CN110276802A - 医学图像中病症组织定位方法、装置与设备 - Google Patents
医学图像中病症组织定位方法、装置与设备 Download PDFInfo
- Publication number
- CN110276802A CN110276802A CN201910560411.9A CN201910560411A CN110276802A CN 110276802 A CN110276802 A CN 110276802A CN 201910560411 A CN201910560411 A CN 201910560411A CN 110276802 A CN110276802 A CN 110276802A
- Authority
- CN
- China
- Prior art keywords
- medical image
- illness
- classification
- tissue
- data set
- 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
Classifications
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及一种医学图像中病症组织定位方法、装置、设备、计算机设备和存储介质,整个方案对获取的医学图像数据进行增强均衡处理,增强处理后的医学图像数据中小类医学图像数据与大类医学图像数据均衡,避免医学图像定位中存在正负数据严重偏斜问题,基于增强均衡处理得到的数据集以及已训练的基于病症组织索引网络模型,得到医学图像中不同组织的分类结果,再根据该分类结果准确定位出医学图像中病症组织。
Description
技术领域
本申请涉及医学图像处理技术领域,特别是涉及一种医学图像中病症组织定位方法、装置与设备。
背景技术
医学图像处理技术领域,病症组织定位与检测、组织器官与病灶分割和分类是当前医学图像分析领域的重点研究工作。复杂的医学图像分析通常需要综合进行组织器官检测、分割和分类。按照任务划分,分割、检测和分类是三大主要研究方向。病变组织和区域的定位是临床诊断和分析工作中的重要预处理步骤,定位的精确度直接影响诊断效果。
由于医学病理特征成因复杂、图像随机误差较大、图像断层之间重叠等因素,基于传统机器学习的医学图像分析方法的前期预处理技术复杂,分析效果不佳。
因此,目前急需一种准确的医学图像中病症组织定位方案,以支持医生最终得出准确的诊断结果。
发明内容
基于此,有必要针对上述技术问题,提供一种准确的医学图像中病症组织定位方法、装置、计算机设备和存储介质。
一种医学图像中病症组织定位方法,所述方法包括:
获取医学图像数据;
对所述医学图像数据进行增强均衡处理,以使医学图像数据中小类医学图像数据与大类医学图像数据均衡,得到数据集;
将所述数据集输入至已训练的基于病症组织索引网络模型,得到不同组织的分类结果,所述已训练的基于病症组织索引网络模型基于样本医学图像数据以及对应的组织分类结果训练得到;
根据所述不同组织的分类结果,定位医学图像中病症组织。
在其中一个实施例中,所述对所述医学图像数据进行增强均衡处理,以使小类医学图像数据与大类医学图像数据均衡,得到数据集包括:
识别所述医学图像数据中大类别医学图像数据和小类别医学图像数据;
对所述大类别医学图像数据进行下采样、并对所述小类别医学图像数据进行上采样,以使下采样处理后的大类别医学图像数据与上采样处理后的小类别医学图像数据均衡,得到数据集。
在其中一个实施例中,所述对所述大类别医学图像数据进行下采样、并对所述小类别医学图像数据进行上采样,以使下采样处理后的大类别医学图像数据与上采样处理后的小类别医学图像数据均衡,得到数据集包括:
对所述大类别医学图像数据进行下采样,对所述小类别医学图像数据进行上采样,其中,下采样处理后的大类别医学图像数据与上采样处理后的小类别医学图像数据对应数据量相等;
对下采样处理后的大类别医学图像数据与上采样处理后的小类别医学图像数据进行加权均衡处理,得到数据集。
在其中一个实施例中,所述对所述医学图像数据进行增强均衡处理,以使小类医学图像数据与大类医学图像数据均衡,得到数据集包括:
识别所述医学图像数据中大类别医学图像数据和小类别医学图像数据;
采用生成对抗网络对所述小类别医学图像数据进行扩充,以使小类医学图像数据与大类医学图像数据均衡,得到数据集。
在其中一个实施例中,所述已训练的基于病症组织索引网络模型包括已训练的完全卷积残差网络和病症组织指数计算单元;
所述将所述数据集输入至已训练的基于病症组织索引网络模型,得到不同组织的分类结果包括:
将所述数据集输入至所述已训练的完全卷积残差网络,获取所述数据集对应的病症区域特征;
将所述病症区域特征输入至所述病症组织指数计算单元,获取不同组织对应的分类分值。
在其中一个实施例中,所述将所述数据集输入至已训练的基于病症组织索引网络模型,得到不同组织的分类结果之前还包括:
构建初始完全卷积残差网络,所述初始完全卷积残差网络包括64个卷积层和4个反卷积层,所述初始完全卷积残差网络中每个Bottleneck模块包含3个卷积层、且每个残差模块包含6个卷积层;
将样本医学图像数据以及对应的病症区域特征输入至所述初始完全卷积残差网络进行训练,得到已训练的完全卷积残差网络。
在其中一个实施例中,所述将所述病症区域特征输入至所述病症组织指数计算单元,获取不同组织对应的分类分值包括:
采用概率分布热力图提取病症区域中每个像素对病症组织分类的贡献度,对所述病症区域特征进行双线性插值操作;
将双线插值操作后的数据进行求和得到粗概率图;
根据所述粗概率图,获取病症组织标准化的可能性;
将所述病症区域中各个像素到最近边界的距离表示该像素对病症组织分类的重要性,得到距离矩阵;
将病症组织的距离矩阵与标准化可能性进行相乘,得到分类概率分布矩阵;
对分类概率分布矩阵中的病症区域的可能性进行平均,以获得不同组织对应的分类分值;
根据预设分值与组织类型分类结果对应关系以及不同组织对应的分类分值,得到不同组织的分类结果。
一种医学图像中病症组织定位装置,所述装置包括:
数据获取模块,用于获取医学图像数据;
数据均衡模块,用于对所述医学图像数据进行增强均衡处理,以使医学图像数据中小类医学图像数据与大类医学图像数据均衡,得到数据集;
分类模块,用于将所述数据集输入至已训练的基于病症组织索引网络模型,得到不同组织的分类结果,所述已训练的基于病症组织索引网络模型基于样本医学图像数据以及对应的组织分类结果训练得到;
定位模块,用于根据所述不同组织的分类结果,定位医学图像中病症组织。
一种医学图像中病症组织定位设备,包括:
数据获取装置,用于获取医学图像数据;
数据均衡装置,用于对所述医学图像数据进行增强均衡处理,以使医学图像数据中小类医学图像数据与大类医学图像数据均衡,得到数据集;
分类定位装置,用于将所述数据集输入至已训练的基于病症组织索引网络模型,得到不同组织的分类结果,根据所述不同组织的分类结果,定位医学图像中病症组织,所述已训练的基于病症组织索引网络模型基于样本医学图像数据以及对应的组织分类结果训练得到。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述的方法的步骤。
上述医学图像中病症组织定位方法、装置、设备、计算机设备和存储介质,对获取的医学图像数据进行增强均衡处理,增强处理后的医学图像数据中小类医学图像数据与大类医学图像数据均衡,避免医学图像定位中存在正负数据严重偏斜问题,基于增强均衡处理得到的数据集以及已训练的基于病症组织索引网络模型,得到医学图像中不同组织的分类结果,再根据该分类结果准确定位出医学图像中病症组织。
附图说明
图1为一个实施例中医学图像中病症组织定位方法的应用环境图;
图2为一个实施例中医学图像中病症组织定位方法的流程示意图;
图3为一个实施例中图2步骤S400子的流程示意图;
图4为另一个实施例中图2步骤S400子的流程示意图;
图5为基于生成对抗网络模型的小类别医学图像数据扩充示意图;
图6为基于深度神经网络模型的病症组织定位示意图;
图7为一个实施例中医学图像中病症组织定位装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的医学图像中病症组织定位方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。终端102通过网络将医学图像数据发送至服务器104,服务器104获取医学图像数据;对医学图像数据进行增强均衡处理,以使医学图像数据中小类医学图像数据与大类医学图像数据均衡,得到数据集;将数据集输入至已训练的基于病症组织索引网络模型,得到不同组织的分类结果,已训练的基于病症组织索引网络模型基于样本医学图像数据以及对应的组织分类结果训练得到;根据不同组织的分类结果,定位医学图像中病症组织,服务器104可以将医学图像中病症组织定位结果反馈至终端102,终端102展示(可视化)医学图像中病症组织定位结果,例如可以显示医学图像,并且在显示的医学图像中采用不同颜色来凸显病症组织。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。需要指出的是,在服务器104得到医学图像中病症组织定位结果并推送至终端102时,医生操作终端102显示医学图像中病症组织,医生还需要结合自身知识、经验完成对患者疾病的诊断,上述医学图像中病症组织定位方法提供的一个中间值数据,该中间值数据是一个准确的数据可以有效支持医生最终对患者准确诊断。
在一个实施例中,如图2所示,提供了一种医学图像中病症组织定位方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S200:获取医学图像数据。
医学图像数据可以是终端远程发送至服务器的,也可以由外部设备直接加载到服务器中。
S400:对医学图像数据进行增强均衡处理,以使医学图像数据中小类医学图像数据与大类医学图像数据均衡,得到数据集。
深入研究发现,常规医学图像数据处理中存在严重的正负样本偏斜问题,该问题导致最终医学图像数据处理结果不准确。基于此,在这里对医学图像数据进行增强均衡处理,以避免上述问题,最终实现医学图像中病症组织准确定位。具体来说,小类医学图像数据是指医学图像数据中携带少量数据的子集。对应的,大类医学图像数据是指医学图像数据中携带大量数据的子集。数据均衡是指从数量使两者携带的数据量相同,在增强均衡处理之后得到的数据集中小类医学图像数据携带的数据量与大类医学图像数据携带的数据量相同。
S600:将数据集输入至已训练的基于病症组织索引网络模型,得到不同组织的分类结果,已训练的基于病症组织索引网络模型基于样本医学图像数据以及对应的组织分类结果训练得到。
基于病症组织索引网络模型是预先训练得到的,其用于根据输入的数据集,得到医学图像中不同组织的分类结果,分类结果包括病症组织或非病症组织。具体来说,基于病症组织索引网络模型是一种基于深度学习模型,在训练时,采用样本数据对其进行训练,样本数据包括样本医学图像数据以及对应的组织分类结果。深度学习模型是由很多层神经元组成,不同层的神经之间有连接,而且每个连接都有一个权重参数。因此,整个深度学习模型包含非常多的权重参数,对深度学习模型进行训练的目的在于调整这些权重参数的值。
下面将详细介绍上述训练过程,其具体包括以下步骤:(1)给定一个固定结构的深度学习模型,例如CNN、RNN等。并对模型中的每个权重参数赋一个随机的值。(2)给定一个含有标签(已经分类好的)的训练样本(可以是图像也可以是文字),即每个训练样本都已经明确所属的类别了。这些数据的目的是用来让模型学习的,所谓学习就是调整模型的权重参数。(3)正向训练:对于每一个训练样本X1(训练集中的每一张图像,假设它的正确类别是c1),将它输入到深度学习模型,经过特征提取和分类操作,将为它预测一个分类值(称为预测值),假设模型将它的分类为c2。(所谓正向,是指从输入至输出,一层一层操作。)(4)反向学习:接着将当前样本X1的预测类别值(c2)和真实类别值(c1)进行对比,计算其损失函数(就是误差有多少)。很明显c2和c1不相同,说明模型不正确,就要调整模型中的权重参数了。此时使用反向学习,即从输出层开始,反向的,一层一层的调整每一层之间每个权重参数的值,直到输入层。(5)对训练数据集中的每一个样本都执行这样的操作,全部执行完,称为完成一次训练迭代。那么可以设置让该过程反复执行非常多次,直至每个权重参数值都基本稳定了,不再有明显变化了,整个模型就算训练好了。
S800:根据不同组织的分类结果,定位医学图像中病症组织。
根据步骤S600得到的不同组织的分类结果即可识别出医学图像中各个组织是否属于病症组织,遍历整个医学图像中所有组织,可以定位出病症组织。在实际应用中,步骤S600得出医学图像中各个组织是否为病症组织,扫描整个医学图像即可定位出医学图像中病症组织。
上述医学图像中病症组织定位方法,对获取的医学图像数据进行增强均衡处理,增强处理后的医学图像数据中小类医学图像数据与大类医学图像数据均衡,避免医学图像定位中存在正负数据严重偏斜问题,基于增强均衡处理得到的数据集以及已训练的基于病症组织索引网络模型,得到医学图像中不同组织的分类结果,再根据该分类结果准确定位出医学图像中病症组织。
如图3所示,在其中一个实施例中,步骤S400包括:
S420:识别医学图像数据中大类别医学图像数据和小类别医学图像数据。
S440:对大类别医学图像数据进行下采样、并对小类别医学图像数据进行上采样,以使下采样处理后的大类别医学图像数据与上采样处理后的小类别医学图像数据均衡,得到数据集。
下采样方法是从大类别中随机选取部分数据,构成数据子集。上采样就是将小类别中的数据复制多份构成数据子集,在增强均衡处理之后下采样构建的数据子集和上采样构建的数据子集携带的数据量相同。具体来说,假设现有2个数据子集:大类别(数据量多的数据子集)含有100个数据,小类别含有20个数据。那么直接对他们进行分析是不公平的。因此对小类别数据集进行“上采样”是指从这20个数据中随机的、有放回(每次抽完再放回去,并没有排除)的抽50次,得到50个数据(这50个里面会有重复的数据)。对大类别数据集进行“下采样”是指从100个数据中随机抽50次,得到50个数据。这样一来,两个类别中被抽到的数据都是50个,两者之间携带的数据量就相同,实现数据均衡。
在其中一个实施例中,对大类别医学图像数据进行下采样、并对小类别医学图像数据进行上采样,以使下采样处理后的大类别医学图像数据与上采样处理后的小类别医学图像数据均衡,得到数据集包括:对大类别医学图像数据进行下采样,对小类别医学图像数据进行上采样,其中,下采样处理后的大类别医学图像数据与上采样处理后的小类别医学图像数据对应数据量相等;对下采样处理后的大类别医学图像数据与上采样处理后的小类别医学图像数据进行加权均衡处理,得到数据集。
继续深入研究发现,在原始数据集类别不均衡的情况下,即使使用上下采样得到的数据集还是存在一定的缺陷。因为上采样会导致很多数据重复了,而下采样会导致有些数据没有被用到。所以我们使用深度学习模型(就是一个分类器)对这些数据进行训练时,就需要对不同类别的训练结果加上一个权重系数来缓解这个问题。
基于上述理论,在本实施例中,通过已训练的深度学习模型对下采样处理后的大类别医学图像数据与上采样处理后的小类别医学图像数据进行加权均衡处理,得到数据集。采用深度学习训练和加权方式更进一步优化数据集中大类别医学图像数据与小类别医学图像数据均衡,提高原始不均衡数据的分类性能,最终也能进一步提高医学图像中病症组织定位精度。
如图4所示,在其中一个实施例中,步骤S400包括:
S460:识别医学图像数据中大类别医学图像数据和小类别医学图像数据。
S480:采用生成对抗网络对小类别医学图像数据进行扩充,以使小类医学图像数据与大类医学图像数据均衡,得到数据集。
在上述实施例中已经提供通过上采样和下采样方式实现小类医学图像数据与大类医学图像数据均衡的实施例中。在这里将提供另外一种基于生成对抗网络实现小类医学图像数据与大类医学图像数据均衡的方案。具体来说,采用生成对抗网络(GenerativeAdversarial Nets,GAN)对医学图像中的小类别样本进行训练并生成相应的仿真图像,以提高小类别样本的数量,GAN中的生成模块作为样本生成器,输入一个小类别的医学图像样本,并输出一个逼真的样本。判别模块用于判断输入的样本是原始图像还是生成图像。基于GAN网络模型,对医学图像中各个小类别进行训练,生成与大类别数量相当的子集,共同构成数据集,使得数据集中各类别样本比例均衡。
在其中一个实施例中,生成对抗网络包括生成模型和判别模型,生成模型用于将输入的小类别医学图像数据扩充,判别模型用于判别并标记输入的小类别医学图像数据为原始小类别医学图像数据或为扩充后的小类别医学图像数据,生成模型与判别模型在极小极大博弈中处于相对竞争关系。
下面将针对生成对抗网络进行更加详细的说明。
考虑到对抗神经网络因其有较好的仿真能力,本申请采用GAN对医学图像中的小类别子集进行训练并生成相应的仿真图像,以提高小类别子集中携带数据量。GAN模型包含一个生成模型和一个判别模型,生成模型作为样本生成器,输入一个小类别的医学图像样本,然后把它重新输出成一个逼真的样本,判别模型作为一个二分类器,用于判断输入的样本是原始图像还是生成图像。生成模型中的生成模器G接收输入随机变量z(z服从一个人为选取的先验概率分布,如均匀分布、高斯分布等),采用多层感知机的网络结构,用参数来表示可导映射G(z),将输入空间映射到样本空间。判别器D的输入为真实样本x和伪造样本G(z),并分别带有标签real和fake。判别器网络使用带参数多层感知机表示D(x)。输出为D(x),表示来自真实样本数据的概率。生成器G和判别器D在极小极大博弈(非凸优化)中扮演两个竞争对手的角色,用下列值函数V(G,D)来表示:
用可微分函数D和G来分别表示判别器和生成器,它们的输入分别为真实数据(小样本医学图像)x和随机变量z。G(z)则为由G生成的尽量服从真实数据(小样本医学图像)分布的样本。如果判别器的输入来自真实数据(小样本医学图像),标注为1。如果输入样本为G(z),标注为0。基于GAN网络模型,对医学图像中各个小类别集进行扩充,生成与大类别集数量相当的子集,共同构成数据集,使得数据集中各类别样本比例均衡。基于生成对抗网络模型的小样本医学图像数据扩充方法的工作流程如图5所示。
在其中一个实施例中,已训练的基于病症组织索引网络模型包括已训练的完全卷积残差网络和病症组织指数计算单元;将数据集输入至已训练的基于病症组织索引网络模型,得到不同组织的分类结果包括:将数据集输入至已训练的完全卷积残差网络,获取数据集对应的病症区域特征;将病症区域特征输入至病症组织指数计算单元,获取不同组织对应的分类分值。
在其中一个实施例中,所述将所述数据集输入至已训练的基于病症组织索引网络模型,得到不同组织的分类结果之前还包括:
构建初始完全卷积残差网络,所述初始完全卷积残差网络包括64个卷积层和4个反卷积层,所述初始完全卷积残差网络中每个Bottleneck模块包含3个卷积层、且每个残差模块包含6个卷积层;将样本医学图像数据以及对应的病症区域特征输入至所述初始完全卷积残差网络进行训练,得到已训练的完全卷积残差网络。
已训练的基于病症组织索引网络模型采用样本数据训练得到,样本数据包括样本训练集以及对应的分类分值,其中分类分值用于表征组织所属类别,类别包括正常组织(未病变、非病灶)和异常组织(病变、病灶)。已训练的基于病症组织索引网络模型包括已训练的完全卷积残差网络和病症组织指数计算单元,已训练的完全卷积残差网络用于获取数据集对应的病症区域特征。更具体来说,构建的完全卷积残差网络(Fully ConvolutionalResNet,FCRN),由64个卷积层和4个反卷积层组成。在特征提取阶段,每个Bottleneck模块含有3个卷积层,每个RIR(Residual in Residual,残差模块)模块含有6个卷积层。Bottleneck模块和RIR模块采用跳接方式,将前向和后向信号直接从一个模块传输到另一个模块。将FCRN网络模型对数据增强方法得到的医学图像数据集进行训练,通过FCRN网络,对医学图像中的病症组织目标、器官组织、病变区域进行特征提取。
病症组织指数计算单元(Disease Organization Object Index ComputingUnit,DOOICU)用于获取病症区域特征中不同组织对应的分类分值。在其中一个实施例中,病症组织指数计算单元计算得到不同组织对应的分类分值包括以下步骤:采用概率分布热力图提取病症区域中每个像素对病症组织分类的贡献度,对病症区域特征进行双线性插值操作;将双线插值操作后的数据进行求和得到粗概率图;根据粗概率图,获取病症组织标准化的可能性;将病症区域中各个像素到最近边界的距离表示该像素对病症组织分类的重要性,得到距离矩阵;将病症组织的距离矩阵与标准化可能性进行相乘,得到分类概率分布矩阵;对分类概率分布矩阵中的病症区域的可能性进行平均,以获得不同组织对应的分类分值;根据预设分值与组织类型分类结果对应关系以及不同组织对应的分类分值,得到不同组织的分类结果。
在实际应用中,DOOICU使用概率分布热力图分布来计算病变区域中的每个像素对病变组织分类的贡献度。对FCRN网络模型训练得到的病症组织特征数据进行双线性插值操作,由两组训练数据进行求和得到粗概率图。对粗概率图进行归一化操作,使得所有数值的值域为[0,1]。设vi(x,y)为第i张粗概率图中(x,y)的值,病变组织的标准化可能性pi(DO)的计算公式如下:
将病变区域各个像素到最近边界的距离表示该像素对病变分类的重要性,得到距离矩阵。将病变组织的距离矩阵与标准化可能性进行相乘,得到分类概率分布矩阵。对分类概率分布矩阵中的病变区域的可能性进行平均,以获得不同类型病变组织或者器官组织的取值。基于深度神经网络模型的病症组织目标定位方法的工作流程如图6所示。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行
如图7所示,一种医学图像中病症组织定位装置,装置包括:
数据获取模块200,用于获取医学图像数据;
数据均衡模块400,用于对医学图像数据进行增强均衡处理,以使医学图像数据中小类医学图像数据与大类医学图像数据均衡,得到数据集;
分类模块600,用于将数据集输入至已训练的基于病症组织索引网络模型,得到不同组织的分类结果,已训练的基于病症组织索引网络模型基于样本医学图像数据以及对应的组织分类结果训练得到;
定位模块800,用于根据不同组织的分类结果,定位医学图像中病症组织。
上述医学图像中病症组织定位装置,对获取的医学图像数据进行增强均衡处理,增强处理后的医学图像数据中小类医学图像数据与大类医学图像数据均衡,避免医学图像定位中存在正负数据严重偏斜问题,基于增强均衡处理得到的数据集以及已训练的基于病症组织索引网络模型,得到医学图像中不同组织的分类结果,再根据该分类结果准确定位出医学图像中病症组织。
在其中一个实施例中,数据均衡模块400还用于识别医学图像数据中大类别医学图像数据和小类别医学图像数据;对大类别医学图像数据进行下采样、并对小类别医学图像数据进行上采样,以使下采样处理后的大类别医学图像数据与上采样处理后的小类别医学图像数据均衡,得到数据集。
在其中一个实施例中,数据均衡模块400还用于对大类别医学图像数据进行下采样,对小类别医学图像数据进行上采样,其中,下采样处理后的大类别医学图像数据与上采样处理后的小类别医学图像数据对应数据量相等;对下采样处理后的大类别医学图像数据与上采样处理后的小类别医学图像数据进行加权均衡处理,得到数据集。
在其中一个实施例中,数据均衡模块400还用于识别医学图像数据中大类别医学图像数据和小类别医学图像数据;采用生成对抗网络对小类别医学图像数据进行扩充,以使小类医学图像数据与大类医学图像数据均衡,得到数据集。
在其中一个实施例中,生成对抗网络包括生成模型和判别模型,生成模型用于将输入的小类别医学图像数据扩充,判别模型用于判别并标记输入的小类别医学图像数据为原始小类别医学图像数据或为扩充后的小类别医学图像数据,生成模型与判别模型在极小极大博弈中处于相对竞争关系。
在其中一个实施例中,已训练的基于病症组织索引网络模型包括已训练的完全卷积残差网络和病症组织指数计算单元;分类模块600还用于将数据集输入至已训练的完全卷积残差网络,获取数据集对应的病症区域特征;将病症区域特征输入至病症组织指数计算单元,获取不同组织对应的分类分值。
在其中一个实施例中,分类模块600还用于构建初始完全卷积残差网络,所述初始完全卷积残差网络包括64个卷积层和4个反卷积层,所述初始完全卷积残差网络中每个Bottleneck模块包含3个卷积层、且每个残差模块包含6个卷积层;将样本医学图像数据以及对应的病症区域特征输入至所述初始完全卷积残差网络进行训练,得到已训练的完全卷积残差网络。
在其中一个实施例中,分类模块600还用于采用概率分布热力图提取病症区域中每个像素对病症组织分类的贡献度,对病症区域特征进行双线性插值操作;将双线插值操作后的数据进行求和得到粗概率图;根据粗概率图,获取病症组织标准化的可能性;将病症区域中各个像素到最近边界的距离表示该像素对病症组织分类的重要性,得到距离矩阵;将病症组织的距离矩阵与标准化可能性进行相乘,得到分类概率分布矩阵;对分类概率分布矩阵中的病症区域的可能性进行平均,以获得不同组织对应的分类分值;根据预设分值与组织类型分类结果对应关系以及不同组织对应的分类分值,得到不同组织的分类结果。
关于医学图像中病症组织定位装置的具体限定可以参见上文中对于医学图像中病症组织定位方法的限定,在此不再赘述。上述医学图像中病症组织定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
另外,本申请还提供一种医学图像中病症组织定位设备,包括:
数据获取装置,用于获取医学图像数据;
数据均衡装置,用于对所述医学图像数据进行增强均衡处理,以使医学图像数据中小类医学图像数据与大类医学图像数据均衡,得到数据集;
分类定位装置,用于将所述数据集输入至已训练的基于病症组织索引网络模型,得到不同组织的分类结果,根据所述不同组织的分类结果,定位医学图像中病症组织,所述已训练的基于病症组织索引网络模型基于样本医学图像数据以及对应的组织分类结果训练得到。
关于医学图像中病症组织定位设备的具体限定可以参见上文中对于医学图像中病症组织定位方法的限定,在此不再赘述。上述医学图像中病症组织定位设备中的各个装置可全部或部分通过软件、硬件及其组合来实现。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储已训练的模型以及对应的训练样本等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种医学图像中病症组织定位方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
获取医学图像数据;
对医学图像数据进行增强均衡处理,以使医学图像数据中小类医学图像数据与大类医学图像数据均衡,得到数据集;
将数据集输入至已训练的基于病症组织索引网络模型,得到不同组织的分类结果,已训练的基于病症组织索引网络模型基于样本医学图像数据以及对应的组织分类结果训练得到;
根据不同组织的分类结果,定位医学图像中病症组织。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
识别医学图像数据中大类别医学图像数据和小类别医学图像数据;对大类别医学图像数据进行下采样、并对小类别医学图像数据进行上采样,以使下采样处理后的大类别医学图像数据与上采样处理后的小类别医学图像数据均衡,得到数据集。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
对大类别医学图像数据进行下采样,对小类别医学图像数据进行上采样,其中,下采样处理后的大类别医学图像数据与上采样处理后的小类别医学图像数据对应数据量相等;对下采样处理后的大类别医学图像数据与上采样处理后的小类别医学图像数据进行加权均衡处理,得到数据集。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
识别医学图像数据中大类别医学图像数据和小类别医学图像数据;采用生成对抗网络对小类别医学图像数据进行扩充,以使小类医学图像数据与大类医学图像数据均衡,得到数据集。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将数据集输入至已训练的完全卷积残差网络,获取数据集对应的病症区域特征;将病症区域特征输入至病症组织指数计算单元,获取不同组织对应的分类分值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
构建初始完全卷积残差网络,所述初始完全卷积残差网络包括64个卷积层和4个反卷积层,所述初始完全卷积残差网络中每个Bottleneck模块包含3个卷积层、且每个残差模块包含6个卷积层;将样本医学图像数据以及对应的病症区域特征输入至所述初始完全卷积残差网络进行训练,得到已训练的完全卷积残差网络。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
采用概率分布热力图提取病症区域中每个像素对病症组织分类的贡献度,对病症区域特征进行双线性插值操作;将双线插值操作后的数据进行求和得到粗概率图;根据粗概率图,获取病症组织标准化的可能性;将病症区域中各个像素到最近边界的距离表示该像素对病症组织分类的重要性,得到距离矩阵;将病症组织的距离矩阵与标准化可能性进行相乘,得到分类概率分布矩阵;对分类概率分布矩阵中的病症区域的可能性进行平均,以获得不同组织对应的分类分值;根据预设分值与组织类型分类结果对应关系以及不同组织对应的分类分值,得到不同组织的分类结果。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取医学图像数据;
对医学图像数据进行增强均衡处理,以使医学图像数据中小类医学图像数据与大类医学图像数据均衡,得到数据集;
将数据集输入至已训练的基于病症组织索引网络模型,得到不同组织的分类结果,已训练的基于病症组织索引网络模型基于样本医学图像数据以及对应的组织分类结果训练得到;
根据不同组织的分类结果,定位医学图像中病症组织。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
识别医学图像数据中大类别医学图像数据和小类别医学图像数据;对大类别医学图像数据进行下采样、并对小类别医学图像数据进行上采样,以使下采样处理后的大类别医学图像数据与上采样处理后的小类别医学图像数据均衡,得到数据集。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
对大类别医学图像数据进行下采样,对小类别医学图像数据进行上采样,其中,下采样处理后的大类别医学图像数据与上采样处理后的小类别医学图像数据对应数据量相等;对下采样处理后的大类别医学图像数据与上采样处理后的小类别医学图像数据进行加权均衡处理,得到数据集。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
识别医学图像数据中大类别医学图像数据和小类别医学图像数据;采用生成对抗网络对小类别医学图像数据进行扩充,以使小类医学图像数据与大类医学图像数据均衡,得到数据集。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将数据集输入至已训练的完全卷积残差网络,获取数据集对应的病症区域特征;将病症区域特征输入至病症组织指数计算单元,获取不同组织对应的分类分值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
构建初始完全卷积残差网络,所述初始完全卷积残差网络包括64个卷积层和4个反卷积层,所述初始完全卷积残差网络中每个Bottleneck模块包含3个卷积层、且每个残差模块包含6个卷积层;将样本医学图像数据以及对应的病症区域特征输入至所述初始完全卷积残差网络进行训练,得到已训练的完全卷积残差网络。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
采用概率分布热力图提取病症区域中每个像素对病症组织分类的贡献度,对病症区域特征进行双线性插值操作;将双线插值操作后的数据进行求和得到粗概率图;根据粗概率图,获取病症组织标准化的可能性;将病症区域中各个像素到最近边界的距离表示该像素对病症组织分类的重要性,得到距离矩阵;将病症组织的距离矩阵与标准化可能性进行相乘,得到分类概率分布矩阵;对分类概率分布矩阵中的病症区域的可能性进行平均,以获得不同组织对应的分类分值;根据预设分值与组织类型分类结果对应关系以及不同组织对应的分类分值,得到不同组织的分类结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种医学图像中病症组织定位方法,所述方法包括:
获取医学图像数据;
对所述医学图像数据进行增强均衡处理,以使医学图像数据中小类医学图像数据与大类医学图像数据均衡,得到数据集;
将所述数据集输入至已训练的基于病症组织索引网络模型,得到不同组织的分类结果,所述已训练的基于病症组织索引网络模型基于样本医学图像数据以及对应的组织分类结果训练得到;
根据所述不同组织的分类结果,定位医学图像中病症组织。
2.根据权利要求1所述的方法,其特征在于,所述对所述医学图像数据进行增强均衡处理,以使小类医学图像数据与大类医学图像数据均衡,得到数据集包括:
识别所述医学图像数据中大类别医学图像数据和小类别医学图像数据;
对所述大类别医学图像数据进行下采样、并对所述小类别医学图像数据进行上采样,以使下采样处理后的大类别医学图像数据与上采样处理后的小类别医学图像数据均衡,得到数据集。
3.根据权利要求2所述的方法,其特征在于,所述对所述大类别医学图像数据进行下采样、并对所述小类别医学图像数据进行上采样,以使下采样处理后的大类别医学图像数据与上采样处理后的小类别医学图像数据均衡,得到数据集包括:
对所述大类别医学图像数据进行下采样,对所述小类别医学图像数据进行上采样,其中,下采样处理后的大类别医学图像数据与上采样处理后的小类别医学图像数据对应数据量相等;
对下采样处理后的大类别医学图像数据与上采样处理后的小类别医学图像数据进行加权均衡处理,得到数据集。
4.根据权利要求1所述的方法,其特征在于,所述对所述医学图像数据进行增强均衡处理,以使小类医学图像数据与大类医学图像数据均衡,得到数据集包括:
识别所述医学图像数据中大类别医学图像数据和小类别医学图像数据;
采用生成对抗网络对所述小类别医学图像数据进行扩充,以使小类医学图像数据与大类医学图像数据均衡,得到数据集。
5.根据权利要求1所述的方法,其特征在于,所述已训练的基于病症组织索引网络模型包括已训练的完全卷积残差网络和病症组织指数计算单元;
所述将所述数据集输入至已训练的基于病症组织索引网络模型,得到不同组织的分类结果包括:
将所述数据集输入至所述已训练的完全卷积残差网络,获取所述数据集对应的病症区域特征;
将所述病症区域特征输入至所述病症组织指数计算单元,获取不同组织对应的分类分值。
6.根据权利要求5所述的方法,其特征在于,所述将所述数据集输入至已训练的基于病症组织索引网络模型,得到不同组织的分类结果之前还包括:
构建初始完全卷积残差网络,所述初始完全卷积残差网络包括64个卷积层和4个反卷积层,所述初始完全卷积残差网络中每个Bottleneck模块包含3个卷积层、且每个残差模块包含6个卷积层;
将样本医学图像数据以及对应的病症区域特征输入至所述初始完全卷积残差网络进行训练,得到已训练的完全卷积残差网络。
7.根据权利要求5所述的方法,其特征在于,所述将所述病症区域特征输入至所述病症组织指数计算单元,获取不同组织对应的分类分值包括:
采用概率分布热力图提取病症区域中每个像素对病症组织分类的贡献度,对所述病症区域特征进行双线性插值操作;
将双线插值操作后的数据进行求和得到粗概率图;
根据所述粗概率图,获取病症组织标准化的可能性;
将所述病症区域中各个像素到最近边界的距离表示该像素对病症组织分类的重要性,得到距离矩阵;
将病症组织的距离矩阵与标准化可能性进行相乘,得到分类概率分布矩阵;
对分类概率分布矩阵中的病症区域的可能性进行平均,以获得不同组织对应的分类分值;
根据预设分值与组织类型分类结果对应关系以及不同组织对应的分类分值,得到不同组织的分类结果。
8.一种医学图像中病症组织定位装置,其特征在于,所述装置包括:
数据获取模块,用于获取医学图像数据;
数据均衡模块,用于对所述医学图像数据进行增强均衡处理,以使医学图像数据中小类医学图像数据与大类医学图像数据均衡,得到数据集;
分类模块,用于将所述数据集输入至已训练的基于病症组织索引网络模型,得到不同组织的分类结果,所述已训练的基于病症组织索引网络模型基于样本医学图像数据以及对应的组织分类结果训练得到;
定位模块,用于根据所述不同组织的分类结果,定位医学图像中病症组织。
9.一种医学图像中病症组织定位设备,其特征在于,包括:
数据获取装置,用于获取医学图像数据;
数据均衡装置,用于对所述医学图像数据进行增强均衡处理,以使医学图像数据中小类医学图像数据与大类医学图像数据均衡,得到数据集;
分类定位装置,用于将所述数据集输入至已训练的基于病症组织索引网络模型,得到不同组织的分类结果,根据所述不同组织的分类结果,定位医学图像中病症组织,所述已训练的基于病症组织索引网络模型基于样本医学图像数据以及对应的组织分类结果训练得到。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910560411.9A CN110276802B (zh) | 2019-06-26 | 2019-06-26 | 医学图像中病症组织定位方法、装置与设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910560411.9A CN110276802B (zh) | 2019-06-26 | 2019-06-26 | 医学图像中病症组织定位方法、装置与设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110276802A true CN110276802A (zh) | 2019-09-24 |
CN110276802B CN110276802B (zh) | 2021-08-17 |
Family
ID=67963415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910560411.9A Active CN110276802B (zh) | 2019-06-26 | 2019-06-26 | 医学图像中病症组织定位方法、装置与设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276802B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114609493A (zh) * | 2022-05-09 | 2022-06-10 | 杭州兆华电子股份有限公司 | 一种信号数据增强的局部放电信号识别方法 |
CN116188294A (zh) * | 2022-12-22 | 2023-05-30 | 东莞理工学院 | 用于医学图像的数据增强方法、***、智能终端及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392255A (zh) * | 2017-07-31 | 2017-11-24 | 深圳先进技术研究院 | 少数类图片样本的生成方法、装置、计算设备及存储介质 |
US20180144243A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Hardware system design improvement using deep learning algorithms |
CN108198179A (zh) * | 2018-01-03 | 2018-06-22 | 华南理工大学 | 一种生成对抗网络改进的ct医学图像肺结节检测方法 |
US20180214105A1 (en) * | 2017-01-31 | 2018-08-02 | Siemens Healthcare Gmbh | System and method breast cancer detection with x-ray imaging |
CN109389587A (zh) * | 2018-09-26 | 2019-02-26 | 上海联影智能医疗科技有限公司 | 一种医学图像分析***、装置及存储介质 |
US10223610B1 (en) * | 2017-10-15 | 2019-03-05 | International Business Machines Corporation | System and method for detection and classification of findings in images |
CN109726644A (zh) * | 2018-12-14 | 2019-05-07 | 重庆邮电大学 | 一种基于生成对抗网络的细胞核分割方法 |
CN109740626A (zh) * | 2018-11-23 | 2019-05-10 | 杭州电子科技大学 | 基于深度学习的乳腺癌病理切片中癌症区域的检测方法 |
US20190147336A1 (en) * | 2017-11-10 | 2019-05-16 | Fujitsu Limited | Method and apparatus of open set recognition and a computer readable storage medium |
CN109919179A (zh) * | 2019-01-23 | 2019-06-21 | 平安科技(深圳)有限公司 | 微动脉瘤自动检测方法、装置及计算机可读存储介质 |
-
2019
- 2019-06-26 CN CN201910560411.9A patent/CN110276802B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180144243A1 (en) * | 2016-11-23 | 2018-05-24 | General Electric Company | Hardware system design improvement using deep learning algorithms |
US20180214105A1 (en) * | 2017-01-31 | 2018-08-02 | Siemens Healthcare Gmbh | System and method breast cancer detection with x-ray imaging |
CN107392255A (zh) * | 2017-07-31 | 2017-11-24 | 深圳先进技术研究院 | 少数类图片样本的生成方法、装置、计算设备及存储介质 |
US10223610B1 (en) * | 2017-10-15 | 2019-03-05 | International Business Machines Corporation | System and method for detection and classification of findings in images |
US20190147336A1 (en) * | 2017-11-10 | 2019-05-16 | Fujitsu Limited | Method and apparatus of open set recognition and a computer readable storage medium |
CN108198179A (zh) * | 2018-01-03 | 2018-06-22 | 华南理工大学 | 一种生成对抗网络改进的ct医学图像肺结节检测方法 |
CN109389587A (zh) * | 2018-09-26 | 2019-02-26 | 上海联影智能医疗科技有限公司 | 一种医学图像分析***、装置及存储介质 |
CN109740626A (zh) * | 2018-11-23 | 2019-05-10 | 杭州电子科技大学 | 基于深度学习的乳腺癌病理切片中癌症区域的检测方法 |
CN109726644A (zh) * | 2018-12-14 | 2019-05-07 | 重庆邮电大学 | 一种基于生成对抗网络的细胞核分割方法 |
CN109919179A (zh) * | 2019-01-23 | 2019-06-21 | 平安科技(深圳)有限公司 | 微动脉瘤自动检测方法、装置及计算机可读存储介质 |
Non-Patent Citations (4)
Title |
---|
IRO LAINA等: "Deeper depth prediction with fully convolutional residual networks", 《2016 FOURTH INTERNATIONAL CONFERENCE ON 3D VISION (3DV)》 * |
YUANZHOUHAN CAO等: "Estimating Depth From Monocular Images", 《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY》 * |
刘彦培等: "医学数据挖掘综述", 《光明中医》 * |
杨龙召: "基于深度学习的医学图像处理_气胸的诊断与分析", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114609493A (zh) * | 2022-05-09 | 2022-06-10 | 杭州兆华电子股份有限公司 | 一种信号数据增强的局部放电信号识别方法 |
CN114609493B (zh) * | 2022-05-09 | 2022-08-12 | 杭州兆华电子股份有限公司 | 一种信号数据增强的局部放电信号识别方法 |
CN116188294A (zh) * | 2022-12-22 | 2023-05-30 | 东莞理工学院 | 用于医学图像的数据增强方法、***、智能终端及介质 |
CN116188294B (zh) * | 2022-12-22 | 2023-09-19 | 东莞理工学院 | 用于医学图像的数据增强方法、***、智能终端及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110276802B (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Haehn et al. | Evaluating ‘graphical perception’with CNNs | |
CN109191476A (zh) | 基于U-net网络结构的生物医学图像自动分割新方法 | |
Hope et al. | Predicting outcome and recovery after stroke with lesions extracted from MRI images | |
Myllymäki et al. | GET: Global envelopes in R | |
CN110136103A (zh) | 医学影像解释方法、装置、计算机设备及存储介质 | |
US9687199B2 (en) | Medical imaging system providing disease prognosis | |
CN109620205A (zh) | 心电数据分类方法、装置、计算机设备和存储介质 | |
CN110135406A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN109948733A (zh) | 消化道内窥镜图像的多分类方法、分类装置及存储介质 | |
CN112614133B (zh) | 一种无锚点框的三维肺结节检测模型训练方法及装置 | |
CN110334722A (zh) | 图像分类方法、装置、计算机设备和存储介质 | |
CN109919304A (zh) | 神经网络搜索方法、装置、可读存储介质和计算机设备 | |
CN110321968B (zh) | 一种超声图像分类装置 | |
EP3828896A1 (en) | System and method for diagnosing disease using neural network performing segmentation | |
CN110781976B (zh) | 训练图像的扩充方法、训练方法及相关装置 | |
CN109390053A (zh) | 眼底图像处理方法、装置、计算机设备和存储介质 | |
CN110276802A (zh) | 医学图像中病症组织定位方法、装置与设备 | |
CN109785944A (zh) | 基于数据分析的医院评价方法及相关产品 | |
Qi et al. | Weakly supervised learning of placental ultrasound images with residual networks | |
CN108564569B (zh) | 一种基于多核分类学习的混凝土裂缝检测方法及装置 | |
EP3716100A1 (en) | Classification device, classification method, program, and information recording medium | |
Rahman et al. | Deep learning-based left ventricular ejection fraction estimation from echocardiographic videos | |
Wang et al. | Diagnosis of soybean bacterial blight progress stage based on deep learning in the context of data-deficient | |
CN113962990B (zh) | 胸部ct图像识别方法、装置、计算机设备和存储介质 | |
CN109830300A (zh) | 甲状腺结节分析方法、装置、计算机设备及可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |