类模型,得到第一结果值,该第一结果值为根据医学图像的图像特征,确定出的用于表征结节良恶性的结果值。
在获取到待确定结节良恶性的医学图像后,接着,在本步骤中,将获取的医学图像输入第一分类模型中,该第一分类模型利用医学图像中的图像特征来输出用于表征结节的良恶性的结果值,为了描述方便,本实施例将此时得到的结果值统称为第一结果值。
步骤303:获取患者的语义特征。
在本实施例中,患者的语义特征可以包括:患者的姓名、年龄、影响结节良恶性的爱好等。
步骤304:将获取的语义特征输入预设的第二分类模型,输出该语义特征所对应的表征结节良恶性的第二结果值。
在本实施例中,事先设定将接收的语义特征,输出表征结节良恶性的第二结果值的预设分类模型,为了描述方便,本实施例中将预设分类模型统称为第二分类模型。接着,在本步骤中,将获取的语义特征输入第二分类模型,此时,该第二分类模型输出用于表征结节良恶性的结果值,为了描述方便,本实施例将第二分类模型输出的结果值统称为第二结果值。
步骤305:依据第一结果值与第二结果值,确定用于表征结节良恶性的目标结果值。
在得到待确定医学图像中的结节分别通过第一分类模型与第二分类模型后,得到第一结果值与第二结果值,接着,在本步骤中,将第一结果值与第二结果值进行结合,具体的,可以为第一结果值设定一个第一权值,为第二结果值设置一个第二权值,其中,第一权值与第二权值的和为1,并将第一权值与第一结果值的相乘的第一乘积,与,第二权值与第二结果值相乘得到的第二乘积的和,确定为目标结果值。
例如,第一结果值为第一概率值,第二结果值为第二概率值,在本步骤中,将第一权值与第一概率值相乘得到第一乘积,并将第二权值与第二概率值相乘得到第二乘积,并将第一乘积与第二乘积的和,确定为目标概率值。
步骤306:依据该目标结果值,确定结节的良恶性。
在确定出目标结果值后,接着,在本步骤中,依据该目标结果值确定结节的良恶性。例如,得到目标概率值后,接着,将该目标概率值与预设的概率阈值相比较;若该目标概率值大于该概率阈值,则确定该结节为恶性结节;若该目标概率值不大于该概率阈值,则确定该结节为良性结节。
需要说明的是,在本实施例中,第一结果值与第二结果值的形式都可以为表示结节良恶性的概率,例如,小于0.5的概率值表示该结节为良性,大于0.5的概率值表示该结节为恶性。当然,第一结果值与第二结果值还可以为其他形式,区别结节良恶性的临界结果值也可以为其他形式,即本实施例不对第一结果值与第二结果值的具体形式,以及区别结节良恶性的临界结果值的形式作限定,只要第一结果值、第二结果值以及临界结果值的形式相同即可。
在本实施例中,分别将患者的待确定结节良恶性的医学图像输入第一分类模型,使得基于该医学图像的图像特征,输出用于表征该医学图像中结节良恶性的第一结果值;并且,将该患者对应的语义特征输入第二分类模型中,使得基于该患者的语义特征,输出用于表征该医学图像中结节良恶性的第二结果值;结合第一结果值与第二结果值,来确定结节的良恶性。由于第一结果值是从医学图像的图像特征方面来描述结节的良恶性,第二结果值是从患者的语义特征方面来描述结节的良恶性,因此,本申请实施例结合图像特征和语义特征,来综合确定结节的良恶性,因此,本申请实施例所确定的结节良恶性的准确度更高。
参考图4,示出了本申请中一种结节良恶性的确定装置实施例的结构示意图,该装置实施例可以包括:
第一获取单元401,用于获取患者的待确定结节良恶性的医学图像;
第二获取单元402,用于将所述医学图像输入第一分类模型,得到第一结果值,所述第一结果值为根据所述医学图像的图像特征,确定出用于表征所述结节良恶性的结果值;
第三获取单元403,用于将所述患者的语义特征输入第二分类模型,得到第二结果值,所述第二结果值为基于所述患者的语义特征,确定出用于表征所述结节良恶性的结果值;
确定单元404,用于依据所述第一结果值与所述第二结果值,确定所述结节的良恶性。
其中,所述确定单元,包括:
第一确定子单元,用于将所述第一结果值与预先设定的第一权值的乘积,确定为第一乘积;
第二确定子单元,用于将所述第二结果值与预先设定的第二权值的乘积,确定为第二乘积,其中所述第一权值与所述第二权值的和为1;
第三确定子单元,用于依据所述第一乘积与所述第二乘积的和,来确定所述结节的良恶性。
其中,所述装置还包括:第一分类模型生成单元;
所述第一分类模型生成单元,包括:
第一获取子单元,用于获取第一预设数量帧样本图像,以及事先确定的每帧所述样本图像的样本标签,所述样本标签为用于表征所述样本图像中结节良恶性的标识;
第四确定子单元,用于针对所述第一预设数量帧样本图像中的每帧样本图像,确定所述样本图像的置信度,所述置信度用于表征所述样本标签所描述结节良恶性的可信程度;
第二获取子单元,用于获取预设的初始深度学习分类模型;
第五确定子单元,用于针对所述第一预设数量帧样本图像中的每帧样本图像,将所述样本图像输入所述初始深度学习分类模型得到输出结果,并确定所述输出结果与所述样本图像的样本标签间的损失函数值;将所述样本图像的置信度与所述样本图像的损失函数值的乘积,确定为所述样本图像的加权损失函数值,得到第一预设数量个加权损失函数值;
第六确定子单元,用于按照使所述第一预设数量个加权损失函数值的和最小化的原则,来确定所述初始深度学习分类模型中的参数值;
第七确定子单元,用于当达到预设条件时,将具有当前参数值的深度学习分类模型,确定为第一分类模型。
其中,所述装置还包括:样本标签确定单元,其中,所述样本标签确定单元,包括:
第三获取子单元,用于获取第二预设数量个医生分别对所述样本图像标记的用于表征结节良性程度的良恶等级,得到与所述样本图像对应的第二预设数量个良恶等级;
第八确定子单元,用于综合所述第二预设数量个良恶等级,确定用于描述所述样本图像中结节良恶性的样本标签。
其中,所述第四确定子单元,包括:
第一确定模块,用于根据所述第二预设数量个良恶等级的一致程度,确定用于表征所述样本图像的样本标签所描述结节良恶性的可信程度的第一置信度;
第二确定模块,用于根据所述第二预设数量个良恶等级中,与样本标签所描述的良恶性相同的良恶等级的数量占所述第二预设数量的比值,确定为用于表征所述样本图像的样本标签所描述结节良恶性的可信程度的第二置信度;
第三确定模块,用于将所述第一置信度与所述第二置信度的乘积,确定为用于表征所述样本标签所描述结节良恶性的可信程度的置信度。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同相似部分互相参见即可。在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。在文中的“包括”、“包含”等词语解释为包含的含义而不是排他或穷举的含义;也就是说,是“包含但不限于”的含义。在不脱离本发明构思的前提下,还可以做出变形、同等替换、改进等,这些都属于本发明的保护范围。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种结节良恶性的确定方法,其特征在于,所述方法包括:
获取患者的待确定结节良恶性的医学图像;
将所述医学图像输入第一分类模型,得到第一结果值,所述第一结果值为根据所述医学图像的图像特征,确定出用于表征所述结节良恶性的结果值;
将所述患者的语义特征输入第二分类模型,得到第二结果值,所述第二结果值为基于所述患者的语义特征,确定出用于表征所述结节良恶性的结果值;
依据所述第一结果值与所述第二结果值,确定所述结节的良恶性。
2.根据权利要求1所述的方法,其特征在于,所述依据所述第一结果值与所述第二结果值,确定所述结节的良恶性,包括:
将所述第一结果值与预先设定的第一权值的乘积,确定为第一乘积;
将所述第二结果值与预先设定的第二权值的乘积,确定为第二乘积,其中所述第一权值与所述第二权值的和为1;
依据所述第一乘积与所述第二乘积的和,来确定所述结节的良恶性。
3.根据权利要求1所述的方法,其特征在于,所述第一分类模型的生成过程,包括:
获取第一预设数量帧样本图像,以及事先确定的每帧所述样本图像的样本标签,所述样本标签为用于表征所述样本图像中结节良恶性的标识;
针对所述第一预设数量帧样本图像中的每帧样本图像,确定所述样本图像的置信度,所述置信度用于表征所述样本标签所描述结节良恶性的可信程度;
获取预设的初始深度学习分类模型;
针对所述第一预设数量帧样本图像中的每帧样本图像,将所述样本图像输入所述初始深度学习分类模型得到输出结果,并确定所述输出结果与所述样本图像的样本标签间的损失函数值;将所述样本图像的置信度与所述样本图像的损失函数值的乘积,确定为所述样本图像的加权损失函数值,得到第一预设数量个加权损失函数值;
按照使所述第一预设数量个加权损失函数值的和最小化的原则,来确定所述初始深度学习分类模型中的参数值;
当达到预设条件时,将具有当前参数值的深度学习分类模型,确定为第一分类模型。
4.根据权利要求3所述的方法,其特征在于,所述样本图像的样本标签的确定方法,包括:
获取第二预设数量个医生分别对所述样本图像标记的用于表征结节良性程度的良恶等级,得到与所述样本图像对应的第二预设数量个良恶等级;
综合所述第二预设数量个良恶等级,确定用于描述所述样本图像中结节良恶性的样本标签。
5.根据权利要求4所述的方法,其特征在于,所述确定所述样本图像的置信度,包括:
根据所述第二预设数量个良恶等级的一致程度,确定用于表征所述样本图像的样本标签所描述结节良恶性的可信程度的第一置信度;
根据所述第二预设数量个良恶等级中,与样本标签所描述的良恶性相同的良恶等级的数量占所述第二预设数量的比值,确定为用于表征所述样本图像的样本标签所描述结节良恶性的可信程度的第二置信度;
将所述第一置信度与所述第二置信度的乘积,确定为用于表征所述样本标签所描述结节良恶性的可信程度的置信度。
6.一种结节良恶性的确定装置,其特征在于,所述装置包括:
第一获取单元,用于获取患者的待确定结节良恶性的医学图像;
第二获取单元,用于将所述医学图像输入第一分类模型,得到第一结果值,所述第一结果值为根据所述医学图像的图像特征,确定出用于表征所述结节良恶性的结果值;
第三获取单元,用于将所述患者的语义特征输入第二分类模型,得到第二结果值,所述第二结果值为基于所述患者的语义特征,确定出用于表征所述结节良恶性的结果值;
确定单元,用于依据所述第一结果值与所述第二结果值,确定所述结节的良恶性。
7.根据权利要求6所述的装置,其特征在于,所述确定单元,包括:
第一确定子单元,用于将所述第一结果值与预先设定的第一权值的乘积,确定为第一乘积;
第二确定子单元,用于将所述第二结果值与预先设定的第二权值的乘积,确定为第二乘积,其中所述第一权值与所述第二权值的和为1;
第三确定子单元,用于依据所述第一乘积与所述第二乘积的和,来确定所述结节的良恶性。
8.根据权利要求6所述的装置,其特征在于,所述装置还包括:第一分类模型生成单元;
所述第一分类模型生成单元,包括:
第一获取子单元,用于获取第一预设数量帧样本图像,以及事先确定的每帧所述样本图像的样本标签,所述样本标签为用于表征所述样本图像中结节良恶性的标识;
第四确定子单元,用于针对所述第一预设数量帧样本图像中的每帧样本图像,确定所述样本图像的置信度,所述置信度用于表征所述样本标签所描述结节良恶性的可信程度;
第二获取子单元,用于获取预设的初始深度学习分类模型;
第五确定子单元,用于针对所述第一预设数量帧样本图像中的每帧样本图像,将所述样本图像输入所述初始深度学习分类模型得到输出结果,并确定所述输出结果与所述样本图像的样本标签间的损失函数值;将所述样本图像的置信度与所述样本图像的损失函数值的乘积,确定为所述样本图像的加权损失函数值,得到第一预设数量个加权损失函数值;
第六确定子单元,用于按照使所述第一预设数量个加权损失函数值的和最小化的原则,来确定所述初始深度学习分类模型中的参数值;
第七确定子单元,用于当达到预设条件时,将具有当前参数值的深度学习分类模型,确定为第一分类模型。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:样本标签确定单元,其中,所述样本标签确定单元,包括:
第三获取子单元,用于获取第二预设数量个医生分别对所述样本图像标记的用于表征结节良性程度的良恶等级,得到与所述样本图像对应的第二预设数量个良恶等级;
第八确定子单元,用于综合所述第二预设数量个良恶等级,确定用于描述所述样本图像中结节良恶性的样本标签。
10.根据权利要求9所述的装置,其特征在于,所述第四确定子单元,包括:
第一确定模块,用于根据所述第二预设数量个良恶等级的一致程度,确定用于表征所述样本图像的样本标签所描述结节良恶性的可信程度的第一置信度;
第二确定模块,用于根据所述第二预设数量个良恶等级中,与样本标签所描述的良恶性相同的良恶等级的数量占所述第二预设数量的比值,确定为用于表征所述样本图像的样本标签所描述结节良恶性的可信程度的第二置信度;
第三确定模块,用于将所述第一置信度与所述第二置信度的乘积,确定为用于表征所述样本标签所描述结节良恶性的可信程度的置信度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810113020.8A CN108280487A (zh) | 2018-02-05 | 2018-02-05 | 一种结节良恶性的确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810113020.8A CN108280487A (zh) | 2018-02-05 | 2018-02-05 | 一种结节良恶性的确定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108280487A true CN108280487A (zh) | 2018-07-13 |
Family
ID=62807632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810113020.8A Pending CN108280487A (zh) | 2018-02-05 | 2018-02-05 | 一种结节良恶性的确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108280487A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163839A (zh) * | 2019-04-02 | 2019-08-23 | 上海鹰瞳医疗科技有限公司 | 豹纹状眼底图像识别方法、模型训练方法及设备 |
WO2020168647A1 (zh) * | 2019-02-21 | 2020-08-27 | 平安科技(深圳)有限公司 | 图像识别方法及相关设备 |
CN113408595A (zh) * | 2021-06-09 | 2021-09-17 | 北京小白世纪网络科技有限公司 | 病理图像处理的方法、装置、电子设备及可读存储介质 |
CN113743463A (zh) * | 2021-08-02 | 2021-12-03 | 中国科学院计算技术研究所 | 一种基于影像数据和深度学习的肿瘤良恶性识别方法和*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937445A (zh) * | 2010-05-24 | 2011-01-05 | 中国科学技术信息研究所 | 一种文件自动分类*** |
CN106650830A (zh) * | 2017-01-06 | 2017-05-10 | 西北工业大学 | 基于深层模型和浅层模型决策融合的肺结节ct图像自动分类方法 |
CN106780475A (zh) * | 2016-12-27 | 2017-05-31 | 北京市计算中心 | 一种基于病理组织切片图像组织区域的图像处理方法及装置 |
-
2018
- 2018-02-05 CN CN201810113020.8A patent/CN108280487A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101937445A (zh) * | 2010-05-24 | 2011-01-05 | 中国科学技术信息研究所 | 一种文件自动分类*** |
CN106780475A (zh) * | 2016-12-27 | 2017-05-31 | 北京市计算中心 | 一种基于病理组织切片图像组织区域的图像处理方法及装置 |
CN106650830A (zh) * | 2017-01-06 | 2017-05-10 | 西北工业大学 | 基于深层模型和浅层模型决策融合的肺结节ct图像自动分类方法 |
Non-Patent Citations (2)
Title |
---|
曹隽喆: "基于机器学习的多定位点蛋白质亚细胞定位预测方法研究", 《中国博士学位论文全文数据库》 * |
武永成,刘钊: "一种置信度可控的主动学习算法", 《现代计算机(专业版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020168647A1 (zh) * | 2019-02-21 | 2020-08-27 | 平安科技(深圳)有限公司 | 图像识别方法及相关设备 |
CN110163839A (zh) * | 2019-04-02 | 2019-08-23 | 上海鹰瞳医疗科技有限公司 | 豹纹状眼底图像识别方法、模型训练方法及设备 |
CN110163839B (zh) * | 2019-04-02 | 2022-02-18 | 上海鹰瞳医疗科技有限公司 | 豹纹状眼底图像识别方法、模型训练方法及设备 |
CN113408595A (zh) * | 2021-06-09 | 2021-09-17 | 北京小白世纪网络科技有限公司 | 病理图像处理的方法、装置、电子设备及可读存储介质 |
CN113743463A (zh) * | 2021-08-02 | 2021-12-03 | 中国科学院计算技术研究所 | 一种基于影像数据和深度学习的肿瘤良恶性识别方法和*** |
CN113743463B (zh) * | 2021-08-02 | 2023-09-26 | 中国科学院计算技术研究所 | 一种基于影像数据和深度学习的肿瘤良恶性识别方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10755411B2 (en) | Method and apparatus for annotating medical image | |
CN109816661B (zh) | 一种基于深度学习的牙齿ct图像分割方法 | |
Bi et al. | Automatic liver lesion detection using cascaded deep residual networks | |
CN107464250B (zh) | 基于三维mri图像的乳腺肿瘤自动分割方法 | |
CN108280487A (zh) | 一种结节良恶性的确定方法及装置 | |
CN107247971B (zh) | 一种超声甲状腺结节风险指标的智能分析方法及*** | |
CN110232383A (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别*** | |
CN110992351B (zh) | 基于多输入卷积神经网络的sMRI图像分类方法和装置 | |
CN107909572A (zh) | 基于图像增强的肺结节检测方法及*** | |
WO2020118618A1 (zh) | 一种乳腺肿块图像识别方法及装置 | |
WO2022095258A1 (zh) | 图像目标分类方法、装置、设备、存储介质及程序 | |
CN107229952A (zh) | 图像的识别方法及装置 | |
TW202125415A (zh) | 三維目標檢測及模型的訓練方法、設備、儲存媒體 | |
Ren et al. | An unsupervised semi-automated pulmonary nodule segmentation method based on enhanced region growing | |
CN114359629B (zh) | 一种基于深度迁移学习的肺炎x胸片分类识别方法 | |
CN111583385B (zh) | 一种可变形数字人解剖学模型的个性化变形方法及*** | |
WO2023071154A1 (zh) | 图像分割方法及相关模型的训练方法和装置、设备 | |
CN107945875A (zh) | 基于数据增强的肺结节检测方法及*** | |
CN109978004B (zh) | 图像识别方法及相关设备 | |
CN110211116A (zh) | 一种基于深度学习网络和浅层纹理特征融合的甲状腺超声图像结节分析方法 | |
US20210407637A1 (en) | Method to display lesion readings result | |
US20210145389A1 (en) | Standardizing breast density assessments | |
CN115512110A (zh) | 一种涉及跨模态注意力机制的医学图像肿瘤分割方法 | |
CN112396605A (zh) | 网络训练方法及装置、图像识别方法和电子设备 | |
CN111127400A (zh) | 一种乳腺病变检测方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180713 |