CN110503636A - 参数调整方法、病灶预测方法、参数调整装置及电子设备 - Google Patents
参数调整方法、病灶预测方法、参数调整装置及电子设备 Download PDFInfo
- Publication number
- CN110503636A CN110503636A CN201910723272.7A CN201910723272A CN110503636A CN 110503636 A CN110503636 A CN 110503636A CN 201910723272 A CN201910723272 A CN 201910723272A CN 110503636 A CN110503636 A CN 110503636A
- Authority
- CN
- China
- Prior art keywords
- image
- distribution function
- network
- loss
- single mode
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000003902 lesion Effects 0.000 title claims abstract description 63
- 238000005315 distribution function Methods 0.000 claims abstract description 240
- 238000001514 detection method Methods 0.000 claims abstract description 104
- 230000006870 function Effects 0.000 claims description 169
- 238000012545 processing Methods 0.000 claims description 52
- 230000004927 fusion Effects 0.000 claims description 47
- 230000004913 activation Effects 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 239000004744 fabric Substances 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 8
- 230000000694 effects Effects 0.000 abstract description 35
- 238000013473 artificial intelligence Methods 0.000 abstract description 15
- 241000208340 Araliaceae Species 0.000 abstract description 6
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 abstract description 6
- 235000003140 Panax quinquefolius Nutrition 0.000 abstract description 6
- 235000008434 ginseng Nutrition 0.000 abstract description 6
- 238000012014 optical coherence tomography Methods 0.000 description 49
- 238000012549 training Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 20
- 238000003860 storage Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 13
- 238000003745 diagnosis Methods 0.000 description 11
- 208000030533 eye disease Diseases 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 8
- 238000012216 screening Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006854 communication Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 235000013399 edible fruits Nutrition 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 208000033379 Chorioretinopathy Diseases 0.000 description 1
- 206010058202 Cystoid macular oedema Diseases 0.000 description 1
- 208000001344 Macular Edema Diseases 0.000 description 1
- 206010025421 Macule Diseases 0.000 description 1
- 208000017442 Retinal disease Diseases 0.000 description 1
- 206010038923 Retinopathy Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 201000010206 cystoid macular edema Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 210000005081 epithelial layer Anatomy 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000004220 fundus oculi Anatomy 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001976 improved effect Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000004126 nerve fiber Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 230000002207 retinal effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开提供一种单模态检测网络的参数调整方法、眼部图像中的病灶预测方法、单模态检测网络的参数调整装置及电子设备;涉及人工智能技术领域。该方法包括:对第一图像特征进行特征编码以得到第一分布函数,并对第二图像特征进行特征编码以得到第二分布函数;根据第一分布函数和第二分布函数确定第一损失函数值;根据第二分布函数的采样结果与第一图像的融合确定出待比对图像特征;根据待比对图像特征与待比对标签的比对确定第二损失函数值,并根据第一损失函数值与第二损失函数值对单模态检测网络的网络参数进行调整,直到损失函数值收敛。本公开中的方法能够在一定程度上克服调参效果不佳的问题,进而提升网络模型对于输入图像的处理效果。
Description
技术领域
本公开涉及人工智能技术领域,并涉及机器学习技术,具体而言,涉及一种单模态检测网络的参数调整方法、眼部图像中的病灶预测方法、单模态检测网络的参数调整装置及电子设备。
背景技术
随着人工智能的不断发展,出现了越来越多的用于进行图像处理的网络模型,以对图像进行特征提取、识别以及分类等操作。
在通过图像处理网络模型对图像进行处理之前,需要对网络模型进行训练,通常的训练方式为有监督训练。例如,对网络模型输入样本图像,根据网络模型输出的分类结果与目标分类结果的比对确定出相应的损失函数,以根据损失函数对网络模型的网络参数进行调整,进而完成对于网络模型的训练。
但是,在上述训练方式中,输入的样本图像通常为单一样本图像,这样会使得调参效果不佳,进而会影响网络模型对于输入图像的处理效果。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种单模态检测网络的参数调整方法、眼部图像中的病灶预测方法、单模态检测网络的参数调整装置及电子设备,在一定程度上克服调参效果不佳的问题,进而提升网络模型对于输入图像的处理效果。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的第一方面,提供一种单模态检测网络的参数调整方法,包括:
对第一图像进行特征提取,并对提取到的第一图像特征进行特征编码,以得到第一分布函数,以及,对提取到的第二图像特征进行特征编码,以得到第二分布函数;其中,第一图像特征与第一图像对应,第二图像特征由第一图像和第二图像进行特征融合得到;
根据第一分布函数和第二分布函数确定第一损失函数值;
根据第二分布函数的采样结果与第一图像的融合确定出待比对图像特征;
根据待比对图像特征与待比对标签的比对确定第二损失函数值,并根据第一损失函数值与第二损失函数值对单模态检测网络的网络参数进行调整,直到损失函数值收敛;其中,损失函数值包括第一损失函数值和第二损失函数值。
在本公开的一种示例性实施例中,对提取到的第一图像特征进行特征编码,以得到第一分布函数,包括:
通过单模态检测网络提取第一图像对应的第一图像特征;
对第一图像特征进行特征编码,以确定出第一图像对应的第一分布函数。
在本公开的一种示例性实施例中,对提取到的第二图像特征进行特征编码,以得到第二分布函数,包括:
通过多模态检测网络对第一图像和第二图像进行融合,并根据融合结果生成第二图像特征;
对第二图像特征进行特征编码,以确定出第一图像和第二图像共同对应的第二分布函数。
在本公开的一种示例性实施例中,根据第二分布函数的采样结果与第一图像的融合确定出待比对图像特征,包括:
根据第二分布函数的采样结果与第一图像对应的第一图像特征进行融合,得到第三图像特征,并将第二分布函数的采样结果与第二图像特征进行融合,得到第四图像特征;
确定第三图像特征对应的第三分布函数,并确定第四图像特征对应的第四分布函数;
根据第三分布函数和第四分布函数确定第三损失函数值;
根据第四分布函数的采样结果与第三图像特征进行融合,得到第五图像特征,并将第四分布函数的采样结果与第四图像特征进行融合,得到第六图像特征;
确定第五图像特征对应的第五分布函数,并确定第六图像特征对应的第六分布函数;
根据第五分布函数和第六分布函数确定第四损失函数值;
根据第六分布函数的采样结果与第五图像特征进行融合,得到待比对图像特征。
在本公开的一种示例性实施例中,根据待比对图像特征与待比对标签的比对确定第二损失函数值,包括:
对待比对图像特征进行特征处理,并将特征处理后的待比对图像特征与待比对标签进行比对,根据比对结果确定第二损失函数值;其中,特征处理包括卷积处理、池化处理以及非线性激活处理。
在本公开的一种示例性实施例中,该单模态检测网络的参数调整方法还包括:
将第一损失函数值、第二损失函数值、第三损失函数值以及第四损失函数值的和确定为损失函数值。
在本公开的一种示例性实施例中,根据第一损失函数值与第二损失函数值对单模态检测网络的网络参数进行调整,直到损失函数值收敛,包括:
根据损失函数值对单模态检测网络的网络参数进行调整,直到损失函数值收敛。
根据本公开的第二方面,提供一种眼部图像中的病灶预测方法,包括:
将眼部图像输入单模态检测网络,根据单模态检测网络拟合眼部图像对应的第一分布函数;
将第一分布函数的采样结果与眼部图像对应的第一图像特征进行融合,得到第二图像特征;
根据单模态检测网络拟合第二图像特征对应的第二分布函数,并将第二分布函数的采样结果与第二图像特征进行融合,得到第三图像特征;
根据单模态检测网络拟合第三图像特征对应的第三分布函数,并将第三分布函数的采样结果与第三图像特征进行融合,得到第四图像特征并根据第四图像特征预测眼部图像中的病灶;
其中,单模态检测网络是根据第一方面提供的一种单模态检测网络的参数调整方法调整得到的。
根据本公开的第三方面,提供一种单模态检测网络的参数调整装置,包括分布函数确定单元、损失函数值确定单元、特征融合单元以及参数调整单元,其中:
分布函数确定单元,用于对第一图像进行特征提取,并对提取到的第一图像特征进行特征编码,以得到第一分布函数,以及,对提取到的第二图像特征进行特征编码,以得到第二分布函数;其中,第一图像特征与第一图像对应,第二图像特征由第一图像和第二图像进行特征融合得到;
损失函数值确定单元,用于根据第一分布函数和第二分布函数确定第一损失函数值;
特征融合单元,用于根据第二分布函数的采样结果与第一图像的融合确定出待比对图像特征;
参数调整单元,用于根据待比对图像特征与待比对标签的比对确定第二损失函数值,并根据第一损失函数值与第二损失函数值对单模态检测网络的网络参数进行调整,直到损失函数值收敛;其中,损失函数值包括第一损失函数值和第二损失函数值。
在本公开的一种示例性实施例中,分布函数确定单元对提取到的第一图像特征进行特征编码,以得到第一分布函数的方式具体为:
分布函数确定单元通过单模态检测网络提取第一图像对应的第一图像特征;
分布函数确定单元对第一图像特征进行特征编码,以确定出第一图像对应的第一分布函数。
在本公开的一种示例性实施例中,分布函数确定单元对提取到的第二图像特征进行特征编码,以得到第二分布函数的方式具体为:
分布函数确定单元通过多模态检测网络对第一图像和第二图像进行融合,并根据融合结果生成第二图像特征;
分布函数确定单元对第二图像特征进行特征编码,以确定出第一图像和第二图像共同对应的第二分布函数。
在本公开的一种示例性实施例中,特征融合单元根据第二分布函数的采样结果与第一图像的融合确定出待比对图像特征的方式具体为:
特征融合单元根据第二分布函数的采样结果与第一图像对应的第一图像特征进行融合,得到第三图像特征,并将第二分布函数的采样结果与第二图像特征进行融合,得到第四图像特征;
特征融合单元确定第三图像特征对应的第三分布函数,并确定第四图像特征对应的第四分布函数;
特征融合单元根据第三分布函数和第四分布函数确定第三损失函数值;
特征融合单元根据第四分布函数的采样结果与第三图像特征进行融合,得到第五图像特征,并将第四分布函数的采样结果与第四图像特征进行融合,得到第六图像特征;
特征融合单元确定第五图像特征对应的第五分布函数,并确定第六图像特征对应的第六分布函数;
特征融合单元根据第五分布函数和第六分布函数确定第四损失函数值;
特征融合单元根据第六分布函数的采样结果与第五图像特征进行融合,得到待比对图像特征。
在本公开的一种示例性实施例中,参数调整单元根据待比对图像特征与待比对标签的比对确定第二损失函数值的方式具体为:
参数调整单元对待比对图像特征进行特征处理,并将特征处理后的待比对图像特征与待比对标签进行比对,根据比对结果确定第二损失函数值;其中,特征处理包括卷积处理、池化处理以及非线性激活处理。
在本公开的一种示例性实施例中,损失函数值确定单元,还用于将第一损失函数值、第二损失函数值、第三损失函数值以及第四损失函数值的和确定为损失函数值。
在本公开的一种示例性实施例中,损失函数值确定单元根据第一损失函数值与第二损失函数值对单模态检测网络的网络参数进行调整,直到损失函数值收敛的方式具体为:
损失函数值确定单元根据损失函数值对单模态检测网络的网络参数进行调整,直到损失函数值收敛。
根据本公开的第四方面,提供一种眼部图像中的病灶预测装置,包括函数拟合单元、图像特征融合单元以及图像特征获取单元,其中:
函数拟合单元,用于将眼部图像输入单模态检测网络,根据单模态检测网络拟合眼部图像对应的第一分布函数;
图像特征融合单元,用于将第一分布函数的采样结果与眼部图像对应的第一图像特征进行融合,得到第二图像特征;
图像特征获取单元,用于根据单模态检测网络拟合第二图像特征对应的第二分布函数,并将第二分布函数的采样结果与第二图像特征进行融合,得到第三图像特征;
图像特征获取单元,还用于根据单模态检测网络拟合第三图像特征对应的第三分布函数,并将第三分布函数的采样结果与第三图像特征进行融合,得到第四图像特征并根据第四图像特征预测眼部图像中的病灶;
其中,单模态检测网络是根据第一方面提供的一种单模态检测网络的参数调整方法调整得到的。
根据本公开的第五方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。
根据本公开的第六方面,提供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上述任意一项所述的方法。
本公开示例性实施例可以具有以下部分或全部有益效果:
在本公开的一示例实施方式所提供的单模态检测网络的参数调整方法中,可以对第一图像(如,OCT图像)进行特征提取,并对提取到的第一图像特征进行特征编码,以得到第一分布函数,以及,对提取到的第二图像特征进行特征编码,以得到第二分布函数;其中,第一图像特征与第一图像对应,第二图像特征由第一图像和第二图像(如,眼底图像)进行特征融合得到;根据第一分布函数和第二分布函数确定第一损失函数值;进而,可以根据第二分布函数的采样结果与第一图像的融合确定出待比对图像特征;进而,可以根据待比对图像特征与待比对标签的比对确定第二损失函数值,并根据第一损失函数值与第二损失函数值对单模态检测网络的网络参数进行调整,直到损失函数值收敛;其中,损失函数值包括第一损失函数值和第二损失函数值。依据上述方案描述,本公开一方面能够在一定程度上克服调参效果不佳的问题,进而提升网络模型对于输入图像的处理效果;另一方面能够通过多模态(可以理解为图像)融合的方式调整单模态检测网络(如,单模态病灶检测网络)的网络参数,以实现对单模态检测网络的训练,提升网络训练效果,进而改善单模态检测网络对于输入图像的分类效果和识别效果,在本公开实施例应用于病灶识别时,可以提升对于眼底图像的病灶识别准确率。
需要说明的是,通过本公开实施例训练得到的单模态检测网络可以应用于眼部疾病识别***中。在传统的眼部疾病识别***中,需要将患者的眼底图像和OCT图像成对输入***,进而,***可以结合眼底图像和OCT图像的特征确定出病灶;其中的眼部疾病识别***相当于多模态检测网络,模态可以理解为图像。但是,通过本公开实施例训练得到的单模态检测网络可以仅通过眼底图像或OCT图像确定出病灶,具体地,当向单模态检测网络输入眼底图像(或OCT图像)时,单模态检测网络提取到的图像特征中不仅可以包含眼底图像(或OCT图像)的特征,还可以隐含OCT图像(或眼底图像)的特征,这样能够在保证识别准确率的情况下降低对于输入图像的要求,以往需要输入成对的图像才能进行病灶识别,而使用本公开实施例中的单模态检测网络只需要输入单张图像即可进行病灶识别,一定程度上提升了病灶识别的便捷性以及病灶识别效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了可以应用本公开实施例的一种单模态检测网络的参数调整方法及单模态检测网络的参数调整装置的示例性***架构的示意图;
图2示出了适于用来实现本公开实施例的电子设备的计算机***的结构示意图;
图3示意性示出了根据本公开的一个实施例的单模态检测网络的参数调整方法的流程图;
图4示意性示出了根据本公开的一个实施例的眼部图像中的病灶预测方法的流程图;
图5示意性示出了根据本公开的一个实施例的眼部图像的示意图;
图6示意性示出了根据本公开的一个实施例的单模态检测网络的参数调整方法的架构图;
图7示意性示出了根据本公开的一个实施例的眼部图像中的病灶预测方法的架构图;
图8示意性示出了根据本公开的一个实施例中的单模态检测网络的参数调整装置的结构框图;
图9示意性示出了根据本公开的一个实施例的眼部图像中的病灶预测装置的结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1示出了可以应用本公开实施例的一种单模态检测网络的参数调整方法及单模态检测网络的参数调整装置的示例性应用环境的***架构的示意图。
如图1所示,***架构100可以包括终端设备101、102、103中的一个或多个,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。终端设备101、102、103可以是具有显示屏的各种电子设备,包括但不限于台式计算机、便携式计算机、智能手机和平板电脑等等。应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
本公开实施例所提供的单模态检测网络的参数调整方法和眼部图像中的病灶预测方法一般由服务器105执行,相应地,单模态检测网络的参数调整装置和眼部图像中的病灶预测装置一般设置于服务器105中。但本领域技术人员容易理解的是,本公开实施例所提供的单模态检测网络的参数调整方法和眼部图像中的病灶预测方法也可以由终端设备101、102、103执行,相应的,单模态检测网络的参数调整装置和眼部图像中的病灶预测装置也可以设置于终端设备101、102、103中,本示例性实施例中对此不做特殊限定。举例而言,在一种示例性实施例中,服务器105可以对第一图像进行特征提取,并对提取到的第一图像特征进行特征编码以得到第一分布函数,以及,对提取到的第二图像特征进行特征编码以得到第二分布函数,进而,根据第一分布函数和第二分布函数确定第一损失函数值,以及根据第二分布函数的采样结果与第一图像的融合确定出待比对图像特征,进而,根据待比对图像特征与待比对标签的比对确定第二损失函数值,并根据第一损失函数值与第二损失函数值对单模态检测网络的网络参数进行调整,直到损失函数值收敛。服务器105还可以将眼部图像输入单模态检测网络,根据单模态检测网络拟合眼部图像对应的第一分布函数,并将第一分布函数的采样结果与眼部图像对应的第一图像特征进行融合,得到第二图像特征,以及根据单模态检测网络拟合第二图像特征对应的第二分布函数,并将第二分布函数的采样结果与第二图像特征进行融合,得到第三图像特征,进而,根据单模态检测网络拟合第三图像特征对应的第三分布函数,并将第三分布函数的采样结果与第三图像特征进行融合,得到第四图像特征并根据第四图像特征预测眼部图像中的病灶。
图2示出了适于用来实现本公开实施例的电子设备的计算机***的结构示意图。
需要说明的是,图2示出的电子设备的计算机***200仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图2所示,计算机***200包括中央处理单元(CPU)201,其可以根据存储在只读存储器(ROM)202中的程序或者从存储部分208加载到随机访问存储器(RAM)203中的程序而执行各种适当的动作和处理。在RAM 203中,还存储有***操作所需的各种程序和数据。CPU201、ROM 202以及RAM 203通过总线204彼此相连。输入/输出(I/O)接口205也连接至总线204。
以下部件连接至I/O接口205:包括键盘、鼠标等的输入部分206;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分207;包括硬盘等的存储部分208;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至I/O接口205。可拆卸介质211,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器210上,以便于从其上读出的计算机程序根据需要被安装入存储部分208。
特别地,根据本公开的实施例,下文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分209从网络上被下载和安装,和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(CPU)201执行时,执行本申请的方法和装置中限定的各种功能。在一些实施例中,计算机***200还可以包括AI(ArtificialIntelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
在一些实施例中,计算机***200还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能***。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
在早期的传统机器学习时代,人们需要精心设计网络参数,以缩短神经网络预测的结果与真实结果之间的差异。而在当前的机器学习时代,人们可以使得神经网络根据设置多层损失函数去自动优化网络参数,在很多场景中已不再需要对网络参数进行精心设计。
以下对本公开实施例的技术方案进行详细阐述:
随着中国人口的不断增长和人口老龄化的加剧,眼健康形式日趋严重。据统计,超过50%的人没有接受过常规眼科检查,超过90%的人发病后才接受治疗。例如,中国约有1.1亿糖尿病患者,其中,由此引起的视网膜病变的患者超过4000万,而此类病变若不及早干预治疗,后期很容易导致失明。如能在发病早期进行定期的眼科检查,失明风险可降低94.4%。
光学相干断层扫描(Optical Coherence tomography,OCT)是一种新的成像技术,能够对生物组织的各个方面进行成像,如结构信息、血流以及弹性参数等。OCT对眼底结构观察的清晰度通常高于其他检查方法,通过OCT观察眼底时能够将视网膜神经纤维、内外从、核层、锥杆细胞层、色素上皮层等眼部组织清晰区分开,因此,通过OCT诊断黄斑裂孔、中心性浆液性脉络膜视网膜病变、囊样水肿等眼部疾病通常能够收获较好的效果。此外,OCT设备在成像时由于能够同时获得眼底图像和OCT图像,因此,能够同时根据眼底图像和OCT图像这两种模态上进行病灶诊断,以极大降低病灶遗漏的风险。
目前,通常是通过训练能够进行自然图像分类的网络模型,进而实现根据眼部图像识别眼部疾病。传统的网络只有一个固定的分支,比较难处理目标大小不一致的问题(如一个狗在一张照片中可能占据照片中一大部分面积,在另外一张照片中只占一小部分)。通常情况下,固定大小的卷积核无法处理这种信息的不对称。而InceptionV4可以采用拓宽网络宽度的方式,增加网络对不同大小目标的采样信息。此外,DenseNet可以从增加网络的深度来提升网络的性能。由于传统网络的训练都存在梯度消失的问题,使得网络在计算反向传播时梯度为0导致无法进行回传,进而导致训练失败。因此,DenseNet提出采用前面所有层与后面层的密集连接,以加强训练过程中梯度的反向传播。
总的来说,InceptionV4和DenseNet在不同维度上都实现了性能的提升,但是上述二者都仅考虑了一个模态(即,一张图像)作为输入,而单一结构的网络并没有办法同时有效处理OCT图像和眼底图像两个模态,而缺少某个模态的信息可能会造成训练时调参效果不佳以及测试时网络对部分数据分类不正确的问题。
基于上述一个或多个问题,本示例实施方式提供了一种单模态检测网络的参数调整方法。该单模态检测网络的参数调整方法可以应用于上述服务器105,也可以应用于上述终端设备101、102、103中的一个或多个,本示例性实施例中对此不做特殊限定。参考图3所示,该单模态检测网络的参数调整方法可以包括以下步骤S310至步骤S340:
步骤S310:对第一图像进行特征提取,并对提取到的第一图像特征进行特征编码,以得到第一分布函数,以及,对提取到的第二图像特征进行特征编码,以得到第二分布函数;其中,第一图像特征与第一图像对应,第二图像特征由第一图像和第二图像进行特征融合得到。
步骤S320:根据第一分布函数和第二分布函数确定第一损失函数值。
步骤S330:根据第二分布函数的采样结果与第一图像的融合确定出待比对图像特征。
步骤S340:根据待比对图像特征与待比对标签的比对确定第二损失函数值,并根据第一损失函数值与第二损失函数值对单模态检测网络的网络参数进行调整,直到损失函数值收敛;其中,损失函数值包括第一损失函数值和第二损失函数值。
在本公开的一示例实施方式所提供的单模态检测网络的参数调整方法中,可以对第一图像(如,OCT图像)进行特征提取,并对提取到的第一图像特征进行特征编码,以得到第一分布函数,以及,对提取到的第二图像特征进行特征编码,以得到第二分布函数;其中,第一图像特征与第一图像对应,第二图像特征由第一图像和第二图像(如,眼底图像)进行特征融合得到;根据第一分布函数和第二分布函数确定第一损失函数值;进而,可以根据第二分布函数的采样结果与第一图像的融合确定出待比对图像特征;进而,可以根据待比对图像特征与待比对标签的比对确定第二损失函数值,并根据第一损失函数值与第二损失函数值对单模态检测网络的网络参数进行调整,直到损失函数值收敛;其中,损失函数值包括第一损失函数值和第二损失函数值。依据上述方案描述,本公开一方面能够在一定程度上克服调参效果不佳的问题,进而提升网络模型对于输入图像的处理效果;另一方面能够通过多模态(模态可以理解为图像)融合的方式调整单模态检测网络的网络参数,以实现对单模态检测网络的训练,提升网络训练效果,进而改善单模态检测网络对于输入图像的分类效果和识别效果,在本公开实施例应用于病灶识别时,可以提升对于眼底图像的病灶识别准确率。
此外,本公开的实施例可以应用于OCT及眼底疾病检测算法中,通过输入患者成对的OCT图像和眼底图像,进而结合OCT图像和眼底图像进行眼部疾病诊断。由于其测试阶段无监督的特性,因此可随意嵌入OCT或眼底筛查***中,为***提供另一个模态的信息作为补充,以同步提升眼底以及OCT网络的诊断能力。
需要说明的是,本公开实施例中所提及的眼底图像可以是通过眼底相机拍摄得到的,OCT图像可以是通过OCT成像设备拍摄得到的。可选的,也可以通过OCT成像设备同时获取眼底图像和OCT图像,本公开的实施例不作限定。其中,OCT图像为眼底图像中特定位置的相干断层扫描图像。
此外,上述的眼底相机是用于获取人眼视网膜图像(即,眼底图像)的一种医学相机。此外,OCT成像设备用于通过弱相干光干涉仪的基本原理,检测生物组织不同深度层面对入射弱相干光的背向反射或散射信号,通过扫描可得到生物组织二维或三维结构图像(即,OCT图像)。
下面,对于本示例实施方式的上述步骤进行更加详细的说明。
在步骤S310中,对第一图像进行特征提取,并对提取到的第一图像特征进行特征编码,以得到第一分布函数,以及,对提取到的第二图像特征进行特征编码,以得到第二分布函数;其中,第一图像特征与第一图像对应,第二图像特征由第一图像和第二图像进行特征融合得到。
本示例实施方式中,第一图像和第二图像均可以为眼部图像,其中,眼部图像包括眼底图像和OCT图像,若第一图像为眼底图像,那么第二图像则为OCT图像;若第一图像为OCT图像,那么第二图像则为眼底图像。其中,眼底图像的数据大小可以为496×496,OCT图像的数据大小可以为496×X,X可以为496、768或1024。
本示例实施方式中,如果眼底图像的数据大小可以为496×496,OCT图像的数据大小可以为496×496,在步骤S310之前,该单模态检测网络的参数调整方法还可以包括以下步骤:
计算第一图像对应的图像均值与图像方差的比值以及第二图像对应的图像均值与图像方差的比值,以实现对第一图像和第二图像的标准化;
对标准化后的第一图像和第二图像执行随机旋转、随机水平翻转、随机弹性形变或添加随机斑点噪声等操作,以得到多组不同形态的图像,每组图像中包括第一图像和第二图像,以用于步骤S310中。
本示例实施方式中,可选的,对提取到的第一图像特征进行特征编码,以得到第一分布函数的方式具体为:
通过单模态检测网络提取第一图像对应的第一图像特征;
对第一图像特征进行特征编码,以确定出第一图像对应的第一分布函数。
本示例实施方式中,第一图像特征是第一分布函数的子集,第一分布函数的表现形式可以为(特征的)集合。
本示例实施方式中,通过单模态检测网络提取第一图像对应的第一图像特征的方式具体为:通过单模态检测网络对第一图像进行N次卷积处理,对卷积结果进行非线性激活处理(即,relu层处理),并将非线性激活处理结果确定为与第一图像对应的第一图像特征;其中,N为正整数。
本示例实施方式中,对第一图像特征进行特征编码,以确定出第一图像对应的第一分布函数的方式具体为:将第一图像特征输入编码器以使得编码器对其进行特征编码,进而确定出第一图像对应的第一分布函数;其中,编码器又名Encoder,由一系列卷积、激活层、批标准化层构成。
可见,实施该可选的实施方式,能够通过编码器对第一图像进行特征编码,以确定出第一分布函数,进而可以用于逼近其与第二分布函数的相似程度,提升单模态检测网络的图像特征生成效果。
本示例实施方式中,可选的,对提取到的第二图像特征进行特征编码,以得到第二分布函数的方式具体为:
通过多模态检测网络对第一图像和第二图像进行融合,并根据融合结果生成第二图像特征;
对第二图像特征进行特征编码,以确定出第一图像和第二图像共同对应的第二分布函数。
本示例实施方式中,第二图像特征是第二分布函数的子集,第二分布函数的表现形式可以为(特征的)集合。
本示例实施方式中,通过多模态检测网络对第一图像和第二图像进行融合,并根据融合结果生成第二图像特征的方式具体为:通过多模态检测网络将第一图像和第二图像融合成待处理图像,进而提取待处理图像对应的第二图像特征;其中,第二图像特征中包括第一图像对应的图像特征和第二图像对应的图像特征。
进一步地,提取待处理图像对应的第二图像特征的方式具体为:通过多模态检测网络对待处理图像进行N次卷积处理,对卷积结果进行非线性激活处理,并将非线性激活处理结果确定为与待处理图像对应的第二图像特征;其中,N为正整数。
本示例实施方式中,对第二图像特征进行特征编码,以确定出第一图像和第二图像共同对应的第二分布函数的方式具体为:将第二图像特征输入编码器以使得编码器对其进行特征编码,进而确定出第一图像和第二图像共同对应的第二分布函数。
可见,实施该可选的实施方式,能够通过编码器对第二图像进行特征编码,以确定出第二分布函数,进而可以用于逼近其与第一分布函数的相似程度,提升单模态检测网络的图像特征生成效果。
在步骤S320中,根据第一分布函数和第二分布函数确定第一损失函数值。
本示例实施方式中,第一损失函数值用于表征第一分布函数和第二分布函数的差异。
在步骤S330中,根据第二分布函数的采样结果与第一图像的融合确定出待比对图像特征。
本示例实施方式中,第二分布函数的采样结果的确定方式可以为:对第二分布函数中的未知数进行赋值,以根据赋值后的表达式确定出第二分布函数值,作为第二分布函数的采样结果;其中,采样结果中可以包括至少一个第二分布函数值。
本示例实施方式中,可选的,根据第二分布函数的采样结果与第一图像的融合确定出待比对图像特征的方式具体为:
根据第二分布函数的采样结果与第一图像对应的第一图像特征进行融合,得到第三图像特征,并将第二分布函数的采样结果与第二图像特征进行融合,得到第四图像特征;
确定第三图像特征对应的第三分布函数,并确定第四图像特征对应的第四分布函数;
根据第三分布函数和第四分布函数确定第三损失函数值;
根据第四分布函数的采样结果与第三图像特征进行融合,得到第五图像特征,并将第四分布函数的采样结果与第四图像特征进行融合,得到第六图像特征;
确定第五图像特征对应的第五分布函数,并确定第六图像特征对应的第六分布函数;
根据第五分布函数和第六分布函数确定第四损失函数值;
根据第六分布函数的采样结果与第五图像特征进行融合,得到待比对图像特征。
本示例实施方式中,根据第二分布函数的采样结果与第一图像对应的第一图像特征进行融合,得到第三图像特征的方式具体可以为:对第一图像特征进行N次卷积处理;其中,N为正整数;将后验编码器拟合的高斯分布中采集的隐变量与卷积处理后的第一图像特征进行融合,再将融合结果进行极大值池化处理,得到第三图像特征。同理,得到第四图像特征、第五图像特征和第六图像特征的方式与上述得到第三图像特征的方式相同,此处不再赘述。
本示例实施方式中,第二分布函数的采样结果可以理解为:通过在第一后验编码器拟合的高斯分布中采集的隐变量。第四分布函数的采样结果可以理解为:通过在第二后验编码器拟合的高斯分布中采集的隐变量。第六分布函数的采样结果可以理解为:通过在第三后验编码器拟合的高斯分布中采集的隐变量。
此外,需要说明的是,单模态检测网络可以包括三个先验网络,多模态检测网络可以包括三个后验网络,每个网络中包括一对应的编码器;可选的,单模态检测网络中包括的先验网络的数量可以为至少一个,多模态检测网络中包括的后验网络的数量也可以为至少一个,本公开的实施例不作限定。
其中,第一后验网络包括第一后验编码器,第二后验网络包括第二后验编码器,第三后验网络包括第三后验编码器。同理,第一先验网络包括第一先验编码器,第二先验网络包括第二先验编码器,第三先验网络包括第三先验编码器。先验编码器和后验编码器均用于对图像特征进行特征编码,以确定对应的分布函数。
本示例实施方式中,第一分布函数是通过第一先验网络确定出的,第二分布函数是通过第一后验网络确定出的;第三分布函数是通过第二先验网络确定出的,第四分布函数是通过第二后验网络确定出的;第五分布函数是通过第三先验网络确定出的,第六分布函数是通过第三后验网络确定出的。
可见,实施该可选的实施方式,能够确定三个损失函数值,以根据三个损失函数值调整单模态检测网络的网络参数,以提升单模态检测网络对输入图像的分类效果和识别效果。
在步骤S340中,根据待比对图像特征与待比对标签的比对确定第二损失函数值,并根据第一损失函数值与第二损失函数值对单模态检测网络的网络参数进行调整,直到损失函数值收敛;其中,损失函数值包括第一损失函数值和第二损失函数值。
本示例实施方式中,单模态检测网络的网络参数用于提取图像特征。待比对标签可以为输入图像对应的预设标签,如果通过对待比对图像特征的分类能够确定其与待比对标签匹配,则表明单模态检测网络的分类效果较好,能够确定出输入的图像对应的标签。此外,单模态检测网络中的网络参数可以采用Dense121网络(即,一种深度学习网络)ImageNet数据集上预训练的参数,其中,新添加的卷积层/融合层/编码解码子网络/全连接层,均可以采用方差为0.01均值为0的高斯分布进行初始化,进而对图像特征进行相应的卷积处理、融合处理、特征编码处理或分类处理。
其中,需要说明的是,上述卷积层的参数和偏置参数可以基于Adam的梯度下降法求解得到。神经网络最基本的优化算法是反向传播算法加上梯度下降法。通过梯度下降法,可以使得网络参数不断收敛到全局(或者局部)最小值,但是由于神经网络层数太多,通常需要通过反向传播算法,把误差一层一层地从输出传播到输入,逐层地更新网络参数。由于梯度方向是函数值变大的最快的方向,因此负梯度方向则是函数值变小的最快的方向。沿着负梯度方向一步一步迭代,便能快速地收敛到函数最小值。此外,Adam是是结合AdaGrad和RMSProp两种优化算法优点的一种优化器,用于对梯度的一阶矩估计(即,梯度的均值)和二阶矩估计(即,梯度的未中心化的方差)进行综合考虑,以计算出更新步长。
本示例实施方式中,可选的,根据待比对图像特征与待比对标签的比对确定第二损失函数值的方式具体为:
对待比对图像特征进行特征处理,并将特征处理后的待比对图像特征与待比对标签进行比对,根据比对结果确定第二损失函数值;其中,特征处理包括卷积处理、池化处理以及非线性激活处理。
本示例实施方式中,将特征处理后的待比对图像特征与待比对标签进行比对,根据比对结果确定第二损失函数值的方式具体为:将特征处理后的待比对图像特征输入全连接层,以确定待比对图像特征所属的分类,根据其所属的分类对应标签与待比对标签的比对确定第二损失函数值。
可见,实施该可选的实施方式,能够通过与待比对标签的比对,以确定出用于调整网络参数的损失函数,进而通过损失函数改善网络模型的图像识别效果。
本示例实施方式中,可选的,该单模态检测网络的参数调整方法还可以包括以下步骤:
将第一损失函数值、第二损失函数值、第三损失函数值以及第四损失函数值的和确定为损失函数值。
进一步地,根据第一损失函数值与第二损失函数值对单模态检测网络的网络参数进行调整,直到损失函数值收敛的方式具体为:
根据损失函数值对单模态检测网络的网络参数进行调整,直到损失函数值收敛。
本示例实施方式中,第一损失函数值、第三损失函数值以及第四损失函数值均可以对应KL损失函数,KL损失函数用于拉近三组先验网络与后验网络之间的分布。此外,第二损失函数值对应的第二损失函数可以为交叉熵损失函数,交叉熵损失函数用于引导先验网络学习眼底图像或OCT图像中存在的病灶信息或用于对病灶进行分类判断;其中,病灶信息至少包括病灶区域的面积和病灶区域的中心坐标等,本公开的实施例不作限定。
可见,实施该可选的实施方式,能够通过上述的损失函数值对网络参数进行调整,这样能够提升网络训练效果,进而改善单模态检测网络对于输入图像的识别效果。
可见,实施图3所示的单模态检测网络的参数调整方法,能够在一定程度上克服调参效果不佳的问题,进而提升网络模型对于输入图像的处理效果;以及,能够通过多模态融合的方式调整单模态检测网络的网络参数,以实现对单模态检测网络的训练,提升网络训练效果,进而改善单模态检测网络对于输入图像的分类效果和识别效果,在本公开实施例应用于病灶识别时,可以提升对于眼底图像的病灶识别准确率。
此外,本示例实施方式还提供了一种眼部图像中的病灶预测方法。该眼部图像中的病灶预测方法可以应用于上述服务器105,也可以应用于上述终端设备101、102、103中的一个或多个,本示例性实施例中对此不做特殊限定。参考图4所示,该眼部图像中的病灶预测方法可以包括以下步骤S410至步骤S440:
步骤S410:将眼部图像输入单模态检测网络,根据单模态检测网络拟合眼部图像对应的第一分布函数。
步骤S420:将第一分布函数的采样结果与眼部图像对应的第一图像特征进行融合,得到第二图像特征。
步骤S430:根据单模态检测网络拟合第二图像特征对应的第二分布函数,并将第二分布函数的采样结果与第二图像特征进行融合,得到第三图像特征。
步骤S440:根据单模态检测网络拟合第三图像特征对应的第三分布函数,并将第三分布函数的采样结果与第三图像特征进行融合,得到第四图像特征并根据第四图像特征预测眼部图像中的病灶。
其中,单模态检测网络是根据本公开实施例提供的一种单模态检测网络的参数调整方法调整得到的。
下面,对于本示例实施方式的上述步骤进行更加详细的说明。
在步骤S410中,将眼部图像输入单模态检测网络,根据单模态检测网络拟合眼部图像对应的第一分布函数。
本示例实施方式中,上述的眼部图像可以为OCT图像也可以为眼底图像,本公开的实施例不作限定。
本示例实施方式中,根据单模态检测网络拟合眼部图像对应的第一分布函数的方式具体为:通过多模态检测网络对眼部图像进行N次卷积处理,对卷积结果进行非线性激活处理,并将非线性激活处理结果确定为与眼部图像对应的图像特征;其中,N为正整数;将眼部图像对应的图像特征输入编码器以使得编码器对其进行特征编码,进而确定出眼部图像对应的图像特征对应的第一分布函数。
在步骤S420中,将第一分布函数的采样结果与眼部图像对应的第一图像特征进行融合,得到第二图像特征。
本示例实施方式中,步骤S420得到第二图像特征的方式与图3中得到第三图像特征的方式相同,请参阅图3所示的实施例,此处不再赘述。
在步骤S430中,根据单模态检测网络拟合第二图像特征对应的第二分布函数,并将第二分布函数的采样结果与第二图像特征进行融合,得到第三图像特征。
本示例实施方式中,步骤S430得到第三图像特征的方式与图3中得到第三图像特征的方式相同,请参阅图3所示的实施例,此处不再赘述。
在步骤S440中,根据单模态检测网络拟合第三图像特征对应的第三分布函数,并将第三分布函数的采样结果与第三图像特征进行融合,得到第四图像特征并根据第四图像特征预测眼部图像中的病灶。
本示例实施方式中,如果眼部图像为OCT图像,那么,OCT图像对应的第一图像特征、第二图像特征、第三图像特征以及第四图像特征中均隐含眼底图像的图像特征;其中,该OCT图像与该眼底图像相对应。
本示例实施方式中,根据第四图像特征预测眼部图像中的病灶的方式具体为:对第四图像特征进行特征识别,以确定对应的病灶位置的特征部分,并根据该特征部分在对应的眼部图像中标注病灶位置。
可见,实施图4所示的眼部图像中的病灶预测方法,能够通过无监督多模态融合网络的上分支(即,上述的单模态检测网络)生成与OCT图像对应的眼底图像的特征,提升了病灶位置的确定效率和确定准确率;此外,由于该方法可以应用于眼底智能诊断***或OCT智能诊断***中,因此,可以提升各种模态智能筛查***的诊断能力;此外,由于该方法的扩展性较强,可以支持至少一种模态的眼部图像,这样可以改善对于眼部疾病筛查的效果。
请参阅图5,图5示意性示出了根据本公开的一个实施例的眼部图像的示意图。如图5所示,眼部图像500包括眼底图像501和OCT图像502。其中,眼底图像501中的黑色箭头所在的位置(也可以理解为眼部病灶所在的位置)与OCT图像502相对应,眼部图像500即为图4实施例中涉及的眼部图像。另外,眼底图像501和OCT图像502可以作为第一图像和第二图像对单模态检测网络进行训练。
结合图5示出的眼部图像,请参阅图6,图6示意性示出了根据本公开的一个实施例的单模态检测网络的参数调整方法的架构图。如图6所示,单模态检测网络的参数调整方法的架构图包括:第一图像601、第二图像602、N个堆叠的卷积层和非线性激活层603、极大值池化层604、融合层605、极大值池化层606、3个卷积层+池化层+非线性激活层607、全连接层608、第一先验网络609、第二先验网络610、第三先验网络611、第一后验网络612、第二后验网络613以及第三后验网络614。
具体地,根据N个堆叠的卷积层和非线性激活层603、极大值池化层604和第一先验网络609可以确定出第一图像601对应的第一分布函数,以及根据N个堆叠的卷积层和非线性激活层603(其中,N为正整数)、极大值池化层604和第一后验网络612可以确定出第一图像601和第二图像602共同对应的第二分布函数;进而,可以根据第一后验网络612对第二分布函数进行采样,得到的采样结果与第一图像601对应的第一图像特征进行融合,得到第三图像特征,以输入下一个N个堆叠的卷积层和非线性激活层603;其中,第一图像特征是由N个堆叠的卷积层和非线性激活层603以及极大值池化层604对第一图像601处理得到的;进而,可以将第二分布函数的采样结果与所述第二图像特征进行融合,得到第四图像特征,以输入下一个N个堆叠的卷积层和非线性激活层603;其中,第二图像特征是由N个堆叠的卷积层和非线性激活层603以及极大值池化层604对第一图像601和第二图像602处理得到的;进而,可以通过第二先验网络610确定第三图像特征对应的第三分布函数,并通过第二后验网络613确定第四图像特征对应的第四分布函数;进而,可以根据第三分布函数和第四分布函数确定第三损失函数值;进而,可以根据第二后验网络613对第四分布函数进行采样,并将采样结果与第三图像特征进行融合,得到第五图像特征,以输入下一个N个堆叠的卷积层和非线性激活层603;进而,可以将第四分布函数的采样结果与所述第四图像特征进行融合,得到第六图像特征;进而,可以通过第三先验网络611确定第五图像特征对应的第五分布函数,并确定第六图像特征对应的第六分布函数,以根据第五分布函数和第六分布函数确定第四损失函数值;进而,可以根据第三后验网络614对第六分布函数进行采样,并将采样结果与第五图像特征进行融合,得到待比对图像特征;进而,可以通过3个卷积层+池化层+非线性激活层607对待比对图像特征进行特征处理,并对特征处理结果进行全局池化,并输入全连接层608以将待比对图像特征与待比对标签进行比对,以及通过交叉熵损失函数对比对结果进行训练。
其中,第一损失函数值、第二损失函数值以及第三损失函数值均由KL损失函数确定得到。
此外,需要说明的是,上述的任一“输入下一个N个堆叠的卷积层和非线性激活层603”之后还需经过融合层605和极大值池化层606。
可见,结合图6所示的架构图执行图3所示的单模态检测网络的参数调整方法,能够在一定程度上克服调参效果不佳的问题,进而提升网络模型对于输入图像的处理效果;以及,能够通过多模态融合的方式调整单模态检测网络的网络参数,以实现对单模态检测网络的训练,提升网络训练效果,进而改善单模态检测网络对于输入图像的分类效果和识别效果。
结合图5示出的眼部图像,请参阅图7,图7示意性示出了根据本公开的一个实施例的眼部图像中的病灶预测方法的架构图。如图7所示,眼部图像中的病灶预测方法的架构图包括:第一图像701、N个堆叠的卷积层和非线性激活层702、极大值池化层703、融合层704、极大值池化层705、3个卷积层+池化层+非线性激活层706、全连接层707、第一先验网络708、第二先验网络709以及第三先验网络710。
具体地,根据N个堆叠的卷积层和非线性激活层702、极大值池化层703和第一先验网络708可以确定出第一图像701对应的第一分布函数;进而,可以通过第一先验网络708对第一分布函数进行采样,并将采样结果与眼部图像对应的第一图像特征进行融合,得到第二图像特征,以输入下一个N个堆叠的卷积层和非线性激活层702;进而,可以根据第二先验网络708确定第二图像特征对应的第二分布函数,并通过第二先验网络708对第二分布函数进行采样,并将采样结果与第二图像特征进行融合,得到第三图像特征;进而,可以根据第三先验网络710确定第三图像特征对应的第三分布函数,并通过第三先验网络710对第三分布函数进行采样,并将采样结果与第三图像特征进行融合,得到第四图像特征;进而,可以通过3个卷积层+池化层+非线性激活层706对第四图像特征进行特征处理,并对特征处理结果进行全局池化,并输入全连接层708以将第四图像特征与待比对标签进行比对,得到第一图像701对应的标签以及预测的病灶位置。
此外,需要说明的是,上述的任一“输入下一个N个堆叠的卷积层和非线性激活层702”之后还需经过融合层701和极大值池化层705。
可见,结合图7所示的架构图执行图4所示的眼部图像中的病灶预测方法,能够通过无监督多模态融合网络的上分支(即,上述的单模态检测网络)生成与OCT图像对应的眼底图像的特征,提升了病灶位置的确定效率和确定准确率;此外,由于该方法可以应用于眼底智能诊断***或OCT智能诊断***中,因此,可以提升各种模态智能筛查***的诊断能力;此外,由于该方法的扩展性较强,可以支持至少一种模态的眼部图像,这样可以改善对于眼部疾病筛查的效果。
进一步的,本示例实施方式中,还提供了一种单模态检测网络的参数调整装置800。该单模态检测网络的参数调整装置800可以应用于一服务器或终端设备。参考图8所示,该单模态检测网络的参数调整装置800可以包括:分布函数确定单元801、损失函数值确定单元802、特征融合单元803以及参数调整单元804,其中:
分布函数确定单元801,用于对第一图像进行特征提取,并对提取到的第一图像特征进行特征编码,以得到第一分布函数,以及,对提取到的第二图像特征进行特征编码,以得到第二分布函数;其中,第一图像特征与第一图像对应,第二图像特征由第一图像和第二图像进行特征融合得到;
损失函数值确定单元802,用于根据第一分布函数和第二分布函数确定第一损失函数值;
特征融合单元803,用于根据第二分布函数的采样结果与第一图像的融合确定出待比对图像特征;
参数调整单元804,用于根据待比对图像特征与待比对标签的比对确定第二损失函数值,并根据第一损失函数值与第二损失函数值对单模态检测网络的网络参数进行调整,直到损失函数值收敛;其中,损失函数值包括第一损失函数值和第二损失函数值。
可见,实施图8所示的单模态检测网络的参数调整装置800,能够在一定程度上克服调参效果不佳的问题,进而提升网络模型对于输入图像的处理效果;以及,能够通过多模态融合的方式调整单模态检测网络的网络参数,以实现对单模态检测网络的训练,提升网络训练效果,进而改善单模态检测网络对于输入图像的分类效果和识别效果,在本公开实施例应用于病灶识别时,可以提升对于眼底图像的病灶识别准确率。
在本公开的一种示例性实施例中,分布函数确定单元801对提取到的第一图像特征进行特征编码,以得到第一分布函数的方式具体为:
分布函数确定单元801通过单模态检测网络提取第一图像对应的第一图像特征;
分布函数确定单元801对第一图像特征进行特征编码,以确定出第一图像对应的第一分布函数。
可见,实施该示例性实施例,能够通过编码器对第一图像进行特征编码,以确定出第一分布函数,进而可以用于逼近其与第二分布函数的相似程度,提升单模态检测网络的图像特征生成效果。
在本公开的一种示例性实施例中,分布函数确定单元801对提取到的第二图像特征进行特征编码,以得到第二分布函数的方式具体为:
分布函数确定单元801通过多模态检测网络对第一图像和第二图像进行融合,并根据融合结果生成第二图像特征;
分布函数确定单元801对第二图像特征进行特征编码,以确定出第一图像和第二图像共同对应的第二分布函数。
可见,实施该示例性实施例,能够通过编码器对第二图像进行特征编码,以确定出第二分布函数,进而可以用于逼近其与第一分布函数的相似程度,提升单模态检测网络的图像特征生成效果。
在本公开的一种示例性实施例中,特征融合单元803根据第二分布函数的采样结果与第一图像的融合确定出待比对图像特征的方式具体为:
特征融合单元803根据第二分布函数的采样结果与第一图像对应的第一图像特征进行融合,得到第三图像特征,并将第二分布函数的采样结果与第二图像特征进行融合,得到第四图像特征;
特征融合单元803确定第三图像特征对应的第三分布函数,并确定第四图像特征对应的第四分布函数;
特征融合单元803根据第三分布函数和第四分布函数确定第三损失函数值;
特征融合单元803根据第四分布函数的采样结果与第三图像特征进行融合,得到第五图像特征,并将第四分布函数的采样结果与第四图像特征进行融合,得到第六图像特征;
特征融合单元803确定第五图像特征对应的第五分布函数,并确定第六图像特征对应的第六分布函数;
特征融合单元803根据第五分布函数和第六分布函数确定第四损失函数值;
特征融合单元803根据第六分布函数的采样结果与第五图像特征进行融合,得到待比对图像特征。
可见,实施该示例性实施例,能够确定三个损失函数值,以根据三个损失函数值调整单模态检测网络的网络参数,以提升单模态检测网络对输入图像的分类效果和识别效果。
在本公开的一种示例性实施例中,参数调整单元804根据待比对图像特征与待比对标签的比对确定第二损失函数值的方式具体为:
参数调整单元804对待比对图像特征进行特征处理,并将特征处理后的待比对图像特征与待比对标签进行比对,根据比对结果确定第二损失函数值;其中,特征处理包括卷积处理、池化处理以及非线性激活处理。
可见,实施该示例性实施例,能够通过与待比对标签的比对,以确定出用于调整网络参数的损失函数,进而通过损失函数改善网络模型的图像识别效果。
在本公开的一种示例性实施例中,损失函数值确定单元802,还用于将第一损失函数值、第二损失函数值、第三损失函数值以及第四损失函数值的和确定为损失函数值。
在本公开的一种示例性实施例中,损失函数值确定单元802根据第一损失函数值与第二损失函数值对单模态检测网络的网络参数进行调整,直到损失函数值收敛的方式具体为:
损失函数值确定单元802根据损失函数值对单模态检测网络的网络参数进行调整,直到损失函数值收敛。
可见,实施该示例性实施例,能够通过上述的损失函数值对网络参数进行调整,这样能够提升网络训练效果,进而改善单模态检测网络对于输入图像的识别效果。
更进一步的,本示例实施方式中,还提供了一种眼部图像中的病灶预测装置900。该眼部图像中的病灶预测装置900可以应用于一服务器或终端设备。参考图9所示,该眼部图像中的病灶预测装置900可以包括:函数拟合单元901、图像特征融合单元902以及图像特征获取单元903,其中:
函数拟合单元901,用于将眼部图像输入单模态检测网络,根据单模态检测网络拟合眼部图像对应的第一分布函数;
图像特征融合单元902,用于将第一分布函数的采样结果与眼部图像对应的第一图像特征进行融合,得到第二图像特征;
图像特征获取单元903,用于根据单模态检测网络拟合第二图像特征对应的第二分布函数,并将第二分布函数的采样结果与第二图像特征进行融合,得到第三图像特征;
图像特征获取单元903,还用于根据单模态检测网络拟合第三图像特征对应的第三分布函数,并将第三分布函数的采样结果与第三图像特征进行融合,得到第四图像特征并根据第四图像特征预测眼部图像中的病灶;
其中,单模态检测网络是根据本公开的实施例提供的一种单模态检测网络的参数调整方法调整得到的。
可见,实施图9所示的眼部图像中的病灶预测装置900,能够通过无监督多模态融合网络的上分支(即,上述的单模态检测网络)生成与OCT图像对应的眼底图像的特征,提升了病灶位置的确定效率和确定准确率;此外,由于该方法可以应用于眼底智能诊断***或OCT智能诊断***中,因此,可以提升各种模态智能筛查***的诊断能力;此外,由于该方法的扩展性较强,可以支持至少一种模态的眼部图像,这样可以改善对于眼部疾病筛查的效果。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
由于本公开的示例实施例的单模态检测网络的参数调整装置的各个功能模块与上述单模态检测网络的参数调整方法的示例实施例的步骤对应,因此对于本公开装置实施例中未披露的细节,请参照本公开上述的单模态检测网络的参数调整方法的实施例。
此外,由于本公开的示例实施例的眼部图像中的病灶预测装置的各个功能模块与上述眼部图像中的病灶预测方法的示例实施例的步骤对应,因此对于本公开装置实施例中未披露的细节,请参照本公开上述的眼部图像中的病灶预测方法的实施例。
需要说明的是,本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种单模态检测网络的参数调整方法,其特征在于,包括:
对第一图像进行特征提取,并对提取到的第一图像特征进行特征编码,以得到第一分布函数,以及,对提取到的第二图像特征进行特征编码,以得到第二分布函数;其中,所述第一图像特征与所述第一图像对应,所述第二图像特征由所述第一图像和第二图像进行特征融合得到;
根据所述第一分布函数和所述第二分布函数确定第一损失函数值;
根据所述第二分布函数的采样结果与所述第一图像的融合确定出待比对图像特征;
根据所述待比对图像特征与待比对标签的比对确定第二损失函数值,并根据所述第一损失函数值与所述第二损失函数值对单模态检测网络的网络参数进行调整,直到损失函数值收敛;其中,所述损失函数值包括所述第一损失函数值和所述第二损失函数值。
2.根据权利要求1所述的方法,其特征在于,对提取到的第一图像特征进行特征编码,以得到第一分布函数,包括:
通过单模态检测网络提取第一图像对应的第一图像特征;
对所述第一图像特征进行特征编码,以确定出所述第一图像对应的第一分布函数。
3.根据权利要求1所述的方法,其特征在于,对提取到的第二图像特征进行特征编码,以得到第二分布函数,包括:
通过多模态检测网络对所述第一图像和第二图像进行融合,并根据融合结果生成第二图像特征;
对所述第二图像特征进行特征编码,以确定出所述第一图像和所述第二图像共同对应的第二分布函数。
4.根据权利要求1所述的方法,其特征在于,根据所述第二分布函数的采样结果与所述第一图像的融合确定出待比对图像特征,包括:
根据所述第二分布函数的采样结果与所述第一图像对应的第一图像特征进行融合,得到第三图像特征,并将所述第二分布函数的采样结果与所述第二图像特征进行融合,得到第四图像特征;
确定所述第三图像特征对应的第三分布函数,并确定所述第四图像特征对应的第四分布函数;
根据所述第三分布函数和所述第四分布函数确定第三损失函数值;
根据所述第四分布函数的采样结果与所述第三图像特征进行融合,得到第五图像特征,并将所述第四分布函数的采样结果与所述第四图像特征进行融合,得到第六图像特征;
确定所述第五图像特征对应的第五分布函数,并确定所述第六图像特征对应的第六分布函数;
根据所述第五分布函数和所述第六分布函数确定第四损失函数值;
根据所述第六分布函数的采样结果与所述第五图像特征进行融合,得到待比对图像特征。
5.根据权利要求1所述的方法,其特征在于,根据所述待比对图像特征与待比对标签的比对确定第二损失函数值,包括:
对所述待比对图像特征进行特征处理,并将特征处理后的待比对图像特征与待比对标签进行比对,根据比对结果确定第二损失函数值;其中,所述特征处理包括卷积处理、池化处理以及非线性激活处理。
6.根据权利要求4所述的方法,其特征在于,还包括:
将所述第一损失函数值、所述第二损失函数值、所述第三损失函数值以及所述第四损失函数值的和确定为损失函数值。
7.根据权利要求6所述的方法,其特征在于,根据所述第一损失函数值与所述第二损失函数值对单模态检测网络的网络参数进行调整,直到损失函数值收敛,包括:
根据所述损失函数值对所述单模态检测网络的网络参数进行调整,直到所述损失函数值收敛。
8.一种眼部图像中的病灶预测方法,其特征在于,包括:
将眼部图像输入单模态检测网络,根据所述单模态检测网络拟合所述眼部图像对应的第一分布函数;
将所述第一分布函数的采样结果与所述眼部图像对应的第一图像特征进行融合,得到第二图像特征;
根据所述单模态检测网络拟合所述第二图像特征对应的第二分布函数,并将所述第二分布函数的采样结果与所述第二图像特征进行融合,得到第三图像特征;
根据所述单模态检测网络拟合所述第三图像特征对应的第三分布函数,并将所述第三分布函数的采样结果与所述第三图像特征进行融合,得到第四图像特征并根据所述第四图像特征预测所述眼部图像中的病灶;
其中,所述单模态检测网络是根据权利要求1~6任一项所述的方法调整得到的。
9.一种单模态检测网络的参数调整装置,其特征在于,包括:
分布函数确定单元,用于对第一图像进行特征提取,并对提取到的第一图像特征进行特征编码,以得到第一分布函数,以及,对提取到的第二图像特征进行特征编码,以得到第二分布函数;其中,所述第一图像特征与所述第一图像对应,所述第二图像特征由所述第一图像和第二图像进行特征融合得到;
损失函数值确定单元,用于根据所述第一分布函数和所述第二分布函数确定第一损失函数值;
特征融合单元,用于根据所述第二分布函数的采样结果与所述第一图像的融合确定出待比对图像特征;
参数调整单元,用于根据所述待比对图像特征与待比对标签的比对确定第二损失函数值,并根据所述第一损失函数值与所述第二损失函数值对单模态检测网络的网络参数进行调整,直到损失函数值收敛;其中,所述损失函数值包括所述第一损失函数值和所述第二损失函数值。
10.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储所述处理器的可执行指令;
其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910723272.7A CN110503636B (zh) | 2019-08-06 | 2019-08-06 | 参数调整方法、病灶预测方法、参数调整装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910723272.7A CN110503636B (zh) | 2019-08-06 | 2019-08-06 | 参数调整方法、病灶预测方法、参数调整装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110503636A true CN110503636A (zh) | 2019-11-26 |
CN110503636B CN110503636B (zh) | 2024-01-26 |
Family
ID=68587972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910723272.7A Active CN110503636B (zh) | 2019-08-06 | 2019-08-06 | 参数调整方法、病灶预测方法、参数调整装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110503636B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178343A (zh) * | 2020-04-13 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 基于人工智能的多媒体资源检测方法、装置、设备及介质 |
CN112016554A (zh) * | 2020-08-04 | 2020-12-01 | 杰创智能科技股份有限公司 | 语义分割方法、装置、电子设备与存储介质 |
CN114119588A (zh) * | 2021-12-02 | 2022-03-01 | 北京大恒普信医疗技术有限公司 | 一种训练眼底黄斑病变区域检测模型的方法、装置及*** |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0549470A1 (en) * | 1991-12-23 | 1993-06-30 | Lg Electronics Inc. | Variable length-adaptive image data compression method and apparatus |
DE19501551A1 (de) * | 1994-01-21 | 1995-08-03 | Mitsubishi Electric Corp | Bewegungsvektor-Ermittlungseinrichtung, welche dazu in der Lage ist, sich einer Mehrzahl von Voraussagearten anzupassen |
EP0997839A2 (en) * | 1998-10-29 | 2000-05-03 | Fujitsu Limited | Word recognizing apparatus and method for dynamically generating feature amount of word |
CA2868448A1 (en) * | 2012-03-26 | 2013-10-03 | Euclid Discoveries, Llc | Context based video encoding and decoding |
WO2018124309A1 (en) * | 2016-12-30 | 2018-07-05 | Mitsubishi Electric Corporation | Method and system for multi-modal fusion model |
CN108345860A (zh) * | 2018-02-24 | 2018-07-31 | 江苏测联空间大数据应用研究中心有限公司 | 基于深度学习和距离度量学习的人员再识别方法 |
CN109117831A (zh) * | 2018-09-30 | 2019-01-01 | 北京字节跳动网络技术有限公司 | 物体检测网络的训练方法和装置 |
CN109543745A (zh) * | 2018-11-20 | 2019-03-29 | 江南大学 | 基于条件对抗自编码网络的特征学习方法及图像识别方法 |
CN109711241A (zh) * | 2018-10-30 | 2019-05-03 | 百度在线网络技术(北京)有限公司 | 物体检测方法、装置与电子设备 |
CN109815965A (zh) * | 2019-02-13 | 2019-05-28 | 腾讯科技(深圳)有限公司 | 一种图像过滤方法、装置及存储介质 |
CN109902767A (zh) * | 2019-04-11 | 2019-06-18 | 网易(杭州)网络有限公司 | 模型训练方法、图像处理方法及装置、设备和介质 |
CN109919915A (zh) * | 2019-02-18 | 2019-06-21 | 广州视源电子科技股份有限公司 | 基于深度学习的视网膜眼底图像异常区域检测方法及设备 |
-
2019
- 2019-08-06 CN CN201910723272.7A patent/CN110503636B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0549470A1 (en) * | 1991-12-23 | 1993-06-30 | Lg Electronics Inc. | Variable length-adaptive image data compression method and apparatus |
DE19501551A1 (de) * | 1994-01-21 | 1995-08-03 | Mitsubishi Electric Corp | Bewegungsvektor-Ermittlungseinrichtung, welche dazu in der Lage ist, sich einer Mehrzahl von Voraussagearten anzupassen |
EP0997839A2 (en) * | 1998-10-29 | 2000-05-03 | Fujitsu Limited | Word recognizing apparatus and method for dynamically generating feature amount of word |
CA2868448A1 (en) * | 2012-03-26 | 2013-10-03 | Euclid Discoveries, Llc | Context based video encoding and decoding |
WO2018124309A1 (en) * | 2016-12-30 | 2018-07-05 | Mitsubishi Electric Corporation | Method and system for multi-modal fusion model |
CN108345860A (zh) * | 2018-02-24 | 2018-07-31 | 江苏测联空间大数据应用研究中心有限公司 | 基于深度学习和距离度量学习的人员再识别方法 |
CN109117831A (zh) * | 2018-09-30 | 2019-01-01 | 北京字节跳动网络技术有限公司 | 物体检测网络的训练方法和装置 |
CN109711241A (zh) * | 2018-10-30 | 2019-05-03 | 百度在线网络技术(北京)有限公司 | 物体检测方法、装置与电子设备 |
CN109543745A (zh) * | 2018-11-20 | 2019-03-29 | 江南大学 | 基于条件对抗自编码网络的特征学习方法及图像识别方法 |
CN109815965A (zh) * | 2019-02-13 | 2019-05-28 | 腾讯科技(深圳)有限公司 | 一种图像过滤方法、装置及存储介质 |
CN109919915A (zh) * | 2019-02-18 | 2019-06-21 | 广州视源电子科技股份有限公司 | 基于深度学习的视网膜眼底图像异常区域检测方法及设备 |
CN109902767A (zh) * | 2019-04-11 | 2019-06-18 | 网易(杭州)网络有限公司 | 模型训练方法、图像处理方法及装置、设备和介质 |
Non-Patent Citations (3)
Title |
---|
AHMED ELTANBOLY 等: "A computer-aided diagnostic system for detecting diabetic retinopathy in optical coherence tomography images", 《MEDICAL PHYSICS》, vol. 44, no. 3, pages 914 - 923, XP055502462, DOI: 10.1002/mp.12071 * |
葛磊: "基于深层自编码的孤立性肺结节诊断方法的研究", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》, no. 02, pages 072 - 342 * |
边成: "基于深度学习的全乳超声解剖层分割与病灶检测", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》, no. 07, pages 060 - 17 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178343A (zh) * | 2020-04-13 | 2020-05-19 | 腾讯科技(深圳)有限公司 | 基于人工智能的多媒体资源检测方法、装置、设备及介质 |
CN112016554A (zh) * | 2020-08-04 | 2020-12-01 | 杰创智能科技股份有限公司 | 语义分割方法、装置、电子设备与存储介质 |
CN112016554B (zh) * | 2020-08-04 | 2022-09-02 | 杰创智能科技股份有限公司 | 语义分割方法、装置、电子设备与存储介质 |
CN114119588A (zh) * | 2021-12-02 | 2022-03-01 | 北京大恒普信医疗技术有限公司 | 一种训练眼底黄斑病变区域检测模型的方法、装置及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110503636B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106920227B (zh) | 基于深度学习与传统方法相结合的视网膜血管分割方法 | |
Zhang et al. | Development of an automated screening system for retinopathy of prematurity using a deep neural network for wide-angle retinal images | |
CN111728609B (zh) | 脑电信号的分类方法、分类模型的训练方法、装置及介质 | |
CN109726743B (zh) | 一种基于三维卷积神经网络的视网膜oct图像分类方法 | |
CN113693613B (zh) | 脑电信号分类方法、装置、计算机设备及存储介质 | |
CN110458217A (zh) | 图像识别方法及装置、眼底图像识别方法和电子设备 | |
CN110503636A (zh) | 参数调整方法、病灶预测方法、参数调整装置及电子设备 | |
WO2022166399A1 (zh) | 基于双模态深度学习的眼底疾病辅助诊断方法和装置 | |
CN112233087A (zh) | 一种基于人工智能的眼科超声疾病诊断方法和*** | |
CN113096137B (zh) | 一种oct视网膜图像领域适应分割方法及*** | |
CN109276243A (zh) | 脑电心理测试方法及终端设备 | |
CN102567734A (zh) | 基于比值的视网膜细小血管分割方法 | |
CN112043260A (zh) | 基于局部模式变换的心电图分类方法 | |
Aurangzeb et al. | An efficient and light weight deep learning model for accurate retinal vessels segmentation | |
Zhang et al. | A human-in-the-loop deep learning paradigm for synergic visual evaluation in children | |
Jain et al. | Rider manta ray foraging optimization-based generative adversarial network and CNN feature for detecting glaucoma | |
CN114424941A (zh) | 疲劳检测模型构建方法、疲劳检测方法、装置及设备 | |
CN117237711A (zh) | 一种基于对抗学习的双模态眼底图像分类方法 | |
Nabijiang et al. | BAM: Block attention mechanism for OCT image classification | |
Purwanithami et al. | Hemorrhage diabetic retinopathy detection based on fundus image using neural network and FCM segmentation | |
CN111951950A (zh) | 基于深度学习的三维数据医疗分类***、方法和装置 | |
Reddy et al. | Deep belief network based diabetic maculopathy detection and classification using modified chicken swarm algorithm | |
Hatode et al. | Evolution and Testimony of Deep Learning Algorithm for Diabetic Retinopathy Detection | |
Bygari et al. | Blindness (Diabetic Retinopathy) Severity Scale Detection | |
Kazi et al. | Processing retinal images to discover diseases |
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 |