CN111080625B - 肺部影像条索检测模型的训练方法及其训练装置 - Google Patents
肺部影像条索检测模型的训练方法及其训练装置 Download PDFInfo
- Publication number
- CN111080625B CN111080625B CN201911310411.XA CN201911310411A CN111080625B CN 111080625 B CN111080625 B CN 111080625B CN 201911310411 A CN201911310411 A CN 201911310411A CN 111080625 B CN111080625 B CN 111080625B
- Authority
- CN
- China
- Prior art keywords
- image
- training
- lung
- detection model
- lung image
- 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
Images
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
- G06T2207/10—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
- G06T2207/20—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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了一种肺部影像条索检测模型的训练方法及其训练装置,解决了现有技术中人工识别肺部CT图像中条索的位置以及数量时,工作量大、容易漏检测以及存在人为主观性的技术问题。本申请实施例提供的肺部影像条索检测模型训练方法,在选择训练数据时,不仅仅采用了带有条索的肺部影像数据,还采用了不带有条索的肺部影像数据,降低了因条索与肺部影像中的器官相像而产生假阳性检测结果的概率,从而提高了肺部影像条索检测模型在检测条索时的准确率。
Description
技术领域
本申请涉及人工智能技术领域,具体涉及一种肺部影像条索检测模型的训练方法及其训练装置。
背景技术
人体电脑断层扫描(Computed Tomography,简称CT)是医学上用来判断一些疾病的一个重要手段。例如,当肺部出现炎症时或者肺结核等疾病愈合后,可能会出现瘢痕,在肺部的CT图像中,这些瘢痕则表现为高密度的长条影(即条索)。现有技术中主要是依靠放射科医生根据拍摄到的CT图像人工读取是否存在条索、条索的位置以及条索的个数,增大了放射科医生的工作量。放射科医生在高强度的工作下容易出现漏检测的条索,且存在一定的主观性。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种肺部影像条索检测模型的训练方法及其训练装置,解决了现有技术中人工识别肺部CT图像中条索的位置以及数量时,工作量大、容易漏检测以及存在人为主观性的技术问题。
根据本申请的一个方面,提供了一种肺部影像条索检测模型的训练方法,包括:获取肺部影像样品数据集,所述肺部影像样品数据集包括训练数据集与验证数据集,所述训练数据集包括训练影像集以及与每个训练影像相对应的第一标签,所述验证数据集包括验证影像集以及与每个验证影像相对应的第二标签,且所述训练影像集包括含有条索的训练影像集以及无条索的训练影像集;构建肺部影像条索检测模型;将所述验证影像集输入至所述肺部影像条索检测模型中进行训练,并保存所述肺部影像条索检测模型将多数训练数据集遍历不同次数时的模型参数;在保存的所有模型参数中选取N组模型参数,所述肺部影像条索检测模型在所述N组模型参数中的每一组模型参数下,分别对所述验证数据集进行验证,得到N组验证信息;以及,根据所述N组验证信息,获取一组最优验证信息,并获取与所述最优验证信息相对应的一组最优模型参数,所述最优模型参数为所述肺部影像条索检测模型用于检测肺部影像条索时的工作参数。
在本发明一实施例中,所述第一标签包括第一标注框,所述将所述训练数据集输入至所述肺部影像条索检测模型进行训练包括:接收所述训练数据集中的训练影像,并在所述训练影像中提取不同尺度的特征图像;在所述特征图像中生成感兴趣区域识别框;以及,对所述特征图像的感兴趣区域识别框进行定位,并计算所述感兴趣区域识别框和所述训练影像的所述第一标注框的重叠区域与并集区域的第一比值;当所述第一比值大于第一阈值时,对所述肺部影像条索检测模型进行优化。
在本发明一实施例中,在所述特征图像中生成感兴趣区域识别框之后,所述训练方法进一步包括:对所述特征图像的感兴趣区域识别框进行分类,并计算所述感兴趣区域识别框和所述训练影像的所述第一标注框的重叠区域与并集区域的第二比值;当所述第二比值大于第二阈值时,对所述肺部影像条索检测模型进行优化,或者当所述第二比值小于第三阈值时,将所述感兴趣区域当作背景,对所述肺部影像条索检测模型进行优化。
在本发明一实施例中,所述在所述训练影像中提取不同尺度的特征图像包括:在第一尺度下对所述训练影像进行特征提取,得到第一尺度特征原图;提取所述第一尺度特征原图的底层视觉特征图;提取所述第一尺度特征原图的高层语义特征图;以及,将所述底层视觉特征图与所述高层语义特征图进行特征融合,得第一尺度特征图。
在本发明一实施例中,在所述接收所述训练数据集中的训练影像之后,且在所述训练影像中提取不同尺度的特征图像之前,所述训练方法进一步包括:对所述训练影像进行图像预处理。
在本发明一实施例中,所述图像预处理包括:调整所述训练影像输入时的窗宽与窗位;或,对所述训练影像进行数据增广。
在本发明一实施例中,所述验证影像集包括含有条索的验证影像集以及无条索的验证影像集。
根据本申请的另一个方面,提供了一种肺部影像条索的检测方法,包括:获取待检测肺部影像;以及,将所述待检测肺部影像输入至肺部影像条索检测模型,并在所述肺部影像条索检测模型的工作参数下,所述肺部影像条索检测模型对所述待检测肺部影像进行检测,得到所述待检测肺部影像的检测数据;其中所述肺部影像条索检测模型采用前述所述的肺部影像条索检测模型的训练方法训练而成;所述检测数据包括检测框以及置信度。
在本发明一实施例中,所述检测方法进一步包括:对所述检测数据进行后处理,以使得所述检测数据仅包括条索数据。
根据本申请的另一个方面,本发明实施例提供了一种肺部影像条索检测模型的训练装置,包括:信息获取模块,用于获取肺部影像样品数据集,所述肺部影像样品数据集包括训练数据集与验证数据集;模型训练模块,用于基于所述训练数据集以及所述验证数据集对所述肺部影像条索检测模型进行训练;模型保存模块,用于基于模型训练过程,实时保存模型参数。
在本发明一实施例中,所述模型训练模块包括:特征提取模块,用于接收所述训练数据集中的训练影像,并在所述训练影像中提取不同尺度的特征图像;区域生成模块,用于在所述特征图像中生成感兴趣区域识别框;区域定位模块,用于对所述特征图像的感兴趣区域识别框进行定位,并计算所述感兴趣区域识别框和所述训练影像的所述第一标注框的重叠区域与并集区域的第一比值;以及,区域分类模块,用于对所述特征图像的感兴趣区域识别框进行分类,并计算所述感兴趣区域识别框和所述训练影像的所述第一标注框的重叠区域与并集区域的第二比值。
根据本申请的另一个方面,本发明实施例提供了一种肺部影像条索的检测装置,包括:数据获取模块,用于获取待检测的肺部影像数据;以及,肺部影像条索检测模型,用于在所述肺部影像条索检测模型的工作参数下,对所述待检测肺部影像进行检测,得到所述待检测肺部影像的检测数据;其中,所述肺部影像条索检测模型采用如前述所述的肺部影像条索检测模型的训练方法训练而成。
根据本申请的另一个方面,本发明实施例提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序用于执行前述所述的肺部影像条索检测模型的训练方法。
根据本申请的另一个方面,本发明实施例提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时执行前述所述的肺部影像条索检测模型的训练方法。
本申请提供的肺部影像条索检测模型的训练方法,通过在选择训练样品数据时,不仅仅采用了带有条索的肺部影像数据,还采用了不带有条索的肺部影像数据,降低了因条索与肺部影像中的器官相像而产生假阳性检测结果的概率,从而提高了肺部影像条索检测模型在检测条索时的准确率。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1是本申请一示例性实施例提供的肺部影像条索检测模型的训练方法的流程示意图。
图2是本申请另一示例性实施例提供的肺部影像条索检测模型的训练方法的流程示意图。
图3是本申请另一示例性实施例提供的肺部影像条索检测模型的训练方法的流程示意图。
图4是本申请一示例性实施例提供的一种肺部影像条索的检测方法的流程示意图。
图5是本申请一示例性实施例提供的肺部影像条索检测模型的训练装置的结构示意图。
图6时本申请另一示例性实施例提供的肺部影像条索检测模型的训练装置的结构示意图。
图7是本申请另一示例性实施例提供的肺部影像条索检测模型的训练装置的结构示意图。
图8是本申请一示例性实施例提供的肺部影像条索的检测装置的结构示意图。
图9是本申请一示例性实施例提供的电子设备的结构图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
电脑断层扫描(Computed Tomography,简称CT)是一种利用数位几何处理后重建的三维放射线医学影像。该技术主要通过单一轴面的X射线旋转照射人体,由于不同的组织对X射线的吸收能力(或称阻射率)不同,可以用电脑的三维技术重建出断层面影像,经由窗宽、窗位处理,可以得到相应组织的断层影像,将断层影像层层堆叠,即可形成立体影像。
人体CT断层扫描是医学上用来检测肺部或者肺部一些疾病的重要手段。例如肺部炎症,肺结核等疾病愈合后会形成瘢痕,在肺部CT图像上表现为高密度的长条形(即条索状),但是这些条索会跟肺部影像中的器官或者肺部的一些结构长得比较相像。因此,医生在识别CT图像上的条索时,不仅工作量大,而且还要具备丰富的经验才能够准确分辨瘢痕、器官以及肺部结构。尽管近年来,随着深度学习的快速发展,机器学习各领域包括计算机视觉迅速被深度学习占领,深度学习已经在图像识别、语音识别等领域取得了令人瞩目的成果。深度学习作为机器学习中的重要方法之一,具有强大的特征提取模型构建能力以及图像处理能力,因此深度学习非常适合处理医学影像数据分析所面临的问题,引起了生物医学领域研究人员的广泛关注。目前,基于人工智能技术的影像诊断***主要利用的是卷积神经网络技术,相比于传统的图像技术,不仅规避了人为定义特征的繁琐步骤,而且还能获取相比于底层特征(例如颜色、纹理、结构等)更高层的语义特征,模拟人脑视觉处理过程。
但是由于瘢痕在肺部CT图像上体现出来的条索与肺部影像中的器官或者肺部的一些结构长得比较相像,例如肺部CT图像上体现的条索密度高且是长条状,与血管或者肺底韧带等器官比较相像;因此对图像识别来说要求比较高,目前还没有用于检测肺部CT图像上的条索的机器学习模型以及检测方法,主要是依靠放射科医生根据拍摄到的CT图像人工读取是否存在条索、条索的位置以及条索的个数,增大了放射科医生的工作量,在高强度的工作下容易出现漏检的情况,且当放射科医生读取条索时还存在一定的人为主观性。
如上所述,在放射科医生识别肺部CT图像中条索的位置以及数量时,存在工作量大、容易漏检测以及人为主观性的技术问题。
针对上述的技术问题,本申请的基本构思是提出一种肺部影像条索检测模型的训练方法,在选择训练样品数据时,不仅仅采用了带有条索的肺部影像数据,还采用了不带有条索的肺部影像数据,降低了因条索与肺部影像中的器官相像而产生假阳性检测结果的概率,从而提高了肺部影像条索检测模型在检测条索时的准确率。当肺部影像条索检测模型用于检测肺部CT图像中的条索时,能够快速准确地检测出条索,有效降低了医生的工作量。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图1是本申请一示例性实施例提供的肺部影像条索检测模型的训练方法的流程示意图。本实施例可应用在电子设备上,如图1所示,肺部影像条索检测模型的训练方法包括如下步骤:
步骤S101:获取肺部影像样品数据集,其中肺部影像样品数据集包括训练数据集与验证数据集,训练数据集包括训练影像集以及与每个训练影像相对应的第一标签,验证数据集包括验证影像集以及与每个验证影像相对应的第二标签,且训练影像集包括含有条索的训练影像集以及无条索的训练影像集;
其中,肺部影像数据集的获得方式可以但是不限于通过如下方式:
(1)从相应的医学数据库中下载得到的肺部影像数据,例如肺部影像数据联盟。
(2)从医生或者病人中收集到的肺部影像数据。
获得肺部影像数据集之后,对肺部数据影像集进行整理,整理出未经过标注的肺部影像数据,然后对未经过标注的肺部影像数据进行人工标注。
通常情况下,从医学数据库中获取的肺部影像数据中的大部分是经过标注的,所以对从医学数据库中获取且经过标注的每个肺部影像数据则无需再进行人工标注。但是从病人或者医生中收集到的肺部影像数据,大部分影像数据是没有经过标注的,此时需要对从医生或者病人中获取且未经过标注的每个肺部影像数据进行人工标注。
对每个肺部影像数据进行人工标注的项目主要包括:肺部影像中是否存在条索,如果存在条索,将条索所在的位置使用标注框进行标注。
当对所有肺部影像数据集中的每个肺部影像数据进行标注后,将该肺部影像数据集进行划分,分为以下两类:
(1)训练数据集,包括训练影像集以及与每个训练影像相对应的第一标签,其中,训练影像集包括含有条索的训练影像集以及无条索的训练影像集。其中第一标签指的是与每个训练影像相应的人工标注,具体是指:每个训练影像中是否存在条索以及条索的第一标注框。
(2)验证数据集,包括验证影像集以及与每个验证影像相对应的第二标签。
其中第二标签指的是对于每个验证影像相应的人工标注,具体是指:每个验证影像中是否存在条索以及条索的第二标注框。
应当理解,当对样品数据集划分为训练数据集以及验证数据集时,训练数据集以及验证数据集之间的比例关系可以随机分配,也可以按照一定的比例进行划分,例如训练数据集中肺部影像数据的数量与验证数据集中肺部影像数据的数量之间的比例可为4:1或者6:1等。
此外,为了更好地验证该模型的效果,还可以设置测试数据集,即将数据集分为训练数据集、验证数据集以及测试数据集。
步骤S102:构建肺部影像条索检测模型。
步骤S103:将训练数据集输入至该肺部影像条索检测模型中进行训练,并保存肺部影像条索检测模型将训练数据集遍历不同次数时的模型参数;
在步骤S103中,当肺部影像条索检测模型将训练数据集中所有的数据集每遍历一次时,记录并保存此时的模型参数,例如当肺部影像条索检测模型将训练数据集中所有的数据集都遍历了一次时,保存遍历一次时的模型参数;如当肺部影像条索检测模型将训练数据集中所有的数据集都遍历了三次时,保存遍历第三次时的模型参数;当肺部影像条索检测模型将训练数据集中所有的数据集都遍历第M次时,保存遍历第M次时的模型参数,其中M为大于或者等于1的整数。肺部影像条索检测模型的工作参数包括模型阈值以及epoch值,其中,肺部影像条索检测模型在实际检测过程中,当检测结果的置信度超过模型阈值时,才会输出存在条索以及检测框。例如当模型的模型阈值为50%时,肺部影像条索检测模型检测出有条索且条索的位置均已锁定,但是置信度只有40%时,检测结果则是无条索。相反,肺部影像条索检测模型检测出有条索且条索的位置均已锁定,置信度为80%,检测结果则是:有条索,条索的检测框以及置信度80%。
步骤S104:在保存的所有模型参数中选取N组模型参数,肺部影像条索检测模型在N组模型参数中的每一组模型参数下,分别对验证数据集进行验证,得到N组验证信息。
当在步骤S103中保存了八个模型参数,分别为将训练数据集遍历一遍、二遍、三遍、四遍……八遍时保存的模型参数。那么在步骤S104中,可以选择三遍、四遍、六遍、七遍时的模型参数对肺部影像条索检测模型进行验证,即将验证数据集输入至肺部影像条索检测模型,然后肺部影像条索检测模型分别在三遍、四遍、六遍、七遍时的模型参数下将验证数据集遍历一遍,然后得到四组验证信息。
步骤S105:根据N组验证信息,获取一组最优验证信息,并获取与最优验证信息相对应的一组最优模型参数,该最优模型参数即为该肺部影像条索检测模型用于检测肺部影像条索时的工作参数。
步骤S105用于选择最优模型参数,即在最优模型参数下,肺部影像条索检测模型的检测性能最优。
例如当步骤S104中,肺部影像条索检测模型分别在三遍、四遍、六遍、七遍时的模型参数下将验证数据集遍历一遍,然后得到四组验证信息。在步骤S105中将这四组验证信息进行对比,得出最优的一组验证信息,然后与最优验证信息相对应的模型参数即为最优模型参数。
将N组验证信息进行对比得到最优验证信息时,主要但不限于参考如下信息:
(1)检出率,即在验证数据集中,对每张肺部影像数据进行检测后得到的验证信息与实际标注信息相符合的概率。
(2)ROC曲线下面积
ROC全称为Receiver Operation Characteristic Curve,ROC曲线其实就是从混淆矩阵衍生出来的图形,其横坐标为1-Specificity,纵坐标为Sensitivity。
ROC曲线与参照线进行对比,当ROC曲线越偏离参照线时,ROC下的面积也就越大,即ROC曲线越靠近左上角,模型的预测效果越好。
(3)提升指数(Lift)和增益指数(Gain)
Lift(提升指数)与Gain(增益指数)越大,肺部影像条索检测模型的预测效果越好。
本发明实施例提供的一种肺部影像条索检测模型的训练方法,在选择训练样品数据时,不仅仅采用了带有条索的肺部影像数据,还采用了不带有条索的肺部影像数据,降低了因条索与肺部影像中器官相像而产生假阳性检测结果的概率,从而提高了肺部影像条索检测模型在检测条索时的准确率。当肺部影像条索检测模型用于检索肺部CT图像中的条索时,能够快速准确地检测出条索,有效降低了医生的工作量。
图2是本申请另一示例性实施例提供的肺部影像条索检测模型的训练方法的流程示意图。在本发明一实施例中,第一标签包括第一标注框,其中步骤S103:将训练数据集输入至肺部影像条索检测模型进行训练包括:
步骤S1031:接收训练数据集中的训练影像,并在训练影像中提取不同尺度的特征图像;
步骤S1032:在特征图像中生成感兴趣区域识别框;
步骤S1033:对感兴趣区域识别框进行定位,并计算感兴趣区域识别框和训练影像的第一标注框的重叠区域与并集区域的第一比值。
步骤S1034:当第一比值大于第一阈值时,对肺部影像条索检测模型进行优化。
当第一比值小于或者等于第一阈值时,则放弃该特征图像,然后在该肺部影像条索检测模型下继续对下一张特征图像进行步骤S1032-步骤S1033。
应当理解,步骤S1033至步骤S1034的主要目的是检测感兴趣区域识别框与第一标注框在位置上是否吻合,当感兴趣区域识别框与第一标注框在位置上吻合时,对肺部影像条索检测模型进行优化。因此,步骤S1033至步骤S1043仅是检测感兴趣区域识别框与第一标注框在位置上是否吻合的一种方式,本发明实施例还可以通过其他方式来检测感兴趣区域识别框与第一标注框在位置上是否吻合,例如检测感兴趣区域识别框与第一标注框的偏置。因此,只要能够检测感兴趣区域识别框与第一标注框在位置上是否吻合,本发明实施例对于检测感兴趣区域识别框与第一标注框在位置上是否吻合的具体方式不作限定。
步骤S1035:当肺部影像条索检测模型将训练数据集中的所有训练影像每遍历一次时,保存肺部影像条索检测模型在遍历第M次时的模型参数。
本发明实施例通过采用识别框的定位误差来进行优化模型,提高了模型的准确率。
为了更加提高模型的准确率,本发明另一实施例中,如图3所示,在步骤S1032之后,在步骤S1035之前,训练方法进一步包括:
步骤S1036:对感兴趣区域识别框进行分类,并计算感兴趣区域识别框和训练影像的第一标注框的重叠区域与并集区域的第二比值。
步骤S1037:当第二比值大于第二阈值时,对肺部影像条索检测模型进行优化。
或者当第二比值小于第三阈值时,将感兴趣区域当作背景,对肺部影像条索检测模型进行优化。
当第二比值既不大于第二阈值也不小于第三阈值时,将放弃该特征图像,然后在该肺部影像条索检测模型下继续对下一张特征图像进行步骤S1032以及步骤S1034。
应当理解,步骤S1036和步骤S1037主要目的是检测感兴趣区域识别框中是否存在条索,而步骤S1036以及步骤S1037仅是检测感兴趣区域识别框中是否存在条索的一种方法,本发明实施例还可以通过其他方法来检测感兴趣区域识别框中是否存在条索,因此,只要能够检测出感兴趣区域识别框中是否存在条索,本发明实施例对检测感兴趣区域识别框中是否存在条索的方法不作限定。
应当理解,对肺部影像条索检测模型进行优化可以为修改模型参数也可以为修改模型结构,本发明实施例对肺部影像条索检测模型进行优化的具体方法不作限定。
本发明实施例通过对条索分类的差异进行优化模型,进一步提高了模型的准确率。其中训练方法可以均包括步骤S1036与步骤S1033,也可以仅包括其中一种。当训练方法均包括步骤S1036以及步骤S1033时,即模型训练方法从条索分类角度以及定位角度对肺部影像条索检测模型进行优化,进一步提高肺部影像条索检测模型的准确率。
在本发明一实施例中,步骤S1031:接收训练数据集中的训练影像,并在训练影像中提取不同尺度的特征图像可以进一步包括:
(i)在第一尺度下对训练影像进行特征提取,得到第一尺度特征原图;
(ii)提取第一尺度特征原图的底层视觉特征图;
(iii)提取第一尺度特征原图的高层语义特征图;以及,
(iv)将底层视觉特征图与高层语义特征图进行特征融合,得第一尺度特征图。
本发明实施例通过在提取不同尺度的特征图时采用高层特征以及底层特征相结合的方法,高层更抽象的语义信息以及底层的更详细的位置信息,因此能同时检测到不同尺寸的条索,提升模型的灵敏度,并且对位置回归更准确,同时,也能看到肺部影像中更多的周围的环境背景信息,帮助肺部影像条索检测模型判断待检测的肺部影像中是否存在条索。
在本发明一实施例中,在步骤S1031之后且在步骤S1032之前,训练方法还包括:对训练影像进行图像预处理。其中图像预处理的方法可以但是不限于包括:调整训练影像输入时的窗宽和窗位或者对训练影像进行数据增广,通过对训练影像的预处理,得到更多的训练影像样本以及同一个训练影像样本的不同表现形式(例如同一个人不同角度的CT图像),提高神经网络模型的检测准确度以及鲁棒性等。
作为本发明的另一方面,图4所示为本发明以实施例提供的一种肺部影像条索的检测方法的流程示意图,如图4所示,一种肺部影像条索的检测方法,包括:
步骤S201:获取待检测肺部影像;
步骤S202:将待检测肺部影像输入至肺部影像条索检测模型,并在肺部影像条索检测模型的工作参数下,肺部影像条索检测模型对待检测肺部影像进行检测,得到待检测肺部影像的检测数据;其中肺部影像条索检测模型采用前述所述的肺部影像条索检测模型的训练方法训练而成。
当肺部影像条索检测模型对待检测肺部影像进行检测时,最后输出的检测数据包括条索类型(即有无条索),检测框(即条索所在的位置)以及置信度,例如当对一个待检测肺部影像进行检测时,输出的检索数据为:条索(条索类型),检测框(条索所在的位置)、85%(置信度)。
本发明实施例的一种肺部影像条索的检测方法,利用神经网络模型替代人工检测肺部CT图像中的条索,大幅减少放射科医务人员的工作量,提高了检测效率;同时也能够避免漏检的情况,提高了检测准确度;并且,检测时采用的神经网络模型在训练时不仅仅采用了带有条索的肺部影像数据,还采用了不带有条索的肺部影像数据,降低了因条索与肺部影像中的器官相像而产生假阳性检测结果的概率,进一步提高了肺部影像条索检测模型在检测条索时的准确率。
实际上,人体的密度是不一样的,人的肺部主要以密度低的含气组织为主,而纵隔当中则以大血管,食管、心脏这样的密度大的组织为主。但是人的肉眼分辨率无法清楚分辨中间具有微小差别的东西,所以可以在检测之前,将待检测影像数据增加肺窗,可以提高对条索检测的准确率。
在实际的检测中,可以对检测数据进行后处理,以使得检测数据仅包括条索数据,即当待检测肺部影像数据输入至肺部影像条索检测模型时,肺部影像条索检测模型输出的检测数据仅包括肺部组织中的条索。
示例性装置
本申请的一方面提供了一种肺部影像条索检测模型的训练装置,用于实现上述肺部影像条索检测模型的训练方法。
图5所示为本发明实施例提供的一种肺部影像条索检测模型的训练装置的结构示意图,如图5所示,肺部影像条索检测模型的训练装置包括信息获取模块1,用于获取肺部影像数据集,肺部影像数据集包括训练数据集与验证数据集,训练数据集包括训练影像集以及与每个训练影像相对应的第一标签,验证数据集包括验证影像集以及与每个验证影像相对应的第二标签,且训练影像集包括含有条索的训练影像集以及无条索的训练影像集;模型训练模块2,用于基于训练数据集以及验证数据集对肺部影像条索检测模型进行训练;模型保存模块3,用于基于肺部影像条索检测模型训练过程,实时保存模型参数。
本发明实施例提供的肺部影像条索检测模型的训练装置,能够对肺部影像条索检测模型进行训练,训练好的肺部影像条索检测模型可以用来检测肺部影像中的条索,大幅减少放射科医务人员的工作量,提高检测效率;同时也能够避免漏检的情况,提高了检测准确度;并且,该肺部影像条索检测模型在训练时不仅仅采用了带有条索的肺部影像数据,还采用了不带有条索的肺部影像数据,降低了因条索与肺部影像中的器官相像而产生假阳性检测结果的概率,从而进一步提高了肺部影像条索检测模型在检测条索时的准确率。
在本发明一实施例中,如图6所示,所述模型训练模块2进一步包括:特征提取模块21,用于接收训练数据集中的训练影像,并在训练影像中提取不同尺度的特征图像;区域生成模块22,用于在特征图像中生成感兴趣区域识别框;区域定位模块23,用于对特征图像的感兴趣区域识别框进行定位,并计算感兴趣区域识别框和训练影像的第一标注框的重叠区域与并集区域的第一比值;以及,区域分类模块24,用于对特征图像的感兴趣区域识别框进行分类,并计算感兴趣区域识别框和训练影像的第一标注框的重叠区域与并集区域的第二比值。
在本发明一实施例中,模型训练模块2进一步包括预处理模块20,如图7所示。预处理模块20用于接收训练数据集中的训练影像并对训练影像进行图像预处理。而此时的特征提取模块21则接收预处理模块20传输的经过预处理的训练影像并在经过预处理的训练影像中提取不同尺度的特征图像。图像预处理的方法可以但不限于包括:调整训练影像输入时的窗宽和窗位或者对训练影像进行数据增广,通过对训练影像的预处理,得到更多的训练影像样本以及同一个训练影像样本的不同表现形式(例如同一个人不同角度的CT图像),提高神经网络模型的检测准确度。
本发明实施例提供的肺部影像条索检测模型的训练装置通过在模型训练模块中采用了区域定位模块以及区域分类模块,区域定位模块可以通过模型对识别框的定位来计算模型的定位误差并以此对模型进行优化。区域分类模块可以通过模型对识别框的分类来计算模型的分类误差,并以此对模型进行优化。
本申请的一方面提供了一种肺部影像条索的检测装置,用于实现上述肺部影像条索的检测方法。
图8所示为本发明实施例提供的一种肺部影像条索的检测装置的结构示意图,如图8所示,肺部影像条索的检测装置包括:数据获取模块5,用于获取待检测的肺部影像数据;肺部影像条索检测模型6,用于在肺部影像条索检测模型6的工作参数下,对待检测肺部影像进行检测,得到待检测肺部影像的检测数据;输出模块7,接收肺部影像条索检测模型6的检测数据,并输出检测数据。其中,肺部影像条索检测模型采用如前述所述的肺部影像条索检测模型的训练方法训练而成。
本发明实施例提供的肺部影像条索的检测装置,利用神经网络模型替代人工检测肺部CT图像中的条索,大幅减少放射科医务人员的工作量,提高了检测效率;同时也能够避免漏检的情况,提高了检测准确度;并且,检测时采用的神经网络模型在训练时不仅仅采用了带有条索的肺部影像数据,还采用了不带有条索的肺部影像数据,降低了因条索与肺部影像中的器官相像而产生假阳性检测结果的概率,进一步提高了模型在检测条索时的准确率。
示例性电子设备
图9图示了根据本申请实施例的电子设备的框图。需要说明的是,当电子设备执行上述图1至图3所示实施例的方法流程时,其可以为摄像装置、录音装置、智能装置等电子设备。当电子设备执行上述图1至图3所示实施例的方法流程时,其可以为技术人员用于训练强化学习模型的服务器等电子设备。
如图9所示,电子设备4包括一个或多个处理器41和存储器42。
处理器41可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备4中的其他组件以执行期望的功能。
存储器42可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器41可以运行所述程序指令,以实现上文所述的本申请的各个实施例的肺部影像条索检测模型的训练方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中,电子设备4还可以包括:输入装置43和输出装置44,如图9所示,这些组件通过总线***和/或其他形式的连接机构(图9中未示出)互连。
例如,该输入装置43可以是上述的摄像头等,用于捕捉图像的输入信号。在该电子设备是单机设备时,该输入装置43可以是通信网络连接器,用于从神经网络处理器接收所采集的输入信号。
此外,该输入设备4还可以包括例如键盘、鼠标等等。
该输出装置44可以向外部输出各种信息,包括确定出的输出电压、输出电流信息等。该输出装置44可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图9中仅示出了该电子设备4中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备4还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请图1至图3所示实施例的肺部影像条索检测模型的训练方法的步骤,以及图4所示的肺部影像条索的检测方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的肺部影像条索检测模型的训练方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (14)
1.一种肺部影像条索检测模型的训练方法,其特征在于,包括:
获取肺部影像样品数据集,所述肺部影像样品数据集包括训练数据集与验证数据集,所述训练数据集包括训练影像集以及与每个训练影像相对应的第一标签,所述验证数据集包括验证影像集以及与每个验证影像相对应的第二标签,且所述训练影像集包括含有条索的训练影像集以及无条索的训练影像集;
构建肺部影像条索检测模型;
将所述训练数据集输入至所述肺部影像条索检测模型中进行训练,并保存所述肺部影像条索检测模型将所述训练数据集遍历不同次数时的模型参数;
在保存的所有模型参数中选取N组模型参数,所述肺部影像条索检测模型在所述N组模型参数中的每一组模型参数下,分别对所述验证数据集进行验证,得到N组验证信息;以及
根据所述N组验证信息,获取一组最优验证信息,并获取与所述最优验证信息相对应的一组最优模型参数,所述最优模型参数为所述肺部影像条索检测模型用于检测肺部影像条索时的工作参数;
所述根据所述N组验证信息,获取一组最优验证信息,包括:
将所述N组验证信息进行对比,得到所述最优验证信息。
2.根据权利要求1所述的训练方法,其特征在于,所述第一标签包括第一标注框,所述将所述训练数据集输入至所述肺部影像条索检测模型进行训练包括:
接收所述训练数据集中的训练影像,并在所述训练影像中提取不同尺度的特征图像;
在所述特征图像中生成感兴趣区域识别框;以及
对所述特征图像的感兴趣区域识别框进行定位,并计算所述感兴趣区域识别框和所述训练影像的所述第一标注框的重叠区域与并集区域的第一比值;
当所述第一比值大于第一阈值时,对所述肺部影像条索检测模型进行优化。
3.根据权利要求2所述的训练方法,其特征在于,在所述特征图像中生成感兴趣区域识别框之后,所述训练方法进一步包括:
对所述特征图像的感兴趣区域识别框进行分类,并计算所述感兴趣区域识别框和所述训练影像的所述第一标注框的重叠区域与并集区域的第二比值;
当所述第二比值大于第二阈值时,对所述肺部影像条索检测模型进行优化;或当所述第二比值小于第三阈值时,将所述感兴趣区域当作背景,对所述肺部影像条索检测模型进行优化。
4.根据权利要求2所述的训练方法,其特征在于,所述在所述训练影像中提取不同尺度的特征图像包括:
在第一尺度下对所述训练影像进行特征提取,得到第一尺度特征原图;
提取所述第一尺度特征原图的底层视觉特征图;
提取所述第一尺度特征原图的高层语义特征图;以及
将所述底层视觉特征图与所述高层语义特征图进行特征融合,得第一尺度特征图。
5.根据权利要求2所述的训练方法,其特征在于,在所述接收所述训练数据集中的训练影像之后,且在所述训练影像中提取不同尺度的特征图像之前,所述训练方法进一步包括:
对所述训练影像进行图像预处理。
6.根据权利要求5所述的训练方法,其特征在于,所述图像预处理包括:
调整所述训练影像输入时的窗宽与窗位;或
对所述训练影像进行数据增广。
7.根据权利要求1至6中的任一项所述的训练方法,其特征在于,所述验证影像集包括含有条索的验证影像集以及无条索的验证影像集。
8.一种肺部影像条索的检测方法,其特征在于,包括:
获取待检测肺部影像;以及
将所述待检测肺部影像输入至肺部影像条索检测模型,并在所述肺部影像条索检测模型的工作参数下,利用所述肺部影像条索检测模型对所述待检测肺部影像进行检测,得到所述待检测肺部影像的检测数据;其中所述肺部影像条索检测模型采用上述权利要求1-7任一所述的肺部影像条索检测模型的训练方法训练而成;所述检测数据包括检测框以及置信度。
9.根据权利要求8所述的检测方法,其特征在于,进一步包括:
对所述检测数据进行后处理,以使得所述检测数据仅包括条索数据。
10.一种肺部影像条索检测模型的训练装置,其特征在于,包括:
信息获取模块,用于获取肺部影像样品数据集,所述肺部影像样品数据集包括训练数据集与验证数据集,所述训练数据集包括训练影像集以及与每个训练影像相对应的第一标签,所述验证数据集包括验证影像集以及与每个验证影像相对应的第二标签,且所述训练影像集包括含有条索的训练影像集以及无条索的训练影像集;
模型训练模块,用于构建肺部影像条索检测模型,将所述训练数据集输入至所述肺部影像条索检测模型中进行训练,还用于在保存的所有模型参数中选取N组模型参数,所述肺部影像条索检测模型在所述N组模型参数中的每一组模型参数下,分别对所述验证数据集进行验证,得到N组验证信息,以及根据所述N组验证信息,获取一组最优验证信息,并获取与所述最优验证信息相对应的一组最优模型参数,所述最优模型参数为所述肺部影像条索检测模型用于检测肺部影像条索时的工作参数,所述根据所述N组验证信息,获取一组最优验证信息,包括:将N组验证信息进行对比,得到所述最优验证信息;
模型保存模块,用于保存所述肺部影像条索检测模型将所述训练数据集遍历不同次数时的模型参数。
11.根据权利要求10所述的训练装置,其特征在于,所述第一标签包括第一标注框,所述模型训练模块包括:
特征提取模块,用于接收所述训练数据集中的训练影像,并在所述训练影像中提取不同尺度的特征图像;
区域生成模块,用于在所述特征图像中生成感兴趣区域识别框;
区域定位模块,用于对所述特征图像的感兴趣区域识别框进行定位,并计算所述感兴趣区域识别框和所述训练影像的所述第一标注框的重叠区域与并集区域的第一比值,当所述第一比值大于第一阈值时,对所述肺部影像条索检测模型进行优化;以及
区域分类模块,用于对所述特征图像的感兴趣区域识别框进行分类,并计算所述感兴趣区域识别框和所述训练影像的所述第一标注框的重叠区域与并集区域的第二比值,当所述第二比值大于第二阈值时,对所述肺部影像条索检测模型进行优化,或当所述第二比值小于第三阈值时,将所述感兴趣区域当作背景,对所述肺部影像条索检测模型进行优化。
12.一种肺部影像条索的检测装置,其特征在于,包括:
数据获取模块,用于获取待检测肺部影像;以及,
肺部影像条索检测模型,用于将所述待检测肺部影像输入至所述肺部影像条索检测模型,并在所述肺部影像条索检测模型的工作参数下,利用所述肺部影像条索检测模型对所述待检测肺部影像进行检测,得到所述待检测肺部影像的检测数据;
其中,所述肺部影像条索检测模型采用上述权利要求1-7任一所述的肺部影像条索检测模型的训练方法训练而成,所述检测数据包括检测框以及置信度。
13.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序用于执行上述权利要求1-7任一所述的肺部影像条索检测模型的训练方法。
14.一种电子设备,其特征在于,包括:
处理器;以及
存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时执行上述权利要求1-7任一所述的肺部影像条索检测模型的训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911310411.XA CN111080625B (zh) | 2019-12-18 | 2019-12-18 | 肺部影像条索检测模型的训练方法及其训练装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911310411.XA CN111080625B (zh) | 2019-12-18 | 2019-12-18 | 肺部影像条索检测模型的训练方法及其训练装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111080625A CN111080625A (zh) | 2020-04-28 |
CN111080625B true CN111080625B (zh) | 2020-12-29 |
Family
ID=70315579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911310411.XA Active CN111080625B (zh) | 2019-12-18 | 2019-12-18 | 肺部影像条索检测模型的训练方法及其训练装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111080625B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113409924A (zh) * | 2021-07-01 | 2021-09-17 | 上海市第一人民医院 | 基于人工智能的肺部检查影像辅助标记方法及其*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345740A (zh) * | 2013-06-13 | 2013-10-09 | 沈阳航空航天大学 | 基于多投影图像配准的肺结节检测方法 |
CN106056609A (zh) * | 2016-06-02 | 2016-10-26 | 上海海洋大学 | 基于dbnmi模型实现遥感影像自动标注的方法 |
CN107240097A (zh) * | 2017-06-27 | 2017-10-10 | 长春工业大学 | 基于mkl‑svm‑pso算法的肺结节图像处理方法 |
CN108446730A (zh) * | 2018-03-16 | 2018-08-24 | 北京推想科技有限公司 | 一种基于深度学习的ct肺结节检测方法 |
CN109271539A (zh) * | 2018-08-31 | 2019-01-25 | 华中科技大学 | 一种基于深度学习的图像自动标注方法及装置 |
CN110163220A (zh) * | 2019-04-26 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 图片特征提取模型训练方法、装置和计算机设备 |
CN110335250A (zh) * | 2019-05-31 | 2019-10-15 | 上海联影智能医疗科技有限公司 | 网络训练方法、装置、检测方法、计算机设备和存储介质 |
CN110532961A (zh) * | 2019-08-30 | 2019-12-03 | 西安交通大学 | 一种基于多尺度注意机制网络模型的语义交通信号灯检测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW514513B (en) * | 1996-02-06 | 2002-12-21 | Deus Technologies Inc | Method for the detection of lung nodule in radiological images using digital image processing and artificial neural network |
CN105139390A (zh) * | 2015-08-14 | 2015-12-09 | 四川大学 | 一种检测胸透dr片中肺结核病灶的图像处理方法 |
WO2017092615A1 (zh) * | 2015-11-30 | 2017-06-08 | 上海联影医疗科技有限公司 | 一种计算机辅助诊断***及方法 |
CN106780460B (zh) * | 2016-12-13 | 2019-11-08 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测*** |
CN107016665B (zh) * | 2017-02-16 | 2021-05-04 | 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 |
CN107392900B (zh) * | 2017-07-24 | 2020-07-28 | 太原理工大学 | 一种肺结节图像的多尺度增强方法 |
CN108133476B (zh) * | 2017-12-26 | 2022-02-01 | 安徽科大讯飞医疗信息技术有限公司 | 一种肺结节自动检测方法及*** |
CN108198179A (zh) * | 2018-01-03 | 2018-06-22 | 华南理工大学 | 一种生成对抗网络改进的ct医学图像肺结节检测方法 |
CN108389201B (zh) * | 2018-03-16 | 2020-06-30 | 北京推想科技有限公司 | 基于3d卷积神经网络与深度学习的肺结节良恶性分类方法 |
-
2019
- 2019-12-18 CN CN201911310411.XA patent/CN111080625B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345740A (zh) * | 2013-06-13 | 2013-10-09 | 沈阳航空航天大学 | 基于多投影图像配准的肺结节检测方法 |
CN106056609A (zh) * | 2016-06-02 | 2016-10-26 | 上海海洋大学 | 基于dbnmi模型实现遥感影像自动标注的方法 |
CN107240097A (zh) * | 2017-06-27 | 2017-10-10 | 长春工业大学 | 基于mkl‑svm‑pso算法的肺结节图像处理方法 |
CN108446730A (zh) * | 2018-03-16 | 2018-08-24 | 北京推想科技有限公司 | 一种基于深度学习的ct肺结节检测方法 |
CN109271539A (zh) * | 2018-08-31 | 2019-01-25 | 华中科技大学 | 一种基于深度学习的图像自动标注方法及装置 |
CN110163220A (zh) * | 2019-04-26 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 图片特征提取模型训练方法、装置和计算机设备 |
CN110335250A (zh) * | 2019-05-31 | 2019-10-15 | 上海联影智能医疗科技有限公司 | 网络训练方法、装置、检测方法、计算机设备和存储介质 |
CN110532961A (zh) * | 2019-08-30 | 2019-12-03 | 西安交通大学 | 一种基于多尺度注意机制网络模型的语义交通信号灯检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111080625A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10867384B2 (en) | System and method for automatically detecting a target object from a 3D image | |
CN113052795B (zh) | 一种x射线胸片图像质量确定方法及装置 | |
CN107563383A (zh) | 一种医学影像辅助诊断及半监督样本生成*** | |
CN106897573A (zh) | 使用深度卷积神经网络的用于医学图像的计算机辅助诊断*** | |
CN112052896B (zh) | 图像处理方法及装置,分类模型的训练方法及装置 | |
CN113744183B (zh) | 肺结节检测方法及*** | |
EP3971830B1 (en) | Pneumonia sign segmentation method and apparatus, medium and electronic device | |
CN111008957A (zh) | 医疗信息处理方法和装置 | |
CN111080624B (zh) | ***运动状态的分类方法、装置、介质及电子设备 | |
US20220366679A1 (en) | Methods and systems for training learning network for medical image analysis | |
CN110895812A (zh) | Ct图像的检测方法、装置、存储介质及电子设备 | |
CN112233128A (zh) | 图像分割方法及模型的训练方法、装置、介质、电子设备 | |
CN111476772B (zh) | 基于医学影像的病灶分析方法和装置 | |
CN115131280A (zh) | 一种融合注意力机制的改进YOLO v4肺结节检测方法 | |
CN112367905A (zh) | 基于脉管化模式的诊断、预测、确定预后、监测或分期疾病的方法 | |
CN112508884A (zh) | 一种癌变区域综合检测装置及方法 | |
CN111080625B (zh) | 肺部影像条索检测模型的训练方法及其训练装置 | |
Li et al. | Preliminary study on artificial intelligence diagnosis of pulmonary embolism based on computer in-depth study | |
CN109147927B (zh) | 一种人机交互方法、装置、设备及介质 | |
CN117274185B (zh) | 检测方法、检测模型产品、电子设备及计算机存储介质 | |
US9983848B2 (en) | Context-sensitive identification of regions of interest in a medical image | |
CN115910326A (zh) | 基于可解释性机器学习的支气管哮喘辅助诊断方法及*** | |
CN112633405A (zh) | 模型训练方法、医学影像分析方法及装置、设备、介质 | |
CN111242897A (zh) | 胸部x射线影像分析方法和装置 | |
CN110786839A (zh) | 瞬时无波形比值的生成方法、装置、设备及介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085 Applicant after: Tuxiang Medical Technology Co., Ltd Address before: Room B401, floor 4, building 1, No. 12, Shangdi Information Road, Haidian District, Beijing 100085 Applicant before: Beijing Tuoxiang Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |