CN111080594B - 切片标记确定方法、计算机设备和可读存储介质 - Google Patents
切片标记确定方法、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN111080594B CN111080594B CN201911249073.3A CN201911249073A CN111080594B CN 111080594 B CN111080594 B CN 111080594B CN 201911249073 A CN201911249073 A CN 201911249073A CN 111080594 B CN111080594 B CN 111080594B
- Authority
- CN
- China
- Prior art keywords
- medical image
- network model
- human body
- body part
- regression network
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000003550 marker Substances 0.000 title claims description 16
- 230000006870 function Effects 0.000 claims description 88
- 238000012549 training Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 15
- 210000001015 abdomen Anatomy 0.000 claims description 11
- 210000004072 lung Anatomy 0.000 claims description 11
- 210000004197 pelvis Anatomy 0.000 claims description 11
- 210000004061 pubic symphysis Anatomy 0.000 claims description 10
- 230000000694 effects Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 210000000038 chest Anatomy 0.000 description 5
- 210000003128 head Anatomy 0.000 description 5
- 210000003739 neck Anatomy 0.000 description 5
- 238000004195 computer-aided diagnosis Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 230000003068 static effect Effects 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
- 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
- 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
- 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
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种切片标记确定方法、计算机设备和可读存储介质,该方法包括:获取待分析的医学图像;将医学图像输入分类网络模型中,确定医学图像所属的人体部位;将医学图像输入人体部位对应的回归网络模型,得到医学图像中人体部位对应的标记。在该方法中,计算机设备通过分类网络模型,能够确定出医学图像所属的人体部位,再将医学图像输入确定出的医学图像所属的人体部位对应的回归网络模型,能够针对医学图像所属的人体部位准确地对医学图像中的人体部位进行标记,提高了得到的医学图像中人体部位对应的标记的准确度。
Description
技术领域
本发明涉及医学图像领域,特别是涉及一种切片标记确定方法、计算机设备和可读存储介质。
背景技术
随着计算机辅助诊断技术的发展,计算机辅助诊断技术能够通过影像学、医学图像处理技术以及其他可能的生理、生化手段,结合计算机的分析计算,辅助发现病灶。在使用现有的计算机辅助诊断技术前,通过判断输入的医学影像所覆盖的人体部位,再根据确定的医学影像所覆盖的人体部位调用对应的计算机辅助诊断技术对该医学影像进行诊断,能够得到更加准确的诊断结果,因此,对医学图像所覆盖的人体部位进行判断就显得尤为重要。
传统技术中,是按照事先选定的关键点对人体的头颈部、胸肺部、腹盆腔分别进行分段线性分配标签,将标签与医学图像输入神经网络中进行训练,得到预先训练好的回归网络,从而利用该回归网络确定医学图像所覆盖的人体部位,实现对医学图像中覆盖的人体部位进行识别。
但是,传统的对人体部位识别的方法存在识别准确率较低的问题。
发明内容
基于此,有必要针对传统的对人体部位识别的方法存在识别准确率较低的问题,提供一种切片标记确定方法、计算机设备和可读存储介质。
第一方面,本发明实施例提供一种切片标记确定方法,所述方法包括:
获取待分析的医学图像;
将所述医学图像输入分类网络模型中,确定所述医学图像所属的人体部位;
将所述医学图像输入所述人体部位对应的回归网络模型,得到所述医学图像中人体部位对应的标记。
在其中一个实施例中,所述回归网络模型预先标记有对应的人体部位的标签,所述将所述医学图像输入所述人体部位对应的回归网络模型,得到所述医学图像中人体部位对应的标记之前,所述方法还包括:
根据所述医学图像所属的人体部位与所述回归网络模型的标签之间的对应关系,确定出所述人体部位对应的回归网络模型。
在其中一个实施例中,所述回归网络模型的训练过程包括:
获取第一样本医学图像;
将所述第一样本医学图像输入对应的预设的初始回归网络模型中,得到所述第一样本医学图像中人体部位的样本标记;
根据所述样本标记和预先对所述第一样本医学图像中人体部位的标记,得到所述初始回归网络模型的损失函数的值;
利用所述初始回归网络模型的损失函数的值,对所述初始回归网络模型进行训练,得到所述回归网络模型。
在其中一个实施例中,所述利用所述初始回归网络模型的损失函数的值,对所述初始回归网络模型进行训练,得到所述回归模型,包括:
根据所述初始回归网络模型的损失函数的值,得到所述初始回归网络模型的高斯核加权损失函数的值;
利用所述高斯核加权损失函数的值,对所述初始回归网络模型进行训练,得到所述回归模型。
在其中一个实施例中,不同的人体部位所对应的回归网络模型的高斯核加权损失函数不同。
在其中一个实施例中,所述初始回归网络模型的损失函数包括以下函数中的任一种:均方误差函数;平均绝对值误差函数。
在其中一个实施例中,所述根据所述样本标记和预先对所述第一样本医学图像中人体部位的标记,得到所述初始回归网络模型的损失函数的值之前,所述方法还包括:
按照预设的划分规则,对人体部位进行划分,得到所述预先对所述第一样本医学图像中人体部位的标记。
在其中一个实施例中,所述分类网络模型的训练过程包括:
获取第二样本医学图像;
将所述第二样本医学图像输入预设的初始分类网络模型中,确定所述第二样本医学图像所属的人体部位;
根据所述第二样本医学图像所属的人体部位和预先对所述第二样本医学图像的标记结果,得到所述初始分类网络模型的损失函数的值;
根据所述初始分类网络模型的损失函数的值,对所述初始分类网络模型进行训练,得到所述分类网络模型。
第二方面,本发明实施例提供一种切片标记确定装置,所述装置包括:
第一获取模块,用于获取待分析的医学图像;
第一确定模块,用于将所述医学图像输入分类网络模型中,确定所述医学图像所属的人体部位;
识别模块,用于将所述医学图像输入所述人体部位对应的回归网络模型,得到所述医学图像中人体部位对应的标记。
第三方面,本发明实施例提供一种计算机设备,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以下步骤:
获取待分析的医学图像;
将所述医学图像输入分类网络模型中,确定所述医学图像所属的人体部位;
将所述医学图像输入所述人体部位对应的回归网络模型,得到所述医学图像中人体部位对应的标记。
第四方面,本发明实施例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以下步骤:
获取待分析的医学图像;
将所述医学图像输入分类网络模型中,确定所述医学图像所属的人体部位;
将所述医学图像输入所述人体部位对应的回归网络模型,得到所述医学图像中人体部位对应的标记。
上述实施例提供的人体部位方法、装置、计算机设备和可读存储介质中,计算机设备获取医学图像,将医学图像输入分类网络模型中,确定医学图像所属的人体部位,将医学图像输入确定的人体部位对应的回归网络模型,得到医学图像中人体部位对应的标记。在该方法中,计算机设备通过分类网络模型,能够确定出医学图像所属的人体部位,再将医学图像输入确定出的医学图像所属的人体部位对应的回归网络模型,能够针对医学图像所属的人体部位准确地对医学图像中的人体部位进行标记,提高了得到的医学图像中人体部位对应的标记的准确度。
附图说明
图1为一个实施例提供的计算机设备的内部结构示意图;
图2为一个实施例提供的切片标记确定方法的流程示意图;
图2(a)为一个实施例提供的人体部位划分示意图;
图3为另一个实施例提供的切片标记确定方法的流程示意图;
图4为另一个实施例提供的切片标记确定方法的流程示意图;
图5为一个实施例提供的切片标记确定装置结构示意图。
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。
本申请实施例提供的切片标记确定方法,可以适用于如图1所示的计算机设备。该计算机设备包括通过***总线连接的处理器、存储器,该存储器中存储有计算机程序,处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的,该计算机设备还可以包括网络接口、显示屏和输入装置。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***和计算机程序。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。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的,该计算机设备可以是服务器,可以是个人计算机,还可以是个人数字助理,还可以是其他的终端设备,例如平板电脑、手机等等,还可以是云端或者远程服务器,本申请实施例对计算机设备的具体形式并不做限定。
传统的人体部位自动识别任务中,通常是按照事先选定的关键点对人体的头颈部、胸肺部、腹盆腔分别进行分段线性分配标签,然后将标签与图像送进神经网络中进行训练,在这一过程中每个图像切片对应的标签的可信度不一致,距离关键点越远可信度越低,反之,距离关键点越近可信度越高,从而使得通过训练好的神经网络无法对医学图像中人体部位对应的标签进行准确的标记。为此,本发明实施例提供一种切片标记确定方法、计算机设备和存储介质,旨在解决传统技术的如上技术问题。
下面以具体的实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为一个实施例提供的切片标记确定方法的流程示意图。图2(a)为一个实施例提供的人体部位划分示意图。本实施例涉及的是计算机设备将医学图像输入分类网络模型中,确定医学图像所属的人体部位,将医学图像输入确定出的人体部位对应的回归网络模型,得到医学图像中人体部位对应的标记的具体实现过程。如图2所示,该方法可以包括:
S201,获取待分析的医学图像。
其中,待分析的医学图像为二维切片图像或2.5维切片图像。可选的,计算机设备可以从PACS(Picture Archiving and Communication Systems,影像归档和通信***)服务器中获取待分析的医学图像,也可以从医学影像设备中实时地获取待分析的医学图像。可选的,该医学图像可以为人体的横断面图像。
S202,将医学图像输入分类网络模型中,确定医学图像所属的人体部位。
具体的,计算机设备将上述医学图像输入分类网络模型中,确定该医学图像所属的人体部位。可选的,如图2(a)所示,医学图像所属的人体部位可以属于以下部位中的至少一种:头颈部以上、头颈部、胸肺部、腹盆腔和耻骨联合以下。可选的,计算机设备将医学图像输入分类网络模型之前可以对该医学图像进行归一化处理、裁剪处理等,将处理后的医学图像输入分类网络模型。
S203,将医学图像输入人体部位对应的回归网络模型,得到医学图像中人体部位对应的标记。
具体的,计算机设备根据上述确定出的医学图像所属的人体部位,确定出该人体部位对应的回归网络模型,将该医学图像输入该医学图像所属的人体部位对应的回归网络模型,得到该医学图像中人体部位对应的标记。需要说明的是,上述分类网络模型输入的是切片图像,当需要判断完整的3D体数据所属人体部位对应的标记时,可以将人体的每层医学影像都输入上述分类网络模型中,确定出每层医学影像所属的人体部位,再确定出每层医学图像所属人体部位对应的回归网络模型,将每层医学图像输入对应的回归网络模型,得到每层医学图像中人体部位对应的标记,对每层医学图像中人体部位对应的标记进行后处理,得到完整的3D体数据所属人体部位对应的标记。
在本实施例中,计算机设备通过分类网络模型,能够确定出医学图像所属的人体部位,再将医学图像输入确定出的医学图像所属的人体部位对应的回归网络模型,能够针对医学图像所属的人体部位准确地对医学图像中的人体部位进行标记,提高了得到的医学图像中人体部位对应的标记的准确度。
上述回归模型预先标记有对应的人体部位的标签,在上述实施例的基础上,作为一种可选的实施方式,上述S203之前,上述方法还包括:根据医学图像所属的人体部位与回归网络模型的标签之间的对应关系,确定出人体部位对应的回归网络模型。
其中,回归模型预先标记有对应的人体部位的标签,示例性地,头颈部对应的回归网络模型标记的标签为头颈,人体其他部位对应的回归网络模型标记的标签依次类推。具体的,计算机设备确定出上述医学图像所属的人体部位后,根据医学图像所属的人体部位与回归模型的标签之间的对应关系,确定出该医学图像所属的人体部位对应的回归网络模型,将该医学图像输入人体部位对应的回归网络模型,得到医学图像中人体部位对应的标记。
在本实施例中,计算机设备根据医学图像所属的人体部位与回归模型的标签之间的对应关系,能够快速、准确地确定出人体部位对应的回归网络模型,进而能够将医学图像输入其所属人体部位对应的回归网络模型,快速准确地得到医学图像中人体部位对应的标记,提高了得到医学图像中人体部位对应的标记的准确度和效率。
图3为另一个实施例提供的切片标记确定方法的流程示意图。本实施例涉及的是计算机设备对回归网络模型进行训练的具体实现过程。如图3所示,在上述实施例的基础上,作为一种可选的实施方式,回归网络模型的训练过程可以包括:
S301,获取第一样本医学图像。
可选的,计算机设备可以从PACS(Picture Archiving and CommunicationSystems,影像归档和通信***)服务器中获取第一样本医学图像,也可以从医学影像设备中实时地获取第一样本医学图像。需要说明的是,获取的第一样本医学图像已标记了第一样本医学图像所属的人体部位。
S302,将第一样本医学图像输入对应的预设的初始回归网络模型中,得到第一样本医学图像中人体部位的样本标记。
具体的,计算机设备将第一样本医学图像输入第一样本医学图像所属的人体部位对应的预设的初始回归网络模型中,得到第一样本医学图像中人体部位的样本标记。示例性地,第一样本医学图像为头颈部图像时,则第一样本医学图像对应的预设的回归网络模型为头颈部回归网络模型,计算机设备将第一样本医学图像输入对应的初始头颈部回归网络模型中,得到第一样本医学图像中人体部位的样本标记为样本头颈部标记。
S303,根据样本标记和预先对第一样本医学图像中人体部位的标记,得到初始回归网络模型的损失函数的值。
具体的,计算机设备根据得到的样本标记和预先对第一样本医学图像中人体部位的标记,得到上述初始回归网络模型的损失函数的值。可选的,初始回归网络模型的损失函数包括以下函数中的任一种:均方误差函数;平均绝对值误差函数。可选的,初始回归网络模型的损失函数还可以包括均方误差函数的变形函数,或平均绝对值误差函数的变形函数,例如,平滑的平均绝对值误差函数。需要说明的是,初始回归网络模型的损失函数均可以为适用于回归的损失函数,不仅限于上述对初始回归网络模型的损失函数的描述,示例性地,可以将Huber损失函数作为初始回归网络模型的损失函数。
S304,利用初始回归网络模型的损失函数的值,对初始回归网络模型进行训练,得到回归网络模型。
具体的,计算机设备利用初始回归网络模型的损失函数的值,对初始回归网络模型进行训练,将初始回归网络模型的损失函数的值达到稳定值时对应的初始回归网络模型确定为上述回归网络模型。可选的,计算机设备可以根据初始回归网络模型的损失函数的值,得到初始回归网络模型的高斯核加权损失函数的值,利用高斯核加权损失函数的值,对初始回归网络模型进行训练,得到上述回归模型,其中,不同的人体部位对应的回归网络模型的高斯核加权损失函数不同。继续以图2(a)所示的所划分的人体部位头颈部以上、头颈部、胸肺部、腹盆腔和耻骨联合以下为例进行说明:设头骨顶部的标签为L1,C7椎体中心的标签为L2,T12椎体中心的标签为L3,耻骨联合的标签为L4,则当第一样本医学图像所属的人体部位为头颈部以上时,则该第一样本医学图像对应的初始回归网络模型的高斯核加权损失函数的值为其中,t∈Range0,Range0表示头颈部以上,式中,σ为一个常数,用于决定高斯核加权损失函数的宽度,t为预先对第一样本医学图像中人体部位的标记,x为得到的第一样本医学图像中人体部位的样本标记,floss(x,t)为第一样本医学图像所属的人体部位为头颈部以上时对应的初始回归网络模型的损失函数的值,用于估量第一样本医学图像中人体部位的样本标记x与预先对第一样本医学图像中人体部位的标记t的不一致程度,依次类推,当第一样本医学图像所属的人体部位为头颈部、胸肺部、腹盆腔中的任意一部位时,则该第一样本医学图像对应的初始回归网络模型的高斯核加权损失函数的值为/>其中,t∈Range1,Range1表示头颈部、胸肺部、腹盆腔中的任意部位,式中,σ为一个常数,用于决定高斯核加权损失函数的宽度,t为预先对第一样本医学图像中人体部位的标记,x为得到的第一样本医学图像中人体部位的样本标记,floss(x,t)为第一样本医学图像所属的人体部位为头颈部、胸肺部、腹盆腔时对应的初始回归网络模型的损失函数的值;当第一样本医学图像所属的人体部位为耻骨联合以下时,则该第一样本医学图像对应的初始回归网络模型的高斯核加权损失函数的值为/>其中,t∈Range2,Range2表示耻骨联合以下,式中,σ为一个常数,用于决定高斯核加权损失函数的宽度,t为预先对第一样本医学图像中人体部位的标记,x为得到的第一样本医学图像中人体部位的样本标记,floss(x,t)为第一样本医学图像所属的人体部位为耻骨联合以下时对应的初始回归网络模型的损失函数的值。
在本实施例中,计算机设备将第一样本医学图像输入对应的预设的初始回归网络模型中,得到第一样本医学图像中人体部位的样本标记,根据样本标记和预先对第一样本医学图像中人体部位的标记,得到初始回归网络模型的损失函数的值,利用初始回归网络模型的损失函数的值,能够对初始回归网络模型进行准确地训练,提高了得到的回归网络模型的准确度,更优的,计算机设备根据初始回归网络模型的损失函数的值,得到初始回归网络模型的高斯核加权损失函数的值,利用高斯核加权损失函数的值能够对初始回归网络模型进行更加准确地训练,进而提高了得到的回归模型的准确度。
在上述实施例的基础上,作为一种可选的实施方式,上述S303之前,上述方法还包括:按照预设的划分规则,对人体部位进行划分,得到预先对第一样本医学图像中人体部位的标记。
具体的,计算机设备按照预设的划分规则,对人体部位进行划分,得到预先对第一样本医学图像中人体部位的标记。可选的,计算机设备可以按照如图2(a)所示的预先选定的关键点:头骨顶部、C7椎体中心,T12椎体中心、耻骨联合,将第一样本医学图像划分为头颈部以上、头颈部、胸肺部、腹盆腔和耻骨联合以下,得到预先对第一样本医学图像中人体部位的标记,即得到头颈部以上的标记、头颈部的标记、胸肺部的标记、腹盆腔的标记和耻骨联合以下的标记。
在本实施例中,计算机设备按照预设的划分规则,对人体部位进行划分,能够快速得到预先对第一样本医学图像中人体部位的标记,从而提高了根据样本标记和预先对第一样本医学图像中人体部位的标记得到初始回归网络模型的损失函数的效率。
图4为另一个实施例提供的切片标记确定方法的流程示意图。本实施例涉及的是计算机设备对分类网络模型进行训练的具体实现过程。如图4所示,在上述实施例的基础上,作为一种可选的实施方式,分类网络模型的训练过程可以包括:
S401,获取第二样本医学图像。
可选的,计算机设备可以从PACS(Picture Archiving and CommunicationSystems,影像归档和通信***)服务器中获取第二样本医学图像,也可以从医学影像设备中实时地获取第二样本医学图像。
S402,将第二样本医学图像输入预设的初始分类网络模型中,确定第二样本医学图像所属的人体部位。
具体的,计算机设备将第二样本医学图像输入预设的初始分类网络模型中,确定第二样本医学图像所属的人体部位。可选的,第二样本医学图像所属的人体部位可以为头颈部以上,也可以为头颈部,或胸肺部,或腹盆腔,或耻骨联合以下。
S403,根据第二样本医学图像所属的人体部位和预先对第二样本医学图像的标记结果,得到初始分类网络模型的损失函数的值。
具体的,计算机设备根据上述得到的第二样本医学图像所属的人体部位和预先对第二样本医学图像的标记结果,得到初始分类网络模型的损失函数的值。其中,初始分类网络模型的损失函数的值用于估量得到的第二样本医学图像所属的人体部位和预先对第二样本医学图像的标记结果的差异。
S404,根据初始分类网络模型的损失函数的值,对初始分类网络模型进行训练,得到分类网络模型。
具体的,计算机设备根据初始分类网络模型的损失函数的值,对初始分类网络模型进行训练,将初始分类网络模型的损失函数的值达到稳定值时对应的初始分类网络模型确定为上述分类网络模型。
在本实施例中,计算机设备将第二样本医学图像输入预设的初始分类网络模型中,确定第二样本医学图像所属的人体部位,根据第二样本医学图像所属的人体部位和预先对第二样本医学图像的标记结果,得到初始分类网络模型的损失函数的值,根据初始分类网络模型的损失函数的值,能够对初始分类网络模型进行比较准确地训练,进而提高了得到的分类网络模型的准确度。
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。
图5为一个实施例提供的切片标记确定装置结构示意图。如图5所示,该装置可以包括:第一获取模块10、第一确定模块11和识别模块12。
具体的,第一获取模块10,用于获取待分析的医学图像;
第一确定模块11,用于将医学图像输入分类网络模型中,确定医学图像所属的人体部位;
识别模块12,用于将医学图像输入人体部位对应的回归网络模型,得到医学图像中人体部位对应的标记。
本实施例提供的切片标记确定装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,回归网络模型预先标记有对应的人体部位的标签,可选的,上述装置还包括:第二确定模块。
具体的,第二确定模块,用于根据医学图像所属的人体部位与回归网络模型的标签之间的对应关系,确定出人体部位对应的回归网络模型。
本实施例提供的切片标记确定装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述装置还包括:第二获取模块、第三获取模块、第四获取模块和第一训练模块。
具体的,第二获取模块,用于获取第一样本医学图像;
第三获取模块,用于将第一样本医学图像输入对应的预设的初始回归网络模型中,得到第一样本医学图像中人体部位的样本标记;
第四获取模块,用于根据样本标记和预先对第一样本医学图像中人体部位的标记,得到初始回归网络模型的损失函数的值;
第一训练模块,用于利用初始回归网络模型的损失函数的值,对初始回归网络模型进行训练,得到回归网络模型。
可选的,初始回归网络模型的损失函数为以下函数中的任一种:均方误差函数;平均绝对值误差函数;平滑的平均绝对误差函数。
本实施例提供的切片标记确定装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述第一训练模块包括获取单元和训练单元。
具体的,获取单元,用于根据初始回归网络模型的损失函数的值,得到初始回归网络模型的高斯核加权损失函数的值;
训练单元,用于利用高斯核加权损失函数的值,对初始回归网络模型进行训练,得到回归模型。
其中,不同的人体部位所对应的回归网络模型的高斯核加权损失函数不同。
本实施例提供的切片标记确定装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述装置还包括第五获取模块。
具体的,第五获取模块,用于按照预设的划分规则,对人体部位进行划分,得到预先对第一样本医学图像中人体部位的标记。
本实施例提供的切片标记确定装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在上述实施例的基础上,可选的,上述装置第六获取模块、第三确定模块、第七获取模块和第二训练模块。
具体的,第六获取模块,用于获取第二样本医学图像;
第三确定模块,用于将第二样本医学图像输入预设的初始分类网络模型中,确定第二样本医学图像所属的人体部位;
第七获取模块,用于根据第二样本医学图像所属的人体部位和预先对第二样本医学图像的标记结果,得到初始分类网络模型的损失函数的值;
第二训练模块,用于根据初始分类网络模型的损失函数的值,对初始分类网络模型进行训练,得到分类网络模型。
本实施例提供的切片标记确定装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于切片标记确定装置的具体限定可以参见上文中对于切片标记确定方法的限定,在此不再赘述。上述切片标记确定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。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待分析的医学图像;
将医学图像输入分类网络模型中,确定医学图像所属的人体部位;
将医学图像输入人体部位对应的回归网络模型,得到医学图像中人体部位对应的标记。
上述实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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:
获取待分析的医学图像;
将医学图像输入分类网络模型中,确定医学图像所属的人体部位;
将医学图像输入人体部位对应的回归网络模型,得到医学图像中人体部位对应的标记。
上述实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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。
以上所述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。
以上所述实施例仅表达了本发明的几种实施方式,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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种切片标记确定方法,其特征在于,所述方法包括:
获取待分析的医学图像;
将所述医学图像输入分类网络模型中,确定所述医学图像所属的人体部位;所述医学图像为单层的切片图像;
将所述医学图像输入所述人体部位对应的回归网络模型,得到所述医学图像中人体部位对应的标记;不同的所述医学图像中人体部位对应的标记不同;不同的所述人体部位对应的回归网络模型是分别训练得到的;
所述回归网络模型的训练过程包括:
获取第一样本医学图像;
将所述第一样本医学图像输入对应的预设的初始回归网络模型中,得到所述第一样本医学图像中人体部位的样本标记;
根据所述样本标记和预先对所述第一样本医学图像中人体部位的标记,得到所述初始回归网络模型的损失函数的值;
利用所述初始回归网络模型的损失函数的值,对所述初始回归网络模型进行训练,得到所述回归网络模型;
所述回归网络模型预先标记有对应的人体部位的标签,所述将所述医学图像输入所述人体部位对应的回归网络模型,得到所述医学图像中人体部位对应的标记之前,所述方法还包括:
根据所述医学图像所属的人体部位与所述回归网络模型的标签之间的对应关系,确定出所述人体部位对应的回归网络模型。
2.根据权利要求1所述的方法,其特征在于,所述利用所述初始回归网络模型的损失函数的值,对所述初始回归网络模型进行训练,得到所述回归模型,包括:
根据所述初始回归网络模型的损失函数的值,得到所述初始回归网络模型的高斯核加权损失函数的值;
利用所述高斯核加权损失函数的值,对所述初始回归网络模型进行训练,得到所述回归模型。
3.根据权利要求2所述的方法,其特征在于,不同的人体部位所对应的回归网络模型的高斯核加权损失函数不同。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述初始回归网络模型的损失函数包括以下函数中的任一种:均方误差函数;平均绝对值误差函数。
5.根据权利要求1所述的方法,其特征在于,所述根据所述样本标记和预先对所述第一样本医学图像中人体部位的标记,得到所述初始回归网络模型的损失函数的值之前,所述方法还包括:
按照预设的划分规则,对人体部位进行划分,得到所述预先对所述第一样本医学图像中人体部位的标记。
6.根据权利要求1所述的方法,其特征在于,所述分类网络模型的训练过程包括:
获取第二样本医学图像;
将所述第二样本医学图像输入预设的初始分类网络模型中,确定所述第二样本医学图像所属的人体部位;
根据所述第二样本医学图像所属的人体部位和预先对所述第二样本医学图像的标记结果,得到所述初始分类网络模型的损失函数的值;
根据所述初始分类网络模型的损失函数的值,对所述初始分类网络模型进行训练,得到所述分类网络模型。
7.根据权利要求1所述的方法,其特征在于,所述人体部位包括头颈部以上、头颈部、胸肺部、腹盆腔或耻骨联合以下。
8.一种计算机设备,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1-7中任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911249073.3A CN111080594B (zh) | 2019-12-09 | 2019-12-09 | 切片标记确定方法、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911249073.3A CN111080594B (zh) | 2019-12-09 | 2019-12-09 | 切片标记确定方法、计算机设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111080594A CN111080594A (zh) | 2020-04-28 |
CN111080594B true CN111080594B (zh) | 2024-03-26 |
Family
ID=70313261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911249073.3A Active CN111080594B (zh) | 2019-12-09 | 2019-12-09 | 切片标记确定方法、计算机设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111080594B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109461161A (zh) * | 2018-10-22 | 2019-03-12 | 北京连心医疗科技有限公司 | 一种基于神经网络对医学影像中人体器官进行分割的方法 |
CN109753859A (zh) * | 2017-11-08 | 2019-05-14 | 佳能株式会社 | 在图像中检测人体部件的装置和方法及图像处理*** |
CN110136103A (zh) * | 2019-04-24 | 2019-08-16 | 平安科技(深圳)有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
CN110309888A (zh) * | 2019-07-11 | 2019-10-08 | 南京邮电大学 | 一种基于分层多任务学习的图像分类方法与*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107492099B (zh) * | 2017-08-28 | 2021-08-20 | 京东方科技集团股份有限公司 | 医学图像分析方法、医学图像分析***以及存储介质 |
-
2019
- 2019-12-09 CN CN201911249073.3A patent/CN111080594B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753859A (zh) * | 2017-11-08 | 2019-05-14 | 佳能株式会社 | 在图像中检测人体部件的装置和方法及图像处理*** |
CN109461161A (zh) * | 2018-10-22 | 2019-03-12 | 北京连心医疗科技有限公司 | 一种基于神经网络对医学影像中人体器官进行分割的方法 |
CN110136103A (zh) * | 2019-04-24 | 2019-08-16 | 平安科技(深圳)有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
CN110309888A (zh) * | 2019-07-11 | 2019-10-08 | 南京邮电大学 | 一种基于分层多任务学习的图像分类方法与*** |
Also Published As
Publication number | Publication date |
---|---|
CN111080594A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11244435B2 (en) | Method and apparatus for generating vehicle damage information | |
CN110599526B (zh) | 图像配准方法、计算机设备和存储介质 | |
CN112967236B (zh) | 图像的配准方法、装置、计算机设备和存储介质 | |
CN109285105B (zh) | 水印检测方法、装置、计算机设备和存储介质 | |
CN108961315B (zh) | 目标跟踪方法、装置、计算机设备和存储介质 | |
CN110674712A (zh) | 交互行为识别方法、装置、计算机设备和存储介质 | |
CN110210519B (zh) | 分类方法、计算机设备和存储介质 | |
CN110807491A (zh) | 车牌图像清晰度模型训练方法、清晰度检测方法及装置 | |
CN109657675B (zh) | 图像标注方法、装置、计算机设备和可读存储介质 | |
CN110689518B (zh) | 宫颈细胞图像筛查方法、装置、计算机设备及存储介质 | |
CN110136153A (zh) | 一种图像处理方法、设备及存储介质 | |
CN111583184A (zh) | 图像分析方法、网络、计算机设备和存储介质 | |
CN112102235B (zh) | 人体部位识别方法、计算机设备和存储介质 | |
CN111144372A (zh) | 车辆检测方法、装置、计算机设备和存储介质 | |
CN110717449A (zh) | 车辆年检人员的行为检测方法、装置和计算机设备 | |
CN114549462A (zh) | 基于视角解耦Transformer模型的病灶检测方法、装置、设备及介质 | |
CN110738702B (zh) | 一种三维超声图像的处理方法、装置、设备及存储介质 | |
CN110309855B (zh) | 图像分割的训练方法、计算机设备及存储介质 | |
CN116309459A (zh) | 基于改进网络的肺结节检测方法、装置、设备和存储介质 | |
CN115063397A (zh) | 计算机辅助影像分析方法、计算机设备和存储介质 | |
CN111080594B (zh) | 切片标记确定方法、计算机设备和可读存储介质 | |
CN116311120A (zh) | 视频标注模型训练方法、视频标注方法、装置以及设备 | |
CN109063601A (zh) | 唇纹检测方法、装置、计算机设备和存储介质 | |
CN111027469B (zh) | 人体部位识别方法、计算机设备和可读存储介质 | |
CN110766652B (zh) | 网络训练方法、装置、分割方法、计算机设备和存储介质 |
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 |