CN110689112A - 数据处理的方法及装置 - Google Patents
数据处理的方法及装置 Download PDFInfo
- Publication number
- CN110689112A CN110689112A CN201910825532.1A CN201910825532A CN110689112A CN 110689112 A CN110689112 A CN 110689112A CN 201910825532 A CN201910825532 A CN 201910825532A CN 110689112 A CN110689112 A CN 110689112A
- Authority
- CN
- China
- Prior art keywords
- image data
- data
- preset
- neural network
- deep neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000003745 diagnosis Methods 0.000 claims abstract description 21
- 201000010099 disease Diseases 0.000 claims abstract description 19
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 19
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 19
- 238000002591 computed tomography Methods 0.000 claims description 17
- 238000002372 labelling Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 10
- 230000003902 lesion Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 4
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 3
- 201000005202 lung cancer Diseases 0.000 description 3
- 208000020816 lung neoplasm Diseases 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 206010056342 Pulmonary mass Diseases 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002685 pulmonary effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/08—Learning methods
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请公开了一种数据处理的方法及装置。该申请的方法包括获取图像数据,所述图像数据为医学影像数据;基于预设的深度神经网络模型对图像数据进行不确定性的判断,得到判断结果;所述预设的深度神经网络模型为能够将根据图像数据不能确定疾病诊断结果的图像数据进行识别的端到端的深度学习框架。本申请解决相关的机器学习算法对不确定数据识别的性能低的问题。
Description
技术领域
本申请涉及医学领域,具体而言,涉及一种数据处理的方法及装置。
背景技术
近年来,肺癌已经成为发病率和死亡率最高的癌症之一,肺癌的早期诊断和治疗对于提高病人生存率尤为重要。但是在疾病发展的早期阶段,基于图像的疾病预测,由于缺乏足够的信息,可能难以给予某些病例确定性的“疾病/正常”标签,我们将此类样本称为“不确定”的数据。将这些数据标记为不确定后建议患者进行后续检查,以避免因为不谨慎预测而造成的不可逆转的医疗事故或损失,这也是临床诊断实际的常见做法。然而,当前的机器学习方法大多忽略了“不确定”数据,主要针对“疾病和正常”两类样本数据进行建模,导致对“不确定”数据不能进行更好的识别和确定。
发明内容
本申请的主要目的在于提供一种数据处理的方法及装置,以解决相关的机器学习算法对不确定数据识别的性能低的问题。
为了实现上述目的,根据本申请的第一方面,提供了一种数据处理的方法。
根据本申请的数据处理的方法包括:
获取图像数据,所述图像数据为医学影像数据;
基于预设的深度神经网络模型对图像数据进行不确定性的判断,得到判断结果;所述预设的深度神经网络模型为能够将根据图像数据不能确定疾病诊断结果的图像数据进行识别的端到端的深度学习框架。
进一步的,在所述基于预设的深度神经网络模型对图像数据进行不确定性的判断,得到判断结果之前,所述方法还包括:
获取训练样本,所述训练样本包含预设数量的样本数据及其对应的样本标注数据,所述预设数量的样本数据为包含病灶的医学影像样本数据,所述样本标注数据为对预设数量的样本数据进行类型标注的图像数据,所述类型包括确定和不确定;
基于训练样本对预设的深度神经网络算法进行训练得到预设的深度神经网络模型。
进一步的,基于训练样本对预设的深度神经网络算法进行训练得到预设的深度神经网络模型还包括:
结合预设的代价敏感参数以及预设的策略选择参数设置损失函数,所述预设的策略选择参数包括保守控制参数和激进控制参数;
基于损失函数进行模型的训练,得到预设的深度神经网络模型。
进一步的,所述预设的深度神经网络模型的主干网络为三维密集连接的卷积网络3D DenseNet。
进一步的,所述医学影像数据为CT图像数据为电子计算机断层扫描CT图像数据或核磁共振成像MRI图像数据。
为了实现上述目的,根据本申请的第二方面,提供了一种数据处理的装置。
根据本申请的数据处理的装置包括:
第一获取单元,用于获取图像数据,所述图像数据为医学影像数据;
判断单元,用于基于预设的深度神经网络模型对图像数据进行不确定性的判断,得到判断结果;所述预设的深度神经网络模型为能够将根据图像数据不能确定疾病诊断结果的图像数据进行识别的端到端的深度学习框架。
进一步的,所述装置还包括:
第二获取单元,用于在所述基于预设的深度神经网络模型对图像数据进行不确定性的判断,得到判断结果之前,获取训练样本,所述训练样本包含预设数量的样本数据及其对应的样本标注数据,所述预设数量的样本数据为包含病灶的医学影像样本数据,所述样本标注数据为对预设数量的样本数据进行类型标注的图像数据,所述类型包括确定和不确定;
训练单元,用于基于训练样本对预设的深度神经网络算法进行训练得到预设的深度神经网络模型。
进一步的,训练单元包括:
设置模块,用于结合预设的代价敏感参数以及预设的策略选择参数设置损失函数,所述预设的策略选择参数包括保守控制参数和激进控制参数;
训练模块,用于基于损失函数进行模型的训练,得到预设的深度神经网络模型。
进一步的,所述预设的深度神经网络模型的主干网络为三维密集连接的卷积网络3D DenseNet。
进一步的,所述医学影像数据为CT图像数据为电子计算机断层扫描CT图像数据或核磁共振成像MRI图像数据。
为了实现上述目的,根据本申请的第三方面,提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述第一方面中任一项所述的数据处理的方法。
在本申请实施例中,数据处理的方法及装置能够首先获取图像数据,图像数据为医学影像数据;然后,基于预设的深度神经网络模型对图像数据进行不确定性的判断,由于预设的深度神经网络模型为能够将根据图像数据不能确定疾病诊断结果的图像数据进行识别的端到端的深度学习框架,因此利用该模型能够将不能确定诊断结果的图像数据进行识别,即将“不确定”数据进行更好的识别,解决了现有的机器算法无法对“不确定”数据关注和识别的问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的一种数据处理的方法流程图;
图2是根据本申请实施例提供的另一种数据处理的方法流程图;
图3是根据本申请实施例提供的一种预设的深度神经网络的结构图;
图4是本实施例中的预设的深度神经网络模型与其他模型在识别“不确定”数据(“0”类型样本)的概率值的对比结果;
图5是根据本申请实施例提供的一种数据处理的装置的组成框图;
图6是根据本申请实施例提供的另一种数据处理的装置的组成框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本申请实施例,提供了一种数据处理的方法,如图1所示,该方法包括如下的步骤:
S101.获取图像数据。
其中,图像数据为医学影像数据。常用的医学影像数据主要包含电子计算机断层扫描CT图像数据或核磁共振成像MRI图像数据。比如肺结节的CT图像数据、脑CT图像数据、脑MRI图像数据等。需要说明的是,在实际的应用中,通过设备直接获取到的医学影像数据是较大范围的图像数据,为了提高后续数据处理的准确性,通常还需要对医学影像数据进行预处理,具体的预处理为医学影像数据进行切割,选取包含病灶的小范围图像数据,具体截取的范围的大小根据实际的情况确定,本实施例中不作限制。
S102.基于预设的深度神经网络模型对图像数据进行不确定性的判断,得到判断结果。
其中,预设的深度神经网络模型为能够将根据图像数据不能确定疾病诊断结果的图像数据进行识别的端到端的深度学习框架。“基于预设的深度神经网络模型对图像数据进行不确定性的判断,得到判断结果”即:将由步骤S101得到的经过预处理的医学影像数据输入到预设的深度神经网络模型,输出得到对图像数据进行不确定性的判断结果。判断结果包括图像数据为确定数据或者图像数据为不确定数据。确定数据和不确定数据是针对是否能够依据图像数据确定疾病诊断结果来定义的。“确定”表示能够依据图像数据确定疾病诊断结果;“不确定”表示不能依据图像数据确定疾病诊断结果。
本实施例中的预设的深度神经网络模型能够判断图像数据是否为“不确定”图像数据,即能够将不能确定诊断结果的图像数据进行更好的识别。对“不确定”图像数据的准确的识别,可以使无法确定诊断结果的患者,进行进一步检查后再进行诊断结果的确定,从而有效避免因为不谨慎预测而导致的不可逆转的医疗事故或损失。
从以上的描述中,可以看出,本申请实施例中数据处理的方法能够首先获取图像数据,图像数据为医学影像数据;然后,基于预设的深度神经网络模型对图像数据进行不确定性的判断,由于预设的深度神经网络模型为能够将根据图像数据不能确定疾病诊断结果的图像数据进行识别的端到端的深度学习框架,因此利用该模型能够将不能确定诊断结果的图像数据进行识别,即将“不确定”数据进行更好的识别,解决了现有的机器算法无法对“不确定”数据关注和识别的问题。
作为上述实施例的补充和细化,本申请实施例提供了另一种数据处理的方法,如图2所示,该方法包括:
首先需要说明的是,本实施例中以最常用的两种医学影像数据CT图像数据以及MRI图像数据为例,对上述图1中的数据处理的方法进行补充和说明。
S201.获取训练样本。
训练样本是用于训练预设的深度神经网络算法的样本数据。本实施例中训练样本包含预设数量的样本数据及其对应的样本标注数据,所述预设数量的样本数据为医学影像样本数据,所述样本标注数据为对预设数量的样本数据进行类型标注的图像数据。本实施例中的类型包括确定和不确定,具体的“确定”表示能够依据图像数据确定疾病诊断结果;“不确定”表示不能依据图像数据确定疾病诊断结果。在实际的应用中,确定具体还可分为确定正常和确定不正常两种。本实施例给出一种类型标注的方式,比如将确定正常的样本数据标注为“-1”,将确定不正常的样本数据标注为“1”,将不确定的样本数据标注为“0”。
在实际应用中,训练样本中的可以通过公开数据集获取,比如若应用在肺癌领域则可以通过LIDC-IDRI数据集获取样本数据,若应用在阿尔兹海默症领域则可以通过ADNI数据集获取样本数据。另外需要说明的是,预设数量可以根据实际的需求自定义,本实施例不做限制。
S202.基于训练样本对预设的深度神经网络算法进行训练得到预设的深度神经网络模型。
本实施例中进行模型训练时是结合预设的代价敏感参数以及预设的策略选择参数设置损失函数;然后基于损失函数进行模型的训练,得到预设的深度神经网络模型。其中,代价敏感参数是用来减轻数据不平衡的问题,预设的策略选择参数包括保守控制参数和激进控制参数,通过预设的策略选择参数来执行保守和激进策略。在训练的过程中,比如针对前述样本类型的标注,其中确定正常的样本应采用保守的策略(高精度检测)进行训练,对于确定不正常的样本应该采用激进的策略(高召回率检测)进行训练。
具体的,本实施例给出预设的深度神经网络的结构图,如图3所示,图3中是采用了三维密集连接的卷积网络3D DenseNet作为主干网络,对非线性变换函数f进行训练,f为将输入图像数据转换为输出结果的函数。下面结合图3对具体的训练过程进行说明。
假设训练样本为N个,表示为其中xi是样本图像,yi是对样本图像标注后的样本标注图像。我们假设yi=-1表示确定正常样本,yi=1表示确定不正常样本,yi=0表示不确定样本。训练的非线性变换函数为fw(xi)定义损失函数为:
Loss(w,λ,ξ,γ)=l(w,λ,ξ,γ)+ρ1 max(c1-γ1,0)+ρ-1max(c-1-γ-1,0)
其中,w为非线性变换函数的参数,λ为确定正常和确定不正常类别的偏移参数,ξ为代价敏感参数,Y和c为策略选择参数;g(ξ-1,1)、h(Y-1,1)表示图3中两个坐标轴图中对应的弧线箭头连接的两条线段的阈值。
c1和c-1是预先设置的策略选择参数,c1为保守控制参数,c-1为激进控制参数;上述公式中的第二项和第三项用于惩罚不符合预先设定的策略的样本。上述公式中的l(w,λ,ξ,γ)的定义如下:
其中,1{...}是指示函数,w表示神经网络的参数,P1(xi)和P-1(xi)表示样本判断为确定不正常和确定正常的概率值,具体定义如下:
P1(xi)=G(-fw(xi)+λ1+logξ1+γ1)
P-1(xi)=G(-fw(xi)+λ-1+logξ-1-γ-1)
其中,G为假设的误差的服从的概率分布密度函数,fw(xi)是要训练的非线性变换函数。
基于上述损失函数和3D DenseNet训练后,得到fw(xi)。
另外,为了对预设的深度神经网络模型的性能进行验证。本发明实施例在公开数据集LIDC-IDRI数据集和ADNI数据集上进行实验。并列出了本实施例的模型与其他模型(基于Possion的模型,基于NSB的模型,基于Mean Squared Error(MSE)损失函数的模型和基于Cross Entropy(CE)损失函数)在LIDC-IDRI数据集和ADNI数据集上的对比结果。如表1和表2所示。本实施例采用每个类别的precision和recall来衡量在确定和不确定数据上的性能。其中表1和表2中最后两行是本实施例的结果数据。此外我们还引入
表1本实施例的模型与其他模型在LIDC-IDRI数据集上的对比结果
表2本实施例的模型与其他模型在ADNI数据集上的对比结果
上述对比结果,可以看到本实施例中的预设的深度神经网络模型在肺结节和阿兹海默症诊断过程中,识别“不确定”数据(“0”类型样本)的性能上都取得了很好的结果。
另外,图4给出了本实施例中的预设的深度神经网络模型与其他模型在识别“不确定”数据(“0”类型样本)的概率值的对比结果。图4中方框标识的为结节,可以看出本发明实施例的模型的性能更好。
S203.获取图像数据。
本步骤的实现方式与图1步骤S101的实现方式相同,此处不再赘述。
具体的,若是对CT图像数据进行判断,则获取的是CT图像数据,若是对MRI图像数据进行判断,则获取到的是MRI图像数据。
S204.基于预设的深度神经网络模型对图像数据中肺结节的征象进行预测,得到预测结果。
本步骤的实现方式与图1步骤S102的实现方式相同,此处不再赘述。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请实施例,还提供了一种用于实施上述图1和图2所述方法的数据处理的装置,如图5所示,该装置包括:
第一获取单元31,用于获取图像数据,所述图像数据为医学影像数据;
判断单元32,用于基于预设的深度神经网络模型对图像数据进行不确定性的判断,得到判断结果;所述预设的深度神经网络模型为能够将根据图像数据不能确定疾病诊断结果的图像数据进行识别的端到端的深度学习框架。
具体的,本申请实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述,此处不再赘述。
从以上的描述中,可以看出,本申请实施例中数据处理的装置能够首先获取图像数据,图像数据为医学影像数据;然后,基于预设的深度神经网络模型对图像数据进行不确定性的判断,由于预设的深度神经网络模型为能够将根据图像数据不能确定疾病诊断结果的图像数据进行识别的端到端的深度学习框架,因此利用该模型能够将不能确定诊断结果的图像数据进行识别,即将“不确定”数据进行更好的识别,解决了现有的机器算法无法对“不确定”数据关注和识别的问题。
进一步的,如图6所示,所述装置还包括:
第二获取单元33,用于在所述基于预设的深度神经网络模型对图像数据进行不确定性的判断,得到判断结果之前,获取训练样本,所述训练样本包含预设数量的样本数据及其对应的样本标注数据,所述预设数量的样本数据为包含病灶的医学影像样本数据,所述样本标注数据为对预设数量的样本数据进行类型标注的图像数据,所述类型包括确定和不确定;
训练单元34,用于基于训练样本对预设的深度神经网络算法进行训练得到预设的深度神经网络模型。
进一步的,如图6所示,训练单元34包括:
设置模块341,用于结合预设的代价敏感参数以及预设的策略选择参数设置损失函数,所述预设的策略选择参数包括保守控制参数和激进控制参数;
训练模块342,用于基于损失函数进行模型的训练,得到预设的深度神经网络模型。
进一步的,所述预设的深度神经网络模型的主干网络为三维密集连接的卷积网络3D DenseNet。
进一步的,所述医学影像数据为CT图像数据为电子计算机断层扫描CT图像数据或核磁共振成像MRI图像数据。
具体的,本申请实施例的装置中各模块实现其功能的具体过程可参见方法实施例中的相关描述,此处不再赘述。
根据本申请实施例,还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行图1或图2所述的数据处理的方法。
显然,本领域的技术人员应该明白,上述的本申请的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种数据处理的方法,其特征在于,所述方法包括:
获取图像数据,所述图像数据为医学影像数据;
基于预设的深度神经网络模型对图像数据进行不确定性的判断,得到判断结果;所述预设的深度神经网络模型为能够将根据图像数据不能确定疾病诊断结果的图像数据进行识别的端到端的深度学习框架。
2.根据权利要求1所述的数据处理的方法,其特征在于,在所述基于预设的深度神经网络模型对图像数据进行不确定性的判断,得到判断结果之前,所述方法还包括:
获取训练样本,所述训练样本包含预设数量的样本数据及其对应的样本标注数据,所述预设数量的样本数据为包含病灶的医学影像样本数据,所述样本标注数据为对预设数量的样本数据进行类型标注的图像数据,所述类型包括确定和不确定;
基于训练样本对预设的深度神经网络算法进行训练得到预设的深度神经网络模型。
3.根据权利要求2所述的数据处理的方法,其特征在于,基于训练样本对预设的深度神经网络算法进行训练得到预设的深度神经网络模型还包括:
结合预设的代价敏感参数以及预设的策略选择参数设置损失函数,所述预设的策略选择参数包括保守控制参数和激进控制参数;
基于损失函数进行模型的训练,得到预设的深度神经网络模型。
4.根据权利要求3所述的数据处理的方法,其特征在于,所述预设的深度神经网络模型的主干网络为三维密集连接的卷积网络3D DenseNet。
5.根据权利要求1所述的数据处理的方法,其特征在于,所述医学影像数据为CT图像数据为电子计算机断层扫描CT图像数据或核磁共振成像MRI图像数据。
6.一种数据处理的装置,其特征在于,所述装置包括:
第一获取单元,用于获取图像数据,所述图像数据为医学影像数据;
判断单元,用于基于预设的深度神经网络模型对图像数据进行不确定性的判断,得到判断结果;所述预设的深度神经网络模型为能够将根据图像数据不能确定疾病诊断结果的图像数据进行识别的端到端的深度学习框架。
7.根据权利要求6所述的数据处理的装置,其特征在于,所述装置还包括:
第二获取单元,用于在所述基于预设的深度神经网络模型对图像数据进行不确定性的判断,得到判断结果之前,获取训练样本,所述训练样本包含预设数量的样本数据及其对应的样本标注数据,所述预设数量的样本数据为包含病灶的医学影像样本数据,所述样本标注数据为对预设数量的样本数据进行类型标注的图像数据,所述类型包括确定和不确定;
训练单元,用于基于训练样本对预设的深度神经网络算法进行训练得到预设的深度神经网络模型。
8.根据权利要求7所述的数据处理的装置,其特征在于,训练单元包括:
设置模块,用于结合预设的代价敏感参数以及预设的策略选择参数设置损失函数,所述预设的策略选择参数包括保守控制参数和激进控制参数;
训练模块,用于基于损失函数进行模型的训练,得到预设的深度神经网络模型。
9.根据权利要求8所述的数据处理的装置,其特征在于,所述预设的深度神经网络模型的主干网络为三维密集连接的卷积网络3D DenseNet。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行权利要求1至权利要求5中任一项所述的数据处理的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910825532.1A CN110689112A (zh) | 2019-09-02 | 2019-09-02 | 数据处理的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910825532.1A CN110689112A (zh) | 2019-09-02 | 2019-09-02 | 数据处理的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110689112A true CN110689112A (zh) | 2020-01-14 |
Family
ID=69108804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910825532.1A Pending CN110689112A (zh) | 2019-09-02 | 2019-09-02 | 数据处理的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110689112A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022146080A1 (ko) * | 2020-12-31 | 2022-07-07 | 서울대학교산학협력단 | 딥러닝 네트워크의 동적 양자화 정밀도 가변 알고리즘 및 방법 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务*** |
CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
CN107346430A (zh) * | 2017-06-29 | 2017-11-14 | 济南浪潮高新科技投资发展有限公司 | 一种核磁共振图像自动筛选方法 |
CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
CN109003260A (zh) * | 2018-06-28 | 2018-12-14 | 深圳视见医疗科技有限公司 | Ct图像肺结节检测方法、装置、设备及可读存储介质 |
CN109124668A (zh) * | 2018-08-21 | 2019-01-04 | 广州大学 | 一种基于全卷积神经网络的肺部ct良恶性结节诊断仪器 |
CN109544510A (zh) * | 2018-10-24 | 2019-03-29 | 广州大学 | 一种基于卷积神经网络的三维肺结节识别方法 |
CN110013264A (zh) * | 2019-04-29 | 2019-07-16 | 北京青燕祥云科技有限公司 | X光图像识别方法、装置、电子设备及存储介质 |
CN110110600A (zh) * | 2019-04-04 | 2019-08-09 | 平安科技(深圳)有限公司 | 眼部oct图像病灶识别方法、装置及存储介质 |
-
2019
- 2019-09-02 CN CN201910825532.1A patent/CN110689112A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372390A (zh) * | 2016-08-25 | 2017-02-01 | 姹ゅ钩 | 一种基于深度卷积神经网络的预防肺癌自助健康云服务*** |
CN107016665A (zh) * | 2017-02-16 | 2017-08-04 | 浙江大学 | 一种基于深度卷积神经网络的ct肺结节检测方法 |
CN107346430A (zh) * | 2017-06-29 | 2017-11-14 | 济南浪潮高新科技投资发展有限公司 | 一种核磁共振图像自动筛选方法 |
CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
CN109003260A (zh) * | 2018-06-28 | 2018-12-14 | 深圳视见医疗科技有限公司 | Ct图像肺结节检测方法、装置、设备及可读存储介质 |
CN109124668A (zh) * | 2018-08-21 | 2019-01-04 | 广州大学 | 一种基于全卷积神经网络的肺部ct良恶性结节诊断仪器 |
CN109544510A (zh) * | 2018-10-24 | 2019-03-29 | 广州大学 | 一种基于卷积神经网络的三维肺结节识别方法 |
CN110110600A (zh) * | 2019-04-04 | 2019-08-09 | 平安科技(深圳)有限公司 | 眼部oct图像病灶识别方法、装置及存储介质 |
CN110013264A (zh) * | 2019-04-29 | 2019-07-16 | 北京青燕祥云科技有限公司 | X光图像识别方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
BOTONG WU ET AL: "《Learning with Unsure Data for Medical Image Diagnosis》", 《HTTPS://WWW.SEMANTICSCHOLAR.ORG/》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022146080A1 (ko) * | 2020-12-31 | 2022-07-07 | 서울대학교산학협력단 | 딥러닝 네트워크의 동적 양자화 정밀도 가변 알고리즘 및 방법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10755411B2 (en) | Method and apparatus for annotating medical image | |
CN110059697B (zh) | 一种基于深度学习的肺结节自动分割方法 | |
CN111915609B (zh) | 病灶检测分析方法、装置、电子设备及计算机存储介质 | |
CN109741312B (zh) | 一种肺结节鉴别方法、装置、设备及介质 | |
CN112465060A (zh) | 图像中目标物检测方法、装置、电子设备及可读存储介质 | |
CN111932547B (zh) | 图像中目标物的分割方法、装置、电子设备及存储介质 | |
CN110738235B (zh) | 肺结核判定方法、装置、计算机设备及存储介质 | |
KR20210038987A (ko) | 자동 종양 검출 및 분류를 위한 시스템 | |
CN113688912B (zh) | 基于人工智能的对抗样本生成方法、装置、设备及介质 | |
CN107729928B (zh) | 信息获取方法和装置 | |
CN110941978B (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
US11471096B2 (en) | Automatic computerized joint segmentation and inflammation quantification in MRI | |
CN111862096A (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN112383554B (zh) | 接口流量异常检测方法、装置、终端设备及存储介质 | |
CN112102959A (zh) | 一种服务器、数据处理方法、装置及可读存储介质 | |
CN110706200B (zh) | 数据预测的方法及装置 | |
CN110706121B (zh) | 确定医保欺诈结果的方法、装置、电子设备及存储介质 | |
EP3044756A1 (en) | Method and apparatus for generating image alignment data | |
CN111462203B (zh) | Dr病灶演化分析装置和方法 | |
CN110689112A (zh) | 数据处理的方法及装置 | |
WO2019109410A1 (zh) | 用于分割 mri 图像中异常信号区的全卷积网络模型训练方法 | |
CN116309465B (zh) | 一种基于改进的YOLOv5的自然环境下舌像检测定位方法 | |
CN114511569B (zh) | 基于肿瘤标志物的医学图像识别方法、装置、设备及介质 | |
CN115270998A (zh) | 时间序列的有序分类方法、装置、计算机设备及存储介质 | |
CN112580505B (zh) | 网点开关门状态识别方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200114 |
|
RJ01 | Rejection of invention patent application after publication |