CN110610488A - 分类训练和检测的方法与装置 - Google Patents

分类训练和检测的方法与装置 Download PDF

Info

Publication number
CN110610488A
CN110610488A CN201910810538.1A CN201910810538A CN110610488A CN 110610488 A CN110610488 A CN 110610488A CN 201910810538 A CN201910810538 A CN 201910810538A CN 110610488 A CN110610488 A CN 110610488A
Authority
CN
China
Prior art keywords
disease
positive
negative
classification
species
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
Application number
CN201910810538.1A
Other languages
English (en)
Inventor
刘维平
房劬
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.)
Shanghai Xingmai Information Technology Co Ltd
Original Assignee
Shanghai Xingmai Information Technology 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 Shanghai Xingmai Information Technology Co Ltd filed Critical Shanghai Xingmai Information Technology Co Ltd
Priority to CN201910810538.1A priority Critical patent/CN110610488A/zh
Publication of CN110610488A publication Critical patent/CN110610488A/zh
Pending legal-status Critical Current

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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明针对一具有特定发病位置的病种，将第一人体医学影像输入对应的图像分割模型，以获得所述发病位置所属的目标区域的掩膜；利用所述目标区域的掩膜，屏蔽所述第一人体医学影像中的无关区域；将经屏蔽无关区域后的所述第一人体医学影像输入所述病种的分类网络，以获得所述病种的分类检测结果，所述分类检测结果指示所述病种为阳性或阴性。与现有技术相比，本发明利用目标区域的掩膜来屏蔽人体胸部医学影像中的无关区域，进而对经屏蔽的影像通过分类网络来进行对应病种的分类检测。这通过排除无关的干扰信息有效提升了对具有特定发病位置的病种的分类检测性能。

Description

分类训练和检测的方法与装置
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种对具有特定发病位置的病种进行检测的技术。
背景技术
现有技术中，通过X光造影对很多病种的诊断仍需依靠人工阅片。这对医生的个人经验与能力有较高要求；同时，人工阅片也存在成本高、耗时长、易受医生状态等人为因素干扰等问题。
随着人工智能，特别是深度学习领域的快速发展，已有大量研究人员尝试通过该类技术帮助解决医学影像的诊断问题。对于病种检测，若直接以X光胸片影像作为输入，常规的多分类网络(如Inception、ResNet等)并不能得到理想结果。上述问题的原因在于，该类方法并未充分考虑不同病种的影像判定标准，导致大量无关干扰被错误引入。
发明内容
本发明的目的是提供一种对具有特定发病位置的病种进行分类训练和检测的方法、装置以及计算设备、计算机可读存储介质与计算机程序产品。
根据本发明的一个方面，提供了一种模型训练方法，其中，该方法包括：
针对一具有特定发病位置的病种，将分别指示所述病种为阳性和阴性的正负样本图像输入至分类网络，以对所述分类网络进行训练；
其中，所述正负样本图像均被屏蔽与所述发病位置所属的目标区域无关的区域；
获得训练好的所述分类网络，其分类检测结果指示所述病种为阳性或阴性。
根据本发明的另一个方面，还提供了一种用于对具有特定发病位置的病种进行检测的方法，其中，该方法还包括：
针对一具有特定发病位置的病种，将第一人体医学影像输入对应的图像分割模型，以获得所述发病位置所属的目标区域的掩膜；
利用所述目标区域的掩膜，屏蔽所述第一人体医学影像中的无关区域；
将经屏蔽无关区域后的所述第一人体医学影像输入所述病种的分类网络，以获得所述病种的分类检测结果，所述分类检测结果指示所述病种为阳性或阴性；
其中，所述分类网络通过输入经所述目标区域的掩膜屏蔽无关区域后的正负样本图像来训练获得，其中正样本图像指示所述病种为阳性，负样本图像指示所述病种为阴性。
根据本发明的一个方面，还提供了一种模型训练装置，其中，该装置包括：
训练装置，用于针对一具有特定发病位置的病种，将分别指示所述病种为阳性和阴性的正负样本图像输入至分类网络来对所述分类网络进行训练，获得训练好的所述分类网络，其分类检测结果指示所述病种为阳性或阴性；
其中，所述正负样本图像均被屏蔽与所述发病位置所属的目标区域无关的区域。
根据本发明的另一个方面，还提供了一种用于对具有特定发病位置的病种进行检测的装置，其中，该装置包括：
分割装置，用于针对一具有特定发病位置的病种，将第一人体医学影像输入对应的图像分割模型，以获得所述发病位置所属的目标区域的掩膜；
屏蔽装置，用于利用所述目标区域的掩膜，屏蔽所述第一人体医学影像中的无关区域；
分类装置，用于将经屏蔽无关区域后的所述第一人体医学影像输入所述病种的分类网络，以获得所述病种的分类检测结果，所述分类检测结果指示所述病种为阳性或阴性；
其中，所述分类网络通过输入经所述目标区域的掩膜屏蔽无关区域后的正负样本图像来训练获得，其中正样本图像指示所述病种为阳性，负样本图像指示所述病种为阴性。
根据本发明的一个方面，还提供了一种计算设备，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，其中，所述处理器执行所述计算机程序时实现根据本发明的一个方面的模型训练方法。
根据本发明的一个方面，还提供了一种计算设备，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，其中，所述处理器执行所述计算机程序时实现根据本发明的另一个方面的对具有特定发病位置的病种进行检测的方法。
根据本发明的一个方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现根据本发明的一个方面的模型训练方法。
根据本发明的一个方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现根据本发明的另一个方面的对具有特定发病位置的病种进行检测的方法。
根据本发明的一个方面，还提供了一种计算机程序产品，当所述计算机程序产品被计算设备执行时实现根据本发明的一个方面的模型训练方法。
根据本发明的一个方面，还提供了一种计算机程序产品，当所述计算机程序产品被计算设备执行时实现根据本发明的另一个方面的对具有特定发病位置的病种进行检测的方法。
与现有技术相比，本发明利用目标区域的掩膜来屏蔽人体胸部医学影像中的无关区域，进而对经屏蔽的影像通过分类网络来进行对应病种的分类检测。这通过排除无关的干扰信息有效提升了对具有特定发病位置的病种的分类检测性能。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1示出根据本发明一个实施例的一种对检测具有特定发病位置的病种的分类网络进行训练的方法流程图；
图2示出根据本发明一个实施例的一种对具有特定发病位置的病种进行检测的方法流程图；
图3示出根据本发明一个实施例的一种对检测具有特定发病位置的病种的分类网络进行训练的装置示意图；
图4示出根据本发明一个实施例的一种对具有特定发病位置的病种进行检测的装置示意图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
在更加详细地讨论示例性实施例之前应当提到的是，本发明的一些示例性实施例被描述为由方框图表述的装置和由流程图表述的过程或方法。虽然流程图将本发明的操作过程描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。本发明的过程可在其操作执行完毕时被终止，但也可包括未在所述流程图中示出的额外步骤。本发明的过程可以对应于方法、功能、规程、子例程、子程序等。
以下讨论的由流程图示出的方法和由方框图示出的装置，可以通过硬件、软件、固件、中间件、微代码、硬件描述语言、或其任意组合实现。当以软件、固件、中间件或微代码实现时，执行必要任务的程序代码或代码段可被存储于机器或诸如存储介质的计算机可读介质。(一个或多个)处理器可以执行所述必要任务。
类似地，还将理解任何流程表、流程图、状态转换图，诸如此类，表示各种过程，其可以被充分地描述为存储于计算机可读介质内的程序代码并因此被计算设备或处理器执行，无论这些计算设备或处理器是否被明确示出。
本文中，术语“存储介质”可以表示一个或多个用于存储数据的设备，包括只读存储器(ROM)，随机存取存储器(RAM)，磁性RAM，内核存储器，磁盘存储介质，光存储介质，闪存设备和/或其他用于存储信息的机器可读介质。术语“计算机可读介质”可包括但不限于，便携的或固定的存储设备，光存储设备，及各种其他能够存储和/或包含指令和/或数据的介质。
代码段可表示规程、功能、子程序、程序、例程、子例程、模块、软件包、类，或指令、数据结构或程序描述的任一组合。一个代码段可以通过传递和/或接收信息、数据、自变量、参数或存储内容，与另一个代码段或硬件电路相耦合。信息、自变量、参数、数据等，可以经由包括存储共享、信息传递、令牌传递、网络传输等任一合适方式，被传递、转发或发射。
在上下文中所称“计算设备”，是指可以通过运行预定程序或指令来执行数值计算和/或逻辑计算等预定处理过程的电子设备，其至少可以包括处理器与存储器，其中由处理器执行在存储器中预存的程序指令来执行预定处理过程，或是由ASIC、FPGA、DSP等硬件执行预定处理过程，或是由上述二者组合来实现。
上述“计算设备”通常以通用计算设备的形式表现，其组件可以包括但不限于：一个或者多个处理器或者处理单元、***存储器。***存储器可以包括易失性存储器形式的计算机可读介质，例如随机存取存储器(RAM)和/或高速缓存存储器。“计算设备”可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机可读存储介质。存储器可以包括至少一个计算机程序产品，该计算机程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能和/或方法。处理器通过运行存储在存储器中的程序，从而执行各种功能应用以及数据处理。
例如，存储器中存储有用于执行本发明的各项功能和处理的计算机程序，处理器执行相应计算机程序时，本发明中对具有特定发病位置的病种进行检测被实现。
典型地，计算设备例如包括用户设备与网络设备。其中，所述用户设备包括但不限于个人计算机(PC)、笔记本电脑、移动终端等，所述移动终端包括但不限于智能手机、平板电脑等；所述网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量计算机或网络服务器构成的云，其中，云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。其中，所述计算设备可单独运行来实现本发明，也可接入网络并通过与网络中的其他计算设备的交互操作来实现本发明。其中，所述计算设备所处的网络包括但不限于互联网、广域网、城域网、局域网、VPN网络等。
需要说明的是，所述用户设备、网络设备和网络等仅为举例，其他现有的或今后可能出现的计算设备或网络如可适用于本发明，也应包含在本发明保护范围以内，并以引用方式包含于此。
这里所公开的具体结构和功能细节仅仅是代表性的，并且是用于描述本发明的示例性实施例的目的。但是本发明可以通过许多替换形式来具体实现，并且不应当被解释成仅仅受限于这里所阐述的实施例。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
这里所使用的术语仅仅是为了描述具体实施例而不意图限制示例性实施例。除非上下文明确地另有所指，否则这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是，这里所使用的术语“包括”和/或“包含”规定所陈述的特征、整数、步骤、操作、单元和/或组件的存在，而不排除存在或添加一个或更多其他特征、整数、步骤、操作、单元、组件和/或其组合。
还应当提到的是，在一些替换实现方式中，所提到的功能/动作可以按照不同于附图中标示的顺序发生。举例来说，取决于所涉及的功能/动作，相继示出的两幅图实际上可以基本上同时执行或者有时可以按照相反的顺序来执行。
下面结合附图对本发明作进一步详细描述。
图1示出根据本发明一个实施例的方法流程图，其具体示出一种对检测具有特定发病位置的病种的分类网络进行训练的过程。
典型地，本发明由计算设备实现。当一个通用的计算设备被配置有实现本发明的程序模块后，其将成为专用的对检测具有特定发病位置的病种的分类网络进行训练的设备，而不是任何通用的计算机或处理器。然而，本领域技术人员应能理解，前述说明仅意在表明本发明可以应用于任何通用计算设备，而当本发明被应用于一个通用计算设备之后，该通用计算设备则成为一个专门的实现本发明的对检测具有特定发病位置的病种的分类网络进行训练的设备，以下称为“训练设备”。
如图1所示，在步骤S102中，训练设备针对一具有特定发病位置的病种，将分别指示该病种为阳性和阴性的正负样本图像输入至分类网络，以对所述分类网络进行训练；在步骤S104中，训练设备获得训练好的所述分类网络，其分类检测结果指示该病种为阳性或阴性。
具体地，在步骤S102中，训练设备针对一具有特定发病位置的病种，将分别指示该病种为阳性和阴性的正负样本图像输入至分类网络，以对该分类网络进行训练。
其中，正负样本图像均被屏蔽与该发病位置所属的目标区域无关的区域。
在此，针对一具有特定发病位置的病种，正负样本图像中发病位置所属的目标区域可以通过图像分割模型来识别。
对于具有特定发病位置的病种，可以为每个发病位置各自所属的目标区域训练一个专门的图像分割模型，例如胸腔积液和气胸的发病位置都在胸膜腔，主动脉钙化的发病位置在主动脉，从而当将人体医学影像输入训练好的图像分割模型，即可获得对应目标区域的掩膜，例如胸膜腔的掩膜、主动脉的掩膜。针对病种发病位置的不同，输入的人体医学影像可以是人体各部分的医学影像，例如脑部医学影像、胸部医学影像等。本发明以下多以对人体胸部医学影像的检测为例进行描述，但这不应被理解为对本发明的任何限制，而仅用于解释说明本发明的之目的。
在此，可用于本发明的基于深度学习的神经网络的图像分割模型诸如FCN(全卷积网络，Fully Convolutional Networks)算法模型、U-net算法模型。深度学习是机器学习领域中一系列试图使用多重非线性变换对数据进行多层抽象的算法，不仅学习输入和输出之间的非线性映射，还学习输入数据向量的隐藏结构，以用来对新的样本进行智能识别或预测。
通过输入预先标注好目标区域的样本图像，上述基于深度学习的图像分割模型即可被训练来识别特定目标区域。
例如，胸膜腔图像分割模型可以通过样本图像对U-net算法模型进行训练获得。样本图像中将胸膜腔区域标注为“1”，其他区域标注为“0”。
由此获得训练好的胸膜腔图像分割模型后，训练设备可以将一人体胸部医学影像(例如正负样本图像)输入该分割模型，从而获得胸膜腔的掩膜。胸膜腔的掩膜的本质仍是一个图像，即一个胸膜腔区域被标注为“1”以及其他区域被标注为“0”的人体胸部医学影像，但该图像也可以通过一个二维矩阵数组来表征。
仍是针对进行图像分割的同一病种，正负样本图像中的无关区域在利用该病种的目标区域的掩膜被屏蔽后，将经屏蔽无关区域的正负样本图像输入至分类网络，以对该分类网络进行训练，其中，正样本图像指示该病种为阳性，负样本图像指示该病种为阴性。
随后，在步骤S104中，训练设备获得训练好的分类网络，其分类检测结果指示该病种为阳性或阴性。
在此，可用于本发明的基于深度学习的分类网络诸如Inception、Xception、ResNet(残差网络，Residual Neural Network)、DenseNet(密集卷积网络，DenseConvolutional Network)等。
利用正负样本图像对分类网络进行训练。正样本图像指示病种为阳性，负样本图像指示病种为阴性。样本图像为首先经屏蔽无关区域的人体胸部医学影像，其中的目标区域保留其灰度值，其他无关区域的灰度值为“0”。该目标区域与样本图像所指示的病种相对应。
仍以胸腔积液进行举例。经屏蔽无关区域的胸部X光影像样本中仅胸膜腔区域具有灰度值，正样本指示胸腔积液阳性，负样本指示胸腔积液阴性。当通过这些样本图像对分类网络进行训练后，训练好的分类网络即可用于对胸腔积液的分类检测，即胸腔积液阳性或胸腔积液阴性。
在训练过程中，对于每个样本图像，分类网络会计算其胸腔积液阳性的概率和胸腔积液阴性的概率。根据具体应用需要，每个分类结果会具有一个对应的概率阈值。具体到本发明，例如，本发明更关心对胸腔积液阴性的误判，故可以对胸腔积液阴性的概率设定一个较大的概率阈值，如0.7，即当根据输入的样本图像计算其胸腔积液阴性的概率超过0.7时，即判定此时的分类结果为胸腔积液阴性。在此，该概率阈值可以根据分类网络的召回率(即分类结果的正确率)与胸腔积液的特异性来确定，从而在该概率阈值下，召回率与特异性均可达到临床期望。
图2示出根据本发明另一个实施例的方法流程图，其具体示出一种对具有特定发病位置的病种进行检测的过程。
典型地，本发明由计算设备实现。当一个通用的计算设备被配置有实现本发明的程序模块后，其将成为专用的对具有特定发病位置的病种进行检测的计算设备，而不是任何通用的计算机或处理器。然而，本领域技术人员应能理解，前述说明仅意在表明本发明可以应用于任何通用计算设备，而当本发明被应用于一个通用计算设备之后，该通用计算设备则成为一个专门的实现本发明的对具有特定发病位置的病种进行检测的设备，以下称为“检测设备”。
如图2所示，在步骤S202中，针对一具有特定发病位置的病种，检测设备将第一人体医学影像输入对应的图像分割模型，以获得所述发病位置所属的目标区域的掩膜；在步骤S204中，利用所述目标区域的掩膜，检测设备屏蔽所述第一人体医学影像中的无关区域；在步骤S206中，检测设备将经屏蔽无关区域后的所述第一人体医学影像输入所述病种的分类网络，以获得所述病种的分类检测结果，所述分类检测结果指示所述病种为阳性或阴性；其中，所述分类网络通过输入经所述目标区域的掩膜屏蔽无关区域后的正负样本图像来训练获得，其中正样本图像指示所述病种为阳性，负样本图像指示所述病种为阴性。
具体地，在步骤S202中，针对一具有特定发病位置的病种，检测设备将第一人体医学影像输入对应的图像分割模型，以获得该发病位置所属的目标区域的掩膜。
例如，对于胸腔积液，检测设备将一个胸部X光影像输入训练好的胸膜腔图像分割模型，以获得胸膜腔的掩膜。
在此，对于具有特定发病位置的病种，可以为每个发病位置各自所属的目标区域训练一个专门的图像分割模型，例如胸腔积液和气胸的发病位置都在胸膜腔，主动脉钙化的发病位置在主动脉，从而当将人体医学影像输入训练好的图像分割模型，即可获得对应目标区域的掩膜，例如胸膜腔的掩膜、主动脉的掩膜。针对病种发病位置的不同，输入的人体医学影像可以是人体各部分的医学影像，例如脑部医学影像、胸部医学影像等。本发明以下多以对人体胸部医学影像的检测为例进行描述，但这不应被理解为对本发明的任何限制，而仅用于解释说明本发明的之目的。
其中，可用于本发明的基于深度学习的神经网络的图像分割模型诸如FCN(全卷积网络，Fully Convolutional Networks)算法模型、U-net算法模型。深度学习是机器学习领域中一系列试图使用多重非线性变换对数据进行多层抽象的算法，不仅学习输入和输出之间的非线性映射，还学习输入数据向量的隐藏结构，以用来对新的样本进行智能识别或预测。
通过输入预先标注好目标区域的样本图像，上述基于深度学习的图像分割模型即可被训练来识别特定目标区域。
例如，胸膜腔图像分割模型可以通过样本图像对U-net算法模型进行训练获得。样本图像中将胸膜腔区域标注为“1”，其他区域标注为“0”。
由此获得训练好的胸膜腔图像分割模型后，检测设备将一人体胸部医学影像输入该分割模型，从而获得胸膜腔的掩膜。胸膜腔的掩膜的本质仍是一个图像，即一个胸膜腔区域被标注为“1”以及其他区域被标注为“0”的人体胸部医学影像，但该图像也可以通过一个二维矩阵数组来表征。
在步骤S204中，检测设备利用目标区域的掩膜，屏蔽第一人体医学影像中的无关区域。
在此，目标区域的掩膜的本质也是一个图像，只是其中目标区域被标注为“1”，其他区域被标注为“0”。
检测设备将目标区域的掩膜与第一人体医学影像相乘，从而第一人体医学影像中目标区域的灰度值不变，其他区域的灰度值为“0”，因此目标区域以外的无关区域被屏蔽。
在步骤S206中，检测设备将经屏蔽无关区域后的第一人体医学影像输入相应病种的分类网络，以获得该病种的分类检测结果，该分类检测结果指示该病种为阳性或阴性。
例如，检测设备将屏蔽无关区域仅保留胸膜腔区域的胸部X光影像输入胸腔积液的分类网络，获得相应的分类检测结果，如指示胸腔积液阳性。该分类检测结果可以为医生提供对该病种的辅助诊断和分析。
在此，可用于本发明的基于深度学习的分类网络诸如Inception、Xception、ResNet(残差网络，Residual Neural Network)、DenseNet(密集卷积网络，DenseConvolutional Network)等。
利用正负样本图像对分类网络进行训练。正样本图像指示病种为阳性，负样本图像指示病种为阴性。样本图像为首先经屏蔽无关区域的人体胸部医学影像，其中的目标区域保留其灰度值，其他无关区域的灰度值为“0”。该目标区域与样本图像所指示的病种相对应。
仍以胸腔积液进行举例。经屏蔽无关区域的胸部X光影像样本中仅胸膜腔区域具有灰度值，正样本指示胸腔积液阳性，负样本指示胸腔积液阴性。当通过这些样本图像对分类网络进行训练后，训练好的分类网络即可用于对胸腔积液的分类检测，即胸腔积液阳性或胸腔积液阴性。
在训练过程中，对于每个样本图像，分类网络会计算其胸腔积液阳性的概率和胸腔积液阴性的概率。根据具体应用需要，每个分类结果会具有一个对应的概率阈值。具体到本发明，例如，本发明更关心对胸腔积液阴性的误判，故可以对胸腔积液阴性的概率设定一个较大的概率阈值，如0.7，即当根据输入的样本图像计算其胸腔积液阴性的概率超过0.7时，即判定此时的分类结果为胸腔积液阴性。在此，该概率阈值可以根据分类网络的召回率(即分类结果的正确率)与胸腔积液的特异性来确定，从而在该概率阈值下，召回率与特异性均可达到临床期望。
图3示出根据本发明一个实施例的装置示意图，其具体示出一种对检测具有特定发病位置的病种的分类网络进行训练的装置。
典型地，本发明的装置可以作为一个功能模块装置于任何通用的计算设备中。当一个通用的计算设备被配置有本发明的装置后，其将成为专用的对检测具有特定发病位置的病种的分类网络进行训练的设备，而不是任何通用的计算机或处理器。然而，本领域技术人员应能理解，前述说明仅意在表明本发明的装置可以应用于任何通用计算设备，而当本发明的装置被应用于一个通用计算设备之后，该通用计算设备则成为一个专门的实现本发明的对检测具有特定发病位置的病种的分类网络进行训练的设备，以下称为“训练设备”，本发明的装置也可以因此被称为“模型训练装置”。并且，该“模型训练装置”可以以计算机程序、硬件或其结合的方式实现。
如图3所示，模型训练装置320被装置于训练设备300中。模型训练装置320进一步包括训练装置321。
其中，针对一具有特定发病位置的病种，训练装置321将分别指示所述病种为阳性和阴性的正负样本图像输入至分类网络来对所述分类网络进行训练，获得训练好的所述分类网络，其分类检测结果指示所述病种为阳性或阴性。
其中，正负样本图像均被屏蔽与该发病位置所属的目标区域无关的区域。
在此，训练装置321可以作为接口来调用分类网络，也可以直接集成有分类网络。
在此，针对一具有特定发病位置的病种，正负样本图像中发病位置所属的目标区域可以通过图像分割模型来识别。
对于具有特定发病位置的病种，可以为每个发病位置各自所属的目标区域训练一个专门的图像分割模型，例如胸腔积液和气胸的发病位置都在胸膜腔，主动脉钙化的发病位置在主动脉，从而当将人体胸部医学影像输入训练好的图像分割模型，即可获得对应目标区域的掩膜，例如胸膜腔的掩膜、主动脉的掩膜。针对病种发病位置的不同，输入的人体医学影像可以是人体各部分的医学影像，例如脑部医学影像、胸部医学影像等。
在此，可用于本发明的基于深度学习的神经网络的图像分割模型诸如FCN(全卷积网络，Fully Convolutional Networks)算法模型、U-net算法模型。深度学习是机器学习领域中一系列试图使用多重非线性变换对数据进行多层抽象的算法，不仅学习输入和输出之间的非线性映射，还学习输入数据向量的隐藏结构，以用来对新的样本进行智能识别或预测。
通过输入预先标注好目标区域的样本图像，上述基于深度学习的图像分割模型即可被训练来识别特定目标区域。
例如，胸膜腔图像分割模型可以通过样本图像对U-net算法模型进行训练获得。样本图像中将胸膜腔区域标注为“1”，其他区域标注为“0”。
由此获得训练好的胸膜腔图像分割模型后，一人体胸部医学影像(例如正负样本图像)被输入该分割模型，从而获得胸膜腔的掩膜。胸膜腔的掩膜的本质仍是一个图像，即一个胸膜腔区域被标注为“1”以及其他区域被标注为“0”的人体胸部医学影像，但该图像也可以通过一个二维矩阵数组来表征。
仍是针对进行图像分割的同一病种，正负样本图像中的无关区域在利用该病种的目标区域的掩膜被屏蔽后，训练装置321将经屏蔽无关区域的正负样本图像输入至分类网络，以对该分类网络进行训练，其中，正样本图像指示该病种为阳性，负样本图像指示该病种为阴性，并获得训练好的所述分类网络，其分类检测结果指示所述病种为阳性或阴性。
在此，可用于本发明的基于深度学习的分类网络诸如Inception、Xception、ResNet(残差网络，Residual Neural Network)、DenseNet(密集卷积网络，DenseConvolutional Network)等。
利用正负样本图像对分类网络进行训练。正样本图像指示病种为阳性，负样本图像指示病种为阴性。样本图像为首先经屏蔽无关区域的人体胸部医学影像，其中的目标区域保留其灰度值，其他无关区域的灰度值为“0”。该目标区域与样本图像所指示的病种相对应。
仍以胸腔积液进行举例。经屏蔽无关区域的胸部X光影像样本中仅胸膜腔具有灰度值，正样本指示胸腔积液阳性，负样本指示胸腔积液阴性。当通过这些样本图像对分类网络进行训练后，训练好的分类网络即可用于对胸腔积液的分类检测，即胸腔积液阳性或胸腔积液阴性。
在训练过程中，对于每个样本图像，分类网络会计算其胸腔积液阳性的概率和胸腔积液阴性的概率。根据具体应用需要，每个分类结果会具有一个对应的概率阈值。具体到本发明，例如，本发明更关心对胸腔积液阴性的误判，故可以对胸腔积液阴性的概率设定一个较大的概率阈值，如0.7，即当根据输入的样本图像计算其胸腔积液阴性的概率超过0.7时，即判定此时的分类结果为胸腔积液阴性。在此，该概率阈值可以根据分类网络的召回率(即分类结果的正确率)与胸腔积液的特异性来确定，从而在该概率阈值下，召回率与特异性均可达到临床期望。
图4示出根据本发明另一个实施例的装置示意图，其具体示出一种对具有特定发病位置的病种进行检测的装置。
典型地，本发明的装置可以作为一个功能模块装置于任何通用的计算设备中。当一个通用的计算设备被配置有本发明的装置后，其将成为专用的检测一个具有特定发病位置的病种的计算设备，而不是任何通用的计算机或处理器。然而，本领域技术人员应能理解，前述说明仅意在表明本发明的装置可以应用于任何通用计算设备，而当本发明的装置被应用于一个通用计算设备之后，该通用计算设备则成为一个专门的实现本发明的检测一个具有特定发病位置的病种的设备，以下称为“检测设备”，本发明的装置也可以因此被称为“检测装置”。并且，该“检测装置”可以以计算机程序、硬件或其结合的方式实现。
如图4所示，检测装置420被装置于计算设备400中。检测装置420进一步包括分割装置421、屏蔽装置422和分类装置423。
在此，分割装置421可以作为接口来调用图像分割模型，也可以直接集成有图像分割模型。同样地，分类装置423可以作为接口来调用分类网络，也可以直接集成有分类网络。
其中，针对一具有特定发病位置的病种，分割装置421将第一人体医学影像输入对应的图像分割模型，以获得该发病位置所属的目标区域的掩膜。
例如，对于胸腔积液，分割装置421将一个胸部X光影像输入训练好的胸膜腔图像分割模型，以获得胸膜腔的掩膜。
在此，对于具有特定发病位置的病种，可以为每个发病位置各自所属的目标区域训练一个专门的图像分割模型，例如胸腔积液和气胸的发病位置都在胸膜腔，主动脉钙化的发病位置在主动脉，从而当将人体医学影像输入训练好的图像分割模型，即可获得对应目标区域的掩膜，例如胸膜腔的掩膜、主动脉的掩膜。针对病种发病位置的不同，输入的人体医学影像可以是人体各部分的医学影像，例如脑部医学影像、胸部医学影像等。本发明以下多以对人体胸部医学影像的检测为例进行描述，但这不应被理解为对本发明的任何限制，而仅用于解释说明本发明的之目的。
其中，可用于本发明的基于深度学习的神经网络的图像分割模型诸如FCN(全卷积网络，Fully Convolutional Networks)算法模型、U-net算法模型。深度学习是机器学习领域中一系列试图使用多重非线性变换对数据进行多层抽象的算法，不仅学习输入和输出之间的非线性映射，还学习输入数据向量的隐藏结构，以用来对新的样本进行智能识别或预测。
通过输入预先标注好目标区域的样本图像，上述基于深度学习的图像分割模型即可被训练来识别特定目标区域。
例如，胸膜腔图像分割模型可以通过样本图像对U-net算法模型进行训练获得。样本图像中将胸膜腔区域标注为“1”，其他区域标注为“0”。
由此获得训练好的胸膜腔图像分割模型后，分割装置421将一人体胸部医学影像输入该分割模型，从而获得胸膜腔的掩膜。胸膜腔的掩膜的本质仍是一个图像，即一个胸膜腔区域被标注为“1”以及其他区域被标注为“0”的人体胸部医学影像，但该图像也可以通过一个二维矩阵数组来表征。
随后，屏蔽装置422利用目标区域的掩膜，屏蔽第一人体医学影像中的无关区域。
在此，目标区域的掩膜的本质也是一个图像，只是其中目标区域被标注为“1”，其他区域被标注为“0”。
屏蔽装置422将目标区域的掩膜与第一人体医学影像相乘，从而第一人体医学影像中目标区域的灰度值不变，其他区域的灰度值为“0”，因此目标区域以外的无关区域被屏蔽。
接下来，分类装置423将经屏蔽无关区域后的第一人体医学影像输入相应病种的分类网络，以获得该病种的分类检测结果，该分类检测结果指示该病种为阳性或阴性。
例如，分类装置423将屏蔽无关区域仅保留胸膜腔区域的胸部X光影像输入胸腔积液的分类网络，获得相应的分类检测结果，如指示胸腔积液阳性。该分类检测结果可以为医生提供对该病种的辅助诊断和分析。
在此，可用于本发明的基于深度学习的分类网络诸如Inception、Xception、ResNet(残差网络，Residual Neural Network)、DenseNet(密集卷积网络，DenseConvolutional Network)等。
利用正负样本图像对分类网络进行训练。正样本图像指示病种为阳性，负样本图像指示病种为阴性。样本图像为首先经屏蔽无关区域的人体胸部医学影像，其中的目标区域保留其灰度值，其他无关区域的灰度值为“0”。该目标区域与样本图像所指示的病种相对应。
仍以胸腔积液进行举例。经屏蔽无关区域的胸部X光影像样本中仅胸膜腔区域具有灰度值，正样本指示胸腔积液阳性，负样本指示胸腔积液阴性。当通过这些样本图像对分类网络进行训练后，训练好的分类网络即可用于对胸腔积液的分类检测，即胸腔积液阳性或胸腔积液阴性。
在训练过程中，对于每个样本图像，分类网络会计算其胸腔积液阳性的概率和胸腔积液阴性的概率。根据具体应用需要，每个分类结果会具有一个对应的概率阈值。具体到本发明，例如，本发明更关心对胸腔积液阴性的误判，故可以对胸腔积液阴性的概率设定一个较大的概率阈值，如0.7，即当根据输入的样本图像计算其胸腔积液阴性的概率超过0.7时，即判定此时的分类结果为胸腔积液阴性。在此，该概率阈值可以根据分类网络的召回率(即分类结果的正确率)与胸腔积液的特异性来确定，从而在该概率阈值下，召回率与特异性均可达到临床期望。
根据以上描述的各种实施例，以下条款被提出：
条款1.一种模型训练方法，其中，该方法包括：
针对一具有特定发病位置的病种，将分别指示所述病种为阳性和阴性的正负样本图像输入至分类网络，以对所述分类网络进行训练；
其中，所述正负样本图像均被屏蔽与所述发病位置所属的目标区域无关的区域；
获得训练好的所述分类网络，其分类检测结果指示所述病种为阳性或阴性。
条款2.根据条款1所述的方法，其中，所述屏蔽操作具体包括：
保留所述目标区域的灰度值，将所述正负样本影像中其他区域的灰度值设为“0”。
条款3.根据条款1或2所述的方法，其中，所述正负样本图像中的所述目标区域通过图像分割模型来识别。
条款4.根据条款3所述的方法，其中，所述图像分割模型通过以下步骤训练来获得：
将预先标注有所述目标区域的人体医学影像样本输入所述图像分割模型，以获得经训练的所述图像分割模型，其中，所述目标区域标注为“1”，其他区域标注为“0”。
条款5.根据条款1至4中任一项所述的方法，其中，所述分类网络为基于深度学习的分类网络。
条款6.一种用于由计算设备对具有特定发病位置的病种进行检测的方法，其中，该方法还包括：
针对一具有特定发病位置的病种，将第一人体医学影像输入对应的图像分割模型，以获得所述发病位置所属的目标区域的掩膜；
利用所述目标区域的掩膜，屏蔽所述第一人体医学影像中的无关区域；
将经屏蔽无关区域后的所述第一人体医学影像输入所述病种的分类网络，以获得所述病种的分类检测结果，所述分类检测结果指示所述病种为阳性或阴性；
其中，所述分类网络通过输入经所述目标区域的掩膜屏蔽无关区域后的正负样本图像来训练获得，其中正样本图像指示所述病种为阳性，负样本图像指示所述病种为阴性。
条款7.根据条款6所述的方法，其中，所述图像分割模型通过以下步骤来训练并获得：
将预先标注有所述目标区域的人体医学影像样本输入所述图像分割模型，以获得经训练的所述图像分割模型，其中，所述目标区域标注为“1”，其他区域标注为“0”。
条款8.根据条款6或7所述的方法，其中，所述屏蔽操作具体包括：
保留所述目标区域的灰度值，将所述第一人体医学影像中其他区域的灰度值设为“0”。
条款9.根据条款6至8中任一项所述的方法，其中，所述分类网络为基于深度学习的分类网络。
条款10.一种模型训练装置，其中，该装置包括：
训练装置，用于针对一具有特定发病位置的病种，将分别指示所述病种为阳性和阴性的正负样本图像输入至分类网络来对所述分类网络进行训练，获得训练好的所述分类网络，其分类检测结果指示所述病种为阳性或阴性；
其中，所述正负样本图像均被屏蔽与所述发病位置所属的目标区域无关的区域。
条款11.根据条款10所述的装置，其中，所述屏蔽操作具体包括：
保留所述目标区域的灰度值，将所述正负样本影像中其他区域的灰度值设为“0”。
条款12.根据条款10或11所述的装置，其中，所述正负样本图像中的所述目标区域通过图像分割模型来识别。
条款13.根据条款12所述的装置，其中，所述图像分割模型通过以下步骤训练来获得：
将预先标注有所述目标区域的人体胸部医学影像样本输入所述图像分割模型，以获得经训练的所述图像分割模型，其中，所述目标区域标注为“1”，其他区域标注为“0”。
条款14.根据条款10至13中任一项所述的装置，其中，所述分类网络为基于深度学习的分类网络。
条款15.一种用于由计算设备对具有特定发病位置的病种进行检测的装置，其中，该装置包括：
分割装置，用于针对一具有特定发病位置的病种，将第一人体医学影像输入对应的图像分割模型，以获得所述发病位置所属的目标区域的掩膜；
屏蔽装置，用于利用所述目标区域的掩膜，屏蔽所述第一人体医学影像中的无关区域；
分类装置，用于将经屏蔽无关区域后的所述第一人体医学影像输入所述病种的分类网络，以获得所述病种的分类检测结果，所述分类检测结果指示所述病种为阳性或阴性；
其中，所述分类网络通过输入经所述目标区域的掩膜屏蔽无关区域后的正负样本图像来训练获得，其中正样本图像指示所述病种为阳性，负样本图像指示所述病种为阴性。
条款16.根据条款15所述的装置，其中，所述图像分割模型通过以下步骤来训练并获得：
将预先标注有所述目标区域的人体胸部医学影像样本输入所述图像分割模型，以获得经训练的所述图像分割模型，其中，所述目标区域标注为“1”，其他区域标注为“0”。
条款17.根据条款15或16所述的装置，其中，所述屏蔽操作具体包括：
保留所述目标区域的灰度值，将所述第一人体胸部医学影像中其他区域的灰度值设为“0”。
条款18.根据条款15至17中任一项所述的装置，其中，所述分类网络为基于深度学习的分类网络。
条款19.一种计算机设备，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，其中，所述处理器执行所述计算机程序时实现如条款1至5中任一项所述的方法
条款20.一种计算机设备，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，其中，所述处理器执行所述计算机程序时实现或如条款6至9中任一项所述的方法。
条款21.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如条款1至5中任一项所述的方法。
条款22.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如条款6至9中任一项所述的方法。
条款23.一种计算机程序产品，当所述计算机程序产品被计算机设备执行时实现如条款1至5中任一项所述的方法。
条款24.一种计算机程序产品，当所述计算机程序产品被计算机设备执行时实现如条款6至9中任一项所述的方法。
需要注意的是，本发明可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本发明的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。
另外，本发明的至少一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算设备执行时，通过该计算设备的操作，可以调用或提供根据本发明的方法和/或技术方案。而调用/提供本发明的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算设备的工作存储器中。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (10)

1.一种模型训练方法，其中，该方法包括：
针对一具有特定发病位置的病种，将分别指示所述病种为阳性和阴性的正负样本图像输入至分类网络，以对所述分类网络进行训练；
其中，所述正负样本图像均被屏蔽与所述发病位置所属的目标区域无关的区域；
获得训练好的所述分类网络，其分类检测结果指示所述病种为阳性或阴性。
2.根据权利要求1所述的方法，其中，所述屏蔽操作具体包括：
保留所述目标区域的灰度值，将所述正负样本图像中其他区域的灰度值设为“0”。
3.根据权利要求1或2所述的方法，其中，所述正负样本图像中的所述目标区域通过图像分割模型来识别。
4.根据权利要求1至3中任一项所述的方法，其中，所述分类网络为基于深度学习的分类网络。
5.一种对具有特定发病位置的病种进行检测的方法，其中，该方法包括：
针对一具有特定发病位置的病种，将第一人体医学影像输入对应的图像分割模型，以获得所述发病位置所属的目标区域的掩膜；
利用所述目标区域的掩膜，屏蔽所述第一人体医学影像中的无关区域；
将经屏蔽无关区域后的所述第一人体医学影像输入所述病种的分类网络，以获得所述病种的分类检测结果，所述分类检测结果指示所述病种为阳性或阴性；
其中，所述分类网络通过输入经所述目标区域的掩膜屏蔽无关区域后的正负样本图像来训练获得，其中正样本图像指示所述病种为阳性，负样本图像指示所述病种为阴性。
6.一种模型训练装置，其中，该装置包括：
训练装置，用于针对一具有特定发病位置的病种，将分别指示所述病种为阳性和阴性的正负样本图像输入至分类网络来对所述分类网络进行训练，获得训练好的所述分类网络，其分类检测结果指示所述病种为阳性或阴性；
其中，所述正负样本图像均被屏蔽与所述发病位置所属的目标区域无关的区域。
7.一种对具有特定发病位置的病种进行检测的装置，其中，该装置包括：
分割装置，用于针对一具有特定发病位置的病种，将第一人体医学影像输入对应的图像分割模型，以获得所述发病位置所属的目标区域的掩膜；
屏蔽装置，用于利用所述目标区域的掩膜，屏蔽所述第一人体医学影像中的无关区域；
分类装置，用于将经屏蔽无关区域后的所述第一人体医学影像输入所述病种的分类网络，以获得所述病种的分类检测结果，所述分类检测结果指示所述病种为阳性或阴性；
其中，所述分类网络通过输入经所述目标区域的掩膜屏蔽无关区域后的正负样本图像来训练获得，其中正样本图像指示所述病种为阳性，负样本图像指示所述病种为阴性。
8.一种计算机设备，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，其中，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的方法或如权利要求5所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的方法或如权利要求5所述的方法。
10.一种计算机程序产品，当所述计算机程序产品被计算机设备执行时实现如权利要求1至4中任一项所述的方法或如权利要求5所述的方法。
CN201910810538.1A 2019-08-29 2019-08-29 分类训练和检测的方法与装置 Pending CN110610488A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910810538.1A CN110610488A (zh) 2019-08-29 2019-08-29 分类训练和检测的方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910810538.1A CN110610488A (zh) 2019-08-29 2019-08-29 分类训练和检测的方法与装置

Publications (1)

Publication Number Publication Date
CN110610488A true CN110610488A (zh) 2019-12-24

Family

ID=68890683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910810538.1A Pending CN110610488A (zh) 2019-08-29 2019-08-29 分类训练和检测的方法与装置

Country Status (1)

Country Link
CN (1) CN110610488A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111383217A (zh) * 2020-03-11 2020-07-07 深圳先进技术研究院 大脑成瘾性状评估的可视化方法、装置及介质
CN111476773A (zh) * 2020-04-07 2020-07-31 重庆医科大学附属儿童医院 一种耳廓畸形分析识别方法、***、介质和电子终端
CN113269782A (zh) * 2021-04-21 2021-08-17 青岛小鸟看看科技有限公司 数据生成方法、装置及电子设备
WO2021179189A1 (zh) * 2020-03-11 2021-09-16 深圳先进技术研究院 大脑成瘾性状评估的可视化方法、装置及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020585A (zh) * 2012-11-06 2013-04-03 华南师范大学 一种免疫组织阳性细胞和阴性细胞识别方法
CN103778444A (zh) * 2014-01-07 2014-05-07 沈阳航空航天大学 基于支持向量机样本约简的肺结节良恶性鉴别方法
CN108629764A (zh) * 2018-04-17 2018-10-09 杭州依图医疗技术有限公司 一种确定肺结节良恶性的方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020585A (zh) * 2012-11-06 2013-04-03 华南师范大学 一种免疫组织阳性细胞和阴性细胞识别方法
CN103778444A (zh) * 2014-01-07 2014-05-07 沈阳航空航天大学 基于支持向量机样本约简的肺结节良恶性鉴别方法
CN108629764A (zh) * 2018-04-17 2018-10-09 杭州依图医疗技术有限公司 一种确定肺结节良恶性的方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐峰等: "基于U-Net的结节分割方法", 《软件导刊》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111383217A (zh) * 2020-03-11 2020-07-07 深圳先进技术研究院 大脑成瘾性状评估的可视化方法、装置及介质
WO2021179189A1 (zh) * 2020-03-11 2021-09-16 深圳先进技术研究院 大脑成瘾性状评估的可视化方法、装置及介质
CN111383217B (zh) * 2020-03-11 2023-08-29 深圳先进技术研究院 大脑成瘾性状评估的可视化方法、装置及介质
CN111476773A (zh) * 2020-04-07 2020-07-31 重庆医科大学附属儿童医院 一种耳廓畸形分析识别方法、***、介质和电子终端
CN113269782A (zh) * 2021-04-21 2021-08-17 青岛小鸟看看科技有限公司 数据生成方法、装置及电子设备
US11995741B2 (en) 2021-04-21 2024-05-28 Qingdao Pico Technology Co., Ltd. Data generation method and apparatus, and electronic device

Similar Documents

Publication Publication Date Title
Hu et al. Weakly supervised deep learning for covid-19 infection detection and classification from ct images
CN110598782B (zh) 一种训练用于医学影像的分类网络的方法与装置
CN110610488A (zh) 分类训练和检测的方法与装置
Roth et al. A new 2.5 D representation for lymph node detection using random sets of deep convolutional neural network observations
Li et al. Dual-consistency semi-supervised learning with uncertainty quantification for COVID-19 lesion segmentation from CT images
Liu et al. 3DFPN-HS^ 2 2: 3D Feature Pyramid Network Based High Sensitivity and Specificity Pulmonary Nodule Detection
Rahman et al. Deep learning–driven automated detection of Covid-19 from radiography images: A comparative analysis
Sahin et al. Detection and classification of COVID-19 by using faster R-CNN and mask R-CNN on CT images
Skouta et al. Automated binary classification of diabetic retinopathy by convolutional neural networks
Mokter et al. Classification of ulcerative colitis severity in colonoscopy videos using vascular pattern detection
Khakzar et al. Towards semantic interpretation of thoracic disease and covid-19 diagnosis models
Swapnarekha et al. Competitive deep learning methods for COVID-19 detection using X-ray images
Mustaqim et al. Deep learning for the detection of acute lymphoblastic leukemia subtypes on microscopic images: A systematic literature review
Kumar et al. LiteCovidNet: A lightweight deep neural network model for detection of COVID‐19 using X‐ray images
Kumar et al. Automated white corpuscles nucleus segmentation using deep neural network from microscopic blood smear
CN113177554B (zh) 甲状腺结节识别与分割方法、***、存储介质及设备
Devi et al. Segmentation and classification of white blood cancer cells from bone marrow microscopic images using duplet-convolutional neural network design
CN114359671A (zh) 基于多目标学习的超声影像甲状腺结节分类方法及***
Ummah et al. Effect of image pre-processing method on convolutional neural network classification of COVID-19 CT scan images
Moghaddam et al. Towards smart diagnostic methods for COVID-19: Review of deep learning for medical imaging
Ovi et al. Infection segmentation from covid-19 chest ct scans with dilated cbam u-net
Goel et al. Improving YOLOv6 using advanced PSO optimizer for weight selection in lung cancer detection and classification
Priyanka Pramila et al. Automated skin lesion detection and classification using fused deep convolutional neural network on dermoscopic images
Scherzinger et al. CNN-based background subtraction for long-term in-vial FIM imaging
Horry et al. Factors determining generalization in deep learning models for scoring COVID-CT images

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191224