CN112614573A - 基于病理图像标注工具的深度学习模型训练方法及装置 - Google Patents
基于病理图像标注工具的深度学习模型训练方法及装置 Download PDFInfo
- Publication number
- CN112614573A CN112614573A CN202110109864.7A CN202110109864A CN112614573A CN 112614573 A CN112614573 A CN 112614573A CN 202110109864 A CN202110109864 A CN 202110109864A CN 112614573 A CN112614573 A CN 112614573A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- learning model
- pathological
- pathological image
- training
- 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
- 230000001575 pathological effect Effects 0.000 title claims abstract description 149
- 238000013136 deep learning model Methods 0.000 title claims abstract description 95
- 238000012549 training Methods 0.000 title claims abstract description 73
- 238000002372 labelling Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 121
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000012986 modification Methods 0.000 claims abstract description 8
- 230000004048 modification Effects 0.000 claims abstract description 8
- 230000007170 pathology Effects 0.000 claims description 32
- 206010006187 Breast cancer Diseases 0.000 claims description 14
- 208000026310 Breast neoplasm Diseases 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 description 6
- 239000003086 colorant Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013101 initial test Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于病理图像标注工具的深度学习模型训练方法及装置,包括:步骤1,获取通过病理图像标注工具进行人工标注的病理图像,对病理图像进行预处理,将预处理后的标注病理图像输入到深度学习模型进行训练;步骤2,将一批新的未标注的病理图像输入到训练后的深度学习模型,得到相应的检测结果,将检测结果输出到病理图像标注工具向用户展示;步骤3,获取通过病理图像标注工具对检测结果进行人工质量审核并修改后的校正标注的病理图像,将所有带有标注的病理图像继续输入到深度学习模型进行训练;步骤4,重复执行步骤2‑3,直到深度学习模型输出的检测结果符合要求,完成深度学习模型的训练。
Description
本发明涉及计算机技术领域,尤其是涉及一种基于病理图像标注工具的深度学习模型训练方法及装置。
背景技术
乳腺癌是一种有害疾病,在过去几年中,在乳腺癌病理领域进行了大量的形态学表型研究,旨在发现临床表型和影像学表型之间隐藏的规律。这些研究很大程度上是通过基于深度学习的图像分析来提取高分辨率病理图像上大小不一的目标对象(例如癌变区域)的。但是,采用深度学习算法的一个主要挑战是需要大量带有人工标注的高质量训练数据,此外,对病理图像的标注需要广泛的专业知识和资源,这对于标注人员而言是资源密集的且繁琐的,最好由病理学家来标记。有团队开发了EasierPath,这是一种开放源代码工具,可将人类医生和深度学习算法集成在一起,以有效地进行大规模病理图像标注,但是该工具是以离线的方式展示标注结果的,标注量大是标注速度很慢,并且采用客户端进行展示,无法实时展示模型预测结果,因此使用体验上可能有一定差距。
发明内容
本发明的目的在于提供一种基于病理图像标注工具的深度学习模型训练方法及装置,旨在解决病理图像标注问题中,标注量大时标注速度慢的问题,提高标注速度,加快模型迭代训练。
本发明提供一种基于病理图像标注工具的深度学习模型训练方法,包括如下步骤:
步骤1,获取通过病理图像标注工具进行人工标注的病理图像,对所述病理图像进行预处理,将预处理后的标注病理图像输入到深度学习模型进行训练;
步骤2,将一批新的未标注的病理图像输入到训练后的深度学习模型,得到相应的检测结果,并将所述检测结果输出到病理图像标注工具向用户展示;
步骤3,获取通过所述病理图像标注工具对所述检测结果进行人工质量审核并修改后的校正标注的病理图像,将所有带有标注的病理图像继续输入到所述深度学习模型进行训练;
步骤4,重复执行步骤2-3,直到所述深度学习模型输出的检测结果符合要求,完成所述深度学习模型的训练。
进一步地,对所述病理图像进行预处理具体包括:
将病理图像裁剪成预定大小的小图片,并将人工标注的标签也按照对应坐标进行裁剪;
将裁剪好的病理图像的小图片进行数据增强。
进一步地,所述深度学习模型为:centermask2模型,所述病理图像为乳腺癌病理图像。
进一步地,将一批新的未标注的病理图像输入到训练后的深度学习模型,得到相应的检测结果具体包括:
将一批新的未标注的病理图像输入到训练后的深度学习模型,通过所述深度学习模型对未标注的病理图像的小图片进行预测,将小图片的检测结果合并到一起组成病理图像大图的检测结果,其中,检测结果包含每个检测到对象的轮廓坐标、类别和检测分数,所述检测分数为0到1之间的值。
进一步地,所述方法进一步包括:
在将检测结果输出到病理图像标注工具之后,设置检测分数阈值对所述检测结果进行过滤,将符合要求的检测结果向用户展示。
本发明提供一种基于病理图像标注工具的深度学习模型训练装置,包括:预处理模块,用于获取通过病理图像标注工具进行人工标注的病理图像,对所述病理图像进行预处理,将预处理后的标注病理图像输入到深度学习模型进行训练;
第一训练模块,用于将一批新的未标注的病理图像输入到训练后的深度学习模型,得到相应的检测结果,并将所述检测结果输出到病理图像标注工具向用户展示;
第二训练模块,用于获取通过所述病理图像标注工具对所述检测结果进行人工质量审核并修改后的校正标注的病理图像,将所有带有标注的病理图像继续输入到所述深度学习模型进行训练;
调用模块,重复调用所述第一训练模块和第二训练模块,直到所述深度学习模型输出的检测结果符合要求,完成所述深度学习模型的训练。
进一步地,所述深度学习模型为:centermask2模型,所述病理图像为乳腺癌病理图像;
所述预处理模块具体用于:
将病理图像裁剪成预定大小的小图片,并将人工标注的标签也按照对应坐标进行裁剪;将裁剪好的病理图像的小图片进行数据增强。
所述第一训练模块和所述第二训练模块具体用于:
将一批新的未标注的病理图像输入到训练后的深度学习模型,通过所述深度学习模型对未标注的病理图像的小图片进行预测,将小图片的检测结果合并到一起组成病理图像大图的检测结果,其中,检测结果包含每个检测到对象的轮廓坐标、类别和检测分数,所述检测分数为0到1之间的值。
进一步地,所述装置进一步包括:
过滤模块,用于在将检测结果输出到病理图像标注工具之后,设置检测分数阈值对所述检测结果进行过滤,将符合要求的检测结果向用户展示。
本发明实施例还提供一种基于病理图像标注工具的深度学习模型训练装置,包括:存储器、处理器及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,所述计算机程序被所述处理器执行时实现上述基于病理图像标注工具的深度学习模型训练方法的步骤。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现上述基于病理图像标注工具的深度学习模型训练方法的步骤。
采用本发明实施例,将用户的需求和深度学习算法集成在一起,通过模型预测结果减少病理医生标注工作量,加快标注速度,提高分割效果。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的基于病理图像标注工具的深度学习模型训练方法的流程图;
图2是本发明实施例的基于病理图像标注工具的深度学习模型训练装置结构示意图;
图3是本发明实施例的电子设备结构示意图;
附图标记说明:
30:预处理模块;32:第一训练模块;34:第二训练模块;36:调用模块;38:过滤模块;40:存储器;42:处理器。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,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。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“坚直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
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一个或者更多个所述特征。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。此外,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
方法实施例
根据本发明实施例,提供了一种基于病理图像标注工具的深度学习模型训练方法的流程图,图1是本发明实施例的流程图,如图1所示,根据基于病理图像标注工具的深度学习模型训练方法具体包括:
步骤1,获取通过病理图像标注工具进行人工标注的病理图像,对所述病理图像进行预处理,将预处理后的标注病理图像输入到深度学习模型进行训练;对病理图像进行预处理具体包括:
将病理图像裁剪成预定大小的小图片,并将人工标注的标签也按照对应坐标进行裁剪;将裁剪好的病理图像的小图片进行数据增强。
步骤2,将一批新的未标注的病理图像输入到训练后的深度学习模型,得到相应的检测结果,并将所述检测结果输出到病理图像标注工具向用户展示;在本发明实施中,深度学习模型为:centermask2模型,病理图像为乳腺癌病理图像。
在步骤2中,专家在病理图像标注工具上对待检测分割的对象进行标注,不同的类别用不同颜色的实线表示。将高分辨率病理图像WSI裁剪成大小为512*512的小图片,医生标注的标签也按照对应坐标裁剪,对裁出的小图片做翻转、旋转、随机裁剪、归一化等数据增强,然后送入深度学习模型进行训练,调整超参数,使mAP等指标在验证集上表现最好。
将一批新的未标注的病理图像输入到训练后的深度学习模型,得到相应的检测结果具体包括:
将一批新的未标注的病理图像输入到训练后的深度学习模型,通过所述深度学习模型对未标注的病理图像的小图片进行预测,将小图片的检测结果合并到一起组成病理图像大图的检测结果,其中,检测结果包含每个检测到对象的轮廓坐标、类别和检测分数,所述检测分数为0到1之间的值。
也就是说,本发明实施例将高分辨率病理图像也裁剪成大小为512*512的小图片,使用上一步训练的centermask2深度学习模型对小图片进行预测,小图片的检测结果合并到一起组成病理图像大图的检测结果,检测结果包含每个检测到对象的轮廓坐标、类别和检测分数,检测分数是0到1之间的值,其中分数越大表明相信检测到的对象的信心越强。检测结果被送入下一步标注工具进行展示,病理医生进行质量检查。
步骤3,获取通过所述病理图像标注工具对所述检测结果进行人工质量审核并修改后的校正标注的病理图像,将所有带有标注的病理图像继续输入到所述深度学习模型进行训练;
步骤4,重复执行步骤2-3,直到完成深度学习模型的训练。
在本发明实施例中,在将检测结果输出到病理图像标注工具之后,设置检测分数阈值对检测结果进行过滤,将符合要求的检测结果向用户展示。
具体地,病理图像自动标注工具是以网页版的形式实现的,可以实时显示模型预测结果。在基于深度学***衡,以最大程度地减少后续质量检查所需的人工工作量。
选择最佳阈值后,医生可以使用病理图像自动标注软件执行手动质量检查。作为开发过程中最耗费人力的步骤,为了提升病理医生的标注体验,提高标注效率,本发明实施例适配了基于平板电脑的版本,病理医生可以按照自身喜好进行选择。使用病理图像自动标注软件,病理医生可以删除误报、更正检测结果及新增标注。
一旦获得了病理医生手动校正的数据集,就可以将这些数据集用作训练数据,以提升centermask2深度学习模型的性能作为“循环”加以利用。有了更多训练数据,深度学习模型的性能通常会在下一个循环中得到改善。根据更准确的自动结果,将进一步帮助后续的手动质量检查。
采用本发明实施例,将用户的需求和深度学习算法集成在一起,可有效地对病理图像进行大规模对象检测,centermask2被用于执行病理图像的病变检测,通过调整最佳检测阈值以最大程度地提高检测效率,全面地展示自动物体检测结果;用户对检测结果进行人工质量检查和校正,经过校正的标签进一步去训练模型,提升分割准确性。其中,第一次循环不进行模型训练,因为没有标注数据,用户在病理图像标注工具上对待检测分割的对象进行标注,不同的类别用不同颜色的实线表示,第二次循环,使用标注的数据训练centermask2深度学习模型,模型对新数据进行预测,模型预测结果用不同颜色的虚线表示,医生只需对检测结果进行人工质量检查和校正,形成可用的标注数据,进入下一次循环。采用本发明实施例,能实现自动勾画病灶轮廓,快速获得大量标注数据,大幅降低用户标注工作量,加快模型迭代速度,获得更好的分割精度,辅助医生诊断。
装置实施例一
根据本发明实施例,提供了一种基于病理图像标注工具的深度学习模型训练装置,图2是本发明实施例的装置结构示意图,如图2所示,具体包括:
预处理模块30,用于获取通过病理图像标注工具进行人工标注的病理图像,对所述病理图像进行预处理,将预处理后的标注病理图像输入到深度学习模型进行训练;所述预处理模块30具体用于:
将病理图像裁剪成预定大小的小图片,并将人工标注的标签也按照对应坐标进行裁剪;将裁剪好的病理图像的小图片进行数据增强。
第一训练模块32,用于将一批新的未标注的病理图像输入到训练后的深度学习模型,得到相应的检测结果,并将所述检测结果输出到病理图像标注工具向用户展示;其中,所述深度学习模型为:centermask2模型,所述病理图像为乳腺癌病理图像;
第二训练模块34,用于获取通过所述病理图像标注工具对所述检测结果进行人工质量审核并修改后的校正标注的病理图像,将所有带有标注的病理图像继续输入到所述深度学习模型进行训练;
所述第一训练模块32具体用于:
将一批新的未标注的病理图像输入到训练后的深度学习模型,通过所述深度学习模型对未标注的病理图像的小图片进行预测,将小图片的检测结果合并到一起组成病理图像大图的检测结果,其中,检测结果包含每个检测到对象的轮廓坐标、类别和检测分数,所述检测分数为0到1之间的值。
调用模块36,重复调用所述第一训练模块和第二训练模块,直到所述深度学习模型输出的检测结果符合要求,完成所述深度学习模型的训练。
上述装置进一步包括:
过滤模块38,用于在将检测结果输出到病理图像标注工具之后,设置检测分数阈值对所述检测结果进行过滤,将符合要求的检测结果向用户展示。
本发明实施例是与上述方法实施例对应的***实施例,各个模块的具体操作可以参照方法实施例的描述进行理解,在此不再赘述。
装置实施例二
本发明实施例提供一种基于病理图像标注工具的深度学习模型训练装置,如图3所示,包括:存储器40、处理器42及存储在所述存储器40上并可在所述处理器42上运行的计算机程序,所述计算机程序被所述处理器42执行时实现如下方法步骤:
步骤1,获取通过病理图像标注工具进行人工标注的病理图像,对所述病理图像进行预处理,将预处理后的标注病理图像输入到深度学习模型进行训练;
步骤2,将一批新的未标注的病理图像输入到训练后的深度学习模型,得到相应的检测结果,并将所述检测结果输出到病理图像标注工具向用户展示;
步骤3,获取通过所述病理图像标注工具对所述检测结果进行人工质量审核并修改后的校正标注的病理图像,将所有带有标注的病理图像继续输入到所述深度学习模型进行训练;
步骤4,重复执行步骤2-3,直到所述深度学习模型输出的检测结果符合要求,完成所述深度学习模型的训练。
进一步地,对所述病理图像进行预处理具体包括:
将病理图像裁剪成预定大小的小图片,并将人工标注的标签也按照对应坐标进行裁剪;
将裁剪好的病理图像的小图片进行数据增强。
进一步地,所述深度学习模型为:centermask2模型,所述病理图像为乳腺癌病理图像。
进一步地,将一批新的未标注的病理图像输入到训练后的深度学习模型,得到相应的检测结果具体包括:
将一批新的未标注的病理图像输入到训练后的深度学习模型,通过所述深度学习模型对未标注的病理图像的小图片进行预测,将小图片的检测结果合并到一起组成病理图像大图的检测结果,其中,检测结果包含每个检测到对象的轮廓坐标、类别和检测分数,所述检测分数为0到1之间的值。
进一步地,所述方法进一步包括:
在将检测结果输出到病理图像标注工具之后,设置检测分数阈值对所述检测结果进行过滤,将符合要求的检测结果向用户展示。
通过在250张乳腺癌病理图像数据集进行的实验,本发明所提出的基于病理图像标注工具的深度学***均AP系数。对于使用的250张病理图像乳腺癌数据集,本发明所提出的方法在分割任务上AP系数从第一次循环的0.65提升到0.78,效果优异,同时减少了61.2%的标注工作量。
装置实施例三
本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有信息传输的实现程序,所述程序被处理器42执行时实现如方法实施例一所述的方法步骤,在此不再赘述。
本实施例所述计算机可读存储介质包括但不限于为:ROM、RAM、磁盘或光盘等。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于病理图像标注工具的深度学习模型训练方法,其特征在于,包括:
步骤1,获取通过病理图像标注工具进行人工标注的病理图像,对所述病理图像进行预处理,将预处理后的标注病理图像输入到深度学习模型进行训练;
步骤2,将一批新的未标注的病理图像输入到训练后的深度学习模型,得到相应的检测结果,并将所述检测结果输出到病理图像标注工具向用户展示;
步骤3,获取通过所述病理图像标注工具对所述检测结果进行人工质量审核并修改后的校正标注的病理图像,将所有带有标注的病理图像继续输入到所述深度学习模型进行训练;
步骤4,重复执行步骤2-3,直到所述深度学习模型输出的检测结果符合要求,完成所述深度学习模型的训练。
2.根据权利要求1所述方法,其特征在于,对所述病理图像进行预处理具体包括:
将病理图像裁剪成预定大小的小图片,并将人工标注的标签也按照对应坐标进行裁剪;
将裁剪好的病理图像的小图片进行数据增强。
3.根据权利要求1所述方法,其特征在于,所述深度学习模型为:centermask2模型,所述病理图像为乳腺癌病理图像。
4.根据权利要求2所述方法,其特征在于,将一批新的未标注的病理图像输入到训练后的深度学习模型,得到相应的检测结果具体包括:
将一批新的未标注的病理图像输入到训练后的深度学习模型,通过所述深度学习模型对未标注的病理图像的小图片进行预测,将小图片的检测结果合并到一起组成病理图像大图的检测结果,其中,检测结果包含每个检测到对象的轮廓坐标、类别和检测分数,所述检测分数为0到1之间的值。
5.根据权利要求4所述方法,其特征在于,所述方法进一步包括:
在将检测结果输出到病理图像标注工具之后,设置检测分数阈值对所述检测结果进行过滤,将符合要求的检测结果向用户展示。
6.一种基于病理图像标注工具的深度学习模型训练装置,其特征在于,包括:
预处理模块,用于获取通过病理图像标注工具进行人工标注的病理图像,对所述病理图像进行预处理,将预处理后的标注病理图像输入到深度学习模型进行训练;
第一训练模块,用于将一批新的未标注的病理图像输入到训练后的深度学习模型,得到相应的检测结果,并将所述检测结果输出到病理图像标注工具向用户展示;
第二训练模块,用于获取通过所述病理图像标注工具对所述检测结果进行人工质量审核并修改后的校正标注的病理图像,将所有带有标注的病理图像继续输入到所述深度学习模型进行训练;
调用模块,用于重复调用所述第一训练模块和第二训练模块,直到所述深度学习模型输出的检测结果符合要求,完成所述深度学习模型的训练。
7.根据权利要求6所述装置,其特征在于,所述深度学习模型为:centermask2模型,所述病理图像为乳腺癌病理图像;
所述预处理模块具体用于:
将病理图像裁剪成预定大小的小图片,并将人工标注的标签也按照对应坐标进行裁剪;将裁剪好的病理图像的小图片进行数据增强;
所述第一训练模块具体用于:
将一批新的未标注的病理图像输入到训练后的深度学习模型,通过所述深度学习模型对未标注的病理图像的小图片进行预测,将小图片的检测结果合并到一起组成病理图像大图的检测结果,其中,检测结果包含每个检测到对象的轮廓坐标、类别和检测分数,所述检测分数为0到1之间的值。
8.根据权利要求6所述装置,其特征在于,所述装置进一步包括:
过滤模块,用于在将检测结果输出到病理图像标注工具之后,设置检测分数阈值对所述检测结果进行过滤,将符合要求的检测结果向用户展示。
9.一种基于病理图像标注工具的深度学习模型训练装置,其特征在于,包括:存储器、处理器及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,所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的基于病理图像标注工具的深度学习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上存储有信息传递的实现程序,所述程序被处理器执行时实现如权利要求1至5中任一项所述的基于病理图像标注工具的深度学习模型训练方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110109864.7A CN112614573A (zh) | 2021-01-27 | 2021-01-27 | 基于病理图像标注工具的深度学习模型训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110109864.7A CN112614573A (zh) | 2021-01-27 | 2021-01-27 | 基于病理图像标注工具的深度学习模型训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112614573A true CN112614573A (zh) | 2021-04-06 |
Family
ID=75254456
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110109864.7A Pending CN112614573A (zh) | 2021-01-27 | 2021-01-27 | 基于病理图像标注工具的深度学习模型训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112614573A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114145844A (zh) * | 2022-02-10 | 2022-03-08 | 北京数智元宇人工智能科技有限公司 | 一种基于深度学习算法的腹腔镜手术人工智能云辅助*** |
CN115601617A (zh) * | 2022-11-25 | 2023-01-13 | 安徽数智建造研究院有限公司(Cn) | 基于半监督学习的带状脱空识别模型的训练方法和装置 |
WO2023220389A1 (en) * | 2022-05-13 | 2023-11-16 | PAIGE.AI, Inc. | Systems and methods to process electronic images with automatic protocol revisions |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288014A (zh) * | 2017-01-09 | 2018-07-17 | 北京四维图新科技股份有限公司 | 道路智能提取方法和装置、提取模型构建方法及混合导航*** |
CN108764329A (zh) * | 2018-05-24 | 2018-11-06 | 复旦大学附属华山医院北院 | 一种肺癌病理图像数据集的构建方法 |
CN108960232A (zh) * | 2018-06-08 | 2018-12-07 | Oppo广东移动通信有限公司 | 模型训练方法、装置、电子设备和计算机可读存储介质 |
CN109165623A (zh) * | 2018-09-07 | 2019-01-08 | 北京麦飞科技有限公司 | 基于深度学习的水稻病斑检测方法及*** |
CN109754879A (zh) * | 2019-01-04 | 2019-05-14 | 湖南兰茜生物科技有限公司 | 一种基于深度学习的肺癌计算机辅助检测方法及*** |
CN110866476A (zh) * | 2019-11-06 | 2020-03-06 | 南京信息职业技术学院 | 一种基于自动标注和迁移学习的密集堆垛目标检测方法 |
CN111047591A (zh) * | 2020-03-13 | 2020-04-21 | 北京深睿博联科技有限责任公司 | 基于深度学习的病灶体积测量方法、***、终端及存储介质 |
CN111311578A (zh) * | 2020-02-17 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 基于人工智能的对象分类方法以及装置、医学影像设备 |
AU2020204526A1 (en) * | 2001-06-29 | 2020-07-30 | Meso Scale Technologies, Llc. | Assay plates reader systems and methods for luminescence test measurements |
CN111598030A (zh) * | 2020-05-21 | 2020-08-28 | 山东大学 | 一种航拍图像中车辆检测和分割的方法及*** |
CN111680632A (zh) * | 2020-06-10 | 2020-09-18 | 深延科技(北京)有限公司 | 基于深度学习卷积神经网络的烟火检测方法及*** |
CN112184757A (zh) * | 2020-09-28 | 2021-01-05 | 浙江大华技术股份有限公司 | 运动轨迹的确定方法及装置、存储介质、电子装置 |
-
2021
- 2021-01-27 CN CN202110109864.7A patent/CN112614573A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2020204526A1 (en) * | 2001-06-29 | 2020-07-30 | Meso Scale Technologies, Llc. | Assay plates reader systems and methods for luminescence test measurements |
CN108288014A (zh) * | 2017-01-09 | 2018-07-17 | 北京四维图新科技股份有限公司 | 道路智能提取方法和装置、提取模型构建方法及混合导航*** |
CN108764329A (zh) * | 2018-05-24 | 2018-11-06 | 复旦大学附属华山医院北院 | 一种肺癌病理图像数据集的构建方法 |
CN108960232A (zh) * | 2018-06-08 | 2018-12-07 | Oppo广东移动通信有限公司 | 模型训练方法、装置、电子设备和计算机可读存储介质 |
CN109165623A (zh) * | 2018-09-07 | 2019-01-08 | 北京麦飞科技有限公司 | 基于深度学习的水稻病斑检测方法及*** |
CN109754879A (zh) * | 2019-01-04 | 2019-05-14 | 湖南兰茜生物科技有限公司 | 一种基于深度学习的肺癌计算机辅助检测方法及*** |
CN110866476A (zh) * | 2019-11-06 | 2020-03-06 | 南京信息职业技术学院 | 一种基于自动标注和迁移学习的密集堆垛目标检测方法 |
CN111311578A (zh) * | 2020-02-17 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 基于人工智能的对象分类方法以及装置、医学影像设备 |
CN111047591A (zh) * | 2020-03-13 | 2020-04-21 | 北京深睿博联科技有限责任公司 | 基于深度学习的病灶体积测量方法、***、终端及存储介质 |
CN111598030A (zh) * | 2020-05-21 | 2020-08-28 | 山东大学 | 一种航拍图像中车辆检测和分割的方法及*** |
CN111680632A (zh) * | 2020-06-10 | 2020-09-18 | 深延科技(北京)有限公司 | 基于深度学习卷积神经网络的烟火检测方法及*** |
CN112184757A (zh) * | 2020-09-28 | 2021-01-05 | 浙江大华技术股份有限公司 | 运动轨迹的确定方法及装置、存储介质、电子装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114145844A (zh) * | 2022-02-10 | 2022-03-08 | 北京数智元宇人工智能科技有限公司 | 一种基于深度学习算法的腹腔镜手术人工智能云辅助*** |
WO2023220389A1 (en) * | 2022-05-13 | 2023-11-16 | PAIGE.AI, Inc. | Systems and methods to process electronic images with automatic protocol revisions |
CN115601617A (zh) * | 2022-11-25 | 2023-01-13 | 安徽数智建造研究院有限公司(Cn) | 基于半监督学习的带状脱空识别模型的训练方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107895367B (zh) | 一种骨龄识别方法、***及电子设备 | |
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别*** | |
CN112614573A (zh) | 基于病理图像标注工具的深度学习模型训练方法及装置 | |
CN111292839B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN112614133B (zh) | 一种无锚点框的三维肺结节检测模型训练方法及装置 | |
US20220335600A1 (en) | Method, device, and storage medium for lesion segmentation and recist diameter prediction via click-driven attention and dual-path connection | |
US20220207744A1 (en) | Image processing method and apparatus | |
JP2022525256A (ja) | デジタル病理学のためのスライドの画像を処理し、スライドの処理された画像を自動的に優先順位付けするためのシステムおよび方法 | |
CN113793345B (zh) | 一种基于改进注意力模块的医疗影像分割方法及装置 | |
CN111080592B (zh) | 一种基于深度学习的肋骨提取方法及装置 | |
CN111986182A (zh) | 辅助诊断方法、***、电子设备及存储介质 | |
CN111476776A (zh) | 胸部病灶位置确定方法、***、可读存储介质和设备 | |
CN111681247A (zh) | 肺叶肺段分割模型训练方法和装置 | |
CN114419087A (zh) | 病灶图像生成方法、装置、电子设备及存储介质 | |
CN112801940B (zh) | 模型评测方法、装置、设备及介质 | |
CN111144506B (zh) | 基于超声图像的肝包虫识别方法、存储介质及超声设备 | |
CN112614570A (zh) | 样本集标注、病理图像分类、分类模型构建方法及装置 | |
CN116451095A (zh) | 多源异构医疗数据多视图聚类方法、装置、介质及设备 | |
CN114927229A (zh) | 手术仿真方法、装置、电子设备及存储介质 | |
CN116982038A (zh) | 多重免疫荧光图像的图构建和可视化 | |
CN109509189B (zh) | 一种基于多个子区域模板的腹部肌肉标注方法及标注装置 | |
Crosby et al. | Deep convolutional neural networks in the classification of dual-energy thoracic radiographic views for efficient workflow: analysis on over 6500 clinical radiographs | |
CN117746167B (zh) | 口腔全景片影像摆位错误分类模型训练方法及分类方法 | |
CN112950582B (zh) | 一种基于深度学习的3d肺部病灶分割方法、装置 | |
US20230245430A1 (en) | Systems and methods for processing electronic images for auto-labeling for computational pathology |
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 |