CN113314205A - 一种高效的医学影像标注与学习*** - Google Patents

一种高效的医学影像标注与学习*** Download PDF

Info

Publication number
CN113314205A
CN113314205A CN202110589696.6A CN202110589696A CN113314205A CN 113314205 A CN113314205 A CN 113314205A CN 202110589696 A CN202110589696 A CN 202110589696A CN 113314205 A CN113314205 A CN 113314205A
Authority
CN
China
Prior art keywords
training
model
learning
module
sample
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
Application number
CN202110589696.6A
Other languages
English (en)
Other versions
CN113314205B (zh
Inventor
李建欣
于金泽
张帅
周号益
陈天宇
朱琪山
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202110589696.6A priority Critical patent/CN113314205B/zh
Publication of CN113314205A publication Critical patent/CN113314205A/zh
Application granted granted Critical
Publication of CN113314205B publication Critical patent/CN113314205B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Image Analysis (AREA)

Abstract

本发明通过医学影像处理领域的方法，实现了一种高效的医学影像标注与学习***。***包括：无监督对比学习预训练模块基于MoCo算法在预训练过程引入无监督对比学习方法；基于主动学习和对比学习的训练模块获取预训练后的模型和实际目标任务数据集，结合发现无标注样本中最有价值的样本获取标注以及对错分类的样例给予更高的权重的难例挖掘以及引入了标注数据的有监督对比学习方法来对模型进行进一步调整以适应实际需求；人工标注与模型训练交互控制模块提供标注的交互界面以及对模型训练的控制模块。通过上述架构的***，实现一个通用的训练框架。

Description

一种高效的医学影像标注与学习***
技术领域
本发明涉及医学影像处理领域，尤其涉及一种高效的医学影像标注与学习***。
背景技术
目前各类医学影像在临床上应用广泛，例如进行人体成像的X光、CT影像和MRI等，以及作为病变组织分析手段的病理图像等。
由于CT影像获取快速、简单、普及的特点，在新冠肺炎乃至其它肺部疾病的诊断中都把基于肺部CT的影像学表现作为重要依据，CT影像在各类肺部疾病的诊断中的重要价值不言而喻；MRI由于其依靠氢原子共振成像的特点，能够对以大脑为代表的含水丰富的软组织进行清晰的成像，同时由于颅骨的遮挡使得CT难以对大脑进行成像，对大脑进行检查时以MRI检查最为普遍；而病理图像是通过对病理切片进行染色等处理后观察细胞形态等特征，判断病变类型。医学影像在临床事件中的重要价值不言而喻，但是使用医学影像进行诊断依赖于医生进行的人工判读，但是医学影像的大数据量也给医生带来了巨大的负担，而近年来深度学习技术在医学影像处理领域内的应用日益广泛，通过对医学影像进行初步筛查或者辅助医生诊断的方式有效的减轻了医生的负担并提高了疾病诊断的准确率。
然而深度学习医学影像诊断方法存在的主要缺陷是，常见深度学习方法依赖于大量的高质量的有标注数据，然而对医学影像数据进行标注是非常耗时且昂贵的，与此相对的是，得益于电子病历的快速发展，医院的数据库中存储了大量涵盖各种疾病、无精细标注的检查结果数据。除了上述问题外，基于标注数据的预训练方法一方面仍依赖于相近应用场景下的大量有标注数据，另一方面，迁移学习在处理类别不均衡、实际应用中存在预训练数据集中没有的新类别、训练集和测试集之间的偏差等问题时存在缺陷。
因此，我们尝试基于对比学习、自监督学习和主动学习方法，构建一个适用于多种医学图像的通用学习框架，其具有高效利用大量相关应用场景的无标注数据以及在目标应用场景下的较少标注进行特征抽取和分类学习的能力，与传统方法相比，能够充分发掘无标注数据的价值并且能够减轻对于人工标注的需求。
目前的深度学习医学影像诊断方法存在的主要缺陷是，无论是从随机初始化的模型开始针对目标应用场景直接进行训练，还是将在针对其它相关应用场景已经训练好的预训练模型进行进一步的微调适配到当前目标应用场景下，都需要大量的精细标注的数据，而数据标注的获取是非常昂贵的，耗时耗力；除此之外，在上面提到的预训练——微调的迁移学习以及训练——测试——实际应用的训练流程中，可能存在类别不均衡问题，以及预训练数据集、目标任务训练数据集、实际应用场景互相之间的差异，影响最终的使用效果。
发明内容
为此，本发明首先提出一种高效的医学影像标注与学习***，包括基于无监督对比学习的预训练模块、基于有监督对比学习和主动学习的模型微调模块、以及包含模型交互控制和人工标注功能的控制模块：
模块一：基于无监督对比学习的预训练模块：从外部输入无标注数据集，通过使用基于无监督学习方法中对比学习的MoCo算法，使用输入数据自动产生正负样本对，模型通过正负样本对之间的对比学习到样本中的代表性特征，从而在预训练阶段实现无需人工标注的无监督训练；
模块二：基于有监督对比学习和主动学习的模型微调模块：通过所述模块一预训练模块得到无监督预训练模型，基于无标注数据，在主动学习框架下循环进行以下过程直至达到预期性能指标要求：通过难例挖掘方法选择数据样例进行标注并通过有监督的对比学习优化模型特征表示，在模型最后增加分类器并对分类器与模型进行训练和微调，以实现目标的分类任务；
模块三：包含模型交互控制和人工标注功能的控制模块：实现对所述模块一预训练模块和模块二训练微调模块的训练流程控制、模型参数调节功能，并与所述模块二模型微调模块结合通过人工标注的可视化用户界面获取人工标注，并实现对模型的不断迭代优化。
预训练模块通过使用所述MoCo算法，并选择Info-NCE Loss作为损失函数和AdamOptimizer作为优化方法，使用所输入的所有无标注数据构建样本对并对输入模型进行训练，训练模型的编码部分、优化模型编码部分得到的特征表示，以充分利用输入的大量无标注数据实现对模型的预训练。
MoCo算法的具体实现方式为：对每一张原始图片进行不同的随机变换得到两个样例，来源于同一张图片的两个样例之间构成一个正样本对，来源于不同图片的两个样例之间构成一个负样本对，之后使用相同的网络作为编码器对每一个样例进行特征抽取和编码得到样本的特征表示，之后优化模型增大正样本对之间的相似度并降低负样本对之间的相似度，通过以上方法来实现无监督的样本中有价值、有区分度的特征的抽取。
模型微调模块基于所述主动学习方法框架，反复使用难例挖掘方法发现未标注数据中具有最高预测不确定度、最有价值的样本获取标注，使用选择的样例和获取到的标注利用所述有监督对比学习方法进一步优化模型的特征抽取能力；循环进行上述过程，并在上述过程的训练过程中定期进行性能评估，将上面训练得到的模型作为编码器在其后接入分类器，并将编码器与分类器一同进行微调训练，在微调后的模型上使用测试数据进行测试，得到性能指标，持续以上过程直到性能指标满足预期。
主动学习方法基于发现所有无标注样本中最有价值的样本的难例挖掘方法，进行泛化误差缩减，其过程为:首先选择一个损失函数用于估计未来错误率，然后将未标注样例集中的每一个样例都分别估计其能给基础分类器带来的误差缩减，选择估计值最大的那个样例进行标注。
无监督对比方法存在的主要问题是，正样本和负样本的选取和判断标准是是否来自于同一个原始样本，也即是基于图像特征，因此可能存在的问题是将不同的两类中看起来比较相似的图像的特征拉近，而这与目标的分类任务不符。而所述有监督对比方法通过引入数据的类别标签，优化依据从图像特征的相似度变为图像类别的异同，因此避免了无监督对比学习中存在的问题，通过优化抽取到的特征在特征空间中的分布，拉近同类别图像的特征之间的相似度，并增加不同类别图像之间的特征相似度，能够使编码图像特征的编码器辨别到图像中对辨别图像类别有意义的特征并进行抽取。
控制模块包含模型训练过程的训练控制器以及获取模型训练所需标注的人工标注功能；
所述人工标注功能提供图片分割的标注能力，使用多边形、圆形和矩形工具对图片的目标区域进行切割，然后将目标区域标上自定义的标签后，目标区域自动转换成tiff格式的图片矩阵，并生成目标掩码，标注好的图片将自动加入训练集数据库中；所述训练控制器包括三个功能：训练，评估和预测，所述训练功能加载训练数据到服务器的内存或者显存中，然后为模型设置训练环境进行训练；所述评估功能使测试集加载评估数据和评估函数，对当前服务器内存中的模型进行评估；所述预测功能对预定义的预测集数据中的每一个样本进行标签的预测，并将预测结果保存到数据库中。
本发明所要实现的技术效果在于：
本发明提出的高效的医学影像标注与学习***，完成了一套从医学影像的标注到模型训练的联合框架，具有从大量无标注数据中学习到如何提取图像中的有用特征，以及通过选取最有价值的样例获取标注和更有效的利用已有标注数据，实现减少对大量标注数据的依赖、完成高质量模型训练的目标。
其具体有以下优势：
1.通过无监督的对比学习方法，能够利用大量的无标注数据学习到图像特征的抽取方法，使得相似的图像与相差较大的图像相比具有更相近的特征表示，优化抽取到的特征在特征空间中的分布，为后续使用较少标注样例进行模型微调提供基础；
2.通过主动学习的方法，在学习过程中选择未标注数据中对模型优化最具有价值的难例，获取标注并进行学习，从而通过舍弃大量简单样例的标注降低总体的模型标注需求；并且通过有监督的对比学习，拉近同一类别图像之间的特征表示，显式地完成特征聚类，从而优化对已有标注数据的学习效果；
3.针对深度学***台，完成自监督预训练、需标注的困难样例选择、模型有监督训练的算法流程，能够灵活嵌入到现有深度学***台中，提升现有算法效果；
4.具有灵活、良好的适应性和广阔的使用前景，本发明关注于算法的训练过程，作为一个通用的训练框架，不受具体的应用场景和实际算法模型限制，能够适用于不同使用场景下的针对不同医学影像类型的分类任务上，并且能够通过对框架的不同模块进行取舍和修改，适用于分割、检测等更多任务，除此之外也适用于更多更广泛的领域，例如工业图像中的缺陷检测和分类、通用自然图像的分类等。
附图说明
图1医学影像标注与学习***设计框架；
图2无监督对比学习预训练模块结构；
图3基于主动学习框架的训练模块结构；
具体实施方式
以下是本发明的优选实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于此实施例。
本发明提出了一种高效的医学影像标注与学***台完成对抽取出的重点样例进行标注——训练——再抽取样例的循环训练流程，最终在包括不同部位的CT、MRI、病理图片等不同类别的医学影像上的高效、节约标注成本的深度学习网络模型。
该方法包括以下若干部分和过程，如图1所示：
1.基于MoCo的无监督对比学习预训练模块；
2.基于主动学习、有监督对比学习和重点样例抽取的训练模块；
3.人工标注与模型训练交互控制模块；
无监督对比学习预训练模块
对比学习通过优化抽取到的特征在特征空间中的分布，拉近相似图像的特征之间的相似度，并增加差别较大的图像之间的特征相似度，实现对模型表示效果的优化，在无监督设定下，来自于同一张图片经过不同特征变换方法得到的不同样本作为正例，而来自不同图片的样本作为反例，因此能够在不需要人工标注的情况下学习到如何抽取图像中的有用特征。
无监督对比学习预训练模块的构成如图2所示，基于MoCo算法，对每一张原始图片进行不同的随机变换得到两个样例，来源于同一张图片的两个样例之间构成一个正样本对，来源于不同图片的两个样例之间构成一个负样本对，之后使用相同的网络作为编码器对每一个样例进行特征抽取和编码得到样本的特征表示，之后优化模型增大正样本对之间的相似度并降低负样本对之间的相似度，通过以上方法来实现无监督的样本中有价值、有区分度的特征的抽取。并设计并选择Info-NCE Loss作为损失函数和Adam Optimizer作为优化方法，使用所输入的所有无标注数据构建样本对并对输入模型进行训练，训练模型的编码部分、优化模型编码部分得到的特征表示，以充分利用输入的大量无标注数据实现对模型的预训练，使得模型从同一张图片对应的两个样例得到的特征表示比起来自于不同图片的特征表示更为相近。
基于主动学习和对比学习的训练模块
基于主动学习和对比学习的训练模块如图3所示，基于主动学习框架，结合从所有无标注样本中最有价值的样本的难例挖掘方法和有监督对比学习方法，并与后文所述的标注-训练交互模块相结合。通过主动学习，发现所有无标注样本中最有价值的样本进行标注，并将标注结果利用有监督对比学习优化特征表示，对模型中的编码部分进行初步训练，这一部分的有监督对比学习的总体流程与上面的无监督对比学习模块基本一致，区别在于引入了类别标签作为正例和负例的判别依据，而不是是否是来自于同一张图片的不同增强样例，之后使用正常的模型微调方法训练包括最后的分类器的整体模型。
主动学习是一种高效利用无标注数据的方法，其核心思想是寻找当前模型“最不确定”的样本进行标注，从而使得以最少的标注样本取得最好的效果。目前的标注样本选择算法主要有三种，包括基于不确定度缩减的方法，基于样本缩减的方法和基于泛化误差缩减的方法。本发明采用了基于泛化误差缩减的方法，这种方法试图选择那些能够使未来泛化误差最大程度减小的样例。其过程为:首先选择一个损失函数用于估计未来错误率，然后将未标注样例集中的每一个样例都分别估计其能给基础分类器带来的误差缩减，选择估计值最大的那个样例进行标注。
此外，在通过主动学习进行重要样本选择和标注后，使用有监督的对比学习方法进行训练，使得模型针对于每一张图片不仅关注于其最终分类结果的预测，同时使得同类别样本之间的特征相似，优化特征在特征空间中的分布，降低模型最后部分的分类器对于提取到的特征进行分类的难度，提高模型的训练效果。
无监督对比方法存在的主要问题是，正样本和负样本的选取和判断标准是是否来自于同一个原始样本，也即是基于图像特征，因此可能存在的问题是将不同的两类中看起来比较相似的图像的特征拉近，而这与目标的分类任务不符。而所述有监督对比方法通过引入数据的类别标签，优化依据从图像特征的相似度变为图像类别的异同，因此避免了无监督对比学习中存在的问题，通过优化抽取到的特征在特征空间中的分布，拉近同类别图像的特征之间的相似度，并增加不同类别图像之间的特征相似度，能够使编码图像特征的编码器辨别到图像中对辨别图像类别有意义的特征并进行抽取。
人工标注与模型训练交互控制模块中的标注-训练控制功能是提供了标注的交互界面设计和训练的控制模块，其中标注界面主要提供了图片分割的标注能力，包括使用多边形、圆形和矩形工具对图片的目标区域进行切割，然后将目标区域标上自定义的标签，这个区域会被自动转换成tiff格式的图片矩阵，并生成目标掩码。标注好的图片将自动加入训练集数据库中，方便模型进行继续训练。
训练控制器包括三个功能，分别是训练，评估和预测。训练控制器会加载训练数据到服务器的内存或者显存中，然后为模型设置训练环境进行训练。评估控制器测试集会加载评估数据和评估函数，对当前服务器内存中的模型进行评估。预测控制器则会对预定义的预测集数据中的每一个样本进行标签的预测，并将预测结果保存到数据库中以方便下载。

Claims (4)

1.一种高效的医学影像标注与学习***，其特征在于：包含以下三个***模块：
模块一：基于无监督对比学习的预训练模块：从外部输入无标注数据集，通过使用基于无监督学习方法中对比学习的MoCo算法，使用输入数据自动产生正负样本对，模型通过正负样本对之间的对比学习到样本中的代表性特征，从而在预训练阶段实现无需人工标注的无监督训练；
模块二：基于有监督对比学习和主动学习的模型微调模块：通过所述模块一预训练模块得到无监督预训练模型，基于无标注数据，在主动学习框架下循环进行以下过程直至达到预期性能指标要求：通过难例挖掘方法选择数据样例进行标注并通过有监督的对比学习优化模型特征表示，在模型最后增加分类器并对分类器与模型进行训练和微调，以实现目标的分类任务；
模块三：包含模型交互控制和人工标注功能的控制模块：实现对所述模块一预训练模块和所述模块二微调模块的训练流程控制、模型参数调节功能，并与所述模块二模型微调模块结合通过人工标注的可视化用户界面获取人工标注，并实现对模型的不断迭代优化。
2.如权利要求1所述的一种高效的医学影像标注与学习***，其特征在于：所述预训练模块通过使用所述MoCo算法，并选择Info-NCE Loss作为损失函数和Adam Optimizer作为优化方法，使用所输入的所有无标注数据构建样本对并对输入模型进行训练，训练模型的编码部分、优化模型编码部分得到的特征表示，以充分利用输入的大量无标注数据实现对模型的预训练；
所述MoCo算法的具体实现方式为：对每一张原始图片进行不同的随机变换得到两个样例，来源于同一张图片的两个样例之间构成一个正样本对，来源于不同图片的两个样例之间构成一个负样本对，之后使用相同的网络作为编码器对每一个样例进行特征抽取和编码得到样本的特征表示，之后优化模型增大正样本对之间的相似度并降低负样本对之间的相似度，通过以上方法来实现无监督的样本中有价值、有区分度的特征的抽取。
3.如权利要求1所述的一种高效的医学影像标注与学习***，其特征在于：所述模型微调模块基于所述主动学习方法框架，反复使用所述难例挖掘方法发现未标注数据中具有最高预测不确定度、最有价值的样本获取标注，使用选择的样例和获取到的标注利用所述有监督对比学习方法进一步优化模型的特征抽取能力；循环进行上述过程，并在上述过程的训练过程中定期进行性能评估，将上面训练得到的模型作为编码器在其后接入分类器，并将编码器与分类器一同进行微调训练，在微调后的模型上使用测试数据进行测试，得到性能指标，持续以上过程直到性能指标满足预期；
所述主动学习方法基于发现所有无标注样本中最有价值的样本的难例挖掘方法，进行泛化误差缩减，其过程为:首先选择一个损失函数用于估计未来错误率，然后将未标注样例集中的每一个样例都分别估计其能给基础分类器带来的误差缩减，选择估计值最大的那个样例进行标注。
4.如权利要求1所述的一种高效的医学影像标注与学习***，其特征在于：所述控制模块包含模型训练过程的训练控制器以及获取模型训练所需标注的人工标注功能；
所述人工标注功能提供图片分割的标注能力，使用多边形、圆形和矩形工具对图片的目标区域进行切割，然后将目标区域标上自定义的标签后，目标区域自动转换成tiff格式的图片矩阵，并生成目标掩码，标注好的图片将自动加入训练集数据库中；
所述训练控制器包括三个功能：训练，评估和预测，所述训练功能加载训练数据到服务器的内存或者显存中，然后为模型设置训练环境进行训练；所述评估功能使测试集加载评估数据和评估函数，对当前服务器内存中的模型进行评估；所述预测功能对预定义的预测集数据中的每一个样本进行标签的预测，并将预测结果保存到数据库中。
CN202110589696.6A 2021-05-28 2021-05-28 一种高效的医学影像标注与学习*** Active CN113314205B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110589696.6A CN113314205B (zh) 2021-05-28 2021-05-28 一种高效的医学影像标注与学习***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110589696.6A CN113314205B (zh) 2021-05-28 2021-05-28 一种高效的医学影像标注与学习***

Publications (2)

Publication Number Publication Date
CN113314205A true CN113314205A (zh) 2021-08-27
CN113314205B CN113314205B (zh) 2022-05-17

Family

ID=77375844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110589696.6A Active CN113314205B (zh) 2021-05-28 2021-05-28 一种高效的医学影像标注与学习***

Country Status (1)

Country Link
CN (1) CN113314205B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114267087A (zh) * 2022-02-28 2022-04-01 成都考拉悠然科技有限公司 一种基于小样本机器学习模型的动作注册方法及其***
CN114399465A (zh) * 2021-12-08 2022-04-26 紫东信息科技(苏州)有限公司 良恶性溃疡识别方法及***
CN114612685A (zh) * 2022-03-22 2022-06-10 中国科学院空天信息创新研究院 一种结合深度特征与对比学习的自监督信息提取方法
CN114708353A (zh) * 2022-06-06 2022-07-05 中国科学院自动化研究所 图像重建方法、装置、电子设备与存储介质
CN114708465A (zh) * 2022-06-06 2022-07-05 中国科学院自动化研究所 图像分类方法、装置、电子设备与存储介质
CN114882298A (zh) * 2022-07-11 2022-08-09 东声(苏州)智能科技有限公司 一种对抗互补学习模型的优化方法及装置
CN114970716A (zh) * 2022-05-26 2022-08-30 支付宝(杭州)信息技术有限公司 表征模型的训练方法、装置、可读存储介质及计算设备
CN115146716A (zh) * 2022-06-22 2022-10-04 腾讯科技（深圳）有限公司 标注方法、装置、设备、存储介质及程序产品
CN117763348A (zh) * 2023-12-07 2024-03-26 成都市汇众天智科技有限责任公司 一种自动驾驶数据标注***及方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4375883A1 (en) * 2022-11-26 2024-05-29 PreciPoint Group GmbH Method for operating a distributed digital microscopy system and distributed digital microscopy system

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985334A (zh) * 2018-06-15 2018-12-11 广州深域信息科技有限公司 基于自监督过程改进主动学习的通用物体检测***及方法
CN111191732A (zh) * 2020-01-03 2020-05-22 天津大学 一种基于全自动学习的目标检测方法
CN112069921A (zh) * 2020-08-18 2020-12-11 浙江大学 一种基于自监督知识迁移的小样本视觉目标识别方法
CN112381116A (zh) * 2020-10-21 2021-02-19 福州大学 基于对比学习的自监督图像分类方法
US20210150710A1 (en) * 2019-11-15 2021-05-20 Arizona Board Of Regents On Behalf Of Arizona State University Systems, methods, and apparatuses for implementing a self-supervised chest x-ray image analysis machine-learning model utilizing transferable visual words

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985334A (zh) * 2018-06-15 2018-12-11 广州深域信息科技有限公司 基于自监督过程改进主动学习的通用物体检测***及方法
US20210150710A1 (en) * 2019-11-15 2021-05-20 Arizona Board Of Regents On Behalf Of Arizona State University Systems, methods, and apparatuses for implementing a self-supervised chest x-ray image analysis machine-learning model utilizing transferable visual words
CN111191732A (zh) * 2020-01-03 2020-05-22 天津大学 一种基于全自动学习的目标检测方法
CN112069921A (zh) * 2020-08-18 2020-12-11 浙江大学 一种基于自监督知识迁移的小样本视觉目标识别方法
CN112381116A (zh) * 2020-10-21 2021-02-19 福州大学 基于对比学习的自监督图像分类方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114399465A (zh) * 2021-12-08 2022-04-26 紫东信息科技(苏州)有限公司 良恶性溃疡识别方法及***
CN114399465B (zh) * 2021-12-08 2022-11-25 紫东信息科技(苏州)有限公司 良恶性溃疡识别方法及***
CN114267087A (zh) * 2022-02-28 2022-04-01 成都考拉悠然科技有限公司 一种基于小样本机器学习模型的动作注册方法及其***
CN114612685A (zh) * 2022-03-22 2022-06-10 中国科学院空天信息创新研究院 一种结合深度特征与对比学习的自监督信息提取方法
CN114612685B (zh) * 2022-03-22 2022-12-23 中国科学院空天信息创新研究院 一种结合深度特征与对比学习的自监督信息提取方法
CN114970716A (zh) * 2022-05-26 2022-08-30 支付宝(杭州)信息技术有限公司 表征模型的训练方法、装置、可读存储介质及计算设备
CN114708353A (zh) * 2022-06-06 2022-07-05 中国科学院自动化研究所 图像重建方法、装置、电子设备与存储介质
CN114708353B (zh) * 2022-06-06 2022-09-06 中国科学院自动化研究所 图像重建方法、装置、电子设备与存储介质
CN114708465A (zh) * 2022-06-06 2022-07-05 中国科学院自动化研究所 图像分类方法、装置、电子设备与存储介质
CN115146716A (zh) * 2022-06-22 2022-10-04 腾讯科技（深圳）有限公司 标注方法、装置、设备、存储介质及程序产品
CN115146716B (zh) * 2022-06-22 2024-06-14 腾讯科技（深圳）有限公司 标注方法、装置、设备、存储介质及程序产品
CN114882298B (zh) * 2022-07-11 2022-11-01 东声(苏州)智能科技有限公司 一种对抗互补学习模型的优化方法及装置
CN114882298A (zh) * 2022-07-11 2022-08-09 东声(苏州)智能科技有限公司 一种对抗互补学习模型的优化方法及装置
CN117763348A (zh) * 2023-12-07 2024-03-26 成都市汇众天智科技有限责任公司 一种自动驾驶数据标注***及方法

Also Published As

Publication number Publication date
CN113314205B (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
CN113314205B (zh) 一种高效的医学影像标注与学习***
CN111444960A (zh) 基于多模态数据输入的皮肤病图像分类***
CN109544518B (zh) 一种应用于骨骼成熟度评估的方法及其***
CN111583285B (zh) 一种基于边缘关注策略的肝脏影像语义分割方法
CN110992351B (zh) 基于多输入卷积神经网络的sMRI图像分类方法和装置
CN111738302B (zh) 一种基于多模态数据对阿尔茨海默病进行分类诊断的***
CN111476805A (zh) 一种基于多重约束的跨源无监督域适应分割模型
CN111242233B (zh) 一种基于融合网络的阿尔兹海默病分类方法
CN112132878B (zh) 基于卷积神经网络的端到端大脑核磁共振图像配准方法
CN112950480A (zh) 一种融合多感受野和密集残差注意的超分辨率重建方法
CN116503668A (zh) 一种基于小样本元学习的医学影像分类方法
CN113781461A (zh) 一种病人智能监控排序方法
CN116630289A (zh) 一种基于多模态mri的脑胶质瘤cdkn2a/b基因状态分类预测方法
CN114417836A (zh) 一种基于深度学习的中文电子病历文本语义分割方法
CN113920379A (zh) 一种基于知识辅助的零样本图像分类方法
CN116434950B (zh) 基于数据分簇和集成学习的孤独症谱系障碍的诊断***
CN114972291B (zh) 基于混合增强智能的医学影像结构化自动标注方法与***
WO2023226217A1 (zh) 微卫星不稳定预测***及其构建方法、终端设备及介质
CN114463320B (zh) 一种磁共振成像脑胶质瘤idh基因预测方法及***
CN114359194B (zh) 基于改进U-Net网络的多模态脑卒中梗死区域图像处理方法
CN112686912B (zh) 基于逐步学习和混合样本的急性脑卒中病变分割方法
CN114283301A (zh) 一种基于Transformer的自适应医学影像分类方法及***
CN112086174A (zh) 一种三维知识诊断模型构建方法和***
CN117974693B (zh) 图像分割方法、装置、计算机设备和存储介质
CN117174261B (zh) 一种用于医学影像的多类型标注流程集成***

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