CN111275719B - 钙化假阳识别及其模型训练的方法、装置、终端及介质 - Google Patents

钙化假阳识别及其模型训练的方法、装置、终端及介质 Download PDF

Info

Publication number
CN111275719B
CN111275719B CN202010062860.3A CN202010062860A CN111275719B CN 111275719 B CN111275719 B CN 111275719B CN 202010062860 A CN202010062860 A CN 202010062860A CN 111275719 B CN111275719 B CN 111275719B
Authority
CN
China
Prior art keywords
calcification
false positive
image
candidate
calcifications
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
Application number
CN202010062860.3A
Other languages
English (en)
Other versions
CN111275719A (zh
Inventor
周铭吉
韩旭
赵朝炜
李新阳
王少康
陈宽
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.)
Infervision Medical Technology Co Ltd
Original Assignee
Infervision Medical 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 Infervision Medical Technology Co Ltd filed Critical Infervision Medical Technology Co Ltd
Priority to CN202010062860.3A priority Critical patent/CN111275719B/zh
Publication of CN111275719A publication Critical patent/CN111275719A/zh
Application granted granted Critical
Publication of CN111275719B publication Critical patent/CN111275719B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30068—Mammography; Breast

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)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明实施例公开了一种钙化假阳识别及其模型训练的方法、装置、终端及介质，其中模型训练方法包括：获取样本乳腺图像，及样本乳腺图像中的第一候选钙化点，并对第一候选钙化点中的假阳钙化点进行标记；根据第一候选钙化点对样本乳腺图像进行裁剪，得到第一候选钙化点的区域图像，并对区域图像进行卷积处理；将区域图像以及卷积处理后的区域图像输入钙化假阳识别模型，输出假阳钙化点，以输出的假阳钙化点与标记的假阳钙化点的偏量小于预设阈值为目标，对钙化假阳识别模型进行训练。通过经权利要求1‑5中任一项所述模型训练方法训练得到的识别模型可实现对假阳钙化点的识别，从而可有效降低钙化识别的假阳率，有利于提高医师阅片效率，以及后续对对钙化区域形态和分别的识别处理。

Description

钙化假阳识别及其模型训练的方法、装置、终端及介质
技术领域
本发明实施例涉及图像识别技术，尤其涉及一种钙化假阳识别及其模型训练的方法、装置、终端及介质。
背景技术
目前，乳腺钼靶X线摄影检查，又称钼钯检查，其利用低剂量的X光扫描***，经***组织对X光不同程度的吸收，得到分辨率较高的***影像。通过对***影像进行图像识别，可确定影像中感兴趣区域信息，例如确定感兴趣区域类型为钙化或肿瘤等。与人为***检查相比，通过***影像检查可得到更为完整、准确的***信息，且检查方法简便、可靠、无创，重复性好，不受年龄、体形的限制，因此已作为常规的***检查手段。
由于钙化区域直径较小，现有的对***影像进行钙化识别时，为防止漏识别，通常钙化识别的假阳性较高，容易将乳腺中非钙化的区域识别为钙化区域，从而降低了医师的阅片效率，且不利于后续对钙化区域形态和分别的识别。
发明内容
有鉴于此，本发明实施例提供了一种钙化假阳识别及其模型训练的方法、装置、终端及介质，可有效降低钙化识别的假阳率，有利于提高医师阅片效率，以及有利于后续对对钙化区域形态和分别的识别处理。
第一方面，本发明实施例提供了一种钙化假阳识别模型训练方法，包括：
获取样本乳腺图像，及所述样本乳腺图像中的第一候选钙化点，并对所述第一候选钙化点中的假阳钙化点进行标记；
根据所述第一候选钙化点对所述样本乳腺图像进行裁剪，得到所述第一候选钙化点的区域图像，并对所述区域图像进行卷积处理；
将所述区域图像以及卷积处理后的区域图像输入钙化假阳识别模型，输出假阳钙化点，以输出的假阳钙化点与标记的假阳钙化点的偏量小于预设阈值为目标，对所述钙化假阳识别模型进行训练。
第二方面，本发明实施例还提供了一种钙化假阳识别方法，包括：
获取乳腺图像，及所述乳腺图像中的第二候选钙化点；
根据所述第二候选钙化点对所述乳腺图像进行裁剪，得到所述第二候选钙化点的区域图像，并对所述区域图像进行卷积处理；
将所述区域图像以及卷积处理后的区域图像输入经本申请任意实施例提供的模型训练方法训练得到的钙化假阳识别模型，输出假阳钙化点。
第三方面，本发明实施例还提供了一种钙化假阳识别模型训练装置，包括：
第一获取模块，用于获取样本乳腺图像，及所述样本乳腺图像中的第一候选钙化点，并对所述第一候选钙化点中的假阳钙化点进行标记；
第一处理模块，用于根据所述第一候选钙化点对所述样本乳腺图像进行裁剪，得到所述第一候选钙化点的区域图像，并对所述区域图像进行卷积处理；
模型训练模块，将所述区域图像以及卷积处理后的区域图像输入钙化假阳识别模型，输出假阳钙化点，以输出的假阳钙化点与标记的假阳钙化点的偏量小于预设阈值为目标，对所述钙化假阳识别模型进行训练。
第四方面，本发明实施例还提供了一种钙化假阳识别装置，包括：
第二获取模块，用于获取乳腺图像，及所述乳腺图像中的第二候选钙化点；
第二处理模块，用于根据所述第二候选钙化点对所述乳腺图像进行裁剪，得到所述第二候选钙化点的区域图像，并对所述区域图像进行卷积处理；
假阳识别模块，用于将所述区域图像以及卷积处理后的区域图像输入经本申请任意实施例提供的模型训练方法训练得到的钙化假阳识别模型，输出假阳钙化点。
第五方面，本发明实施例还提供了一种终端，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，所述处理器执行所述程序时实现如本申请任意实施例提供的钙化假阳识别模型训练方法或钙化假阳识别方法。
第六方面，本发明实施例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，其特征在于，该程序被处理器执行时实现如本申请任意实施例提供的钙化假阳识别模型训练方法或钙化假阳识别方法。
本发明实施例提供的一种钙化假阳识别及其模型训练的方法、装置、终端及介质，其中钙化假阳识别模型训练方法包括，获取样本乳腺图像，及样本乳腺图像中的第一候选钙化点，并对第一候选钙化点中的假阳钙化点进行标记；根据第一候选钙化点对样本乳腺图像进行裁剪，得到第一候选钙化点的区域图像，并对区域图像进行卷积处理；将区域图像以及卷积处理后的区域图像输入钙化假阳识别模型，输出假阳钙化点，以输出的假阳钙化点与标记的假阳钙化点的偏量小于预设阈值为目标，对钙化假阳识别模型进行训练。
通过将两个通道图像——第一候选钙化点的区域图像和卷积处理后的区域图像作为假阳识别模型输入，以输出的假阳钙化点与标记的假阳钙化点的偏量小于预设阈值为目标，对钙化假阳识别模型进行训练；通过训练完成的假阳识别模型，可实现对乳腺图像中的第二候选钙化点中假阳钙化点的识别，从而可有效降低钙化识别的假阳率，有利于提高医师阅片效率，以及有利于后续对对钙化区域形态和分别的识别处理。
附图说明
图1a是本发明实施例一提供的一种钙化假阳识别模型训练方法的流程示意图；
图1b是本发明实施例一提供的一种钙化假阳识别模型训练方法中假阳识别模型的结构示意图；
图2a是本发明实施例二提供的一种钙化假阳识别方法的流程示意图；
图2b是本发明实施例二提供的一种钙化假阳识别方法中乳腺图像的示意图；
图2c是本发明实施例二提供的一种钙化假阳识别方法中第二候选钙化点的示意图；
图2d是本发明实施例二提供的一种钙化假阳识别方法中去除假阳钙化点后的钙化点的示意图；
图3是本发明实施例三提供的一种钙化假阳识别模型训练装置的结构示意图；
图4是本发明实施例四提供的一种钙化假阳识别装置的结构示意图；
图5是本发明实施例五提供的一种终端的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下将参照本发明实施例中的附图，通过实施方式清楚、完整地描述本发明的技术方案，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。下述各实施例中，每个实施例中同时提供了可选特征和示例，实施例中记载的各个特征可进行组合，形成多个可选方案，不应将每个编号的实施例仅视为一个技术方案。
实施例一
图1a是本发明实施例一提供的一种钙化假阳识别模型训练方法的流程示意图，本实施例可适用于对***钙化假阳识别模型进行训练的情况。该方法可以由本发明实施例提供的钙化假阳识别模型训练装置来执行，且钙化假阳识别模型训练装置可配置于本发明实施例提供的终端中。
参见图1a，钙化假阳识别模型训练方法，具体包括如下步骤：
S110、获取样本乳腺图像，及样本乳腺图像中的第一候选钙化点，并对第一候选钙化点中的假阳钙化点进行标记。
其中，钙化假阳识别模型训练装置(可简称为训练装置)可接收获取样本指令，且获取样本指令中可以携带样本乳腺图像的存储地址。训练装置可在解析出获取样本指令中的存储地址后，通过读取该存储地址的数据，来获取样本乳腺图像。其中，样本乳腺图像可以为大量历史乳腺图像，可包括不同侧***的不同投照位的乳腺影像，且样本乳腺图像的数量越大，投照位越多，训练得到的钙化假阳识别模型的假阳钙化点识别准确率越高。
其中，训练装置所获取的第一候选钙化点，可以是预先将样本乳腺图像输入假阳率较高的钙化检测模型后，钙化检测模型所输出的第一候选钙化点。其中，钙化检测模型可以为一些现有的检测模型，由于钙化点在乳腺图像中，较周围的脂肪组织亮度较高，钙化点与脂肪组织的边缘较明显，钙化检测模型可包括多个图像边缘检测卷积核，以初步检测出候选的钙化点集合。
当钙化检测模型假阳率较高时，会将一些边缘(例如***皮肤边缘或乳腺边缘)标记为钙化点，此时可通过阅片医师人为识别假阳点，并将第一候选钙化点中的假阳钙化点进行标记。
S120、根据第一候选钙化点对样本乳腺图像进行裁剪，得到第一候选钙化点的区域图像，并对区域图像进行卷积处理。
综合钙化点的像素特征和钙化点周围的像素特征可提高假阳钙化点的识别准确率，因此可针对各第一候选钙化点的位置进行样本乳腺图像的裁剪，以获得各第一候选钙化点对应的区域图像。对区域图像进行卷积处理后，可以生成新的卷积图像。通过钙化假阳识别模型同时提取卷积图像和原区域图像的特征，可提高识别模型对假阳钙化点的识别准确率。
可选的，根据第一候选钙化点对样本乳腺图像进行裁剪，包括：以第一候选钙化点为中心，使用预设尺寸的剪裁框对样本乳腺图像进行剪裁；其中，当剪裁框超出样本乳腺图像时，对超出区域进行图像填充。其中，预设尺寸的裁剪框例如可以是101像素*101像素的裁剪框，且具体的裁剪框尺寸可根据乳腺图像的尺寸和分辨率等因素进行调整。其中，将第一候选钙化点移动至裁剪框的中心位置，且当剪裁框超出样本乳腺图像时，对超出区域进行全亮或全暗的图像填充，使得裁剪后的区域图像尺寸完整。
可选的，在得到第一候选钙化点的区域图像后，在对区域图像进行卷积处理前，还包括：对区域图像进行旋转和/或翻转处理，并将旋转和/或翻转处理后的区域图像增加至原区域图像。其中，通过对区域图像进行旋转和/或翻转处理，并将旋转和/或翻转处理后的区域图像增加至原区域图像，不仅可扩充区域图像的样本数量，而且还可以丰富区域图像中第一候选钙化点的位置姿态，从而有利于提高钙化假阳识别模型的假阳钙化点识别准确率。
可选的，对区域图像进行卷积处理，包括：通过预设LoG卷积核对区域图像进行卷积处理。示例性的，高斯拉普拉斯(Laplacian of Gaussian，LoG)卷积核可如表1所示，表1中LoG卷积核为尺寸为3*3的二维卷积核，且卷积核中心数值为8，周围数值为-1。通过预设LoG卷积核对区域图像进行卷积处理，可对图像进行平滑处理后，检测图像边缘，以提高对图像噪声和离散点的鲁棒性。且LOG卷积核的尺寸和数值可根据实际处理需求进行调整。
表1
-1 -1 -1
-1 8 -1
-1 -1 -1
其中，在获取区域图像和卷积图像后，可以对区域图像和卷积图像进行归一化处理，以保证钙化假阳识别模型对不同像素灰度的图像具备相同的钙化假阳识别能力，从而提高钙化假阳识别模型的鲁棒性。其中，对区域图像和卷积图像进行归一化处理，例如可以是通过公式x’＝(x-min)/(max-min)进行归一化处理，其中，x’为将区域图像或卷积图像中原始像素值x压缩至0-1之间的浮点数(即归一化后的像素值)，max为区域图像或卷积图像中的像素最大值，min为区域图像或卷积图像中的像素最小值。
S130、将区域图像以及卷积处理后的区域图像输入钙化假阳识别模型，输出假阳钙化点，以输出的假阳钙化点与标记的假阳钙化点的偏量小于预设阈值为目标，对钙化假阳识别模型进行训练。
其中，假阳识别模型包括专家***或人工智能网络模型。其中，人工智能网络模型包括机器学习模型或深度学习(Deep Learning，DL)模型。深度学习模型是一种以人工神经网络为架构对数据进行表征学习的算法。观测值(例如一幅图像)可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。且本实施例提供的假阳识别模型可以为深度学习模型中的卷积神经网络(Convolutional Neural Networks，CNN)模型。CNN模型是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。
其中，以输出的假阳钙化点与标记的假阳钙化点的偏量小于预设阈值为目标，对钙化假阳识别模型进行训练，可以是：针对各标记的假阳钙化点的第一候选钙化点，输出的钙化点的真阳概率值大于等于预设阈值时，则对钙化假阳识别模型中的各层权重进行调整；将区域图像以及卷积处理后的区域图像输入调整权重后的钙化假阳识别模型，重新输出假阳钙化点，直至输出的钙化点的真阳概率值小于预设阈值为止，钙化假阳识别模型训练完毕。
可选的，钙化假阳识别模型为CNN模型时，包括依次连接的输入层、双通道分离层、维度重塑层、双通道关联层、预设数量个下采样卷积模块和全连接映射层；其中，下采样卷积模块包括第一卷积层、第二卷积层和最大池化层。
在模型训练过程中，全连接映射层可与损失函数层进行连接，且训练完毕后可将损失函数层移除。其中，输入层用于依次输入两个通道图像——区域图像和卷积处理后的区域图像；双通道分离层用于将两个通道图像分离开；维度重塑层用于在不改变区域图像和卷积处理后的区域图像数据的情况下，改变输入的数据维度；双通道关联层，用于将重塑维度的区域图像和卷积处理后的区域图像进行关联；预设数量个下采样卷积模块用于提取区域图像和卷积处理后的区域图像得特征向量，且预设数量可根据实际应用情况进行调整；全连接映射层用于将特征向量映射为真阳概率数值，且当真阳概率数值大于预设数值(例如0.5)时，则可通过全连接层的分类层输出当前第一候选钙化点为真阳钙化点，当真阳概率数值小于等于预设数值(例如0.5)时，则可通过全连接层的分类层输出当前第一候选钙化点为假阳钙化点；损失函数层用于输出的假阳钙化点与标记的假阳钙化点的偏量，根据该偏量可反向调整识别模型的各层权重值。其中，第一卷积层第一卷积层、第二卷积层和最大池化层的输出的特征图像的个数小于输入的特征图像的个数。其中，将池化层设置为最大池化层，能减卷积层参数误差造成估计均值的偏移，可更多的保留图像纹理信息。
示例性的，图1b是本发明实施例一提供的一种钙化假阳识别模型训练方法中假阳识别模型的结构示意图。参见图1b，input_1为输入层，可依次输入101像素*101像素大小的区域图像和卷积后的区域图像的一维像素数据。lambda和lambda_1为双通道分离层，可以将输入的一维数据进行分离，分别得到区域图像的一维像素数据和卷积后的区域图像的一维像素数据。reshape和reshape_1为维度重塑层，可分别将区域图像的一维像素数据和卷积后的区域图像的一维像素数据转化为二维像素数据。concatenate为双通道关联层，用于将重塑维度的区域图像和卷积处理后的区域图像进行关联。conv1_1为第一个下采样卷积模块的第一卷积层，其卷积核可为尺寸为3，跳步为1，通道为32的卷积核，从而可从2个101*101的特征向量得到64个99*99的特征向量；conv1_2为第一个下采样模块的第二卷积层，其卷积核可为尺寸为3，跳步为1，通道为1的卷积核，从而可从64个99*99的特征向量得到64个97*97的特征向量；pooling1_1为第一个下采样模块的最大池化层，其窗口可为2，从而可从64个97*97的特征向量得到64个48*48的特征向量。conv1_3为第二个下采样卷积模块的第一卷积层，conv1_4为第二个下采样模块的第二卷积层，pooling1_2为第二个下采样模块的最大池化层；conv1_5为第三个下采样卷积模块的第一卷积层，conv1_6为第三个下采样模块的第二卷积层，pooling1_3为第三个下采样模块的最大池化层，以此类推，直到最大池化层输出64个2*2的特征向量为止。flatten1_1为全连接映射层中的全连接层，可将64个2*2的特征向量全连接为1个256维的特征向量；dense1_1为全连接映射层中的映射层，用于将256维的特征向量映射为64维的特征向量；output_1为全连接映射层中的真阳概率值输出层，可将64维的特征向量换算为真阳概率值；此外在output_1之后还可连接分类层，可根据真阳概率值输出当前候选钙化点为真阳钙化点还是假阳钙化点。
本发明实施例提供的一种钙化假阳识别模型训练方法，获取样本乳腺图像，及样本乳腺图像中的第一候选钙化点，并对第一候选钙化点中的假阳钙化点进行标记；根据第一候选钙化点对样本乳腺图像进行裁剪，得到第一候选钙化点的区域图像，并对区域图像进行卷积处理；将区域图像以及卷积处理后的区域图像输入钙化假阳识别模型，输出假阳钙化点，以输出的假阳钙化点与标记的假阳钙化点的偏量小于预设阈值为目标，对钙化假阳识别模型进行训练。
通过将两个通道图像——第一候选钙化点的区域图像和卷积处理后的区域图像作为假阳识别模型输入，以输出的假阳钙化点与标记的假阳钙化点的偏量小于预设阈值为目标，对钙化假阳识别模型进行训练；通过训练完成的假阳识别模型，可实现对乳腺图像中的第二候选钙化点中假阳钙化点的识别，从而可有效降低钙化识别的假阳率，有利于提高医师阅片效率，以及有利于后续对对钙化区域形态和分别的识别处理。
实施例二
图2a是本发明实施例二提供的一种钙化假阳识别方法的流程示意图，本实施例可适用于对假阳钙化点进行识别的情况，尤其适用于***钙化检测模型假阳率较高时，通过预先训练的钙化假阳识别模型对假阳钙化点进行识别的情况。该方法可以由本发明实施例提供的钙化假阳识别装置来执行，且钙化假阳识别装置可配置于本发明实施例提供的终端中。本发明实施例所提供的钙化假阳识别方法与上述实施例提供的钙化假阳识别模型训练方法属于同一发明构思，未详尽描述的技术细节可参见上述施例，且具备相同的技术效果。
参见图2a，钙化假阳识别方法，具体包括如下步骤：
S210、获取乳腺图像，及乳腺图像中的第二候选钙化点。
S220、根据第二候选钙化点对乳腺图像进行裁剪，得到第二候选钙化点的区域图像，并对区域图像进行卷积处理。
S230、将区域图像以及卷积处理后的区域图像输入经本申请任意实施例提供的模型训练方法训练得到的钙化假阳识别模型，输出假阳钙化点。
其中，钙化假阳识别装置(可简称为识别装置)可集成于乳腺图像的扫描终端。当乳腺图像的扫描终端接收到扫描指令时，可扫描得到至少一张、至少一个投照位的乳腺图像。且可将乳腺图像输入假阳率较高的钙化检测模型，得到乳腺图像的第二候选钙化点。
其中，“根据第二候选钙化点对乳腺图像进行裁剪，得到第二候选钙化点的区域图像，并对区域图像进行卷积处理”的过程，可参考上述“根据第一候选钙化点对样本乳腺图像进行裁剪，得到第一候选钙化点的区域图像，并对区域图像进行卷积处理”的过程，在此不做赘述。
且在得到第二候选钙化点的区域图像后，在对区域图像进行卷积处理前，还包括：对区域图像进行旋转和/或翻转处理，并将旋转和/或翻转处理后的区域图像增加至原区域图像。通过对扩充区域图像，可根据多张区域图像和卷积图像，得到多个识别同一位置钙化点是否为假阳钙化点的识别结果，进而通过多个识别结果中的占多数的识别结果，可确定同一位置钙化点是否为假阳钙化点的最终结果，从而可提高识别准确率。
其中，若识别模型在训练过程中，在获取区域图像和卷积图像后，对区域图像和卷积图像进行了归一化处理，则在识别模型使用过程中，同样在获取区域图像和卷积图像后，对区域图像和卷积图像进行归一化处理，以保持区域图像和卷积图像的处理步骤一致，保证钙化假阳识别模型的鲁棒性。
将区域图像以及卷积处理后的区域图像输入经本申请任意实施例提供的模型训练方法训练得到的钙化假阳识别模型，可输出假阳钙化点。且确定假阳钙化点之后，还可以将假阳钙化点从第二候选钙化点中去除，从而有利于提高医师阅片效率，以及有利于后续对对钙化区域形态和分别的识别处理。
示例性的，图2b是本发明实施例二提供的一种钙化假阳识别方法中乳腺图像的示意图。将图2b提供的乳腺图像输入至假阳率较高的钙化检测模型，可得到乳腺图像的第二候选钙化点，且得到的第二候选钙化点示意图可参见图2c。根据图2c中第二候选钙化点对乳腺图像进行裁剪，得到第二候选钙化点的区域图像，并对区域图像进行卷积处理；将区域图像以及卷积处理后的区域图像输入经本申请任意实施例提供的模型训练方法训练得到的钙化假阳识别模型，输出假阳钙化点。将图2c中假阳钙化点从第二候选钙化点中去除，可得到去除假阳钙化点后的钙化点图，去除假阳钙化点后的钙化点示意图可参见图2d。通过训练完成的假阳识别模型，可实现对乳腺图像中的第二候选钙化点中假阳钙化点的识别，从而可有效降低钙化识别的假阳率，有利于提高医师阅片效率，以及有利于后续对对钙化区域形态和分别的识别处理。
本发明实施例提供的一种钙化假阳识别方法，获取乳腺图像，及乳腺图像中的第二候选钙化点；根据第二候选钙化点对乳腺图像进行裁剪，得到第二候选钙化点的区域图像，并对区域图像进行卷积处理；将区域图像以及卷积处理后的区域图像输入经本申请任意实施例提供的模型训练方法训练得到的钙化假阳识别模型，输出假阳钙化点。通过训练完成的假阳识别模型，可实现对乳腺图像中的第二候选钙化点中假阳钙化点的识别，从而可有效降低钙化识别的假阳率，有利于提高医师阅片效率，以及有利于后续对对钙化区域形态和分别的识别处理。
实施例三
图3是本发明实施例三提供的一种钙化假阳识别模型训练装置的结构示意图。应用该钙化假阳识别装置可以实现本发明任一实施例所提供的钙化假阳识别模型训练方法。
参见图3，钙化假阳识别模型训练装置，包括：
第一获取模块310，用于获取样本乳腺图像，及样本乳腺图像中的第一候选钙化点，并对第一候选钙化点中的假阳钙化点进行标记；
第一处理模块320，用于根据第一候选钙化点对样本乳腺图像进行裁剪，得到第一候选钙化点的区域图像，并对区域图像进行卷积处理；
模型训练模块330，将区域图像以及卷积处理后的区域图像输入钙化假阳识别模型，输出假阳钙化点，以输出的假阳钙化点与标记的假阳钙化点的偏量小于预设阈值为目标，对钙化假阳识别模型进行训练。
可选的，第一处理模块，包括：
裁剪单元，用于以第一候选钙化点为中心，使用预设尺寸的剪裁框对样本乳腺图像进行剪裁；其中，当剪裁框超出样本乳腺图像时，对超出区域进行图像填充。
可选的，第一处理模块，还包括：
图像扩充单元，用于对区域图像进行旋转和/或翻转处理，并将旋转和/或翻转处理后的区域图像增加至原区域图像。
可选的，第一处理模块，具体用于：通过预设LoG卷积核对区域图像进行卷积处理。
可选的，第一处理模块，还用于对区域图像和卷积图像进行归一化处理。
可选的，假阳识别模型为CNN模型时，包括依次连接的输入层、双通道分离层、维度重塑层、双通道关联层、预设数量个下采样卷积模块和全连接映射层；其中，下采样卷积模块包括第一卷积层、第二卷积层和最大池化层。
本发明实施例所提供的钙化假阳识别模型训练装置可执行本发明任一实施例所提供的钙化假阳识别模型训练方法，具备执行方法相应的功能模块和有益效果。未详尽描述的技术细节，可参见本发明任一实施例所提供的钙化假阳识别模型训练方法。
实施例四
图4是本发明实施例四提供的一种钙化假阳识别装置的结构示意图。应用该钙化假阳识别装置可以实现本发明任一实施例所提供的钙化假阳识别方法。
参见图4，钙化假阳识别装置，包括：
第二获取模块410，用于获取乳腺图像，及乳腺图像中的第二候选钙化点；
第二处理模块420，用于根据第二候选钙化点对乳腺图像进行裁剪，得到第二候选钙化点的区域图像，并对区域图像进行卷积处理；
假阳识别模块430，用于将区域图像以及卷积处理后的区域图像输入经本申请任意实施例提供的模型训练方法训练得到的钙化假阳识别模型，输出假阳钙化点。
其中，钙化假阳识别装置可集成于乳腺图像的扫描终端。当第二获取模块接收到扫描指令时，可扫描得到至少一张至少一个投照位的乳腺图像，且可将乳腺图像输入假阳率较高的钙化检测模型，得到乳腺图像的第二候选钙化点。
其中，第二处理模块“根据第二候选钙化点对乳腺图像进行裁剪，得到第二候选钙化点的区域图像，并对区域图像进行卷积处理”的过程，可参考第一处理模块“根据第一候选钙化点对样本乳腺图像进行裁剪，得到第一候选钙化点的区域图像，并对区域图像进行卷积处理”的过程。
且第二处理模块在得到第二候选钙化点的区域图像后，在对区域图像进行卷积处理前，还可用于：对区域图像进行旋转和/或翻转处理，并将旋转和/或翻转处理后的区域图像增加至原区域图像。
其中，若识别模型在训练过程中，第一处理模块在获取区域图像和卷积图像后，对区域图像和卷积图像进行了归一化处理，则在识别模型使用过程中，第二处理模块同样在获取区域图像和卷积图像后，对区域图像和卷积图像进行归一化处理，以保持区域图像和卷积图像的处理步骤一致，保证钙化假阳识别模型的鲁棒性。
其中，钙化假阳识别装置，还可包括：去除模块，用于将假阳钙化点从第二候选钙化点中去除。从而有利于提高医师阅片效率，以及有利于后续对对钙化区域形态和分别的识别处理。
本发明实施例所提供的钙化假阳识别装置可执行本发明任一实施例所提供的钙化假阳识别方法，具备执行方法相应的功能模块和有益效果。未详尽描述的技术细节，可参见本发明任一实施例所提供的钙化假阳识别方法。
实施例五
图5是本发明实施例五提供的一种终端的结构示意图。图5示出了适于用来实现本发明任一实施方式的示例性终端12的框图。图5显示的终端12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。设备12典型的是承担钙化假阳识别模型训练功能，或者是承担钙化假阳识别功能的终端。
如图5所示，终端12以通用计算设备的形式表现。终端12的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16，存储器28，连接不同组件(包括存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，***总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture，ISA)总线，微通道体系结构(Micro Channel Architecture，MCA)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及***组件互连(Peripheral Component Interconnect，PCI)总线。
终端12典型地包括多种计算机可读介质。这些介质可以是任何能够被终端12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机装置可读介质，例如随机存取存储器(Random Access Memory，RAM)30和/或高速缓存存储器32。终端12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机存储介质。仅作为举例，存储***34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory，CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品40，该程序产品40具有一组程序模块42，这些程序模块被配置以执行本发明各实施例的功能。程序产品40，可以存储在例如存储器28中，这样的程序模块42包括但不限于一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
终端12也可以与一个或多个外部设备14(例如键盘、鼠标、摄像头等和显示器)通信，还可与一个或者多个使得用户能与该终端12交互的设备通信，和/或与使得该终端12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，终端12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与终端12的其它模块通信。应当明白，尽管图中未示出，可以结合终端12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(RedundantArrays of Independent Disks，RAID)装置、磁带驱动器以及数据备份存储装置等。
处理器16通过运行存储在存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明上述实施例所提供的钙化假阳识别模型训练方法，该方法包括：
获取样本乳腺图像，及样本乳腺图像中的第一候选钙化点，并对第一候选钙化点中的假阳钙化点进行标记；根据第一候选钙化点对样本乳腺图像进行裁剪，得到第一候选钙化点的区域图像，并对区域图像进行卷积处理；将区域图像以及卷积处理后的区域图像输入钙化假阳识别模型，输出假阳钙化点，以输出的假阳钙化点与标记的假阳钙化点的偏量小于预设阈值为目标，对钙化假阳识别模型进行训练；
或者，例如实现本发明上述实施例所提供的钙化假阳识别方法，该方法包括：
获取乳腺图像，及乳腺图像中的第二候选钙化点；根据第二候选钙化点对乳腺图像进行裁剪，得到第二候选钙化点的区域图像，并对区域图像进行卷积处理；将区域图像以及卷积处理后的区域图像输入经本申请任意实施例提供的模型训练方法训练得到的钙化假阳识别模型，输出假阳钙化点。
当然，本领域技术人员可以理解，处理器还可以实现本发明任一实施例所提供的钙化假阳识别方法或钙化假阳识别模型训练方法的技术方案。
实施例六
本发明实施例六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，该程序被处理器执行时实现如本申请任意实施例提供的钙化假阳识别模型训练方法，该方法包括：
获取样本乳腺图像，及样本乳腺图像中的第一候选钙化点，并对第一候选钙化点中的假阳钙化点进行标记；根据第一候选钙化点对样本乳腺图像进行裁剪，得到第一候选钙化点的区域图像，并对区域图像进行卷积处理；将区域图像以及卷积处理后的区域图像输入钙化假阳识别模型，输出假阳钙化点，以输出的假阳钙化点与标记的假阳钙化点的偏量小于预设阈值为目标，对钙化假阳识别模型进行训练；
或者，该程序被处理器执行时实现如本申请任意实施例提供的钙化假阳识别方法，该方法包括：
获取乳腺图像，及乳腺图像中的第二候选钙化点；根据第二候选钙化点对乳腺图像进行裁剪，得到第二候选钙化点的区域图像，并对区域图像进行卷积处理；将区域图像以及卷积处理后的区域图像输入经本申请任意实施例提供的模型训练方法训练得到的钙化假阳识别模型，输出假阳钙化点。
当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上的方法指令，还可以执行本发明任一实施例所提供的钙化假阳识别方法或钙化假阳识别模型训练方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的装置、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明指令的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种钙化假阳识别模型训练方法，其特征在于，包括：
获取样本乳腺图像，及所述样本乳腺图像中的第一候选钙化点，并对所述第一候选钙化点中的假阳钙化点进行标记；
根据所述第一候选钙化点对所述样本乳腺图像进行裁剪，得到所述第一候选钙化点的区域图像，并对所述区域图像进行卷积处理；
将所述区域图像以及卷积处理后的区域图像输入钙化假阳识别模型，输出假阳钙化点，以输出的假阳钙化点与标记的假阳钙化点的偏量小于预设阈值为目标，对所述钙化假阳识别模型进行训练。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一候选钙化点对所述样本乳腺图像进行裁剪，包括：
以所述第一候选钙化点为中心，使用预设尺寸的剪裁框对所述样本乳腺图像进行剪裁；其中，当所述剪裁框超出所述样本乳腺图像时，对超出区域进行图像填充。
3.根据权利要求1所述的方法，其特征在于，在得到所述第一候选钙化点的区域图像后，在对所述区域图像进行卷积处理前，还包括：
对所述区域图像进行旋转和/或翻转处理，并将旋转和/或翻转处理后的区域图像增加至原区域图像。
4.根据权利要求1所述的方法，其特征在于，所述对所述区域图像进行卷积处理，包括：通过预设LoG卷积核对所述区域图像进行卷积处理。
5.根据权利要求1所述的方法，其特征在于，所述钙化假阳识别模型为CNN模型时，包括依次连接的输入层、双通道分离层、维度重塑层、双通道关联层、预设数量个下采样卷积模块和全连接映射层；
其中，所述下采样卷积模块包括第一卷积层、第二卷积层和最大池化层。
6.一种钙化假阳识别方法，其特征在于，包括：
获取乳腺图像，及所述乳腺图像中的第二候选钙化点；
根据所述第二候选钙化点对所述乳腺图像进行裁剪，得到所述第二候选钙化点的区域图像，并对所述区域图像进行卷积处理；
将所述区域图像以及卷积处理后的区域图像输入经权利要求1-5中任一项所述模型训练方法训练得到的钙化假阳识别模型，输出假阳钙化点。
7.一种钙化假阳识别模型训练装置，其特征在于，包括：
第一获取模块，用于获取样本乳腺图像，及所述样本乳腺图像中的第一候选钙化点，并对所述第一候选钙化点中的假阳钙化点进行标记；
第一处理模块，用于根据所述第一候选钙化点对所述样本乳腺图像进行裁剪，得到所述第一候选钙化点的区域图像，并对所述区域图像进行卷积处理；
模型训练模块，将所述区域图像以及卷积处理后的区域图像输入钙化假阳识别模型，输出假阳钙化点，以输出的假阳钙化点与标记的假阳钙化点的偏量小于预设阈值为目标，对所述钙化假阳识别模型进行训练。
8.一种钙化假阳识别装置，其特征在于，包括：
第二获取模块，用于获取乳腺图像，及所述乳腺图像中的第二候选钙化点；
第二处理模块，用于根据所述第二候选钙化点对所述乳腺图像进行裁剪，得到所述第二候选钙化点的区域图像，并对所述区域图像进行卷积处理；
假阳识别模块，用于将所述区域图像以及卷积处理后的区域图像输入经权利要求1-5中任一项所述模型训练方法训练得到的钙化假阳识别模型，输出假阳钙化点。
9.一种终端，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一所述的钙化假阳识别模型训练方法，或实现如权利要求6所述的钙化假阳识别方法。
10.一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，该程序被处理器执行时实现如权利要求1-5中任一所述的钙化假阳识别模型训练方法，或实现如权利要求6所述的钙化假阳识别方法。
CN202010062860.3A 2020-01-19 2020-01-19 钙化假阳识别及其模型训练的方法、装置、终端及介质 Active CN111275719B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010062860.3A CN111275719B (zh) 2020-01-19 2020-01-19 钙化假阳识别及其模型训练的方法、装置、终端及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010062860.3A CN111275719B (zh) 2020-01-19 2020-01-19 钙化假阳识别及其模型训练的方法、装置、终端及介质

Publications (2)

Publication Number Publication Date
CN111275719A CN111275719A (zh) 2020-06-12
CN111275719B true CN111275719B (zh) 2023-04-07

Family

ID=71003306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010062860.3A Active CN111275719B (zh) 2020-01-19 2020-01-19 钙化假阳识别及其模型训练的方法、装置、终端及介质

Country Status (1)

Country Link
CN (1) CN111275719B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113112560B (zh) * 2021-04-14 2023-10-03 杭州柳叶刀机器人有限公司 生理点区域标记方法与装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6324532B1 (en) * 1997-02-07 2001-11-27 Sarnoff Corporation Method and apparatus for training a neural network to detect objects in an image
CN101976303A (zh) * 2010-10-21 2011-02-16 中山大学 一种乳腺肿块、钙化良恶自动识别及定量化影像评价***
CN102438529A (zh) * 2008-12-22 2012-05-02 美的派特恩公司 自动检测医学图像中的病变的方法和***
CN109559303A (zh) * 2018-11-22 2019-04-02 广州达美智能科技有限公司 钙化点的识别方法、装置和计算机可读存储介质
CN109801271A (zh) * 2019-01-04 2019-05-24 上海联影医疗科技有限公司 钙化簇的定位方法、装置、计算机设备以及存储介质
CN110288577A (zh) * 2019-06-20 2019-09-27 翼健(上海)信息科技有限公司 一种3d实现多器官病灶整合的控制方法及控制装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8977019B2 (en) * 2010-02-11 2015-03-10 The Regents Of The University Of Michigan Methods for microcalcification detection of breast cancer on digital tomosynthesis mammograms

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6324532B1 (en) * 1997-02-07 2001-11-27 Sarnoff Corporation Method and apparatus for training a neural network to detect objects in an image
CN102438529A (zh) * 2008-12-22 2012-05-02 美的派特恩公司 自动检测医学图像中的病变的方法和***
CN101976303A (zh) * 2010-10-21 2011-02-16 中山大学 一种乳腺肿块、钙化良恶自动识别及定量化影像评价***
CN109559303A (zh) * 2018-11-22 2019-04-02 广州达美智能科技有限公司 钙化点的识别方法、装置和计算机可读存储介质
CN109801271A (zh) * 2019-01-04 2019-05-24 上海联影医疗科技有限公司 钙化簇的定位方法、装置、计算机设备以及存储介质
CN110288577A (zh) * 2019-06-20 2019-09-27 翼健(上海)信息科技有限公司 一种3d实现多器官病灶整合的控制方法及控制装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
蔡雅丽 ; 蔡盛 ; 施敏敏 ; 陈向荣 ; 柳培忠 ; 黄永础 ; .计算机辅助***在乳腺钙化性病变X线摄影诊断中的应用.中国医学影像学杂志.2019,(第12期),全文. *
郑光远 ; 刘峡壁 ; 韩光辉 ; .医学影像计算机辅助检测与诊断***综述.软件学报.2018,(第05期),全文. *

Also Published As

Publication number Publication date
CN111275719A (zh) 2020-06-12

Similar Documents

Publication Publication Date Title
CN108665456B (zh) 基于人工智能的乳腺超声病灶区域实时标注的方法及***
CN108765369B (zh) 肺结节的检测方法、装置、计算机设备和存储介质
CN107895367B (zh) 一种骨龄识别方法、***及电子设备
CN111325739B (zh) 肺部病灶检测的方法及装置，和图像检测模型的训练方法
CN109363698B (zh) 一种乳腺影像征象识别的方法及装置
WO2021136368A1 (zh) 钼靶图像中胸大肌区域自动检测方法及装置
CN111598862B (zh) 一种乳腺钼靶图像的分割方法、装置、终端及存储介质
CN110176010B (zh) 一种图像检测方法、装置、设备及存储介质
US11501431B2 (en) Image processing method and apparatus and neural network model training method
WO2023045231A1 (zh) 一种解耦分治的面神经分割方法和装置
CN109363697B (zh) 一种乳腺影像病灶识别的方法及装置
CN111563897A (zh) 基于弱监督学习的乳腺核磁影像肿瘤分割的方法及装置
CN110880177A (zh) 一种图像识别方法及装置
US20230177698A1 (en) Method for image segmentation, and electronic device
CN114092450A (zh) 一种基于胃镜检查视频的实时图像分割方法、***、装置
CN111932495B (zh) 一种医学图像检测方法、装置及存储介质
CN114066884A (zh) 视网膜血管分割方法及装置、电子设备和存储介质
CN110570419A (zh) 特征信息的获取方法、装置和存储介质
CN110570394A (zh) 医学图像分割方法、装置、设备及存储介质
CN115153647A (zh) 一种基于超声波内窥镜的智能胰腺癌变检测方法及平台
CN111275719B (zh) 钙化假阳识别及其模型训练的方法、装置、终端及介质
CN113539402B (zh) 多模态影像自动勾画模型迁移方法
CN108898173B (zh) 一种多尺度多特征的心电图医学图像融合及分类方法
CN112862785B (zh) Cta影像数据识别方法、装置及存储介质
CN111539926B (zh) 一种图像检测方法及装置

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

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: INFERVISION

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant