CN112102237A - 基于半监督学习的脑部肿瘤识别模型的训练方法及装置 - Google Patents
基于半监督学习的脑部肿瘤识别模型的训练方法及装置 Download PDFInfo
- Publication number
- CN112102237A CN112102237A CN202010794964.3A CN202010794964A CN112102237A CN 112102237 A CN112102237 A CN 112102237A CN 202010794964 A CN202010794964 A CN 202010794964A CN 112102237 A CN112102237 A CN 112102237A
- Authority
- CN
- China
- Prior art keywords
- training
- brain
- trained
- network
- tumor
- 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
- 238000012549 training Methods 0.000 title claims abstract description 274
- 208000003174 Brain Neoplasms Diseases 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000001514 detection method Methods 0.000 claims abstract description 164
- 210000004556 brain Anatomy 0.000 claims description 123
- 206010028980 Neoplasm Diseases 0.000 claims description 112
- 239000013598 vector Substances 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 29
- 230000004927 fusion Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000009827 uniform distribution Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 abstract description 3
- 238000002591 computed tomography Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 11
- 239000000284 extract Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 241000282326 Felis catus Species 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T2207/20084—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
- G06T2207/30016—Brain
-
- 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
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)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种基于半监督学习的脑部肿瘤识别模型的训练方法及装置,所述脑部肿瘤识别模型包括检测网络和分类网络,所述方法包括:获取第一训练样本集和第二训练样本集;利用所述第一训练样本集,分别对所述检测网络和所述分类网络进行无监督学习,生成预训练检测网络和预训练分类网络;利用所述第二训练样本集,对所述预训练检测网络和所述预训练分类网络进行训练,生成经过训练后的检测网络和经过训练后的分类网络;输出经过训练后的脑部肿瘤识别模型,所述经过训练后的脑部肿瘤识别模型包括所述经过训练后的检测网络和所述经过训练后的分类网络。本发明通过半监督学习方式充分利用精标与粗标数据,从而得到更加鲁棒的深度卷积神经网络。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及医学图像分类及深度学习技术,更具体地,涉及一种基于半监督学习的脑部肿瘤识别模型的训练方法及装置。
背景技术
医学图像(如CT图像、MRI图像等)是医学领域一类重要数据,在辅助医生进行诊断、病理研究等方面有举足轻重的作用。利用人工智能技术对医学图像进行智能、自动分析,对提升医疗效率、节省医疗成本、减少患者痛苦等方面有重要意义,将为我国医疗信息化、智能化建设、提高我国医疗水平提供有力保障。其中,针对医学图像的分类是基于医学图像的智能分析中的一个最为基础的任务,它在疾病类型的识别、病灶严重程度的判断、病人恢复状况的量化等多种具体场景中有重要的需求。因此,发展准确的医学图像自动分类方法与***在实际场景中有急迫的需求和重要的意义。
脑部CT的相关任务是目前医学图像领域中较为流行的话题之一。但由于医学图像数据的获取与标注较为困难,且CT图像中肿瘤的位置、大小等特征不固定,使得肿瘤识别也较为困难,利用模型进行脑部肿瘤识别的准确率较低。
发明内容
针对上述问题,本发明提出一种基于半监督学习的脑部肿瘤识别模型的训练方法及装置,旨在解决在脑部CT序列的识别等任务中,医学图像的可利用精标数据稀少从而为模型训练带来的挑战,通过半监督学习方式充分利用精标与粗标数据,从而得到更加鲁棒的深度卷积神经网络,进而提升医学图像分类及脑部肿瘤识别的准确性。
本发明第一方面实施例提出了一种基于半监督学习的脑部肿瘤识别模型的训练方法,所述脑部肿瘤识别模型包括检测网络和分类网络,所述方法包括:
获取第一训练样本集和第二训练样本集,所述第一训练样本集中包括多个粗标数据和/或无标数据,所述第二训练样本集中包括多个精标数据,所述数据为脑部医学图像;
利用所述第一训练样本集,分别对所述检测网络和所述分类网络进行无监督学习,生成预训练检测网络和预训练分类网络;
利用所述第二训练样本集,对所述预训练检测网络和所述预训练分类网络进行训练,生成经过训练后的检测网络和经过训练后的分类网络;
输出经过训练后的脑部肿瘤识别模型,所述经过训练后的脑部肿瘤识别模型包括所述经过训练后的检测网络和所述经过训练后的分类网络。
本发明第二方面实施例提出了一种基于脑部肿瘤识别模型的脑部肿瘤识别方法,所述脑部肿瘤识别模型通过如前述第一方面实施例所述的基于半监督学习的脑部肿瘤识别模型的训练方法训练得到,所述脑部肿瘤识别模型包括检测网络和分类网络,所述方法包括:
获取待识别的脑部医学图像;
将所述脑部医学图像输入至所述脑部肿瘤识别模型的所述检测网络中,以获取所述脑部医学图像中的肿瘤潜在区域;
将所述肿瘤潜在区域和所述脑部医学图像输入至所述脑部肿瘤识别模型的所述分类网络中,以获取所述脑部医学图像中包含肿瘤的预测概率;
当所述预测概率大于预设阈值时,确定所述脑部医学图像中包含肿瘤。
本发明第三方面实施例提出了一种基于半监督学习的脑部肿瘤识别模型的训练装置,所述脑部肿瘤识别模型包括检测网络和分类网络,所述装置包括:
获取模块,用于获取第一训练样本集和第二训练样本集,所述第一训练样本集中包括多个粗标数据和/或无标数据,所述第二训练样本集中包括多个精标数据,所述数据为脑部医学图像;
第一训练模块,用于利用所述第一训练样本集,分别对所述检测网络和所述分类网络进行无监督学习,生成预训练检测网络和预训练分类网络;
第二训练模块,用于利用所述第二训练样本集,对所述预训练检测网络和所述预训练分类网络进行训练,生成经过训练后的检测网络和经过训练后的分类网络;
输出模块,用于输出经过训练后的脑部肿瘤识别模型,所述经过训练后的脑部肿瘤识别模型包括所述经过训练后的检测网络和所述经过训练后的分类网络。
本发明第四方面实施例提出了一种基于脑部肿瘤识别模型的脑部肿瘤识别装置,所述脑部肿瘤识别模型通过如前述第一方面实施例所述的基于半监督学习的脑部肿瘤识别模型的训练方法训练得到,所述脑部肿瘤识别模型包括检测网络和分类网络,所述装置包括:
图像获取模块,用于获取待识别的脑部医学图像;
第一输入模块,用于将所述脑部医学图像输入至所述脑部肿瘤识别模型的所述检测网络中,以获取所述脑部医学图像中的肿瘤潜在区域;
第二输入模块,用于将所述肿瘤潜在区域和所述脑部医学图像输入至所述脑部肿瘤识别模型的所述分类网络中,以获取所述脑部医学图像中包含肿瘤的预测概率;
确定模块,用于当所述预测概率大于预设阈值时,确定所述脑部医学图像中包含肿瘤。
本发明第五方面实施例提出了一种计算机设备,包括处理器、存储器和存储在所述存储器上并可在所述处理器上运行的计算机程序,当所述计算机程序被所述处理器执行时,实现如第一方面实施例所述的基于半监督学习的脑部肿瘤识别模型的训练方法,或者,实现如第二方面实施例所述的基于脑部肿瘤识别模型的脑部肿瘤识别方法。
本发明第六方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被处理器执行时,实现如第一方面实施例所述的基于半监督学习的脑部肿瘤识别模型的训练方法,或者,实现如第二方面实施例所述的基于脑部肿瘤识别模型的脑部肿瘤识别方法。
本发明提供的技术方案,至少可以带来如下有益效果:
本发明将脑部肿瘤识别模型的训练分为两个阶段,先利用粗标数据和/或无标数据对整体模型进行无监督学习,使得模型输出的特征有一定的聚类效果,能够增强模型的泛化能力;之后,利用精标数据对检测网络和分类网络进行监督学习,能够提高模型的判别能力,实现医学图像领域中脑部CT序列的肿瘤自动识别,为临床中的预检测、医生鉴定病灶的二次校正打下基础。本发明通过无监督学习将医学图像中的大量无标与粗标数据利用起来,通过半监督学习训练得到脑部肿瘤识别模型,在训练过程中充分考虑了精标数据与粗标数据,从而实现了更加有效地特征抽取和更准确分类,从而训练出判别能力与泛化能力更强的模型,训练得到的模型具有精度高、适用范围广、鲁棒性强等优点,具有较强的实际应用前景。将训练好的脑部肿瘤识别模型用于脑部肿瘤识别,能够实现脑部肿瘤的自动识别,提高识别结果的准确性。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明一实施例提出的基于半监督学习的脑部肿瘤识别模型的训练方法的流程示意图;
图2为本发明另一实施例提出的基于半监督学习的脑部肿瘤识别模型的训练方法的流程示意图;
图3为本发明又一实施例提出的基于半监督学习的脑部肿瘤识别模型的训练方法的流程示意图;
图4为本发明一实施例提出的基于脑部肿瘤识别模型的脑部肿瘤识别方法的流程示意图;
图5为本发明一实施例提出的基于半监督学习的脑部肿瘤识别模型的训练装置的结构示意图;
图6为本发明一实施例提出的基于脑部肿瘤识别模型的脑部肿瘤识别装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本发明实施例的基于半监督学习的脑部肿瘤识别模型的训练方法及装置。
近年来,由于深度学习在计算机视觉任务上的巨大成功,尤其是在图像识别、图像分割、图像检测等领域,越来越多的学者在不断尝试使用深度学习算法解决医学图像领域中的相应问题。
电子计算机断层扫描(CT)是医学领域中用于诊断人脑病例的最常用的工具之一,因而医学图像领域许多工作是基于CT图像的,并且,脑部是人体最重要的部位,出现在脑部位置的肿瘤相比于其他位置对于人生命的威胁更大。因此,对于脑部CT图像的肿瘤识别在实际临床上意义重大,其研究用途广泛,包括但不限于对于实际CT图像的预检测或者是筛选,对于医生检验结果的二次校正,甚至可以替代人工诊断流程。基于上述原因,脑部CT相关任务成为医学图像领域的最流行的话题之一。
然而,对于脑部CT图像的肿瘤识别并非简单的分类任务,实际上它面临着诸多挑战。
一方面,在大部分医学图像领域中,医学图像数据的获取与标注是一个难题。一是与研究相关的医学图像数据收集较为困难,医学图像数据通常由与有合作关系的医院等组织提供,而一般情况下,为了保护病人隐私,所得医学图像数据是需要严格保密,因此公开的医学图像数据集不多,且数据量较小;二是在收集完原始数据后,对于数据的标注也是非常困难的,通常情况下,所得数据需要由经验丰富的医生进行标注,而对于较为复杂的任务如分割、检测等,精标数据是较为稀缺的。而所收集的数据,一般是由大部分的粗标数据和小部分的精标数据组成。其中,粗标数据是指仅仅含有类别等粗略信息的标注数据,精标数据是除了类别信息外还包含较为具体信息的标注数据,例如分割任务上每个像素的类别,检测任务上物体的具体边框位置信息等。
另一方面,CT图像中的肿瘤病例的识别较为困难。肿瘤仅仅在局部区域影响CT图像,且肿瘤位置、大小等特征不固定,无明显偏好,因此导致数据的类间差距较小,类内差距较大。换言之,有肿瘤与无肿瘤的CT图像整体上差别较小,有肿瘤的不同CT图像之间也存在一定的不同。而对于计算机视觉中的普通分类问题,类间的差距较大,类内的差距较小,如猫类与花类的差距远远超过猫类之间图像的差距。
由于标注数据分为少量的精标数据与大量的粗标数据,如果忽略精标的信息,直接视全部数据为粗标数据,则一定程度上丢失了监督信息,而如果仅仅使用精标数据,则无法完全利用所有数据,也容易造成过拟合。因此从实际应用出发,本发明对精标数据进行检测加分类的监督学习,而对粗标数据进行无监督学习,最终能够充分利用精标数据的强监督信息与大量粗标数据的弱监督信息,最终基于半监督学习进行脑部CT序列肿瘤识别模型的训练,训练出判别能力和泛化能力更强的模型。
图1为本发明一实施例提出的基于半监督学习的脑部肿瘤识别模型的训练方法的流程示意图,该方法可以由本发明提供的基于半监督学习的脑部肿瘤识别模型的训练装置执行,所述基于半监督学习的脑部肿瘤识别模型的训练装置可以应用于本发明提供的计算机设备中,所述计算机设备可以是服务器,也可以是台式电脑、笔记本电脑等电子设备。
本发明实施例中,脑部肿瘤识别模型包括检测网络和分类网络,对脑部肿瘤识别模型的训练,实际是对检测网络和分类网络的训练。其中,检测网络可以使用Faster R-CNN,分类网络可以使用ResNet-50。
如图1所示,该基于半监督学习的脑部肿瘤识别模型的训练方法,可以包括以下步骤:
步骤101,获取第一训练样本集和第二训练样本集,第一训练样本集中包括多个粗标数据和/或无标数据,第二训练样本集中包括多个精标数据,数据为脑部医学图像。
本发明实施例中,可以获取大量的粗标数据和/或无标数据构成第一训练样本集,获取少量的精标数据构成第二训练样本集。其中,粗标数据是指仅仅含有类别等粗略信息的标注数据,无标数据是未进行标注的数据,粗标数据与无标数据直接使用即可,无需给定相关的类标等信息;精标数据是除了类别信息外还包含较为具体信息的标注数据,本发明中,精标数据是为脑部医学图像标注出具体的肿瘤位置信息的数据。
能够理解的是,本发明中,粗标数据、无标数据和精标数据,均为脑部医学图像。也就是说,本发明中,收集脑部医学数据来获取第一训练样本集和第二训练样本集。
步骤102,利用第一训练样本集,分别对检测网络和分类网络进行无监督学习,生成预训练检测网络和预训练分类网络。
本发明实施例中,获取到第一训练样本集之后,可以利用第一训练样本集分别对脑部肿瘤识别模型中的检测网络和分类网络进行无监督学习,生成预训练检测网络和预训练分类网络。
其中,利用第一训练样本集对检测网络进行无监督学习生成预训练检测网络的过程,与利用第一训练样本集对分类网络进行无监督学习生成预训练分类网络的过程类似,下面以训练生成预训练检测网络为例来说明无监督学习过程。
在进行无监督学习生成预训练检测网络时,将第一训练数据集中的粗标脑部医学图像和/或无标脑部医学图像输入至检测网络中进行卷积等操作的计算,检测网络生成脑部医学图像的对应特征,基于图像的特征进行损失函数计算,并更新检测网络的参数以使损失函数最小化。当更新参数后的检测网络收敛时,则无监督学习完毕,得到预训练检测网络;当更新参数后的检测网络未收敛时,则继续输入脑部医学图像进行迭代训练,再次更新检测网络的参数,判断更新参数后的检测网络是否收敛,重复上述过程,直至检测网络收敛。其中,判断收敛的方式只需要计算前后两轮迭代中的损失函数值,若损失函数值没有显著变化,则可认为检测网络收敛,无监督学习完成。
步骤103,利用第二训练样本集,对预训练检测网络和预训练分类网络进行训练,生成经过训练后的检测网络和经过训练后的分类网络。
本发明实施例中,通过无监督学习得到预训练检测网络和预训练分类网络后,可以进一步利用第二训练样本集中的精标数据进行监督学习,对预训练检测网络和预训练分类网络进行训练,从而生成经过训练后的检测网络和经过训练后的分类网络。
具体实现时,可以先利用第二训练样本集对预训练检测网络进行监督训练,生成经过训练后的检测网络,经过训练后的检测网络能够预测脑部医学图像中肿瘤的位置信息。在训练过程中,基于损失函数调整预训练检测网络的参数,以使损失函数最小化,并在参数调整后的预训练检测网络收敛时,监督学习完成,生成经过训练后的检测网络。
之后,利用第二训练样本集对预训练分类网络进行监督学习。首先,将第二训练样本集中的脑部医学图像输入至经过训练后的检测网络中,以获取其中的肿瘤图像区域,再将肿瘤图像区域和脑部医学图像输入至预训练分类网络中进行监督训练,生成经过训练后的分类网络,经过训练后的分类网络能够实现对脑部医学图像的肿瘤识别,输出图像中是否包含肿瘤的概率。
步骤104,输出经过训练后的脑部肿瘤识别模型,经过训练后的脑部肿瘤识别模型包括经过训练后的检测网络和经过训练后的分类网络。
本发明实施例中,生成经过训练后的检测网络和经过训练后的分类网络之后,脑部肿瘤识别模型也即训练完成,进而,可以输出经过训练后的脑部肿瘤识别模型,以利用该脑部肿瘤识别模型进行脑部肿瘤的自动识别。
本实施例的基于半监督学习的脑部肿瘤识别模型的训练方法,通过获取包括多个粗标数据和/或无标数据的第一训练样本集和包括多个精标数据的第二训练样本集,利用第一训练样本集分别对检测网络和分类网络进行无监督学习,生成预训练检测网络和预训练分类网络,接着利用第二训练样本集对预训练检测网络和预训练分类网络进行训练,生成经过训练后的检测网络和经过训练后的分类网络,从而得到经过训练后的脑部肿瘤识别模型并输出。由此,实现了通过半监督学习训练得到脑部肿瘤识别模型,在训练过程中充分考虑了精标数据与粗标数据,从而实现了更加有效地特征抽取和更准确分类,从而训练出判别能力与泛化能力更强的模型。
为了更加清楚地说明前述实施例中利用第一训练样本集,分别对检测网络和分类网络进行无监督学习,生成预训练检测网络和预训练分类网络的具体实现过程,下面结合附图2进行详细说明。
图2为本发明另一实施例提出的基于半监督学习的脑部肿瘤识别模型的训练方法的流程示意图,如图2所示,在如图1所示实施例的基础上,步骤102可以包括以下步骤:
步骤201,基于均匀分布对第一训练样本集进行随机采样,将第一训练样本集划分为多个样本子集,每个样本子集中包含预设个数的脑部医学图像。
训练的基本流程为利用迭代的方式不断优化模型。由于训练过程的复杂性和计算资源的限制,每次迭代过程中不可能使用所有数据进行模型更新。一般来说,需要从数据中进行随机采样得到一个小批次的训练数据进行一次迭代的训练。因此本发明实施例中,以均匀分布为基础对第一训练样本集进行随机采样,将第一训练样本集划分为多个样本子集,每个样本子集中可以包含预设个数的脑部医学图像,比如,预设个数可以设置为64,则每一个样本子集中包含64个脑部医学图像。
步骤202,从多个样本子集中选择一个样本子集分别输入至检测网络和分类网络中,以使检测网络和分类网络分别对脑部医学图像进行特征提取,并基于对比损失函数对提取的特征进行无监督学习,生成预训练检测网络和预训练分类网络。
本发明实施例中,可以每次从多个样本子集中选择一个样本子集分别输入至检测网络和分类网络中,之后,检测网络和分类网络分别对输入的脑部医学图像进行特征提取,并基于对比损失函数对提取的特征进行无监督学习,迭代更新检测网络和分类网络的参数,当更新参数后的检测网络收敛时,生成预训练检测网络,当更新参数后的分类网络收敛时,生成预训练分类网络。
其中,对比损失函数是基于动量的对比损失函数,该对比损失函数通过拉近同源数据特征与拉远非同源数据特征,从而起到无监督学习的作用,对检测网络和分类网络进行初步的预训练,使得模型输出的特征有一定的聚类效果,增强模型的泛化能力。
本实施例的基于半监督学习的脑部肿瘤识别模型的训练方法,通过基于均匀分布对第一训练样本集进行随机采样,将第一训练样本集划分为多个样本子集,每个样本子集中包含预设个数的所述脑部医学图像,从多个样本子集中选择一个样本子集分别输入至检测网络和分类网络中,以使检测网络和分类网络分别对脑部医学图像进行特征提取,并基于对比损失函数对提取的特征进行无监督学习,生成预训练检测网络和预训练分类网络,由此,将脑部医学图像中的大量无标数据与粗标数据通过无监督学习充分利用起来,使得模型输出的特征有一定的聚类效果,能够增强模型的泛化能力,有利于实现更加有效地特征抽取和更准确分类。
为了更加清楚地说明前述实施例中利用第二训练样本集,对预训练检测网络和预训练分类网络进行训练,生成经过训练后的检测网络和经过训练后的分类网络的具体实现过程,下面结合附图3进行详细说明。
图3为本发明又一实施例提出的基于半监督学习的脑部肿瘤识别模型的训练方法的流程示意图,如图3所示,在如图1所示实施例的基础上,步骤103可以包括以下步骤:
步骤301,利用第二训练样本集,对预训练检测网络进行训练,生成经过训练后的检测网络。
本发明实施例中,先利用第二训练样本集对预训练检测网络进行训练,基于预训练检测网络的损失函数迭代更新预训练检测网络的参数,以使其损失函数最小化,当更新参数后的预训练检测网络收敛时,训练完成,生成经过训练后的检测网络。经过训练后的检测网络能够预测脑部医学图像中的肿瘤位置。
步骤302,将多个精标数据输入至经过训练后的检测网络中,以获取经过训练后的检测网络对多个精标数据中肿瘤区域的预测结果。
步骤303,根据预测结果,从多个精标数据中提取出多个局部肿瘤图像。
本发明实施例中,在训练生成经过训练后的分类网络时,可以结合经过训练后的检测网络的输出结果进行训练。首先,将第二训练样本集中的多个精标数据输入至经过训练后的检测网络中,以获取经过训练后的检测网络对多个精标数据中肿瘤区域的预测结果。其中,预测结果为经过训练后的检测网络预测的肿瘤位置。
之后,根据预测结果中的肿瘤位置,从多个精标数据中提取出多个局部肿瘤图像。也就是说,对于每个预测结果,可以根据该预测结果,从该预测结果对应的脑部医学图像中,将肿瘤位置所指示的肿瘤所在的局部图像截取出来,得到局部肿瘤图像。
步骤304,对多个局部肿瘤图像进行大小调整,生成多个目标局部肿瘤图像。
本发明实施例中,获得多个局部肿瘤图像之后,可以对多个局部肿瘤图像进行大小调整,比如,对于每个局部肿瘤图像,可以将局部肿瘤图像的大小调整为与对应的原脑部医学图像的大小相同,得到对应的目标局部肿瘤图像。
步骤305,将每个目标局部肿瘤图像和对应的脑部医学图像分别输入至预训练分类网络进行特征提取,获取目标局部肿瘤图像的局部特征向量和脑部医学图像的全局特征向量。
步骤306,将局部特征向量和全局特征向量进行拼接,生成融合特征向量。
本发明实施例中,获取了目标局部肿瘤图像之后,可以将每个目标局部肿瘤图像和对应的脑部医学图像分别输入至预训练分类网络进行特征提取,获取目标局部肿瘤图像对应的局部特征向量和脑部医学图像对应的全局特征向量。之后,将目标局部肿瘤图像的局部特征向量和对应脑部医学图像的全局特征向量在在通道维度上连接,得到融合特征向量。
步骤307,将融合特征向量输入至预训练分类网络中进行训练,并基于交叉熵损失函数和反向传播算法更新预训练分类网络的参数,以使交叉熵损失函数最小化。
步骤308,当更新参数后的预训练分类网络收敛时,确定预训练分类网络训练完成,生成经过训练后的分类网络。
本发明实施例中,获得融合特征向量之后,可以将融合特征向量输入至预训练分类网络中进行训练,并基于交叉熵损失函数和反向传播算法更新预训练分类网络的参数,以使交叉熵损失函数最小化。之后,判断更新参数后的预训练分类网络是否收敛,若收敛,则确定预训练分类网络训练完成,生成经过训练后的分类网络。
本实施例的基于半监督学习的脑部肿瘤识别模型的训练方法,通过利用第二训练样本集,对预训练检测网络进行训练生成经过训练后的检测网络,将多个精标数据输入至经过训练后的检测网络中,以获取经过训练后的检测网络对多个精标数据中肿瘤区域的预测结果,并根据预测结果从多个精标数据中提取出多个局部肿瘤图像,进而将每个目标局部肿瘤图像和对应的脑部医学图像分别输入至预训练分类网络进行特征提取,获取目标局部肿瘤图像的局部特征向量和脑部医学图像的全局特征向量,将局部特征向量和全局特征向量进行拼接生成融合特征向量,进而将融合特征向量输入至预训练分类网络中进行训练,并基于交叉熵损失函数和反向传播算法更新预训练分类网络的参数,以使交叉熵损失函数最小化,当更新参数后的预训练分类网络收敛时,确定预训练分类网络训练完成,生成经过训练后的分类网络。由此,通过先训练得到检测网络,再利用训练好的检测网络的输出训练分类网络,能够强化数据之间的特征差异,在一定程度上缓解数据的类内差距大、类间差距小的问题,并且,将局部特征向量和全局特征向量融合生成融合特征向量用于训练分类网络,实现了通过特征融合方式来加强肿瘤区域的特征对分类的影响,从而使得模型能够更关注肿瘤区域,进而实现肿瘤识别,最终模型的判别能力能够得到显著增强。
为了实现上述实施例,本发明还提出一种基于脑部肿瘤识别模型的脑部肿瘤识别方法。
图4为本发明一实施例提出的基于脑部肿瘤识别模型的脑部肿瘤识别方法的流程示意图,该方法可以由本发明提供的基于脑部肿瘤识别模型的脑部肿瘤识别装置执行,所述基于脑部肿瘤识别模型的脑部肿瘤识别装置可以应用于本发明提供的计算机设备中,所述计算机设备可以是服务器,也可以是台式电脑、笔记本电脑等电子设备。
如图4所示,该基于脑部肿瘤识别模型的脑部肿瘤识别方法,可以包括以下步骤:
步骤401,获取待识别的脑部医学图像。
其中,脑部医学图像可以是脑部CT图像。
步骤402,将脑部医学图像输入至脑部肿瘤识别模型的检测网络中,以获取脑部医学图像中的肿瘤潜在区域。
其中,本实施例的脑部肿瘤识别模型是通过前述实施例所述的基于半监督学习的脑部肿瘤识别模型的训练方法训练得到的,该脑部肿瘤识别模型包括检测网络和分类网络,检测网络和分类网络均是经过训练后的网络。该脑部肿瘤识别模型具有精度高、适用范围广、鲁棒性强等优点。
本实施例中,当需要对脑部医学图像进行检测以识别其中是否包含肿瘤区域时,可以将获取的该脑部医学图像先输入至脑部肿瘤识别模型的检测网络中,检测网络能够预测出输入的脑部医学图像中肿瘤所在的位置信息,因此,可以从检测网络获取脑部医学图像中的肿瘤潜在区域。比如,检测网络可以在脑部医学图像中用矩形框的形式将其中的肿瘤标记出来,矩形框所在的区域即为肿瘤潜在区域。
步骤403,将肿瘤潜在区域和脑部医学图像输入至脑部肿瘤识别模型的分类网络中,以获取脑部医学图像中包含肿瘤的预测概率。
本实施例中,获取了脑部医学图像中的肿瘤潜在区域之后,可以将该肿瘤潜在区域和该脑部医学图像一起输入至脑部肿瘤识别模型的分类网络中。分类网络对脑部医学图像和肿瘤潜在区域进行计算,分别提取脑部医学图像对应的全局特征向量和肿瘤潜在区域对应的局部图像的局部特征向量,进而将局部特征向量和全局特征向量进行融合后,将融合生成的融合特征向量输入至分类器中进行计算,得到脑部医学图像中包含肿瘤的预测概率。因此,本实施例中,可以从脑部肿瘤识别模型的分类网络中获取脑部医学图像中包含肿瘤的预测概率。
步骤404,当预测概率大于预设阈值时,确定脑部医学图像中包含肿瘤。
本实施例中,获取了脑部医学图像中包含肿瘤的预测概率之后,即可根据该预测概率判断该脑部医学图像中是否包含肿瘤。当预测概率大于预设阈值时,可以确定脑部医学图像中包含肿瘤。
其中,预设阈值可以预先设定,可以根据实际情况选择对应的分类阈值,比如设置预设阈值为0.5。
通常,在医学领域中,多采用阴性和阳性来表征某一项检测结果是否正常。因此作为一种示例,当分类网络输出的阳性预测概率大于预设阈值(比如0.5)时,可以确定脑部医学图像为阳性,即该脑部医学图像中包含肿瘤。
本实施例的基于脑部肿瘤识别模型的脑部肿瘤识别方法,通过获取待识别的脑部医学图像,将脑部医学图像输入至脑部肿瘤识别模型的检测网络中,以获取脑部医学图像中的肿瘤潜在区域,进而将肿瘤潜在区域和脑部医学图像输入至脑部肿瘤识别模型的分类网络中,以获取脑部医学图像中包含肿瘤的预测概率,当预测概率大于预设阈值时,确定脑部医学图像中包含肿瘤,由此,能够实现脑部肿瘤的自动识别,提高识别结果的准确性,实现了准确、鲁棒地脑部肿瘤自动识别。
为了实现上述实施例,本发明还提出了一种基于半监督学习的脑部肿瘤识别模型的训练装置。
图5为本发明一实施例提出的基于半监督学习的脑部肿瘤识别模型的训练装置的结构示意图,如图5所示,该基于半监督学习的脑部肿瘤识别模型的训练装置50包括:获取模块510、第一训练模块520、第二训练模块530和输出模块540。
其中,获取模块510,用于获取第一训练样本集和第二训练样本集,所述第一训练样本集中包括多个粗标数据和/或无标数据,所述第二训练样本集中包括多个精标数据,所述数据为脑部医学图像。
第一训练模块520,用于利用所述第一训练样本集,分别对所述检测网络和所述分类网络进行无监督学习,生成预训练检测网络和预训练分类网络。
在本发明实施例一种可能的实现方式中,第一训练模块520具体用于:
基于均匀分布对所述第一训练样本集进行随机采样,将所述第一训练样本集划分为多个样本子集,每个所述样本子集中包含预设个数的所述脑部医学图像;
从所述多个样本子集中选择一个所述样本子集分别输入至所述检测网络和所述分类网络中,以使所述检测网络和所述分类网络分别对所述脑部医学图像进行特征提取,并基于对比损失函数对提取的特征进行无监督学习,生成所述预训练检测网络和所述预训练分类网络。
第二训练模块530,用于利用所述第二训练样本集,对所述预训练检测网络和所述预训练分类网络进行训练,生成经过训练后的检测网络和经过训练后的分类网络。
在本发明实施例一种可能的实现方式中,第二训练模块530具体用于:
利用所述第二训练样本集,对所述预训练检测网络进行训练,生成经过训练后的检测网络;
将所述多个精标数据输入至所述经过训练后的检测网络中,以获取所述经过训练后的检测网络对所述多个精标数据中肿瘤区域的预测结果;
根据所述预测结果,从所述多个精标数据中提取出多个局部肿瘤图像;
对所述多个局部肿瘤图像进行大小调整,生成多个目标局部肿瘤图像;
将每个所述目标局部肿瘤图像和对应的所述脑部医学图像分别输入至所述预训练分类网络进行特征提取,获取所述目标局部肿瘤图像的局部特征向量和所述脑部医学图像的全局特征向量;
将所述局部特征向量和所述全局特征向量进行拼接,生成融合特征向量;
将所述融合特征向量输入至所述预训练分类网络中进行训练,并基于交叉熵损失函数和反向传播算法更新所述预训练分类网络的参数,以使所述交叉熵损失函数最小化;
当更新参数后的所述预训练分类网络收敛时,确定所述预训练分类网络训练完成,生成所述经过训练后的分类网络。
输出模块540,用于输出经过训练后的脑部肿瘤识别模型,所述经过训练后的脑部肿瘤识别模型包括所述经过训练后的检测网络和所述经过训练后的分类网络。
需要说明的是,前述对基于半监督学习的脑部肿瘤识别模型的训练方法实施例的解释说明也适用于本实施例的基于半监督学习的脑部肿瘤识别模型的训练装置,其实现原理类似,此处不再赘述。
本发明实施例的基于半监督学习的脑部肿瘤识别模型的训练装置,通过获取包括多个粗标数据和/或无标数据的第一训练样本集和包括多个精标数据的第二训练样本集,利用第一训练样本集分别对检测网络和分类网络进行无监督学习,生成预训练检测网络和预训练分类网络,接着利用第二训练样本集对预训练检测网络和预训练分类网络进行训练,生成经过训练后的检测网络和经过训练后的分类网络,从而得到经过训练后的脑部肿瘤识别模型并输出。由此,实现了通过半监督学习训练得到脑部肿瘤识别模型,在训练过程中充分考虑了精标数据与粗标数据,从而实现了更加有效地特征抽取和更准确分类,从而训练出判别能力与泛化能力更强的模型。
为了实现上述实施例,本发明还提出一种基于脑部肿瘤识别模型的脑部肿瘤识别装置。
图6为本发明一实施例提出的基于脑部肿瘤识别模型的脑部肿瘤识别装置的结构示意图,其中,本实施例的脑部肿瘤识别模型通过前述实施例所述的基于半监督学习的脑部肿瘤识别模型的训练方法训练得到,所述脑部肿瘤识别模型包括检测网络和分类网络。如图6所示,该基于脑部肿瘤识别模型的脑部肿瘤识别装置60包括:图像获取模块610、第一输入模块620、第二输入模块630和确定模块640。
其中,图像获取模块610,用于获取待识别的脑部医学图像。
第一输入模块620,用于将所述脑部医学图像输入至所述脑部肿瘤识别模型的所述检测网络中,以获取所述脑部医学图像中的肿瘤潜在区域。
第二输入模块630,用于将所述肿瘤潜在区域和所述脑部医学图像输入至所述脑部肿瘤识别模型的所述分类网络中,以获取所述脑部医学图像中包含肿瘤的预测概率。
确定模块640,用于当所述预测概率大于预设阈值时,确定所述脑部医学图像中包含肿瘤。
需要说明的是,前述对基于脑部肿瘤识别模型的脑部肿瘤识别方法实施例的解释说明也适用于本实施例的基于脑部肿瘤识别模型的脑部肿瘤识别装置,其实现原理类似,此处不再赘述。
本实施例的基于脑部肿瘤识别模型的脑部肿瘤识别装置,通过获取待识别的脑部医学图像,将脑部医学图像输入至脑部肿瘤识别模型的检测网络中,以获取脑部医学图像中的肿瘤潜在区域,进而将肿瘤潜在区域和脑部医学图像输入至脑部肿瘤识别模型的分类网络中,以获取脑部医学图像中包含肿瘤的预测概率,当预测概率大于预设阈值时,确定脑部医学图像中包含肿瘤,由此,能够实现脑部肿瘤的自动识别,提高识别结果的准确性,实现了准确、鲁棒地脑部肿瘤自动识别。
为了实现上述实施例,本发明还提出一种计算机设备,包括处理器、存储器和存储在所述存储器上并可在所述处理器上运行的计算机程序,当所述计算机程序被所述处理器执行时,实现如前述实施例所述的基于半监督学习的脑部肿瘤识别模型的训练方法,或者,实现如前述实施例所述的基于脑部肿瘤识别模型的脑部肿瘤识别方法。
为了实现上述实施例,本发明还提出一种非临时性计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被处理器执行时,实现如前述实施例所述的基于半监督学习的脑部肿瘤识别模型的训练方法,或者,实现如前述实施例所述的基于脑部肿瘤识别模型的脑部肿瘤识别方法。
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申请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须针对的是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。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于半监督学习的脑部肿瘤识别模型的训练方法,其特征在于,所述脑部肿瘤识别模型包括检测网络和分类网络,所述方法包括:
获取第一训练样本集和第二训练样本集,所述第一训练样本集中包括多个粗标数据和/或无标数据,所述第二训练样本集中包括多个精标数据,所述数据为脑部医学图像;
利用所述第一训练样本集,分别对所述检测网络和所述分类网络进行无监督学习,生成预训练检测网络和预训练分类网络;
利用所述第二训练样本集,对所述预训练检测网络和所述预训练分类网络进行训练,生成经过训练后的检测网络和经过训练后的分类网络;
输出经过训练后的脑部肿瘤识别模型,所述经过训练后的脑部肿瘤识别模型包括所述经过训练后的检测网络和所述经过训练后的分类网络。
2.根据权利要求1所述的方法,其特征在于,所述利用所述第一训练样本集,分别对所述检测网络和所述分类网络进行无监督学习,生成预训练检测网络和预训练分类网络,包括:
基于均匀分布对所述第一训练样本集进行随机采样,将所述第一训练样本集划分为多个样本子集,每个所述样本子集中包含预设个数的所述脑部医学图像;
从所述多个样本子集中选择一个所述样本子集分别输入至所述检测网络和所述分类网络中,以使所述检测网络和所述分类网络分别对所述脑部医学图像进行特征提取,并基于对比损失函数对提取的特征进行无监督学习,生成所述预训练检测网络和所述预训练分类网络。
3.根据权利要求1所述的方法,其特征在于,所述利用所述第二训练样本集,对所述预训练检测网络和所述预训练分类网络进行训练,生成经过训练后的检测网络和经过训练后的分类网络,包括:
利用所述第二训练样本集,对所述预训练检测网络进行训练,生成经过训练后的检测网络;
将所述多个精标数据输入至所述经过训练后的检测网络中,以获取所述经过训练后的检测网络对所述多个精标数据中肿瘤区域的预测结果;
根据所述预测结果,从所述多个精标数据中提取出多个局部肿瘤图像;
对所述多个局部肿瘤图像进行大小调整,生成多个目标局部肿瘤图像;
将每个所述目标局部肿瘤图像和对应的所述脑部医学图像分别输入至所述预训练分类网络进行特征提取,获取所述目标局部肿瘤图像的局部特征向量和所述脑部医学图像的全局特征向量;
将所述局部特征向量和所述全局特征向量进行拼接,生成融合特征向量;
将所述融合特征向量输入至所述预训练分类网络中进行训练,并基于交叉熵损失函数和反向传播算法更新所述预训练分类网络的参数,以使所述交叉熵损失函数最小化;
当更新参数后的所述预训练分类网络收敛时,确定所述预训练分类网络训练完成,生成所述经过训练后的分类网络。
4.一种基于脑部肿瘤识别模型的脑部肿瘤识别方法,其特征在于,所述脑部肿瘤识别模型通过如权利要求1-3任一所述的基于半监督学习的脑部肿瘤识别模型的训练方法训练得到,所述脑部肿瘤识别模型包括检测网络和分类网络,所述方法包括:
获取待识别的脑部医学图像;
将所述脑部医学图像输入至所述脑部肿瘤识别模型的所述检测网络中,以获取所述脑部医学图像中的肿瘤潜在区域;
将所述肿瘤潜在区域和所述脑部医学图像输入至所述脑部肿瘤识别模型的所述分类网络中,以获取所述脑部医学图像中包含肿瘤的预测概率;
当所述预测概率大于预设阈值时,确定所述脑部医学图像中包含肿瘤。
5.一种基于半监督学习的脑部肿瘤识别模型的训练装置,其特征在于,所述脑部肿瘤识别模型包括检测网络和分类网络,所述装置包括:
获取模块,用于获取第一训练样本集和第二训练样本集,所述第一训练样本集中包括多个粗标数据和/或无标数据,所述第二训练样本集中包括多个精标数据,所述数据为脑部医学图像;
第一训练模块,用于利用所述第一训练样本集,分别对所述检测网络和所述分类网络进行无监督学习,生成预训练检测网络和预训练分类网络;
第二训练模块,用于利用所述第二训练样本集,对所述预训练检测网络和所述预训练分类网络进行训练,生成经过训练后的检测网络和经过训练后的分类网络;
输出模块,用于输出经过训练后的脑部肿瘤识别模型,所述经过训练后的脑部肿瘤识别模型包括所述经过训练后的检测网络和所述经过训练后的分类网络。
6.根据权利要求5所述的装置,其特征在于,所述第一训练模块,具体用于:
基于均匀分布对所述第一训练样本集进行随机采样,将所述第一训练样本集划分为多个样本子集,每个所述样本子集中包含预设个数的所述脑部医学图像;
从所述多个样本子集中选择一个所述样本子集分别输入至所述检测网络和所述分类网络中,以使所述检测网络和所述分类网络分别对所述脑部医学图像进行特征提取,并基于对比损失函数对提取的特征进行无监督学习,生成所述预训练检测网络和所述预训练分类网络。
7.根据权利要求5所述的装置,其特征在于,所述第二训练模块,具体用于:
利用所述第二训练样本集,对所述预训练检测网络进行训练,生成经过训练后的检测网络;
将所述多个精标数据输入至所述经过训练后的检测网络中,以获取所述经过训练后的检测网络对所述多个精标数据中肿瘤区域的预测结果;
根据所述预测结果,从所述多个精标数据中提取出多个局部肿瘤图像;
对所述多个局部肿瘤图像进行大小调整,生成多个目标局部肿瘤图像;
将每个所述目标局部肿瘤图像和对应的所述脑部医学图像分别输入至所述预训练分类网络进行特征提取,获取所述目标局部肿瘤图像的局部特征向量和所述脑部医学图像的全局特征向量;
将所述局部特征向量和所述全局特征向量进行拼接,生成融合特征向量;
将所述融合特征向量输入至所述预训练分类网络中进行训练,并基于交叉熵损失函数和反向传播算法更新所述预训练分类网络的参数,以使所述交叉熵损失函数最小化;
当更新参数后的所述预训练分类网络收敛时,确定所述预训练分类网络训练完成,生成所述经过训练后的分类网络。
8.一种基于脑部肿瘤识别模型的脑部肿瘤识别装置,其特征在于,所述脑部肿瘤识别模型通过如权利要求1-3任一所述的基于半监督学习的脑部肿瘤识别模型的训练方法训练得到,所述脑部肿瘤识别模型包括检测网络和分类网络,所述装置包括:
图像获取模块,用于获取待识别的脑部医学图像;
第一输入模块,用于将所述脑部医学图像输入至所述脑部肿瘤识别模型的所述检测网络中,以获取所述脑部医学图像中的肿瘤潜在区域;
第二输入模块,用于将所述肿瘤潜在区域和所述脑部医学图像输入至所述脑部肿瘤识别模型的所述分类网络中,以获取所述脑部医学图像中包含肿瘤的预测概率;
确定模块,用于当所述预测概率大于预设阈值时,确定所述脑部医学图像中包含肿瘤。
9.一种计算机设备,其特征在于,包括处理器、存储器和存储在所述存储器上并可在所述处理器上运行的计算机程序,当所述计算机程序被所述处理器执行时,实现如权利要求1-3任一项所述的基于半监督学习的脑部肿瘤识别模型的训练方法,或者,实现如权利要求4所述的基于脑部肿瘤识别模型的脑部肿瘤识别方法。
10.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,当所述计算机程序被处理器执行时,实现如权利要求1-3任一项所述的基于半监督学习的脑部肿瘤识别模型的训练方法,或者,实现如权利要求4所述的基于脑部肿瘤识别模型的脑部肿瘤识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010794964.3A CN112102237A (zh) | 2020-08-10 | 2020-08-10 | 基于半监督学习的脑部肿瘤识别模型的训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010794964.3A CN112102237A (zh) | 2020-08-10 | 2020-08-10 | 基于半监督学习的脑部肿瘤识别模型的训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112102237A true CN112102237A (zh) | 2020-12-18 |
Family
ID=73753056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010794964.3A Pending CN112102237A (zh) | 2020-08-10 | 2020-08-10 | 基于半监督学习的脑部肿瘤识别模型的训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112102237A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668492A (zh) * | 2020-12-30 | 2021-04-16 | 中山大学 | 一种自监督学习与骨骼信息的行为识别方法 |
CN113160243A (zh) * | 2021-03-24 | 2021-07-23 | 联想(北京)有限公司 | 一种图像分割方法及电子设备 |
CN113298065A (zh) * | 2021-05-13 | 2021-08-24 | 杭州电子科技大学 | 基于自监督学习的眼部黑色素肿瘤识别方法 |
CN113470828A (zh) * | 2021-06-30 | 2021-10-01 | 上海商汤智能科技有限公司 | 分类方法及装置、电子设备和存储介质 |
CN113657143A (zh) * | 2021-06-25 | 2021-11-16 | 中国计量大学 | 一种基于分类和检测联合判决的垃圾分类方法 |
CN113793347A (zh) * | 2021-09-18 | 2021-12-14 | 福建师范大学 | 基于局部-全局自适应信息学习的脑肿瘤mr图像分割方法 |
CN114005073A (zh) * | 2021-12-24 | 2022-02-01 | 东莞理工学院 | 上肢镜像康复训练、识别方法和装置 |
CN114299304A (zh) * | 2021-12-15 | 2022-04-08 | 腾讯科技(深圳)有限公司 | 一种图像处理方法及相关设备 |
CN116342859A (zh) * | 2023-05-30 | 2023-06-27 | 安徽医科大学第一附属医院 | 一种基于影像学特征识别肺部肿瘤区域的方法及*** |
CN116385809A (zh) * | 2023-06-05 | 2023-07-04 | 山东第一医科大学附属省立医院(山东省立医院) | 一种基于半监督学习的mri脑肿瘤分类方法及*** |
CN116524339A (zh) * | 2023-07-05 | 2023-08-01 | 宁德时代新能源科技股份有限公司 | 目标检测方法、装置、计算机设备、存储介质和程序产品 |
CN116523914A (zh) * | 2023-07-03 | 2023-08-01 | 智慧眼科技股份有限公司 | 一种动脉瘤分类识别装置、方法、设备、存储介质 |
CN116740714A (zh) * | 2023-06-12 | 2023-09-12 | 北京长木谷医疗科技股份有限公司 | 一种基于无监督学习的髋关节疾病智能自标注方法及装置 |
CN117152138A (zh) * | 2023-10-30 | 2023-12-01 | 陕西惠宾电子科技有限公司 | 一种基于无监督学习的医学图像肿瘤目标检测方法 |
CN117352120A (zh) * | 2023-06-05 | 2024-01-05 | 北京长木谷医疗科技股份有限公司 | 基于gpt的膝关节病变诊断智能自生成方法、装置及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017207138A1 (en) * | 2016-05-31 | 2017-12-07 | Siemens Healthcare Gmbh | Method of training a deep neural network |
CN111080596A (zh) * | 2019-12-11 | 2020-04-28 | 浙江工业大学 | 一种融合局部阴影与全局特征的尘肺病辅助筛查方法及*** |
-
2020
- 2020-08-10 CN CN202010794964.3A patent/CN112102237A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017207138A1 (en) * | 2016-05-31 | 2017-12-07 | Siemens Healthcare Gmbh | Method of training a deep neural network |
CN111080596A (zh) * | 2019-12-11 | 2020-04-28 | 浙江工业大学 | 一种融合局部阴影与全局特征的尘肺病辅助筛查方法及*** |
Non-Patent Citations (3)
Title |
---|
杨健 等: "基于集成DBN的肺部肿瘤计算机辅助诊断模型研究", 《现代电子技术》 * |
贾文娟: "基于深度学习的MRI病脑图像多分类方法研究", 《中国优秀硕士学位论文全文数据库》 * |
韩光辉 等: "肺部CT图像病变区域检测方法", 《自动化学报》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668492B (zh) * | 2020-12-30 | 2023-06-20 | 中山大学 | 一种自监督学习与骨骼信息的行为识别方法 |
CN112668492A (zh) * | 2020-12-30 | 2021-04-16 | 中山大学 | 一种自监督学习与骨骼信息的行为识别方法 |
CN113160243A (zh) * | 2021-03-24 | 2021-07-23 | 联想(北京)有限公司 | 一种图像分割方法及电子设备 |
CN113298065A (zh) * | 2021-05-13 | 2021-08-24 | 杭州电子科技大学 | 基于自监督学习的眼部黑色素肿瘤识别方法 |
CN113298065B (zh) * | 2021-05-13 | 2024-06-11 | 杭州电子科技大学 | 基于自监督学习的眼部黑色素肿瘤识别方法 |
CN113657143A (zh) * | 2021-06-25 | 2021-11-16 | 中国计量大学 | 一种基于分类和检测联合判决的垃圾分类方法 |
CN113657143B (zh) * | 2021-06-25 | 2023-06-23 | 中国计量大学 | 一种基于分类和检测联合判决的垃圾分类方法 |
CN113470828A (zh) * | 2021-06-30 | 2021-10-01 | 上海商汤智能科技有限公司 | 分类方法及装置、电子设备和存储介质 |
CN113793347B (zh) * | 2021-09-18 | 2023-05-09 | 福建师范大学 | 基于局部-全局自适应信息学习的脑肿瘤mr图像分割方法 |
CN113793347A (zh) * | 2021-09-18 | 2021-12-14 | 福建师范大学 | 基于局部-全局自适应信息学习的脑肿瘤mr图像分割方法 |
CN114299304A (zh) * | 2021-12-15 | 2022-04-08 | 腾讯科技(深圳)有限公司 | 一种图像处理方法及相关设备 |
CN114299304B (zh) * | 2021-12-15 | 2024-04-12 | 腾讯科技(深圳)有限公司 | 一种图像处理方法及相关设备 |
CN114005073A (zh) * | 2021-12-24 | 2022-02-01 | 东莞理工学院 | 上肢镜像康复训练、识别方法和装置 |
CN116342859A (zh) * | 2023-05-30 | 2023-06-27 | 安徽医科大学第一附属医院 | 一种基于影像学特征识别肺部肿瘤区域的方法及*** |
CN116342859B (zh) * | 2023-05-30 | 2023-08-18 | 安徽医科大学第一附属医院 | 一种基于影像学特征识别肺部肿瘤区域的方法及*** |
CN116385809A (zh) * | 2023-06-05 | 2023-07-04 | 山东第一医科大学附属省立医院(山东省立医院) | 一种基于半监督学习的mri脑肿瘤分类方法及*** |
CN117352120A (zh) * | 2023-06-05 | 2024-01-05 | 北京长木谷医疗科技股份有限公司 | 基于gpt的膝关节病变诊断智能自生成方法、装置及设备 |
CN117352120B (zh) * | 2023-06-05 | 2024-06-11 | 北京长木谷医疗科技股份有限公司 | 基于gpt的膝关节病变诊断智能自生成方法、装置及设备 |
CN116740714A (zh) * | 2023-06-12 | 2023-09-12 | 北京长木谷医疗科技股份有限公司 | 一种基于无监督学习的髋关节疾病智能自标注方法及装置 |
CN116740714B (zh) * | 2023-06-12 | 2024-02-09 | 北京长木谷医疗科技股份有限公司 | 一种基于无监督学习的髋关节疾病智能自标注方法及装置 |
CN116523914B (zh) * | 2023-07-03 | 2023-09-19 | 智慧眼科技股份有限公司 | 一种动脉瘤分类识别装置、方法、设备、存储介质 |
CN116523914A (zh) * | 2023-07-03 | 2023-08-01 | 智慧眼科技股份有限公司 | 一种动脉瘤分类识别装置、方法、设备、存储介质 |
CN116524339B (zh) * | 2023-07-05 | 2023-10-13 | 宁德时代新能源科技股份有限公司 | 目标检测方法、装置、计算机设备、存储介质和程序产品 |
CN116524339A (zh) * | 2023-07-05 | 2023-08-01 | 宁德时代新能源科技股份有限公司 | 目标检测方法、装置、计算机设备、存储介质和程序产品 |
CN117152138A (zh) * | 2023-10-30 | 2023-12-01 | 陕西惠宾电子科技有限公司 | 一种基于无监督学习的医学图像肿瘤目标检测方法 |
CN117152138B (zh) * | 2023-10-30 | 2024-01-16 | 陕西惠宾电子科技有限公司 | 一种基于无监督学习的医学图像肿瘤目标检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112102237A (zh) | 基于半监督学习的脑部肿瘤识别模型的训练方法及装置 | |
CN110689038B (zh) | 神经网络模型的训练方法、装置和医学图像处理*** | |
CN109741346B (zh) | 感兴趣区域提取方法、装置、设备及存储介质 | |
US11593943B2 (en) | RECIST assessment of tumour progression | |
US11610313B2 (en) | Systems and methods for generating normative imaging data for medical image processing using deep learning | |
US10810735B2 (en) | Method and apparatus for analyzing medical image | |
EP3989119A1 (en) | Detection model training method and apparatus, computer device, and storage medium | |
CN112102266B (zh) | 基于注意力机制的脑梗死医学影像分类模型的训练方法 | |
Zhou et al. | Salient region detection via integrating diffusion-based compactness and local contrast | |
CN107480677B (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
CN110796199B (zh) | 一种图像处理方法、装置以及电子医疗设备 | |
Viji et al. | RETRACTED ARTICLE: An improved approach for automatic spine canal segmentation using probabilistic boosting tree (PBT) with fuzzy support vector machine | |
CN110796659B (zh) | 一种目标检测结果的鉴别方法、装置、设备及存储介质 | |
CN111192660B (zh) | 一种影像报告分析方法、设备及计算机存储介质 | |
WO2019128460A1 (zh) | 图像显著性检测方法和装置 | |
CN113743463B (zh) | 一种基于影像数据和深度学习的肿瘤良恶性识别方法和*** | |
Ma et al. | Combining population and patient-specific characteristics for prostate segmentation on 3D CT images | |
CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
CN113160199B (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
EP4168931A1 (en) | Domain aware medical image classifier interpretation by counterfactual impact analysis | |
CN111598144B (zh) | 图像识别模型的训练方法和装置 | |
CN113222989A (zh) | 一种图像分级方法、装置、存储介质及电子设备 | |
CN113962957A (zh) | 医学图像处理方法、骨骼图像处理方法、装置、设备 | |
Judice et al. | A novel assessment of various bio-imaging methods for lung tumor detection and treatment by using 4-D and 2-D CT images | |
CN114170415A (zh) | 基于组织病理图像深度域适应的tmb分类方法及*** |
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: 20201218 |
|
RJ01 | Rejection of invention patent application after publication |