CN112288686B - 一种模型训练方法、装置、电子设备和存储介质 - Google Patents

一种模型训练方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN112288686B
CN112288686B CN202010743132.9A CN202010743132A CN112288686B CN 112288686 B CN112288686 B CN 112288686B CN 202010743132 A CN202010743132 A CN 202010743132A CN 112288686 B CN112288686 B CN 112288686B
Authority
CN
China
Prior art keywords
medical image
medical images
medical
training
images
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
CN202010743132.9A
Other languages
English (en)
Other versions
CN112288686A (zh
Inventor
柯晓文
权申文
刘远明
范紫薇
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.)
Shenzhen Zhiying Medical Technology Co ltd
Original Assignee
Shenzhen Zhiying 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 Shenzhen Zhiying Medical Technology Co ltd filed Critical Shenzhen Zhiying Medical Technology Co ltd
Priority to CN202010743132.9A priority Critical patent/CN112288686B/zh
Publication of CN112288686A publication Critical patent/CN112288686A/zh
Application granted granted Critical
Publication of CN112288686B publication Critical patent/CN112288686B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请实施例涉及一种模型训练方法、装置、电子设备和存储介质，该方法按照病灶组织面积的大小，将训练集合进行划分得到多个集合，根据多个集合，分别训练得到多个深度卷积网络模型；用相同的测试集合测试多个深度卷积网络模型得到多个结果，在多个结果的差值的阈值大于预设阈值的情况下，才将多个深度卷积网络模型进行并联融合，得到灵敏度可调节的目标模型，方便用户根据具体使用场景和个人偏好调节目标模型的灵敏度，解决了目前因为模型单一，难以满足医生使用需求的问题。

Description

一种模型训练方法、装置、电子设备和存储介质
技术领域
本申请实施例涉及领域，具体涉及一种模型训练方法、装置、电子设备和存储介质。
背景技术
目前，在医学成像中，疾病的准确诊断和评估取决于医学图像的采集和图像解释。近年来，图像采集已经得到了显着改善，设备以更快的速率和更高的分辨率采集数据。然而，图像解释过程，最近才开始受益于计算机技术。而对医学图像的解释大多数都是由医生进行的，然而医学图像解释受到医生主观性、医生巨大差异认知和疲劳的限制。
计算机医学图像处理技术作为新兴的一种医生诊断的辅助手段，但是单一的深度卷积神经网络往往由于医生的主观性、认知差异、疲劳和应用场景的不同，很难达到医生的使用需求。
发明内容
为了解决现有技术存在的至少一个问题，本申请的至少一个实施例提供了一种模型训练方法、装置、电子设备和存储介质。
第一方面，本申请实施例提供了一种模型训练方法，包括：
获取医学影像训练集合和医学影像测试集合，所述医学影像训练集合包括N张医学影像，所述医学影像测试集合包括至少一张医学影像，且所述医学影像训练集合和所述医学影像测试集合包括不同的医学影像，N大于零；
根据所述N张医学影像中每一张医学影像的病灶组织面积，将所述N张医学影像划分为M个集合，M大于或等于2；
根据所述M个集合，分别训练得到对应的M个深度卷积网络模型；
通过所述M个深度卷积网络模型，分别测试所述医学影像测试集合的医学影像，得到M个测试结果；
当所述M个测试结果的任意两个测试结果的差值大于或等于预设阈值时，将所述M个深度卷积网络模型并联融合，得到目标模型，所述目标模型用于确定医学影像病灶组织的性质。
应理解，该方法按照病灶组织面积的大小，将训练集合进行划分得到多个集合，根据多个集合，分别训练得到多个深度卷积网络模型；通过用相同的测试集合测试多个深度卷积网络模型得到多个结果，在多个结果的差值的阈值大于预设阈值的情况下，才将多个深度卷积网络模型进行并联融合，得到灵敏度可调节的目标模型，方便用户根据具体使用场景和个人偏好调节目标模型的灵敏度，解决了目前因为模型单一，难以满足医生使用需求的问题。
在一些实施例中，所述根据所述N张医学影像中每一张医学影像的病灶组织面积，将所述N张医学影像划分为M个集合，包括：
根据所述N张医学影像中每一张医学影像的病灶组织面积与所述医学影像的面积比值，确定第一阈值集合，所述第一阈值集合包括至少一个阈值；
根据所述第一阈值集合，将所述N张医学影像划分为M个集合。
应理解，本申请实施例中通过N张医学影像中每一张医学影像的病灶组织面积与所述医学影像的面积比值，将N张医学影像划分为M个集合。
在一些实施例中，当所述M个测试结果的任意两个测试结果的差值小于所述预设阈值时，包括：
根据所述N张医学影像中每一张医学影像的病灶组织面积与所述医学影像的面积比值，确定第二阈值集合，所述第二阈值集合包括至少一个阈值；
根据所述第二阈值集合，将所述N张医学影像划分为L个集合根据所述L个集合，分别训练得到对应的L个深度卷积网络模型；L大于或等于2；
通过所述L个深度卷积网络模型，分别测试所述医学影像测试集合的所述医学影像测试集合的医学影像，得到L个测试结果；
直到所述L个测试结果的任意两个测试结果的差值大于或等于所述预设阈值时，将所述L个深度卷积网络模型并联融合，得到目标模型。
应理解，当测试集合测试M个集合对应的深度卷积网络模型的灵敏度差别不明显时，根据N张医学影像中每一张医学影像的病灶组织面积与所述医学影像的面积比值重新划分得到L个集合，直到测试集合测试L个集合对应的深度卷积网络模型的灵敏度差别明显时，将深度卷积网络模型并联融合，得到目标模型。
在一些实施例中，所述方法还包括：
将待预测的医学影像输入至所述目标模型之前，对所述待预测的医学影像进行前处理得到K个对比度不同的图像。
应理解，本申请中对医学影像进行K次前处理就是为了排除偶然性，提高鲁棒性。
在一些实施例中，所述方法还包括：
将所述K个对比度不同的图像依次输入所述目标模型后，得到K个结果；
当所述K个结果的平均值大于第二预设阈值时，所述待预测的医学影像病灶组织的性质为阳性；
当所述K个结果的平均值小于所述第二预设阈值时，所述待预测的医学影像病灶组织的性质为阴性。
应理解，本申请中通过K个结果的平均值确定医学影像病灶组织的性质，提高了确定医学影像病灶组织的性质的准确率。
第二方面，本申请实施例还提供了一种模型训练装置，包括：
获取模块：用于获取医学影像训练集合和医学影像测试集合，所述医学影像训练集合包括N张医学影像，所述医学影像测试集合包括至少一张医学影像，且所述医学影像训练集合和所述医学影像测试集合包括不同的医学影像，N大于零；
划分模块：用于根据所述N张医学影像中每一张医学影像的病灶组织面积，将所述N张医学影像划分为M个集合，M大于或等于2；
训练模块：用于根据所述M个集合，分别训练得到对应的M个深度卷积网络模型；
测试模块：用于通过所述M个深度卷积网络模型，分别测试所述医学影像测试集合的医学影像，得到M个测试结果；
并联融合模块：用于当所述M个测试结果的任意两个测试结果的差值大于或等于预设阈值时，将所述M个深度卷积网络模型并联融合，得到目标模型，所述目标模型用于确定医学影像病灶组织的性质。
应理解，该装置的划分模块按照病灶组织面积的大小，将训练集合进行划分得到多个集合，训练模块根据多个集合，分别训练得到多个深度卷积网络模型；测试模块通过用相同的测试集合测试多个深度卷积网络模型得到多个结果，并联融合模块在多个结果的差值的阈值大于预设阈值的情况下，才将多个深度卷积网络模型进行并联融合，得到灵敏度可调节的目标模型，方便用户根据具体使用场景和个人偏好调节目标模型的灵敏度，解决了目前因为模型单一，难以满足医生使用需求的问题。
上述实施例中，所述划分模块还用于：
根据所述N张医学影像中每一张医学影像的病灶组织面积与所述医学影像的面积比值，确定第一阈值集合，所述第一阈值集合包括至少一个阈值；
根据所述第一阈值集合，将所述N张医学影像划分为M个集合。
应理解，本申请实施例中通过N张医学影像中每一张医学影像的病灶组织面积与所述医学影像的面积比值，将N张医学影像划分为M个集合。
第三方面，本申请实施例提供了一种电子设备，包括：处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行如上所述的模型训练方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述非暂态计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如上所述的模型训练方法的步骤。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种模型训练方法示意图；
图2是本申请实施例提供的面积比曲线示意图；
图3是本申请实施例提供的又一种模型训练方法示意图；
图4是本申请实施例提供的一种模型训练装置示意图；
图5是本申请实施例提供的一种电子设备的框图。
具体实施方式
为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本公开，而非对本申请的限定。基于所描述的本申请的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕对异常路面信息提示进行描述，但是应该理解，这仅是一个示例性实施例。
目前，在医学成像中，疾病的准确诊断和评估取决于医学图像的采集和图像解释。近年来，图像采集已经得到了显着改善，设备以更快的速率和更高的分辨率采集数据。然而，图像解释过程，最近才开始受益于计算机技术。而对医学图像的解释大多数都是由医生进行的，然而医学图像解释受到医生主观性、医生巨大差异认知和疲劳的限制。
计算机医学图像处理技术作为新兴的一种医生诊断的辅助手段，但是单一的深度卷积神经网络往往由于医生的主观性、认知差异、疲劳和应用场景的不同，很难达到医生的使用需求。
鉴于此，针对现有技术中深度卷积神经网络单一的问题，本申请实施例提供一种模型训练方法、装置、电子设备和存储介质。
图1是本申请实施例提供的一种模型训练方法示意图；
图2是本申请实施例提供的面积比曲线示意图；
针对现有技术存在的至少一个问题，第一方面，本申请实施例提供一种模型训练方法可以包括如下五个步骤101、102、103、104和105：
101：获取医学影像训练集合和医学影像测试集合，所述医学影像训练集合包括N张医学影像，所述医学影像测试集合包括至少一张医学影像，且所述医学影像训练集合和所述医学影像测试集合包括不同的医学影像，N大于零；
具体的，本申请实施例中的医学影像训练集合和医学影像测试集合，可以是两个集合共包括10000张医学影像，随机抽出10000张医学影像中的90％，即9000张医学影像作为训练集合，上文中的N张医学影像就是这里的9000张医学影像，剩余的1000张医学影像作为测试集合。
应理解，上述例子中的具体数字不做限定，具体应用中也可以是100000张医学影像中的80％作为训练集合，100000张医学影像中的20％作为测试集合；也可以是100000张医学影像中的95％作为训练集合，100000张医学影像中的5％作为测试集合，训练集合的医学影像张数和测试集合的医学影像张数可以根据实际情况进行获取。
102：根据所述N张医学影像中每一张医学影像的病灶组织面积，将所述N张医学影像划分为M个集合，M大于或等于2；
具体的，本申请实施例中按照N张医学影像中的每一张医学影像中的病灶面积的大小，将N张医学影像划分为M个集合。示例性的，M可以为2、3等，本申请实施例对M的取值不作限定。下面以M＝3为例，将N张医学影像划分为3个集合介绍该实现过程。
一种可能的实现方式中，在将N张医学影像划分为3个集合的过程中，可以根据N张医学影像中每一张医学影像的病灶组织面积与医学影像的面积比值，确定第一阈值集合，第一阈值集合包括至少一个阈值；根据第一阈值集合，将N张医学影像划分为M个集合。
具体的，将N张医学影像中的每一张的病灶组织使用工具标签labelme进行标注，确定每一张医学影像的病灶组织面积A1和医学影像的面积A2；计算每一张病灶组织面积A1和所述医学影像的面积A2比A1/A2；得到N个面积比值R1＝A1/A2；根据N个面积比值绘制面积比曲线图2。其中，图2中的横坐标表示每个面积比值与采样间隔之比，纵坐标表示医学影像的数量。
绘制图2时，若求得比值R1的范围为[0,0.3]，横坐标为R1/dr的整数部分，dr为采样间隔，在[0,0.3]的范围内取20个采样点，所以采样间隔就是dr＝0.3/20＝0.015。
图2是一个泊松分布的示意图，应理解，自然界中大部分的数据特征大致符合泊松分布。假设p表示所述面积比曲线峰值横坐标，如上图所示p＝1。通过两个阈值p/2和3p/2确定三个集合，第一阈值集合分别是【0，p/2】，【p/2，3p/2】和【3p/2，+∞】。
应理解，第一阈值集合【0，p/2】对应的是医学影像中病灶绝对面积比较大的数据，第一阈值集合【3p/2，+∞】对应的医学影像中病灶绝对面积比较小的数据。
取A1/A2的比值满足第一阈值集合【0，p/2】的医学图像为第一训练集合；
取A1/A2的比值满足第一阈值集合【p/2，3p/2】的医学图像为第二训练集合；
取A1/A2的比值满足第一阈值集合【3p/2，+∞】的医学图像为第三训练集合。
103：根据所述M个集合，分别训练得到对应的M个深度卷积网络模型。
具体的，本申请实施例中，根据步骤102中划分的3个训练集合分别训练3个不同的模型。
根据第一训练集合训练得到第一深度卷积神经网络模型M1；根据第二训练集训练得到第二深度卷积神经网络模型M2；根据第三训练集训练得到第三深度卷积神经网络模型M3。
应理解，根据医学图像数据特征面积大小与特征信息量成正比的关系，也就是病灶组织面积越大，其特征就越明显，所以以第一训练集合训练的深度卷积神经网络M1比第三训练集合训练的深度卷积神经网络M3灵敏。
104：通过所述M个深度卷积网络模型，分别测试所述医学影像测试集合的医学影像，得到M个测试结果。
具体的，本申请实施例中通过测试集测试第一深度卷积神经网络模型M1、第二深度卷积神经网络模型M2和第三深度卷积神经网络模型M3得到M个测试结果,这里的测试结果是医学影像的阳性检出结果。
可以理解的是，三个模型得到三个结果：如测试集中包括100张图像，将100张医学影像输入至第一深度卷积神经网络模型M1中，检出阳性医学影像为80张，将100张医学影像输入至第二深度卷积神经网络模型M2中，检出阳性医学影像为60张，将100张医学影像输入至第三深度卷积神经网络模型M3中，检出阳性医学影像为40张，这三个测试结果分别是80，60和40。
再如果测试集中包括100张图像，将100张医学影像输入至第一深度卷积神经网络模型M1中，检出阳性医学影像为70张，将100张医学影像输入至第二深度卷积神经网络模型M2中，检出阳性医学影像为73张，将100张医学影像输入至第三深度卷积神经网络模型M3中，检出医学影像阳性为68张，这三个测试结果分别是70，73和68。
105：当所述M个测试结果的任意两个测试结果的差值大于或等于预设阈值时，将所述M个深度卷积网络模型并联融合，得到目标模型，目标模型用于确定医学影像病灶组织的性质。
如测试集中包括100张医学影像，将100张医学影像输入至第一深度卷积神经网络模型M1中，检出阳性医学影像为80张，将100张医学影像输入至第二深度卷积神经网络模型M2中，检出阳性医学影像为60张，将100张医学影像输入至第三深度卷积神经网络模型M3中，检出阳性医学影像为40张，这三个测试结果分别是80，60和40。任意两个测试结果的差值大于等于20，可以将第一深度卷积神经网络模型M1、第二深度卷积神经网络模型M2和第三深度卷积神经网络模型M3并联融合得到目标模型。
再如果测试集中包括100张医学影像，将100张医学影像输入至第一深度卷积神经网络模型M1中，检出阳性医学影像为70张，将100张医学影像输入至第二深度卷积神经网络模型M2中，检出阳性医学影像为73张，将100张医学影像输入至第三深度卷积神经网络模型M3中，检出医学影像阳性为68张，这三个测试结果分别是70，73和68。此时，任意两个测试结果的差值5，5和2；任意两个测试结果的差值小于等于20，即第一深度卷积神经网络模型M1、第二深度卷积神经网络模型M2和第三深度卷积神经网络模型M3三个模型的灵敏度差别不明显；具体的预设阈值的数值根据实际应用灵活确定。
应理解，该方法按照病灶组织面积的大小，将训练集合进行划分得到多个集合，根据多个集合，分别训练得到多个深度卷积网络模型；通过用相同的测试集合测试多个深度卷积网络模型得到多个结果，在多个结果的差值的阈值大于预设阈值的情况下，才将多个深度卷积网络模型进行并联融合，得到灵敏度可调节的目标模型，方便用户根据具体使用场景和个人偏好调节目标模型的灵敏度，解决了目前因为模型单一，难以满足医生使用需求的问题，为病灶组织性质的确定提供了方便，为科研和临床做出了贡献。
第一深度卷积神经网络模型M1、第二深度卷积神经网络模型M2和第三深度卷积神经网络模型M3三个模型的灵敏度差别不明显，则需要重新确定图2中横坐标阈值以及训练集合，下文介绍怎样确定横坐标阈值以及训练集合。
图3是本申请实施例提供的又一种模型训练方法示意图。
本申请实施例通过如下四个步骤301、302、303和304重新确定横坐标阈值以及训练集合，从而得到目标模型。
301：根据所述N张医学影像中每一张医学影像的病灶组织面积与所述医学影像的面积比值，确定第二阈值集合，所述第二阈值集合包括至少一个阈值。
结合图2，通过两个阈值p和2p确定三个集合，第二阈值集合分别是【0，p】，【p，2p】和【2p，+∞】。
取A1/A2的比值满足第二阈值集合【0，p】的医学影像为第四训练集合；
取A1/A2的比值满足第二阈值集合【p，2p】的医学影像为第五训练集合；
取A1/A2的比值满足第二阈值集合【2p，+∞】的医学影像为第六训练集合。
应理解，也可以通过一个阈值p确定两个集合，第二阈值集合分别是【0，p】，【p，+∞】；
取A1/A2的比值满足第二阈值集合【0，p】的医学影像为第四训练集合；
取A1/A2的比值满足第二阈值集合【p，+∞】的医学影像为第五训练集合。
302：根据所述第二阈值集合，将所述N张医学影像划分为L个集合根据所述L个集合，分别训练得到对应的L个深度卷积网络模型；L大于或等于2。
L为3时，根据第四训练集合训练得到第四深度卷积神经网络模型M4；根据第五训练集训练得到第五深度卷积神经网络模型M5；根据第六训练集训练得到第六深度卷积神经网络模型M6。
L为2时，根据第四训练集合训练得到第四深度卷积神经网络模型M4；根据第五训练集训练得到第五深度卷积神经网络模型M5。
应理解，根据医学图像数据特征面积大小与特征信息量成正比的关系，也就是病灶组织面积越大，其特征就越明显，所以以第四训练集合训练的深度卷积神经网络M4比第六训练集合训练的深度卷积神经网络M6灵敏；以第四训练集合训练的深度卷积神经网络M4比第五训练集合训练的深度卷积神经网络M5灵敏。
303：通过所述L个深度卷积网络模型，分别测试所述医学影像测试集合的所述医学影像测试集合的医学影像，得到L个测试结果。
可以理解的是，L为3时，三个模型得到三个测试结果：如测试集中包括100张图像，将100张医学影像输入至第四深度卷积神经网络模型M4中，检出阳性医学影像为80张，将100张医学影像输入至第五深度卷积神经网络模型M5中，检出阳性医学影像为60张，将100张医学影像输入至第六深度卷积神经网络模型M6中，检出阳性医学影像为40张，第四深度卷积神经网络模型M4、第五深度卷积神经网络模型M5和第六深度卷积神经网络模型M6三个模型的测试结果分别是80，60和40。
再如果测试集中包括100张图像，将100张医学影像输入至第四深度卷积神经网络模型M4中，检出阳性医学影像为70张，将100张医学影像输入至第五深度卷积神经网络模型M5中，检出阳性医学影像为73张，将100张医学影像输入至第六深度卷积神经网络模型M6中，检出医学影像阳性为68张，第四深度卷积神经网络模型M4、第五深度卷积神经网络模型M5和第六深度卷积神经网络模型M6三个模型的测试结果分别是70，73和68。
304：直到所述L个测试结果的任意两个测试结果的差值大于或等于所述预设阈值时，将所述L个深度卷积网络模型并联融合，得到目标模型。
如测试集中包括100张医学影像，将100张医学影像输入至第四深度卷积神经网络模型M4中，检出阳性医学影像为80张，将100张医学影像输入至第五深度卷积神经网络模型M5中，检出阳性医学影像为60张，将100张医学影像输入至第六深度卷积神经网络模型M6中，检出阳性医学影像为40张，这三个结果分别是80，60和40。任意两个测试结果的差值大于等于20，可以直接将M4、M5和M6并联融合得到目标模型。
再如果测试集中包括100张医学影像，将100张医学影像输入至第四深度卷积神经网络模型M4中，检出阳性医学影像为70张，将100张医学影像输入至第五深度卷积神经网络模型M5中，检出阳性医学影像为73张，将100张医学影像输入至第六深度卷积神经网络模型M6中，检出医学影像阳性为68张，这三个结果分别是70，73和68。此时，任意两个测试结果的差值5，5和2；任意两个测试结果的差值小于等于20，即三个模型的灵敏度差别不明显；则继续301、302、303和304的步骤，直到三个个测试结果的任意两个测试结果的差值大于或等于所述预设阈值时，将所述三个深度卷积网络模型并联融合，得到目标模型。
上文介绍了目标模型的训练过程，下文介绍目标模型的应用。
将待预测的医学影像输入至所述目标模型之前，对所述待预测的医学影像进行前处理得到K个对比度不同的图像。
应理解，目标模型是用于确定病灶组织性质的模型，病灶组织的性质可分为阴性和阳性，将待预测的医学影像输入至所述目标模型的输出是一个0到1的小数，0代表目标模型测出待预测的医学影像是阴性，1代表目标模型测出待预测的医学影像是阳性，而小数代表目标模型测出待预测的医学影像是阳性的概率，比如0.8，就代表目标模型测出待预测的医学影像有0.8的可能是阳性，0.2的可能是阴性。
具体的，本申请中的前处理是指K次前处理，将待预测的医学影像进行K次前处理得到K个对比度不同的图像，然后输入到目标模型。
应理解，虽然是同一张医学影像，但是前处理不同，目标模型的输出结果也不一样，一个性能良好的模型，前处理稍微不同时对其输出结果影响不大，也就是鲁棒性高，本申请中对医学影像进行K次前处理就是为了排除偶然性，提高鲁棒性。
上文介绍了通过前处理得到K个对比度不同的图像，下文介绍怎样确定病灶组织的性质。
将所述K个对比度不同的图像依次输入所述目标模型后，得到K个结果；当所述K个结果的平均值大于第二预设阈值时，所述待预测的医学影像病灶组织的性质为阳性；当所述K个结果的平均值小于所述第二预设阈值时，所述待预测的医学影像病灶组织的性质为阴性。
应理解，进行K次前处理后将K个对比度不同的图像输入到目标模型中，会得到K个结果，例如K＝5，就会得到5个结果，例如0.9，0.8，0.91，0.88，0.93，然后对这五个数求平均值便得到最终结果为0.884大于0.5，这里的第二预设阈值为0.5，确定待预测的医学影像病灶组织的性质为阳性。
下文介绍本申请中的目标模型的灵敏度可调方法。
具体的，以三个模型M1，M2和M3融合得到的目标模型为例，此时的目标模型有三个灵敏度。
当调节目标模型为低灵敏度模式时，将待预测的医学影像输入至目标模型中得到输出值；
当调节目标模型为中灵敏度模式时，将待预测的医学影像输入至目标模型中得到输出值；
当调节目标模型为高灵敏度模式时，将待预测的医学影像输入至目标模型中得到输出值。
应理解，当调节目标模型为低灵敏度模式时，待预测的医学影像输入到三个模型M1、M2和M3中，至少有两个模型的输出值小于0.5时，才可以确定待预测的医学影像为阳性；当调节所述目标模型为中灵敏度模式时，待预测的医学影像输入到三个模型中的M2，M2时，M2的输出值小于0.5时，才可以确定待预测的医学影像为阳性；当调节目标模型为为高灵敏度模式时，待预测的医学影像输入到M1和M3中，M1和M3有一个模型的输出值小于0.5时，就可以确定待预测的医学影像为阳性。
可以理解灵敏度高时，确定医学影像病灶组织性质的条件比较宽松，灵敏度低时，确定医学影像病灶组织性质的条件比较严格。
图4是本申请实施例提供的一种模型训练装置示意图。
第二方面，本申请实施例提供了一种模型训练装置，其特征在于，包括：
获取模块401：用于获取医学影像训练集合和医学影像测试集合，所述医学影像训练集合包括N张医学影像，所述医学影像测试集合包括至少一张医学影像，且所述医学影像训练集合和所述医学影像测试集合包括不同的医学影像，N大于零。
具体的，本申请实施例中的获取模块401获取的医学影像训练集合和医学影像测试集合，可以是两个集合共包括10000张医学影像，随机抽出10000张医学影像中的90％，即9000张医学影像作为训练集合，上文中的N张医学影像就是这里的9000张医学影像，剩余的1000张医学影像作为测试集合。
应理解，上述例子中的具体数字不做限定，具体应用中也可以是100000张医学影像中的80％作为训练集合，100000张医学影像中的20％作为测试集合；也可以是100000张医学影像中的95％作为训练集合，100000张医学影像中的5％作为测试集合，训练集合的医学影像张数和测试集合的医学影像张数可以根据实际情况进行获取。
划分模块402：用于根据所述N张医学影像中每一张医学影像的病灶组织面积，将所述N张医学影像划分为M个集合，M大于或等于2；
具体的，本申请实施例中划分模块402按照N张医学影像中的每一张医学影像中的病灶面积的大小，将N张医学影像划分为M个集合，。示例性的，M可以为2、3等，本申请实施例对M的取值不作限定。下面以M＝3为例，将N张医学影像划分为3个集合介绍该实现过程。
一种可能的实现方式中，在将N张医学影像划分为3个集合的过程中，可以根据N张医学影像中每一张医学影像的病灶组织面积与医学影像的面积比值，确定第一阈值集合，第一阈值集合包括至少一个阈值；根据第一阈值集合，将N张医学影像划分为M个集合。
具体的，将N张医学影像中的每一张的病灶组织使用工具标签labelme进行标注，确定每一张医学影像的病灶组织面积A1和医学影像的面积A2；计算每一张病灶组织面积A1和所述医学影像的面积A2比A1/A2；得到N个面积比值R1＝A1/A2；根据N个面积比值绘制面积比曲线图2；其中，横坐标表示每个面积比值与采样间隔之比；纵坐标表示医学影像的数量。
绘制图2时，若求得比值R1的范围为[0,0.3]，横坐标为R1/dr的整数部分，dr为采样间隔，在[0,0.3]范围内取20个采样点，所以采样间隔就是dr＝0.3/20＝0.015。
图2是一个泊松分布的示意图，应理解，自然界中大部分的数据特征大致符合泊松分布。假设p表示所述面积比曲线峰值的横坐标，如上图所示p＝1。通过两个阈值p/2和3p/2确定三个集合，第一阈值集合分别是【0，p/2】，【p/2，3p/2】和【3p/2，+∞】。应理解，第一阈值集合【0，p/2】对应的是医学影像中病灶绝对面积比较大的数据，第一阈值集合【3p/2，+∞】对应的医学影像中病灶绝对面积比较小的数据。
取A1/A2的比值满足第一阈值集合【0，p/2】的医学图像为第一训练集合；
取A1/A2的比值满足第一阈值集合【p/2，3p/2】的医学图像为第二训练集合；
取A1/A2的比值满足第一阈值集合【3p/2，+∞】的医学图像为第三训练集合。
训练模块403：用于根据所述M个集合，分别训练得到对应的M个深度卷积网络模型；
具体的，本申请实施例中，根据划分的3个训练集合分别训练3个不同的模型。
训练模块403根据第一训练集合训练得到第一深度卷积神经网络模型M1；根据第二训练集训练得到第二深度卷积神经网络模型M2；根据第三训练集训练得到第三深度卷积神经网络模型M3。
应理解，根据医学图像数据特征面积大小与特征信息量成正比的关系，也就是病灶组织面积越大，其特征就越明显，所以以第一训练集合训练的深度卷积神经网络M1比第三训练集合训练的深度卷积神经网络M3灵敏。
测试模块404：用于通过所述M个深度卷积网络模型，分别测试所述医学影像测试集合的医学影像，得到M个测试结果。
具体的，本申请实施例中通过测试模块404中的测试集测试第一深度卷积神经网络模型M1、第二深度卷积神经网络模型M2和第三深度卷积神经网络模型M3得到M个测试结果,这里的测试结果是医学影像的阳性检出结果。
可以理解的是，三个模型得到三个结果：如测试集中包括100张图像，将100张医学影像输入至第一深度卷积神经网络模型M1中，检出阳性医学影像为80张，将100张医学影像输入至第二深度卷积神经网络模型M2中，检出阳性医学影像为60张，将100张医学影像输入至第三深度卷积神经网络模型M3中，检出阳性医学影像为40张，这三个测试结果分别是80，60和40。
再如果测试集中包括100张图像，将100张医学影像输入至第一深度卷积神经网络模型M1中，检出阳性医学影像为70张，将100张医学影像输入至第二深度卷积神经网络模型M2中，检出阳性医学影像为73张，将100张医学影像输入至第三深度卷积神经网络模型M3中，检出医学影像阳性为68张，这三个测试结果分别是70，73和68。
并联融合模块405：用于当M个测试结果的任意两个测试结果的差值大于或等于预设阈值时，将M个深度卷积网络模型并联融合得到目标模型，目标模型用于确定医学影像病灶组织的性质。
如测试集中包括100张医学影像，将100张医学影像输入至第一深度卷积神经网络模型M1中，检出阳性医学影像为80张，将100张医学影像输入至第二深度卷积神经网络模型M2中，检出阳性医学影像为60张，将100张医学影像输入至第三深度卷积神经网络模型M3中，检出阳性医学影像为40张，这三个测试结果分别是80，60和40；任意两个测试结果的差值大于等于20，可以将第一深度卷积神经网络模型M1、第二深度卷积神经网络模型M2和第三深度卷积神经网络模型M3并联融合得到目标模型。
再如果测试集中包括100张医学影像，将100张医学影像输入至第一深度卷积神经网络模型M1中，检出阳性医学影像为70张，将100张医学影像输入至第二深度卷积神经网络模型M2中，检出阳性医学影像为73张，将100张医学影像输入至第三深度卷积神经网络模型M3中，检出医学影像阳性为68张，这三个测试结果分别是70，73和68；此时，任意两个测试结果的差值5，5和2；任意两个测试结果的差值小于等于20，即第一深度卷积神经网络模型M1、第二深度卷积神经网络模型M2和第三深度卷积神经网络模型M3三个模型的灵敏度差别不明显；具体的预设阈值的数值根据实际应用灵活确定。
第三方面，本申请实施例提供了一种电子设备，包括：处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行如上所述的模型训练方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述非暂态计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如上所述的模型训练方法的步骤。
图5是本公开实施例提供的一种电子设备的结构示意图。如图5所示，电子设备包括：至少一个处理器501、至少一个存储器502和至少一个通信接口503。电子设备中的各个组件通过总线***504耦合在一起。通信接口503，用于与外部设备之间的信息传输。可理解，总线***504用于实现这些组件之间的连接通信。总线***504除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但为了清楚说明起见，在图5中将各种总线都标为总线***504。
可以理解，本实施例中的存储器502可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
在一些实施方式中，存储器502存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作***和应用程序。
其中，操作***，包含各种***程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序，包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。实现本申请实施例提供的带宽检测方法中任一方法的程序可以包含在应用程序中。
在本申请实施例中，处理器501通过调用存储器502存储的程序或指令，具体的，可以是应用程序中存储的程序或指令，处理器501用于执行本申请实施例提供的模型训练方法各实施例的步骤。
本申请实施例提供的模型训练方法中任一方法可以应用于处理器501中，或者由处理器501实现。处理器501可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器501中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器501可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本申请实施例提供的模型训练方法任一方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器502，处理器501读取存储器502中的信息，结合其硬件完成方法的步骤。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。
本领域的技术人员能够理解，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
虽然结合附图描述了本申请的实施方式，但是本领域技术人员可以在不脱离本申请的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种模型训练方法，其特征在于，所述方法包括：
获取医学影像训练集合和医学影像测试集合，所述医学影像训练集合包括N张医学影像，所述医学影像测试集合包括至少一张医学影像，且所述医学影像训练集合和所述医学影像测试集合包括不同的医学影像，N大于零；
根据所述N张医学影像中每一张医学影像的病灶组织面积，将所述N张医学影像划分为M个集合，M大于或等于2；
根据所述M个集合，分别训练得到对应的M个深度卷积网络模型；
通过所述M个深度卷积网络模型，分别测试所述医学影像测试集合的医学影像，得到M个测试结果；
当所述M个测试结果的任意两个测试结果的差值大于或等于预设阈值时，将所述M个深度卷积网络模型并联融合，得到目标模型，所述目标模型用于确定医学影像病灶组织的性质。
2.根据权利要求1所述的方法，其特征在于，所述根据所述N张医学影像中每一张医学影像的病灶组织面积，将所述N张医学影像划分为M个集合，包括：
根据所述N张医学影像中每一张医学影像的病灶组织面积与所述医学影像的面积比值，确定第一阈值集合，所述第一阈值集合包括至少一个阈值；
根据所述第一阈值集合，将所述N张医学影像划分为M个集合。
3.根据权利要求1所述的方法，其特征在于， 当所述M个测试结果的任意两个测试结果的差值小于所述预设阈值时，包括：
根据所述N张医学影像中每一张医学影像的病灶组织面积与所述医学影像的面积比值，确定第二阈值集合，所述第二阈值集合包括至少一个阈值；
根据所述第二阈值集合，将所述N张医学影像划分为L个集合根据所述L个集合，分别训练得到对应的L个深度卷积网络模型；L大于或等于2;
通过所述L个深度卷积网络模型，分别测试所述医学影像测试集合的所述医学影像测试集合的医学影像，得到L个测试结果；
直到所述L个测试结果的任意两个测试结果的差值大于或等于所述预设阈值时，将所述L个深度卷积网络模型并联融合，得到目标模型。
4.根据权利要求1至3中任意一项所述的方法，其特征在于，所述方法还包括：
将待预测的医学影像输入至所述目标模型之前，对所述待预测的医学影像进行前处理得到K个对比度不同的图像。
5.根据权利要求4所述的方法，所述方法还包括：
将所述K个对比度不同的图像依次输入所述目标模型后，得到K个结果；
当所述K个结果的平均值大于第二预设阈值时，所述待预测的医学影像病灶组织的性质为阳性；
当所述K个结果的平均值小于所述第二预设阈值时，所述待预测的医学影像病灶组织的性质为阴性。
6.一种模型训练装置，其特征在于，包括：
获取模块：用于获取医学影像训练集合和医学影像测试集合，所述医学影像训练集合包括N张医学影像，所述医学影像测试集合包括至少一张医学影像，且所述医学影像训练集合和所述医学影像测试集合包括不同的医学影像，N大于零；
划分模块：用于根据所述N张医学影像中每一张医学影像的病灶组织面积，将所述N张医学影像划分为M个集合，M大于或等于2；
训练模块：用于根据所述M个集合，分别训练得到对应的M个深度卷积网络模型；
测试模块：用于通过所述M个深度卷积网络模型，分别测试所述医学影像测试集合的医学影像，得到M个测试结果；
并联融合模块：用于当所述M个测试结果的任意两个测试结果的差值大于或等于预设阈值时，将所述M个深度卷积网络模型并联融合，得到目标模型，所述目标模型用于确定医学影像病灶组织的性质。
7.根据权利要求6所述的装置，其特征在于，所述划分模块还用于：
根据所述N张医学影像中每一张医学影像的病灶组织面积与所述医学影像的面积比值，确定第一阈值集合，所述第一阈值集合包括至少一个阈值；
根据所述第一阈值集合，将所述N张医学影像划分为M个集合。
8.根据权利要求6所述的装置，其特征在于， 所述并联融合模块还用于：
根据所述N张医学影像中每一张医学影像的病灶组织面积与所述医学影像的面积比值，确定第二阈值集合，所述第二阈值集合包括至少一个阈值；
根据所述第二阈值集合，将所述N张医学影像划分为L个集合根据所述L个集合，分别训练得到对应的L个深度卷积网络模型；L大于或等于2；
通过所述L个深度卷积网络模型，分别测试所述医学影像测试集合的所述医学影像测试集合的医学影像，得到L个测试结果；
直到所述L个测试结果的任意两个测试结果的差值大于或等于所述预设阈值时，将所述L个深度卷积网络模型并联融合，得到目标模型。
9.一种电子设备，其特征在于，包括：处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行如权利要求1至5任一项所述一种模型训练方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如权利要求1至5任一项一种模型训练方法的步骤。
CN202010743132.9A 2020-07-29 2020-07-29 一种模型训练方法、装置、电子设备和存储介质 Active CN112288686B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010743132.9A CN112288686B (zh) 2020-07-29 2020-07-29 一种模型训练方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010743132.9A CN112288686B (zh) 2020-07-29 2020-07-29 一种模型训练方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN112288686A CN112288686A (zh) 2021-01-29
CN112288686B true CN112288686B (zh) 2023-12-19

Family

ID=74420653

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010743132.9A Active CN112288686B (zh) 2020-07-29 2020-07-29 一种模型训练方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN112288686B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240110B (zh) * 2021-05-19 2023-09-29 深圳市智影医疗科技有限公司 确定模型的方法、设备以及计算机可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015003436A1 (en) * 2013-07-10 2015-01-15 Tencent Technology (Shenzhen) Company Limited Method and device for parallel processing in model training
CN106688011A (zh) * 2014-09-10 2017-05-17 北京市商汤科技开发有限公司 用于多类别物体检测的方法和***
CN108564097A (zh) * 2017-12-05 2018-09-21 华南理工大学 一种基于深度卷积神经网络的多尺度目标检测方法
CN109086837A (zh) * 2018-10-24 2018-12-25 高嵩 基于卷积神经网络的用户属性分类方法、存储介质、装置及电子设备
CN109389610A (zh) * 2018-11-21 2019-02-26 上海衡道医学病理诊断中心有限公司 一种基于人工智能识别的皮损面积计算方法
CN110334275A (zh) * 2019-05-31 2019-10-15 北京中科闻歌科技股份有限公司 一种信息流行度预测方法、设备和存储介质
CN111178447A (zh) * 2019-12-31 2020-05-19 北京市商汤科技开发有限公司 模型压缩方法、图像处理方法及相关装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015003436A1 (en) * 2013-07-10 2015-01-15 Tencent Technology (Shenzhen) Company Limited Method and device for parallel processing in model training
CN106688011A (zh) * 2014-09-10 2017-05-17 北京市商汤科技开发有限公司 用于多类别物体检测的方法和***
CN108564097A (zh) * 2017-12-05 2018-09-21 华南理工大学 一种基于深度卷积神经网络的多尺度目标检测方法
CN109086837A (zh) * 2018-10-24 2018-12-25 高嵩 基于卷积神经网络的用户属性分类方法、存储介质、装置及电子设备
CN109389610A (zh) * 2018-11-21 2019-02-26 上海衡道医学病理诊断中心有限公司 一种基于人工智能识别的皮损面积计算方法
CN110334275A (zh) * 2019-05-31 2019-10-15 北京中科闻歌科技股份有限公司 一种信息流行度预测方法、设备和存储介质
CN111178447A (zh) * 2019-12-31 2020-05-19 北京市商汤科技开发有限公司 模型压缩方法、图像处理方法及相关装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Parallel processing algorithm for railway signal fault diagnosis data based on cloud computing;Yuan Cao 等;《Future Generation Computer Systems》;279-283 *
基于弱监督深度网络的火灾检测技术研究与实现;孔亚奇;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第6期);C038-790 *
训练样本对ＴＭ 尺度小麦种植面积测量精度影响研究（ＩＩ） ———样本质量对小麦测量精度的影响分析;朱秀芳 等;《测绘科学》;第34卷(第5期);132-135 *

Also Published As

Publication number Publication date
CN112288686A (zh) 2021-01-29

Similar Documents

Publication Publication Date Title
JP7058373B2 (ja) 医療画像に対する病変の検出及び位置決め方法、装置、デバイス、及び記憶媒体
CN112668480B (zh) 头部姿态角检测方法、装置、电子设备及存储介质
CN111862044B (zh) 超声图像处理方法、装置、计算机设备和存储介质
US20220012457A1 (en) Image processing method, microscope, image processing system, and medium based on artificial intelligence
CN106934804B (zh) 图像清晰度检测方法及装置
CN110210543B (zh) 图像分类***、方法、设备和存储介质
CN110956615A (zh) 图像质量评估模型训练方法、装置、电子设备及存储介质
CN112288686B (zh) 一种模型训练方法、装置、电子设备和存储介质
CN111445546A (zh) 图像重建方法、装置、电子设备、存储介质
CN112434717B (zh) 一种模型训练方法及装置
CN109961435B (zh) 脑图像获取方法、装置、设备及存储介质
CN118098558A (zh) 基于对话功能的x光影像诊断方法、装置及电子设备
CN116309465B (zh) 一种基于改进的YOLOv5的自然环境下舌像检测定位方法
CN110766653B (zh) 图像分割方法、装置、计算机设备和存储介质
CN113158822A (zh) 基于跨模态关系推理的眼部检测数据的分类方法及装置
US10331936B2 (en) Duplicate pattern reconstructions
CN107566826A (zh) 栅格图像处理器的测试方法及装置
CN116597246A (zh) 模型训练方法、目标检测方法、电子设备及存储介质
CN116468702A (zh) 黄褐斑评估方法、装置、电子设备及计算机可读存储介质
CN113349792B (zh) 基于多导联心电信号的分类方法、装置、设备及介质
CN113884188B (zh) 一种温度检测方法、装置及电子设备
CN112465037B (zh) 目标检测方法、装置、计算机设备及存储介质
CN112365525B (zh) 高分辨率遥感影像变化检测网络和方法及装置
CN114202522A (zh) 红血丝非接触测量方法、存储介质及处理器
JP2018116672A (ja) 情報処理装置、情報処理方法およびプログラム

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