CN111325282A - 适应多机型的乳腺x射线影像识别方法和装置 - Google Patents
适应多机型的乳腺x射线影像识别方法和装置 Download PDFInfo
- Publication number
- CN111325282A CN111325282A CN202010147825.1A CN202010147825A CN111325282A CN 111325282 A CN111325282 A CN 111325282A CN 202010147825 A CN202010147825 A CN 202010147825A CN 111325282 A CN111325282 A CN 111325282A
- Authority
- CN
- China
- Prior art keywords
- mammary gland
- image
- network
- ray
- breast
- 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.)
- Granted
Links
- 210000005075 mammary gland Anatomy 0.000 title claims abstract description 171
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 44
- 238000009826 distribution Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 38
- 210000000481 breast Anatomy 0.000 claims description 70
- 210000004907 gland Anatomy 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 1
- 230000003902 lesion Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 230000003211 malignant effect Effects 0.000 description 4
- 230000002308 calcification Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种适应多机型的乳腺X射线影像识别方法和装置,所述方法包括:构建网络框架,其中,网络框架包括乳腺影像特征提取网络、乳腺影像机型分类网络和乳腺影像识别网络;获取来自不同机型的多个乳腺X射线影像数据集并统计得到其数据分布,根据数据集的数据分布分别为每张待识别乳腺X射线影像确定窗宽和窗位;将多个机型的、确定了窗宽和窗位的乳腺X射线影像输入网络框架中,对乳腺影像特征提取网络和乳腺影像机型分类网络进行一致性训练,同时训练乳腺影像识别网络;通过训练后的乳腺影像特征提取网络提取确定了窗宽和窗位的待识别乳腺X射线影像的特征,该特征经过训练后的乳腺影像识别网络,以实现对待识别乳腺X射线影像的识别。
Description
技术领域
本发明涉及图像识别技术领域,具体涉及一种适应多机型的乳腺X射线影像识别方法和一种适应多机型的乳腺X射线影像识别装置。
背景技术
乳腺X射线影像能比较全面而正确地反应出整个***的大体解剖结构,对于人体组织分析等研究工作具有较高参考价值。
在实际应用中,乳腺X射线影像来源于不同的机型,如Philips、Siemens、GE等,这些机型拍摄的影像在风格上差异很大,人类视觉很少会被这种差异影响,而计算机则相反,容易被这种差异影响,作出错误的判断。对于目前普遍应用的一些计算机视觉算法,当训练和测试数据来自同一机型时,分布较为近似,计算机对乳腺影像的识别效果好,但针对每一种机型都收集大量的数据代价非常大,而且非常困难。
发明内容
本发明为解决上述技术问题,提供了一种适应多机型的乳腺X射线影像识别方法和装置,能够适用于对多种机型的乳腺X射线影像的识别,简单方便且准确性较高。
本发明采用的技术方案如下:
一种适应多机型的乳腺X射线影像识别方法,包括以下步骤:构建网络框架,其中,网络框架包括乳腺影像特征提取网络、乳腺影像机型分类网络和乳腺影像识别网络;获取来自不同机型的多个乳腺X射线影像数据集并统计得到其数据分布,根据数据集的数据分布分别为每张待识别乳腺X射线影像确定窗宽和窗位;将多个机型的、确定了窗宽和窗位的乳腺X射线影像输入网络框架中,对乳腺影像特征提取网络和乳腺影像机型分类网络进行一致性训练,同时训练乳腺影像识别网络;通过训练后的乳腺影像特征提取网络提取确定了窗宽和窗位的待识别乳腺X射线影像的特征,该特征经过训练后的乳腺影像识别网络,以实现对待识别乳腺X射线影像的识别。
所述乳腺影像特征提取网络包括若干个卷积模块和若干个下采样模块。
所述乳腺影像机型分类网络包括若干个卷积模块,或者包括若干个卷积模块和若干个完全连接模块。
所述数据分布包括影像像素值的均值和方差。
根据所述数据集的数据分布分别确定每张待识别乳腺X射线影像的窗宽和窗位,具体包括:自适应地选取所述待识别乳腺X射线影像的窗宽和窗位,使得所述待识别乳腺X射线影像的数据分布尽可能地接近所述数据集的数据分布。
利用多个机型的乳腺X射线影像对所述乳腺影像特征提取网络和所述乳腺影像机型分类网络进行一致性训练,同时训练乳腺影像识别网络,具体包括:一致性训练,通过所述乳腺影像特征提取网络和所述乳腺影像机型分类网络的共同训练,约束同一腺体类型不同机型的乳腺影像特征提取网络输出的特征图分布差异最小化、特征空间上的距离最小化,或分布差异和特征空间上的距离加权和最小化;通过对输入的多个机型的乳腺X射线影像采样或对所述乳腺影像机型分类网络的损失采样,限制所述乳腺影像机型分类网络每次梯度回传更新权重对应的多个乳腺X射线影像的腺体类型相同;计算每个乳腺X射线影像与其他腺体类型相同的乳腺X射线影像在特征层面的平均距离,并根据所述平均距离得到置信分数,作为所述乳腺影像机型分类网络的置信度;网络的总损失,由乳腺影像识别网络的损失以及上述置信度加权后的乳腺影像机型分类网络的损失两部分组成。
其中,乳腺X射线影像之间的距离为cosine距离或L2距离。
一种适应多机型的乳腺X射线影像识别装置,包括:网络框架,所述网络框架包括乳腺影像特征提取网络、乳腺影像机型分类网络和乳腺影像识别网络;预处理模块,所述预处理模块对来自不同机型的多个乳腺X射线影像数据集进行统计得到其数据分布,根据数据集的数据分布分别为每张待识别乳腺X射线影像确定窗宽和窗位;训练模块,所述训练模块将多个机型的、确定了窗宽和窗位的乳腺X射线影像输入网络框架中,对乳腺影像特征提取网络和乳腺影像机型分类网络进行一致性训练,同时训练乳腺影像识别网络;测试模块,所述测试模块通过训练后的乳腺影像特征提取网络提取确定了窗宽和窗位的待识别乳腺X射线影像的特征,该特征经过训练后的乳腺影像识别网络,以实现对待识别乳腺X射线影像的识别。
本发明的有益效果:
本发明的适应多机型的乳腺X射线影像识别方法和装置,在图像层面上,根据数据集的数据分布确定待识别乳腺X射线影像的窗宽和窗位,使图像层面上不同机型的乳腺X线影像风格尽可能相似,在特征层面上,通过乳腺影像特征提取网络与乳腺影像机型分类网络的一致性训练,使特征层面上不同机型的乳腺X射线影像风格尽可能相似,同时减小腺体类型和影像语义信息等对乳腺影像机型分类网络训练的影响,从而能够适用于对多种机型的乳腺X射线影像的识别,简单方便且准确性较高。
附图说明
图1为本发明实施例的适应多机型的乳腺X射线影像识别方法的流程图;
图2为本发明实施例的适应多机型的乳腺X射线影像识别装置的方框示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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。
如图1所示,本发明实施例的适应多机型的乳腺X射线影像识别方法包括以下步骤:
S1,构建网络框架,其中,网络框架包括乳腺影像特征提取网络、乳腺影像机型分类网络和乳腺影像识别网络。
在本发明的一个实施例中,乳腺影像特征提取网络可包括若干个卷积模块和若干个下采样模块,能够对输入的乳腺X射线影像进行特征提取。乳腺影像机型分类网络可包括若干个卷积模块,或者包括若干个卷积模块和若干个完全连接模块,能够根据乳腺影像特征提取网络输出的特征估计出乳腺X射线影像的来源机型。乳腺影像识别网络能够根据乳腺影像特征提取网络输出的特征进行影像识别,得到乳腺病灶检出、乳腺病灶良恶性分类等识别结果。
S2,获取来自不同机型的多个乳腺X射线影像数据集并统计得到其数据分布,根据数据集的数据分布分别为每张待识别乳腺X射线影像确定窗宽和窗位。
其中,数据分布可包括但不限于像素值的均值、方差。
首先可统计得到不同机型的多个乳腺X射线影像数据集的上述数据分布,然后根据数据集的上述数据分布,自适应地选取待识别乳腺X射线影像的窗宽和窗位,使得待识别乳腺X射线影像的数据分布尽可能地接近数据集的数据分布。此处的尽可能接近,可以是各项数据分布差值的均值或加权均值最小。
S3,将多个机型的、确定了窗宽和窗位的乳腺X射线影像输入网络框架中,对乳腺影像特征提取网络和乳腺影像机型分类网络进行一致性训练,同时训练乳腺影像识别网络。
在本发明的一个实施例中,可通过乳腺X射线影像的识别任务相关标签和机型标签来训练网络。
机型标签表明乳腺X射线影像来自哪个机型,假设某个输入的乳腺X射线影像来自某个机型,则对该乳腺X射线影像,该机型的标签为1,其他机型的标签均为0。如果数据集中部分乳腺X射线影像的识别任务相关标签缺失,则该部分乳腺X射线影像只有机型标签。
腺体类型和影像的语义信息对乳腺影像机型分类网络的学习有较大影响,其中,腺体类型包括脂肪型、散在纤维腺体型、不均匀致密型和极度致密型,影像的语义信息可包括肿块、钙化、结构扭曲等病灶和无病灶。
在本发明的一个实施例中,可利用腺体类型标签,通过对输入的多个乳腺X射线影像采样或对乳腺影像机型分类网络的损失采样,限制乳腺影像机型分类网络每次梯度回传更新权重对应的多个乳腺X射线影像的腺体类型相同,减小腺体类型对机型分类网络训练的影响。对于每个乳腺X射线影像,可计算其与其他腺体类型相同的乳腺X射线影像在特征层面的平均距离,并根据平均距离得到置信分数,作为乳腺影像机型分类网络的置信度,减小影像语义信息对机型分类网络训练的影响。
其中,如果腺体类型标签缺失,可通过聚类算法将腺体类型分为4类。乳腺X射线影像之间的距离可包括但不限于cosine距离和L2距离。置信分数的范围可为0~1,距离越小,置信分数越大。
通过一致性训练的方式,使得乳腺影像机型分类网络学习区分不同机型,而乳腺影像特征提取网络学习得到识别任务相关特征,并使该特征能够欺骗乳腺影像机型分类网络,从而减小不同机型的乳腺影像特征提取网络输出特征图分布的差异,使得特征层面上不同机型乳腺X射线影像的风格尽可能相似。
S4,通过训练后的乳腺影像特征提取网络提取确定了窗宽和窗位的待识别乳腺X射线影像的特征,该特征经过训练后的乳腺影像识别网络,以实现对待识别乳腺X射线影像的识别。
具体地,乳腺影像识别网络可以通过基于深度学习的物体检测、图像分割、图像分类等方法,实现乳腺病灶检出、乳腺病灶良恶性分类等任务。
根据本发明实施例的适应多机型的乳腺X射线影像识别方法,在图像层面上,根据数据集的数据分布确定待识别乳腺X射线影像的窗宽和窗位,使图像层面上不同机型的乳腺X线影像风格尽可能相似,在特征层面上,通过乳腺影像特征提取网络与乳腺影像机型分类网络的一致性训练,使特征层面上不同机型的乳腺X射线影像风格尽可能相似,同时减小腺体类型和影像语义信息等对乳腺影像机型分类网络训练的影响,从而能够适用于对多种机型的乳腺X射线影像的识别,简单方便且准确性较高。
对应上述实施例的适应多机型的乳腺X射线影像识别方法,本发明还提出一种适应多机型的乳腺X射线影像识别装置。
如图2所示,本发明实施例的乳腺X射线影像识别装置包括网络框架10、预处理模块20、训练模块30和测试模块40。其中,网络框架10包括乳腺影像特征提取网络、乳腺影像机型分类网络和乳腺影像识别网络;预处理模块20用于对来自不同机型的多个乳腺X射线影像数据集进行统计得到其数据分布,根据数据集的数据分布分别为每张待识别乳腺X射线影像确定窗宽和窗位;训练模块30用于将多个机型的、确定了窗宽和窗位的乳腺X射线影像输入网络框架中,对乳腺影像特征提取网络和乳腺影像机型分类网络进行一致性训练,同时训练乳腺影像识别网络;测试模块40用于通过训练后的乳腺影像特征提取网络提取确定了窗宽和窗位的待识别乳腺X射线影像的特征,该特征经过训练后的乳腺影像识别网络,以实现对待识别乳腺X射线影像的识别。
在本发明的一个实施例中,乳腺影像特征提取网络可包括若干个卷积模块和若干个下采样模块,能够对输入的乳腺X射线影像进行特征提取。乳腺影像机型分类网络可包括若干个卷积模块,或者包括若干个卷积模块和若干个完全连接模块,能够根据乳腺影像特征提取网络输出的特征估计出乳腺X射线影像的来源机型。乳腺影像识别网络能够根据乳腺影像特征提取网络输出的特征进行影像识别,得到乳腺病灶检出、乳腺病灶良恶性分类等识别结果。
其中,数据分布可包括但不限于影像像素值的均值和方差。
预处理模块20可统计得到不同机型的多个乳腺X射线影像数据集的上述数据分布,然后根据数据集的上述数据分布,自适应地选取待识别乳腺X射线影像的窗宽和窗位,使得待识别乳腺X射线影像的数据分布尽可能地接近数据集的数据分布。此处的尽可能接近,可以是各项数据分布差值的均值或加权均值最小。
在本发明的一个实施例中,训练模块30可通过乳腺X射线影像的识别任务相关标签和机型标签来训练网络。
机型标签表明乳腺X射线影像来自哪个机型,假设某个输入的乳腺X射线影像来自某个机型,则对该乳腺X射线影像,该机型的标签为1,其他机型的标签均为0。如果其中部分乳腺X射线影像的识别任务相关标签缺失,则该部分乳腺X射线影像只有机型标签。
腺体类型和影像的语义信息对乳腺影像机型分类网络的学习有较大影响,其中,腺体类型包括脂肪型、散在纤维腺体型、不均匀致密型和极度致密型,影像的语义信息可包括肿块、钙化、结构扭曲等病灶和无病灶。。
在本发明的一个实施例中,训练模块30可利用腺体类型标签,通过对输入的多个机型的乳腺X射线影像采样或对乳腺影像机型分类网络的损失采样,限制乳腺影像机型分类网络每次梯度回传更新权重对应的多个乳腺X射线影像的腺体类型相同,减小腺体类型对机型分类网络训练的影响。对于每个乳腺X射线影像,训练模块30可计算其与其他腺体类型相同的乳腺X射线影像在特征层面的平均距离,并根据平均距离得到置信分数,作为乳腺影像机型分类网络的置信度,减小影像语义信息对机型分类网络训练的影响。
其中,如果腺体类型标签缺失,可通过聚类算法将腺体类型分为4类。乳腺X射线影像之间的距离可包括但不限于cosine距离和L2距离。置信分数的范围可为0~1,距离越小,置信分数越大。
通过一致性训练的方式,使得乳腺影像机型分类网络学习区分不同机型,而乳腺影像特征提取网络学习得到识别任务相关特征,并使该特征能够欺骗乳腺影像机型分类网络,从而减小不同机型的乳腺影像特征提取网络输出特征图分布的差异,使得特征层面上不同机型乳腺X射线影像的风格尽可能相似。
测试模块40通过训练后的乳腺影像特征提取网络提取确定了窗宽和窗位的待识别乳腺X射线影像的特征,该特征经过训练后的乳腺影像识别网络,以实现对待识别乳腺X射线影像的识别。具体地,乳腺影像识别网络可以通过基于深度学习的物体检测、图像分割、图像分类等方法,实现乳腺病灶检出、乳腺病灶良恶性分类等任务。
根据本发明实施例的适应多机型的乳腺X射线影像识别装置,在图像层面上,根据数据集的数据分布确定待识别乳腺X射线影像的窗宽和窗位,使图像层面上不同机型的乳腺X线影像风格尽可能相似,在特征层面上,通过乳腺影像特征提取网络与乳腺影像机型分类网络的一致性训练,使特征层面上不同机型的乳腺X射线影像风格尽可能相似,同时减小腺体类型和影像语义信息等对乳腺影像机型分类网络训练的影响,从而能够适用于对多种机型的乳腺X射线影像的识别,简单方便且准确性较高。
在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种适应多机型的乳腺X射线影像识别方法,其特征在于,包括以下步骤:
构建网络框架,其中,所述网络框架包括乳腺影像特征提取网络、乳腺影像机型分类网络和乳腺影像识别网络;
获取来自不同机型的多个乳腺X射线影像数据集并统计得到其数据分布,根据数据集的数据分布分别为每张待识别乳腺X射线影像确定窗宽和窗位;
将多个机型的、确定了窗宽和窗位的乳腺X射线影像输入网络框架中,对乳腺影像特征提取网络和乳腺影像机型分类网络进行一致性训练,同时训练乳腺影像识别网络;
通过训练后的乳腺影像特征提取网络提取确定了窗宽和窗位的待识别乳腺X射线影像的特征,该特征经过训练后的乳腺影像识别网络,以实现对待识别乳腺X射线影像的识别。
2.根据权利要求1所述的适应多机型的乳腺X射线影像识别方法,其特征在于,所述乳腺影像特征提取网络包括若干个卷积模块和若干个下采样模块。
3.根据权利要求2所述的适应多机型的乳腺X射线影像识别方法,其特征在于,所述乳腺影像机型分类网络包括若干个卷积模块,或者包括若干个卷积模块和若干个完全连接模块。
4.根据权利要求3所述的适应多机型的乳腺X射线影像识别方法,其特征在于,所述数据分布包括影像像素值的均值和方差。
5.根据权利要求4所述的适应多机型的乳腺X射线影像识别方法,其特征在于,根据所述数据集的数据分布分别确定每张待识别乳腺X射线影像的窗宽和窗位,具体包括:
自适应地选取所述待识别乳腺X射线影像的窗宽和窗位,使得所述待识别乳腺X射线影像的数据分布尽可能地接近所述数据集的数据分布。
6.根据权利要求5所述的适应多机型的乳腺X射线影像识别方法,其特征在于,利用多个机型的乳腺X射线影像对所述乳腺影像特征提取网络和所述乳腺影像机型分类网络进行一致性训练,同时训练乳腺影像识别网络,具体包括:
一致性训练,通过所述乳腺影像特征提取网络和所述乳腺影像机型分类网络的共同训练,约束同一腺体类型不同机型的乳腺影像特征提取网络输出的特征图分布差异最小化、特征空间上的距离最小化,或分布差异和特征空间上的距离加权和最小化。
通过对输入的多个机型的乳腺X射线影像采样或对所述乳腺影像机型分类网络的损失采样,限制所述乳腺影像机型分类网络每次梯度回传更新权重对应的多个乳腺X射线影像的腺体类型相同;
计算每个乳腺X射线影像与其他腺体类型相同的乳腺X射线影像在特征层面的平均距离,并根据所述平均距离得到置信分数,作为所述乳腺影像机型分类网络的置信度;
网络的总损失,由乳腺影像识别网络的损失以及上述置信度加权后的乳腺影像机型分类网络的损失两部分组成。
7.根据权利要求6所述的适应多机型的乳腺X射线影像识别方法,其特征在于,其中,乳腺X射线影像之间的距离为cosine距离或L2距离。
8.一种适应多机型的乳腺X射线影像识别装置,其特征在于,包括:
网络框架,所述网络框架包括乳腺影像特征提取网络、乳腺影像机型分类网络和乳腺影像识别网络;
预处理模块,所述预处理模块对来自不同机型的多个乳腺X射线影像数据集进行统计得到其数据分布,根据数据集的数据分布分别为每张待识别乳腺X射线影像确定窗宽和窗位;
训练模块,所述训练模块将多个机型的、确定了窗宽和窗位的乳腺X射线影像输入网络框架中,对乳腺影像特征提取网络和乳腺影像机型分类网络进行一致性训练,同时训练乳腺影像识别网络;
测试模块,所述测试模块通过训练后的乳腺影像特征提取网络提取确定了窗宽和窗位的待识别乳腺X射线影像的特征,该特征经过训练后的乳腺影像识别网络,以实现对待识别乳腺X射线影像的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010147825.1A CN111325282B (zh) | 2020-03-05 | 2020-03-05 | 适应多机型的乳腺x射线影像识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010147825.1A CN111325282B (zh) | 2020-03-05 | 2020-03-05 | 适应多机型的乳腺x射线影像识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325282A true CN111325282A (zh) | 2020-06-23 |
CN111325282B CN111325282B (zh) | 2023-10-27 |
Family
ID=71167493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010147825.1A Active CN111325282B (zh) | 2020-03-05 | 2020-03-05 | 适应多机型的乳腺x射线影像识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325282B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111803104A (zh) * | 2020-07-20 | 2020-10-23 | 上海市第六人民医院 | 一种医学影像显示方法、介质及电子设备 |
CN113177923A (zh) * | 2021-05-07 | 2021-07-27 | 上海联影智能医疗科技有限公司 | 医学影像内容识别方法、电子设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013059658A (ja) * | 2012-11-29 | 2013-04-04 | Canon Inc | 画像処理装置、画像処理方法、プログラム、及び記憶媒体 |
CN108416318A (zh) * | 2018-03-22 | 2018-08-17 | 电子科技大学 | 基于数据增强的合成孔径雷达图像目标深度模型识别方法 |
US10140553B1 (en) * | 2018-03-08 | 2018-11-27 | Capital One Services, Llc | Machine learning artificial intelligence system for identifying vehicles |
CN109363699A (zh) * | 2018-10-16 | 2019-02-22 | 杭州依图医疗技术有限公司 | 一种乳腺影像病灶识别的方法及装置 |
US20190122384A1 (en) * | 2017-10-24 | 2019-04-25 | Nike, Inc. | Image Recognition System |
CN110123347A (zh) * | 2019-03-22 | 2019-08-16 | 杭州深睿博联科技有限公司 | 用于乳腺钼靶的图像处理方法及装置 |
CN110379509A (zh) * | 2019-07-23 | 2019-10-25 | 安徽磐众信息科技有限公司 | 一种基于dssd的乳腺结节辅助诊断方法及*** |
CN110516525A (zh) * | 2019-07-01 | 2019-11-29 | 杭州电子科技大学 | 基于gan和svm的sar图像目标识别方法 |
WO2020014477A1 (en) * | 2018-07-11 | 2020-01-16 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer readable media for image analysis with deep learning to predict breast cancer classes |
-
2020
- 2020-03-05 CN CN202010147825.1A patent/CN111325282B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013059658A (ja) * | 2012-11-29 | 2013-04-04 | Canon Inc | 画像処理装置、画像処理方法、プログラム、及び記憶媒体 |
US20190122384A1 (en) * | 2017-10-24 | 2019-04-25 | Nike, Inc. | Image Recognition System |
US10140553B1 (en) * | 2018-03-08 | 2018-11-27 | Capital One Services, Llc | Machine learning artificial intelligence system for identifying vehicles |
CN108416318A (zh) * | 2018-03-22 | 2018-08-17 | 电子科技大学 | 基于数据增强的合成孔径雷达图像目标深度模型识别方法 |
WO2020014477A1 (en) * | 2018-07-11 | 2020-01-16 | The University Of North Carolina At Chapel Hill | Methods, systems, and computer readable media for image analysis with deep learning to predict breast cancer classes |
CN109363699A (zh) * | 2018-10-16 | 2019-02-22 | 杭州依图医疗技术有限公司 | 一种乳腺影像病灶识别的方法及装置 |
CN110123347A (zh) * | 2019-03-22 | 2019-08-16 | 杭州深睿博联科技有限公司 | 用于乳腺钼靶的图像处理方法及装置 |
CN110516525A (zh) * | 2019-07-01 | 2019-11-29 | 杭州电子科技大学 | 基于gan和svm的sar图像目标识别方法 |
CN110379509A (zh) * | 2019-07-23 | 2019-10-25 | 安徽磐众信息科技有限公司 | 一种基于dssd的乳腺结节辅助诊断方法及*** |
Non-Patent Citations (2)
Title |
---|
孙利雷;徐勇;: "基于深度学习的乳腺X射线影像分类方法研究" * |
孙利雷;徐勇;: "基于深度学习的乳腺X射线影像分类方法研究", 计算机工程与应用, no. 21, pages 13 - 19 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111803104A (zh) * | 2020-07-20 | 2020-10-23 | 上海市第六人民医院 | 一种医学影像显示方法、介质及电子设备 |
CN113177923A (zh) * | 2021-05-07 | 2021-07-27 | 上海联影智能医疗科技有限公司 | 医学影像内容识别方法、电子设备及存储介质 |
CN113177923B (zh) * | 2021-05-07 | 2024-06-21 | 上海联影智能医疗科技有限公司 | 医学影像内容识别方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111325282B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101977174B1 (ko) | 영상 분석 방법, 장치 및 컴퓨터 프로그램 | |
CN104143079B (zh) | 人脸属性识别的方法和*** | |
US9076197B2 (en) | Probability density function estimation | |
CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
CN111862044B (zh) | 超声图像处理方法、装置、计算机设备和存储介质 | |
CN110766051A (zh) | 一种基于神经网络的肺结节形态学分类方法 | |
KR102045223B1 (ko) | 골 연령 분석 방법, 장치 및 컴퓨터 프로그램 | |
CN102737250A (zh) | 3d医学图像数据中对脊椎骨损伤自动检测的方法和*** | |
WO2019184851A1 (zh) | 图像处理方法和装置及神经网络模型的训练方法 | |
CN111462049A (zh) | 一种乳腺超声造影视频中病灶区形态自动标注方法 | |
CN111127400A (zh) | 一种乳腺病变检测方法和装置 | |
CN113782184A (zh) | 一种基于面部关键点与特征预学习的脑卒中辅助评估*** | |
CN111583385A (zh) | 一种可变形数字人解剖学模型的个性化变形方法及*** | |
CN110021019A (zh) | 一种aga临床图像的ai辅助毛发的粗细分布分析方法 | |
CN111325282A (zh) | 适应多机型的乳腺x射线影像识别方法和装置 | |
Jenifa et al. | Classification of cotton leaf disease using multi-support vector machine | |
CN113781387A (zh) | 模型训练方法、图像处理方法、装置、设备及存储介质 | |
CN115564756A (zh) | 医学图像病灶定位显示方法与*** | |
Davis et al. | Automated bone age assessment using feature extraction | |
Deepak et al. | Detection and discrimination of disease-related abnormalities based on learning normal cases | |
CN113177554B (zh) | 甲状腺结节识别与分割方法、***、存储介质及设备 | |
CN104331864B (zh) | 基于非下采样轮廓波和视觉显著模型的乳腺影像处理 | |
CN106778491A (zh) | 人脸3d特征信息的获取方法及设备 | |
Hsu | A hybrid approach for brain image registration with local constraints | |
CN112861743A (zh) | 一种掌静脉图像防伪方法、装置和设备 |
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 |