TW202217837A - 圖像檢測模型的訓練方法及電子設備、電腦可讀儲存介質 - Google Patents

圖像檢測模型的訓練方法及電子設備、電腦可讀儲存介質 Download PDF

Info

Publication number
TW202217837A
TW202217837A TW110120820A TW110120820A TW202217837A TW 202217837 A TW202217837 A TW 202217837A TW 110120820 A TW110120820 A TW 110120820A TW 110120820 A TW110120820 A TW 110120820A TW 202217837 A TW202217837 A TW 202217837A
Authority
TW
Taiwan
Prior art keywords
target object
feature
area
image
value
Prior art date
Application number
TW110120820A
Other languages
English (en)
Inventor
黃燁翀
羅祥德
葉宇翔
朱雅靖
陳翼男
Original Assignee
大陸商上海商湯智能科技有限公司
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 大陸商上海商湯智能科技有限公司 filed Critical 大陸商上海商湯智能科技有限公司
Publication of TW202217837A publication Critical patent/TW202217837A/zh

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本發明實施例公開了一種圖像檢測模型的訓練方法及電子設備、電腦可讀儲存介質，其中，圖像檢測模型的訓練方法包括：獲取樣本醫學圖像；其中，樣本醫學圖像中標注有至少一個目標對象的實際區域；利用圖像檢測模型對樣本醫學圖像進行檢測，得到樣本醫學圖像中目標對象的檢測區域；分析同一目標對象的實際區域和檢測區域的形態特徵，得到對應目標對象的實際區域和檢測區域之間的形態差異資訊；利用形態差異資訊，調整圖像檢測模型的網路參數。

Description

圖像檢測模型的訓練方法及電子設備、電腦可讀儲存介質
本發明實施例關於圖像處理技術領域，特別是關於一種圖像檢測模型的訓練方法及電子設備、電腦可讀儲存介質。
CT（Computed Tomography，電腦斷層掃描）和MRI（Magnetic Resonance Imaging，核磁共振掃描）等醫學圖像在臨床具有重要意義。通過對醫學圖像中器官、血管等目標對象的檢測識別，能夠在諸如解剖結構研究、放射治療規劃等臨床應用中為醫護人員提供有力支撐。有鑑於此，如何提高醫學圖像檢測的準確性成為極具研究價值的課題。
本發明實施例提供一種圖像檢測模型的訓練方法及電子設備、電腦可讀儲存介質。
本發明實施例第一方面提供了一種圖像檢測模型的訓練方法，包括：獲取樣本醫學圖像；其中，樣本醫學圖像中標注有至少一個目標對象的實際區域；利用圖像檢測模型對樣本醫學圖像進行檢測，得到樣本醫學圖像中目標對象的檢測區域；分析同一目標對象的實際區域和檢測區域的形態特徵，得到對應目標對象的實際區域和檢測區域之間的形態差異資訊；利用形態差異資訊，調整圖像檢測模型的網路參數。
因此，通過獲取樣本醫學圖像，且樣本醫學圖像中標注有至少一個目標對象的實際區域，從而利用圖像檢測模型對樣本醫學圖像進行檢測，得到樣本醫學圖像中目標對象的檢測區域，並分析同一目標對象的實際區域和檢測區域的形態特徵，得到對應目標對象的實際區域和檢測區域之間的形態差異資訊，進而利用形態差異資訊，調整圖像檢測模型的網路參數，故能夠在訓練圖像檢測模型的過程中，引入醫學圖像中目標對象的形態特徵，通過目標對象的實際區域和檢測區域之間的形態差異資訊來約束圖像檢測模型學習，從而能夠抑制不符合實際區域形態特徵的檢測結果，提高圖像檢測模型的準確性，進而能夠有利於提高醫學圖像檢測的準確性。
其中，形態特徵包括以下至少一種：形狀特徵、預設維度空間特徵、邊緣曲率特徵。
因此，將形態特徵設置為包括形狀特徵、預設維度空間特徵、邊緣曲率特徵中的至少一種，能夠有利於從多種形態特徵約束圖像檢測模型學習，有利於進一步提高圖像檢測模型的準確性。
其中，形態特徵包括形狀特徵；形態差異資訊包括與形狀特徵相關的第一損失值；分析同一目標對象的實際區域和檢測區域的形態特徵，得到對應目標對象的實際區域和檢測區域之間的形態差異資訊，包括：對若干樣本醫學圖像中同一目標對象的實際區域進行融合，得到融合圖像，其中，融合圖像包括對應目標對象的融合區域；利用檢測區域的第一圖元點的權值，對相應第一圖元點屬於目標對象的概率值進行加權處理，得到與形狀特徵相關的第一損失值；其中，第一圖元點的權值和融合圖像中與第一圖元點匹配的第二圖元點至融合區域邊緣的距離為正相關關係；第一圖元點為檢測區域邊緣上的圖元點。
因此，在形態特徵包括形狀特徵的情況下，通過對若干樣本醫學圖像中同一目標對象的實際區域進行融合，得到融合圖像，且融合圖像包括對應目標對象的融合區域，從而利用檢測區域第一圖元點的權值，對相應第一圖元點屬於目標對象的概率值進行加權處理，得到與形狀特徵相關的第一損失值，且第一圖元點的權值和融合圖像中與第一圖元點匹配的第二圖元點至融合區域邊緣的距離為正相關關係，故能夠有效抑制離融合區域邊緣較遠的異常圖元點，有利於提高圖像檢測模型的準確性。
其中，形態特徵包括預設維度空間特徵；形態差異資訊包括與預設維度空間特徵相關的第二損失值；分析同一目標對象的實際區域和檢測區域的形態特徵，得到對應目標對象的實際區域和檢測區域之間的形態差異資訊，包括：對同一目標對象的實際區域在預設維度空間進行特徵分析，得到對應目標對象的特徵值範圍；以及，對對應目標對象的檢測區域在預設維度空間進行特徵分析，得到對應目標對象的特徵值；基於特徵值與特徵值範圍之間的大小關係，採用與大小關係對應的處理方式對特徵值進行處理，得到與預設維度空間特徵相關的第二損失值。
因此，在形態特徵包括預設維度空間特徵的情況下，通過對同一目標對象的實際區域在預設維度空間進行特徵分析，得到對應目標對象的特徵值範圍，並通過對對應目標對象的檢測區域在預設維度空間進行特徵分析，得到對應目標對象的特徵值，從而基於特徵值與特徵值範圍之間的大小關係，採用與大小關係對應的處理方式對特徵值進行處理，得到與預設維度空間特徵相關的第二損失值，進而能夠有利於通過目標對象的特徵值範圍約束目標對象在預設維度空間的特徵值，能夠抑制多檢測或漏檢測等不符合預設維度空間特徵的情況，有利於提高檢測模型的準確性。
其中，預設維度空間特徵包括一維空間長度特徵、二維空間面積特徵、三維空間體積特徵中的至少一者；和/或，特徵值包括邊緣長度值、面積值、體積值中的至少一者。
因此，通過將預設維度空間特徵設置為包括一維空間長度特徵、二維空間面積特徵、三維空間體積特徵中的至少一者，能夠有利於在多種維度空間約束圖像檢測模型學習，有利於提高圖像檢測模型的準確性；而通過將特徵值設置為包括邊緣長度值、面積值、體積值中的至少一者，能夠有利於在多種維度空間約束圖像檢測模型學習，有利於提高圖像檢測模型的準確性。
其中，特徵值範圍包括上限值和下限值；基於特徵值與特徵值範圍之間的大小關係，採用與大小關係對應的處理方式對特徵值進行處理，得到第二損失值，包括：在特徵值在特徵值範圍內的情況下，第二損失值為預設數值；在特徵值小於下限值的情況下，特徵值與下限值之間的絕對差值和第二損失值為正相關關係；在特徵值大於上限值的情況下，特徵值與上限值之間的絕對差值和第二損失值為正相關關係。
因此，在特徵值在特徵值範圍內的情況下，將第二損失值設置為預設數值，而在特徵值小於下限值的情況下，特徵值與下限值之間的絕對差值和第二損失值為正相關關係，且在特徵值大於上限值的情況下，特徵值與上限值之間的絕對差值和第二損失值為正相關關係，故能夠有利於在圖像檢測模型的訓練過程中，約束目標對象在預設維度空間的特徵值，使其處於特徵值範圍內，從而能夠有利於提高圖像檢測模型的準確性。
其中，形態特徵包括邊緣曲率特徵；形態差異資訊包括與邊緣曲率特徵相關的第三損失值；分析同一目標對象的實際區域和檢測區域的形態特徵，得到對應目標對象的實際區域和檢測區域之間的形態差異資訊，包括：對檢測區域進行邊緣提取，得到檢測區域的邊緣曲率值，並將邊緣曲率值作為與邊緣曲率特徵相關的第三損失值。
因此，在形態特徵包括邊緣曲率特徵的情況下，通過對檢測區域進行邊緣提取，得到檢測區域的邊緣曲率值，並將邊緣曲率值作為與邊緣曲率特徵相關的第三損失值，從而利用邊緣曲率值約束圖像檢測模型學習，能夠抑制複雜邊緣的情況，有利於提高圖像檢測模型的準確性。
其中，樣本醫學圖像中包含多個目標對象，在利用圖像檢測模型對樣本醫學圖像進行檢測，得到樣本醫學圖像中目標對象的檢測區域之後，方法還包括：基於多個目標對象之間的預設包含關係，確定檢測到的目標對象是否滿足預設共現條件；在檢測到的目標對象不滿足預設共現條件的情況下，利用檢測到的目標對象的檢測區域的預設特徵，得到共現差異資訊；利用形態差異資訊，調整圖像檢測模型的網路參數，包括：利用共現差異資訊和形態差異資訊，調整圖像檢測模型的網路參數。
因此，在樣本醫學圖像包括多個目標對象的情況下，通過基於多個目標對象之間的預設包含關係，確定檢測到的目標對象是否滿足預設共現條件，並在檢測到的目標對象不滿足預設共現條件的情況下，利用檢測到的目標對象的檢測區域的預設特徵，得到共現差異資訊，從而利用共現差異資訊和形態差異資訊，調整圖像檢測模型的網路參數，進而能夠在多個目標對象的情況下，進一步利用形態差異資訊結合多個目標對象之間的預設包含關係，約束圖像檢測模型學習，有利於提高圖像檢測模型對多個目標對象檢測的準確性。
其中，預設共現條件包括：在檢測到的目標對象數量為一個的情況下，檢測到的目標對象在預設包含關係中具有最大包含範圍；在檢測到的目標對象數量為多個的情況下，檢測到的多個目標對象在預設包含關係中為連續包含關係，且其中一個目標對象在預設包含關係中具有最大包含範圍；和/或，預設特徵為二維空間面積特徵、三維空間體積特徵中任一者；和/或，共現差異資訊為與二維空間面積特徵相關的損失值、與三維空間體積特徵相關的損失值中任一者。
因此，將預設共現條件設置為包括：在檢測到的目標對象數量為一個的情況下，檢測到的目標對象在預設包含關係中具有最大包含範圍；在檢測到的目標對象數量為多個的情況下，檢測到的多個目標對象在預設包含關係中為連續包含關係，且其中一個目標對象在預設包含關係中具有最大包含範圍，有利於在圖像檢測模型訓練過程中，抑制無關對象的學習，提高圖像檢測模型對多個目標對象檢測的準確性和完整性。
其中，目標對象包括器官、組織、病灶中的至少一者；和/或，樣本醫學圖像包括二維圖像、三維圖像中的任一者；和/或，樣本醫學圖像屬於不同的領域；和/或，樣本醫學圖像屬於相同的領域，且圖像檢測模型是利用屬於另一領域的樣本醫學圖像預先訓練得到的。
因此，通過將目標對象設置為包括器官、組織、病灶中的至少一者，能夠有利於使圖像檢測模型對器官、病灶進行檢測，通過有利於提高圖像檢測模型的檢測範圍；通過將樣本醫學圖像設置為包括二維圖像、三維圖像中的任一者，能夠有利於使圖像檢測模型適用於二維圖像或三維圖像，能夠有利於提高圖像檢測模型的使用範圍；通過將樣本醫學圖像設置為屬於不同的領域，能夠使圖像檢測模型適用於不同域圖像的檢測，從而能夠有利於提高圖像檢測模型的使用範圍，且在訓練過程中入的形態特徵能夠有利於輔助圖像檢測模型收斂，提高訓練效率，能夠；通過將樣本醫學圖像設置為屬於相同的領域，且圖像檢測模型是利用屬於另一領域的樣本醫學圖像預先訓練得到的，能夠使檢測模型的適用範圍從某一域遷移到另一域，且在訓練過程中引入的形態特徵能夠有利於防止網路過擬合，提高圖像檢測模型的準確性。
本發明實施例第二方面提供了一種圖像檢測模型的訓練裝置，包括：圖像獲取部分、區域檢測部分、形態分析部分和參數調整部分，圖像獲取部分被配置為獲取樣本醫學圖像；其中，樣本醫學圖像中標注有至少一個目標對象的實際區域；區域檢測部分被配置為利用圖像檢測模型對樣本醫學圖像進行檢測，得到樣本醫學圖像中目標對象的檢測區域；形態分析部分被配置為分析同一目標對象的實際區域和檢測區域的形態特徵，得到對應目標對象的實際區域和檢測區域之間的形態差異資訊；參數調整部分被配置為利用形態差異資訊，調整圖像檢測模型的網路參數。
本發明實施例第三方面提供了一種電子設備，包括相互耦接的記憶體和處理器，處理器被配置為執行記憶體中儲存的程式指令，以實現上述第一方面中的服務匹配方法。
本發明實施例第四方面提供了一種電腦可讀儲存介質，其上儲存有程式指令，程式指令被處理器執行時實現上述第一方面中的圖像檢測模型的訓練方法。
本發明實施例第五方面提供了一種電腦程式，包括電腦可讀代碼，在所述電腦可讀代碼在電子設備中運行的情況下，所述電子設備中的處理器執行時實現上述第一方面中的步驟。
上述方案，通過獲取樣本醫學圖像，且樣本醫學圖像中標注有至少一個目標對象的實際區域，從而利用圖像檢測模型對樣本醫學圖像進行檢測，得到樣本醫學圖像中目標對象的檢測區域，並分析同一目標對象的實際區域和檢測區域的形態特徵，得到對應目標對象的實際區域和檢測區域之間的形態差異資訊，進而利用形態差異資訊，調整圖像檢測模型的網路參數，故能夠在訓練圖像檢測模型的過程中，引入醫學圖像中目標對象的形態特徵，通過目標對象的實際區域和檢測區域之間的形態差異資訊來約束圖像檢測模型學習，從而能夠抑制不符合實際區域形態特徵的檢測結果，提高圖像檢測模型的準確性，進而能夠有利於提高醫學圖像檢測的準確性。
下面結合說明書附圖，對本發明實施例的方案進行詳細說明。
以下描述中，為了說明而不是為了限定，提出了諸如特定系統結構、介面、技術之類的具體細節，以便透徹理解本發明實施例。
本文中術語“系統”和“網路”在本文中常被可互換使用。本文中術語“和/或”，僅僅是一種描述關聯對象的關聯關係，表示可以存在三種關係，例如，A和/或B，可以表示：單獨存在A，同時存在A和B，單獨存在B這三種情況。另外，本文中字元“/”，一般表示前後關聯對象是一種“或”的關係。此外，本文中的“多”表示兩個或者多於兩個。
從醫學圖像中自動分割出目標是個艱巨的任務，因為醫學圖像具有較高的複雜性且缺少簡單的線性特徵；此外分割結果的準確率還受到部分容積效應、灰度不均勻性、偽影、不同軟組織間灰度的接近性，不同病人的個體差異性和同種疾病的不同表現等因素的影響。由於存在這些挑戰，傳統方法很難在這些複雜的環境下獲得穩定可靠的分割結果用於輔助診斷。近年來，隨著深度學習的迅猛發展，卷積神經網路在許多醫學圖像分割任務上都取得了很好的分割結果。也有大量的研究人員做了大量的工作，提出了很多新的基於深度學習的醫學圖像分割演算法。這些方法主要集中在網路設計，通過擴展網路的寬度和深度或加入一些注意力機制的模組等方法來進一步提高網路的擬合能力；損失函數設計，通過設計基於相似度的損失函數促使網路預測結果和醫生標注更加相似，從評價指標上獲得更好的分割結果。
雖然這些方法在很多工上都取得了不錯的分割效果，但是，本發明實施例的發明人發現，這些方法大多只是從圖元或體素的相似性出發，忽略了醫學圖像很多內在的約束條件和形態學先驗。不同於自然圖像，醫學圖像具有很多內在的先驗資訊可以挖掘，例如器官的位置資訊，方向資訊，輪廓資訊等。如何將這些先驗資訊與神經網路結合，促使網路能關注到更多圖像內在的資訊，獲得更好的分割結果，以提高模型的檢測準確性是一個值得研究的問題。
並且，本發明的發明人還發現，醫學圖像一直存在著多中心差異的問題，即不同的醫院，不同的成像設備，不同的成像參數對同一物體最終的醫學圖像的成像效果影響巨大，導致了模型的通用性大大降低，很多模型不能在其他的設備或者是醫院的圖像資料上取得可靠的結果，但是對每種成像效果的醫學圖像設計並提供單獨的方法和網路模型是很難做到且耗時耗力。如何提高模型的適用範圍也是一個值得研究的問題。請參閱圖1，圖1是本發明實施例圖像檢測模型的訓練方法一實施例的流程示意圖。
該訓練方法可以由終端設備或其它電子設備執行，其中，終端設備可以為使用者設備（User Equipment，UE）、移動設備、使用者終端、終端、蜂窩電話、無線電話、個人數位助理（Personal Digital Assistant，PDA）、手持設備、計算設備、車載設備、可穿戴設備等。其它處理設備可為伺服器或雲端伺服器等。在一些實施例中，該訓練方法可以通過處理器調用記憶體中儲存的電腦可讀指令的方式來實現。在一些實施例中，終端設備或其它電子設備可以包括圖像檢測模型的訓練裝置。
訓練方法可以包括如下步驟。
步驟S11：獲取樣本醫學圖像；其中，樣本醫學圖像中標注有至少一個目標對象的實際區域。
在一個實施場景中，樣本醫學圖像可以是MR圖像、CT圖像等等，在此不做限定。
在一個實施場景中，樣本醫學圖像屬於相同的領域。在此情形下，不同樣本醫學圖像可以具有相同的特徵，且特徵分佈也相同。例如，樣本醫學圖像是對同一部位掃描得到的，且不同樣本醫學圖像的成像效果相同，如不同樣本醫學圖像中對於同一器官或組織採用相同的顯示方式（如，顏色、對比度等等）。這裡，樣本醫學圖像可以是由同一醫療機構（如，醫院、體檢中心）採集得到的；或者，樣本醫學圖像也可以是由同一廠家生產的醫療儀器（如，CT機、核磁共振儀）掃描得到的；或者，樣本醫學圖像也可以是利用相同的掃描參數掃描得到的。
在另一個實施場景中，為了提高圖像檢測模型的適用範圍，樣本醫學圖像也可以屬於不同的領域。在此情形下，不同樣本醫學圖像可以具有相同的特徵，但特徵分佈並不相同。例如，樣本醫學圖像是對同一部位掃描得到的，但不同樣本醫學圖像的成像效果不同，如不同樣本醫學圖像中對於同一器官或組織採用不同的顯示方式（如，顏色、對比度等等）。這裡，樣本醫學圖像可以是由不同醫療機構（如，醫院、體檢中心）採集得到的；或者，樣本醫學圖像也可以是由不同廠家生產的醫療儀器（如，CT機、核磁共振儀）掃描得到的；或者，樣本醫學圖像也可以是利用不同的掃描參數掃描得到的。
在一個實施場景中，為了提高圖像檢測模型的適用範圍，樣本醫學圖像可以是二維圖像，也可以是三維圖像，在此不做限定。
在一個實施場景中，樣本醫學圖像中所標注的目標對象可以有一個，例如，樣本醫學圖像中可以標注有肝臟，或者，樣本醫學圖像中也可以標注有腎臟；或者，樣本醫學圖像中還可以標注有脾臟，可以根據實際應用需要進行設置，在此不做限定。
在另一個實施場景中，樣本醫學圖像中所標注的目標對象也可以有多個，例如，樣本醫學圖像中可以標注有肝臟、腎臟、脾臟等，可以根據實際應用需要進行設置，在此不做限定。
在一個實施場景中，樣本醫學圖像中所標注的目標對象可以是器官，如前述描述中的肝臟、腎臟、脾臟等，在此不做限定；在另一個實施場景中，樣本醫學圖像中所標注的目標對象也可以是病灶，例如，腫瘤、血腫、積水等，在此不做限定；在又一個實施場景中，樣本醫學圖像中所標注的目標對象還可以包括器官和病灶，例如，樣本醫學圖像中可以標注有肝臟以及肝臟上的腫瘤，或者，樣本醫學圖像上也可以標注有腎臟以及腎臟上的腫瘤等等，在此不做限定。
步驟S12：利用圖像檢測模型對樣本醫學圖像進行檢測，得到樣本醫學圖像中目標對象的檢測區域。
本發明實施例中，通過將樣本醫學圖像輸入圖像檢測模型，即可利用圖像檢測模型對樣本醫學圖像進行檢測，得到樣本醫學圖像中與目標對象對應的檢測區域。例如，通過對標注有肝臟和肝臟上的腫瘤的樣本醫學圖像進行檢測，可以得到樣本醫學圖像上與肝臟對應的檢測區域和與腫瘤對應的檢測區域，其他情況可以以此類推，在此不再一一舉例。請結合參閱圖2，圖2是本發明實施例圖像檢測模型的訓練方法一實施例的狀態示意圖，如圖2所示，圖2左側所示的樣本醫學圖像中以白色線條標注有目標對象的實際區域，這裡，最大範圍為肝臟對應的實際區域，肝臟對應的實際區域內所標注的為腫瘤對應的實際區域，圖2右側所示為肝臟對應的檢測區域和腫瘤對應的檢測區域。其他場景可以以此類推，在此不再一一舉例。
在一個實施場景中，圖形檢測模型可以是卷積神經網路（Convolutional Neural Network，CNN），例如，U-Net等，可以根據實際應用需要進行設置，在此不做限定。
在一個實施場景中，樣本醫學圖像屬於相同的領域，且圖像檢測模型是利用屬於另一領域的樣本醫學圖像預先訓練得到的，從而能夠使檢測模型的適用範圍從某一域遷移到另一域，且在訓練過程中引入的形態特徵能夠有利於防止網路過擬合，提高圖像檢測模型的準確性。
步驟S13：分析同一目標對象的實際區域和檢測區域的形態特徵，得到對應目標對象的實際區域和檢測區域之間的形態差異資訊。
在一個實施場景中，形態特徵可以包括形狀特徵、預設維度空間特徵、邊緣曲率特徵中的至少一者，從而能夠有利於根據多種形態特徵約束圖像檢測模型學習，提高圖像檢測模型的準確性。這裡，形狀特徵表示與目標對象的外形相關的特徵，如，目標對象整體呈錐形、紡錘形等等，邊緣曲率特徵表示與目標對象邊緣的曲率相關的特徵，如，目標對象邊緣平滑，或者，目標對象邊緣坑窪不平等等。此外，預設維度空間特徵可以包括一維空間長度特徵，如，目標對象邊緣長度；或者，預設維度空間特徵還可以包括二維空間面積特徵，如，目標對象所占面積；或者，預設維度空間特徵可以包括三維空間體積特徵，如目標對象所占體積。預設維度空間可以根據實際應用需要進行設置，如在樣本醫學圖像為二維圖像的情況下，預設維度空間特徵可以是一維空間長度特徵，或者也可以是二維空間面積特徵，而在樣本醫學圖像為三維圖像的情況下，預設維度空間特徵可以是三維空間體積特徵，在此不做限定。在一個實施場景中，在形態特徵包括預設維度空間特徵的情況下，可以對同一目標對象的實際區域在預設維度空間進行特徵分析，得到對應目標對象的特徵值範圍，並對對應目標對象的檢測區域在預設維度空間進行特徵分析，得到對應目標對象的特徵值，從而基於特徵值與特徵值範圍之間的大小關係，採用與大小關係對應的處理方式對特徵值進行處理，得到與預設維度空間相關的損失值。上述方式，能夠有利於通過目標對象的特徵值範圍約束目標對象在預設維度空間的特徵值，能夠抑制多檢測（即檢測得到的實際區域中包含實際不屬於目標對象的圖元點）或漏檢測（即檢測得到的實際區域並不完全包含實際屬於目標對象的圖元點）等不符合預設維度空間特徵的情況，有利於提高檢測模型的準確性。
在一個實施場景中，以一維空間長度特徵為例，可以對檢測區域進行邊緣提取，得到檢測區域的邊緣長度值，作為形態特徵包括一維空間長度特徵時的特徵值。這裡，可以採用sobel、canny等邊緣提取運算元或差分法進行邊緣提取，在此不做限定，例如，可以採用
Figure 02_image001
和
Figure 02_image003
兩個sobel運算元。例如，可以對肝臟對應的檢測區域進行邊緣提取，得到肝臟檢測區域的邊緣長度值，或者，可以對腫瘤對應的檢測區域進行邊緣提取，得到腫瘤檢測區域的邊緣長度值，其他情況可以以此類推，在此不再一一舉例。此外，還可以對多個樣本醫學圖像中同一目標對象的實際區域進行邊緣提取，得到多個實際區域分別對應的邊緣長度值，從而可以對多個邊緣長度值進行統計分析，得到長度值範圍，作為形態特徵包括一維空間長度特徵時的特徵值範圍。這裡，可以將多個邊緣長度值中的最小值作為長度值範圍的下限值，將多個邊緣長度值中的最大值作為長度值範圍的上限值；或者，還可以將多個邊緣長度值按照由小到大的順序進行排列，取位於第一比例（如，5%）的邊緣長度值作為長度值範圍的下限值，取位於第二比例（如，95%）的邊緣長度值作為長度值範圍的上限值，可以根據實際應用需要進行設置，在此不做限定。例如，通過對多個樣本醫學圖像中肝臟的實際區域進行邊緣提取，最終得到肝臟的長度值範圍，或者，通過對多個樣本醫學圖像中腫瘤的實際區域進行邊緣提取，最終得到腫瘤的長度值範圍，其他情況可以以此類推，在此不再一一舉例。
在另一個實施場景中，以二維空間面積特徵為例，可以將檢測區域中所包含的圖元點個數，作為檢測區域的面積值，或者，也可以將檢測區域中所包含的圖元點屬於目標對象的概率值之和，作為檢測區域的面積值，從而將上述面積值作為形態特徵包括二維空間面積特徵時的特徵值，可以根據實際應用需要進行設置，在此不做限定。例如，可以對肝臟對應的檢測區域進行統計分析，得到肝臟檢測區域的面積值，或者，可以對腫瘤對應的檢測區域進行統計分析，得到腫瘤檢測區域的面積值。此外，還可以對多個樣本醫學圖像中同一目標對象的實際區域進行統計分析，得到多個實際區域分別對應的面積值，從而可以對多個面積值進行統計分析，得到面積值範圍，作為形態特徵包括二維空間面積特徵時的特徵值範圍。這裡，可以將多個面積值中的最小值作為面積值範圍的下限值，將多個面積值中的最大值作為面積值範圍的上限值；或者，還可以將多個面積值按照由小到大的順序進行排列，取位於第一比例（如，5%）的面積值作為面積值範圍的下限值，取位於第二比例（如，95%）的面積值作為面積值範圍的上限值，可以根據實際應用需要進行設置，在此不做限定。例如，通過對多個樣本醫學圖像中肝臟的實際區域進行統計分析，最終得到肝臟的面積值範圍，或者，通過對多個樣本醫學圖像中腫瘤的實際區域進行統計分析，最終得到腫瘤的面積值範圍，其他情況可以以此類推，在此不再一一舉例。
在又一個實施場景中，以三維空間體積特徵為例，在樣本醫學圖像為三維圖像的情況下，可以將檢測區域中所包含的圖元點個數，作為檢測區域的體積值，或者，也可以將檢測區域中所包含的圖元點屬於目標對象的概率值之和，作為檢測區域的體積值，從而將上述體積值作為形態特徵包括三維空間體積特徵時的特徵值，可以根據實際應用需要進行設置，在此不做限定。例如，可以對肝臟對應的檢測區域進行統計分析，得到肝臟檢測區域的體積值，或者，可以對腫瘤對應的檢測區域進行統計分析，得到腫瘤檢測區域的體積值。此外，還可以對多個樣本醫學圖像中同一目標對象的實際區域進行統計分析，得到多個實際區域分別對應的體積值，從而可以對多個體積值進行統計分析，得到體積值範圍，作為形態特徵包括三維空間體積特徵時的特徵值範圍。這裡，可以將多個體積值中的最小值作為體積值範圍的下限值，將多個體積值中的最大值作為體積值範圍的上限值；或者，還可以將多個體積值按照由小到大的順序進行排列，取位於第一比例（如，5%）的體積值作為體積值範圍的下限值，取位於第二比例（如，95%）的體積值作為體積值範圍的上限值，可以根據實際應用需要進行設置，在此不做限定。例如，通過對多個樣本醫學圖像中肝臟的實際區域進行統計分析，最終得到肝臟的體積值範圍，或者，通過對多個樣本醫學圖像中腫瘤的實際區域進行統計分析，最終得到腫瘤的體積值範圍，其他情況可以以此類推，在此不再一一舉例。
在又一個實施場景中，為了便於描述，可以將上述特徵值記為pre，將上述特徵值對應的特徵值範圍的下限值記為min，將上述特徵值對應的特徵值範圍的上限值記為max，則在特徵值pre在特徵值範圍（即min至max之間）的情況下，與預設維度空間特徵相關的第二損失值為預設數值（例如，0），在特徵值pre小於下限值min的情況下，特徵值pre與下限值min之間的絕對差值和損失值為正相關關係，即pre與min之間的絕對差值越大，損失值越大，而在特徵值pre大於上限值max的情況下，特徵值pre與上限值max之間的絕對差值和損失值為正相關關係，即pre與max之間的絕對差值越大，損失值越大。可以根據實際應用需要進行設置，例如，可以表示為：
Figure 02_image005
……（1） 上述公式（1）中，Loss 1表示與預設維度空間特徵相關的第二損失值，
Figure 02_image007
可以是任意一個表示距離或者散度的函數，例如，
Figure 02_image009
。例如，可以計算得到目標對象肝臟對應的損失值Loss 1，或者，可以計算得到目標對象腫瘤對應的損失值Loss 1，其他情況可以以此類推，在此不再一一舉例。
在另一個實施場景中，在形態特徵包括形狀特徵的情況下，可以對若干樣本醫學圖像中同一目標對象的實際區域進行融合，得到融合圖像，且融合圖像包括對應目標對象的融合區域，從而利用檢測區域第一圖元點的權值，對相應第一圖元點屬於目標對象的概率值進行加權處理，得到與形狀特徵相關的第一損失值，且第一圖元點的權值和融合圖像中與第一圖元點匹配的第二圖元點至融合區域邊緣的距離為正相關關係，即距離越大，權值越大，例如，可以將權值直接設置為距離，或者，可以將權值設置為距離與一係數的乘積等等，在此不做限定。上述方式，能夠有效抑制離融合區域邊緣較遠的異常圖元點，有利於提高圖像檢測模型的準確性。
在一個實施場景中，可以將同一目標對象實際區域通過剛體配准、普氏分析等方式，進行空間變換，並匹配至同一空間座標系中，並對實際區域進行尺度歸一化處理，這裡，對於樣本醫學圖像為三維圖像的情況，可以對體素進行歸一化，而對於樣本醫學圖像為二維圖像的情況，可以將實際區域的長寬等進行歸一化，最後對實際區域的對應圖元點的圖元值進行平均處理，即可得到包含融合區域的融合圖像，該融合區域即可認為是對應目標對象的平均形狀模型。
根據上述可知，在計算形狀特徵時，可使用平均形狀模型，平均形狀模型可以經過三步得到：（1）原點化；（2）尺度化；（3）平均化。其中，原點化是指對於多個具有相同語義資訊的樣本醫學圖像，使用剛體配准，或者普氏分析等方法，將各樣本醫學圖像的特徵進行空間變換，匹配到同一個空間座標系內。尺度化是指對各樣本醫學圖像內分割結果做尺度歸一化，其中，對於3D的樣本醫學圖像，可根據對應的原圖的Spacing進行歸一化，對於2D的樣本醫學圖像，可以使用分割結果的長寬等統計量進行歸一化。在原點化和歸一化後，對所有樣本醫學圖像的分割結果求平均，即可得到平均形狀模型。
在一個實施場景中，可以對融合區域進行歐氏距離變換（Euclidean Distance Transform），得到融合區域對應的距離熱圖，距離熱圖中各個圖元點的圖元值表示對應圖元點至融合區域的邊緣的距離，這裡，距離越大，圖元值越大。再將樣本醫學圖像匹配至融合圖像所在的空間，以使樣本醫學圖像的實際區域與融合圖像中的融合區域配准，再對配准後的樣本醫學圖像進行檢測，得到樣本醫學圖像中的檢測區域，從而結合檢測區域和距離熱圖，可以得到檢測區域的第一圖元點在融合圖像中匹配的第二圖元點至融合區域邊緣的距離，並基於該距離，得到與之具有正相關關係的權值，以對第一圖元點經圖像檢測模型檢測為屬於目標對象的概率值進行加權處理，作為與形狀特徵相關的第一損失值。這裡，檢測區域的第一圖元點可以指檢測區域邊緣上的圖元點。請結合參閱圖3，圖3是與形狀特徵相關的第一損失值的計算方式一實施例的示意圖，如圖3所示，融合圖像內實線封閉區域表示融合區域，虛線封閉區域表示檢測區域，p1、p2均表示檢測區域的第一圖元點，p11表示融合圖像中與第一圖元點p1匹配的第二圖元點，p21表示融合圖像中與第一圖元點p2匹配的第二圖元點，d1表示第二圖元點p11至融合區域邊緣的距離，d2表示第二圖元點p21至融合區域邊緣的距離，則可以將距離d1作為第一圖元點p1屬於目標對象的概率值P1的權值，將距離d2作為第一圖元點p2屬於目標對象的概率值P2的權值，以此類推，最終可以將檢測區域的第一圖元點的加權之和，作為與形狀特徵相關的第一損失值。其他情況可以以此類推，在此不再一一舉例。
在又一個實施場景中，在形態特徵包括邊緣曲率特徵的情況下，還可以直接對檢測區域進行邊緣提取，得到檢測區域的邊緣曲率值，並將邊緣曲率值作為與邊緣曲率特徵相關的第三損失值。這裡，可以採用差分法或諸如
Figure 02_image011
的拉普拉斯運算元、諸如
Figure 02_image013
的曲率運算元得到邊緣曲率值。例如，病灶的邊緣通常近似於一個光滑的凸包，即病灶的邊緣曲率值一般較小，故可以直接將檢測區域的邊緣曲率值，作為與邊緣曲率特徵相關的第三損失值，其他情況可以以此類推，在此不再一一舉例。
這裡，在使用差分法時，可以通過Maxpooling等非線性方法，得到分割結果的腐蝕或膨脹後的結果，再將這些結果相減，得到差分模擬的邊緣。
這裡，上述損失值可以根據實際應用需要進行選取，例如，可以選取與形狀特徵相關的第一損失值，或者選取與預設維度空間特徵相關的第二損失值，或者選取與邊緣曲率特徵相關的第三損失值，或者，還可以選取上述三者的任意組合，在此不做限定。此外，還可以預先設置一損失函數，且該損失函數包含二維空間面積特徵、一維空間長度特徵和邊緣曲率特徵，可以參閱前述相關描述，在此不再贅述。
步驟S14：利用形態差異資訊，調整圖像檢測模型的網路參數。
在一個實施場景中，為了提高圖像檢測的準確性，除了形態差異資訊，還可以計算同一目標對象的實際區域和檢測區域的區域差異資訊，可以利用交叉熵損失函數（cross entropy loss）、dice loss等進行計算，在此不做限定。從而可以結合形態差異資訊和區域差異資訊，調整圖像檢測模型的網路參數。
在一個實施場景中，可以採用隨機梯度下降（Stochastic Gradient Descent，SGD）、批量梯度下降（Batch Gradient Descent，BGD）、小批量梯度下降（Mini-Batch Gradient Descent，MBGD）等方式，利用損失值對圖像檢測模型的參數進行調整，其中，批量梯度下降是指在每一次反覆運算時，使用所有樣本來進行參數更新；隨機梯度下降是指在每一次反覆運算時，使用一個樣本來進行參數更新；小批量梯度下降是指在每一次反覆運算時，使用一批樣本來進行參數更新，在此不再贅述。
在一個實施場景中，還可以設置一訓練結束條件，在滿足訓練結束條件的情況下，可以結束對圖像檢測模型的訓練。這裡，訓練結束條件可以包括：損失值小於一預設損失閾值，且損失值不再減小；當前訓練次數達到預設次數閾值（例如，500次、1000次等），在此不做限定。
在一個實施場景中，在使用訓練得到的圖像檢測模型對待測醫學圖像進行檢測時，還可以對待測醫學圖像中檢測得到的檢測區域進行形態特徵分析等後處理，以確定檢測得到的檢測區域是否符合目標對象的形態特徵，例如，可以從邊緣長度特徵、二維空間面積特徵、三維空間體積特徵等方面對檢測得到的檢測區域進行分析，在邊緣長度值超出長度值範圍，或面積值超出面積值範圍，或體積值超出體積值範圍時，可以認為檢測得到的檢測區域可能存在多檢測或漏檢測的情況，在此情況下，還可以輸出相關提示資訊。
上述方案，通過獲取樣本醫學圖像，且樣本醫學圖像中標注有至少一個目標對象的實際區域，從而利用圖像檢測模型對樣本醫學圖像進行檢測，得到樣本醫學圖像中目標對象的檢測區域，並分析同一目標對象的實際區域和檢測區域的形態特徵，得到對應目標對象的實際區域和檢測區域之間的形態差異資訊，進而利用形態差異資訊，調整圖像檢測模型的網路參數，故能夠在訓練圖像檢測模型的過程中，引入醫學圖像中目標對象的形態特徵，通過目標對象的實際區域和檢測區域之間的形態差異資訊來約束圖像檢測模型學習，從而能夠抑制不符合實際區域形態特徵的檢測結果，提高圖像檢測模型的準確性，進而能夠有利於提高醫學圖像檢測的準確性。
請參閱圖4，圖4是本發明實施例圖像檢測模型的訓練方法另一實施例的流程示意圖。這裡，圖4是包含多個目標對象時，圖像檢測模型的訓練方法實施例的流程示意圖。可以包括如下步驟。
步驟S41：獲取樣本醫學圖像；其中，樣本醫學圖像中標注有至少一個目標對象的實際區域。
可以參閱前述公開實施例中的相關步驟，在此不再贅述。
步驟S42：利用圖像檢測模型對樣本醫學圖像進行檢測，得到樣本醫學圖像中目標對象的檢測區域。
可以參閱前述公開實施例中的相關步驟，在此不再贅述。
步驟S43：分析同一目標對象的實際區域和檢測區域的形態特徵，得到對應目標對象的實際區域和檢測區域之間的形態差異資訊。
可以參閱前述公開實施例中的相關步驟，在此不再贅述。
步驟S44：基於多個目標對象之間的預設包含關係，確定檢測到的目標對象是否滿足預設共現條件。
本發明實施例中，多個目標對象之間的預設包含關係可以根據實際檢測任務進行設置，例如，請結合參閱圖5，圖5是預設包含關係一實施例的示意圖，在實際檢測任務為檢測出軀幹，並檢測出肝臟，以及肝臟上的腫瘤的情況下，則多個目標對象之間的預設包含關係為：軀幹包含肝臟，肝臟包含腫瘤，即軀幹具有最大的包含範圍，軀幹和肝臟為連續包含關係，肝臟和腫瘤也為連續包含關係，但軀幹和腫瘤不為連續包含關係；或者，請結合參閱圖6，圖6是預設包含關係另一實施例的示意圖，在檢測任務為檢測出軀幹，並檢測出膽囊、腎臟、肝臟以及軀幹、肝臟中的血管，以及肝臟和腎臟上的腫瘤的情況下，則多個目標對象之間的預設包含關係為：軀幹包含血管（如下腔靜脈）、肝臟、腎臟和膽囊，且肝臟包含血管（如肝內靜脈），肝臟、腎臟包含腫瘤，即軀幹具有最大的包含範圍，軀幹、肝臟具有連續包含關係，軀幹、腎臟也具有連續包含關係，軀幹、腫瘤不為連續包含關係，此外，在其他實施場景中，腎臟也可以包括血管（如腎內血管），可以根據實際應用需要進行設置，在此不做限定。其他情況可以以此類推，在此不再一一贅述。
在一個實施場景中，在檢測到的目標對象數量為一個的情況下，預設共現條件包括在預設包含關係中具有最大包含範圍。以圖5所示的預設包含關係為例，若檢測到一個目標對象且該目標對象為軀幹，則可以認為檢測到的目標對象滿足預設共現條件，而若檢測到一個目標對象但該目標對象為肝臟或腫瘤，則可以認為檢測到的目標對象不滿足預設共現條件。在另一個實施場景中，在檢測到目標對象數量為多個的情況下，預設共現條件可以包括：檢測到的多個目標對象在預設包含關係中為連續包含關係，且其中一個目標對象在預設包含關係中具有最大包含範圍。仍以圖5所示的預設包含關係為例，若檢測到的多個目標對象為軀幹和肝臟，則由於兩者為連續包含關係，且軀幹具有最大包含範圍，故可以認為檢測到的軀幹和肝臟滿足預設共現條件；或者，若檢測到的多個目標對象為肝臟和腫瘤，則由於兩者雖然為連續包含關係，但兩者均不具有最大包含範圍，故可以認為檢測到的軀幹和肝臟不滿足預設共現條件。可以參閱表1，表1是與圖5所示的預設包含關係所對應的共現情況： 表1 與圖5所示的預設包含關係所對應的共現情況
軀幹 0 0 0 0 1 1 1 1
肝臟 0 0 1 1 0 0 1 1
腫瘤 0 1 0 1 0 1 0 1
有效 1 0 0 0 1 0 1 1
如表1所示，在軀幹、肝臟、腫瘤對應行的數值為1的情況下，表示檢測到對應的實際區域，反之在數值為0的情況下，表示未檢測到對應的實際區域；在有效行對應的數值為1的情況下，表示數值所在的列對應的檢測結果滿足預設共現條件，在反之在數值為0的情況下，表示數值所在的列對應的檢測結果不滿足預設共現條件。例如，在軀幹、肝臟、腫瘤均未檢測到的情況下，表示滿足預設共現條件；在檢測到腫瘤的情況下，表示不滿足預設共現條件，以此類推，在此不再一一舉例。在預設包含關係為其他關係的情況下，可以以此類推，在此不再一一舉例。
步驟S45：在檢測到的目標對象不滿足預設共現條件的情況下，利用檢測到的目標對象的檢測區域的預設特徵，得到共現差異資訊。
仍以圖5所示的預設包含關係為例，請結合參閱圖表1，在檢測到腫瘤的情況下，可以利用非軀幹非肝臟的腫瘤的檢測區域的預設特徵，得到共現差異資訊，即可以利用檢測到的腫瘤中位於軀幹之外、肝臟之外的實際區域的預設特徵，得到共現差異資訊；或者，在檢測到軀幹和腫瘤的情況下，可以利用軀幹且非肝臟的腫瘤的檢測區域的預設特徵，得到共現差異資訊，即可以利用檢測到的腫瘤中位於軀幹內且肝臟外的實際區域的預設特徵，得到共現差異資訊，其他情況可以以此類推，在此不再一一舉例。
在一個實施場景中，上述預設特徵可以是二維空間面積特徵、三維空間體積特徵中任一者。共現差異資訊可以是與二維空間面積特徵相關的損失值，或者，也可以是與三維空間體積特徵相關的損失值。這裡，在樣本醫學圖像為二維圖像的情況下，預設特徵可以是二維空間面積特徵，在樣本醫學圖像為三維圖像的情況下，預設特徵可以是三維空間體積特徵。二維空間面積特徵和三維空間體積特徵，以及相關的損失值，可以參閱前述公開實施例中的相關描述，在此不再贅述。
在一個實施場景中，上述步驟S43和步驟S44、步驟S45可以按照先後循序執行，例如，先執行步驟S43，後執行步驟S44、步驟S45，或者，也可以先執行步驟S44、步驟S45，後執行步驟S43。在另一個實施場景中，上述步驟S43和步驟S44、步驟S45也可以同時執行，即同時獲取形態差異資訊和共現差異資訊。
在一個實施場景中，在檢測到的目標對象滿足預設共現條件的情況下，可以認為無共現差異資訊，並直接執行下述步驟S46。
步驟S46：利用共現差異資訊和形態差異資訊，調整圖像檢測模型的網路參數。
在一個實施場景中，除了上述共現差異資訊和形態差異資訊，還可以利用交叉熵損失函數（cross entropy loss）、dice loss等計算實際區域和檢測區域之間的區域差異資訊，從而可以利用共現差異資訊、形態差異資訊和區域差異資訊，調整圖像檢測模型的網路參數。可以參閱前述公開實施例中的相關描述，在此不再贅述。
區別於前述實施例，在樣本醫學圖像包括多個目標對象的情況下，通過基於多個目標對象之間的預設包含關係，確定檢測到的目標對象是否滿足預設共現條件，並在檢測到的目標對象不滿足預設共現條件的情況下，利用檢測到的目標對象的檢測區域的預設特徵，得到共現差異資訊，從而利用共現差異資訊和形態差異資訊，調整圖像檢測模型的網路參數，進而能夠在多個目標對象的情況下，進一步利用形態差異資訊結合多個目標對象之間的預設包含關係，約束圖像檢測模型學習，有利於提高圖像檢測模型對多個目標對象檢測的準確性。
請參閱圖7，圖7是本發明實施例圖像檢測模型的訓練裝置70一實施例的框架示意圖。圖像檢測模型的訓練裝置70包括：圖像獲取部分71、區域檢測部分72、形態分析部分73和參數調整部分74，圖像獲取部分71被配置為獲取樣本醫學圖像；其中，樣本醫學圖像中標注有至少一個目標對象的實際區域；區域檢測部分72被配置為利用圖像檢測模型對樣本醫學圖像進行檢測，得到樣本醫學圖像中目標對象的檢測區域；形態分析部分73被配置為分析同一目標對象的實際區域和檢測區域的形態特徵，得到對應目標對象的實際區域和檢測區域之間的形態差異資訊；參數調整部分74被配置為利用形態差異資訊，調整圖像檢測模型的網路參數。
上述方案，通過獲取樣本醫學圖像，且樣本醫學圖像中標注有至少一個目標對象的實際區域，從而利用圖像檢測模型對樣本醫學圖像進行檢測，得到樣本醫學圖像中目標對象的檢測區域，並分析同一目標對象的實際區域和檢測區域的形態特徵，得到對應目標對象的實際區域和檢測區域之間的形態差異資訊，進而利用形態差異資訊，調整圖像檢測模型的網路參數，故能夠在訓練圖像檢測模型的過程中，引入醫學圖像中目標對象的形態特徵，通過目標對象的實際區域和檢測區域之間的形態差異資訊來約束圖像檢測模型學習，從而能夠抑制不符合實際區域形態特徵的檢測結果，提高圖像檢測模型的準確性，進而能夠有利於提高醫學圖像檢測的準確性。
在一些公開實施例中，形態特徵包括以下至少一種：形狀特徵、預設維度空間特徵、邊緣曲率特徵。
區別於前述實施例，將形態特徵設置為包括形狀特徵、預設維度空間特徵、邊緣曲率特徵中的至少一種，能夠有利於從多種形態特徵約束圖像檢測模型學習，有利於進一步提高圖像檢測模型的準確性。
在一些公開實施例中，形態特徵包括形狀特徵；形態差異資訊包括與形狀特徵相關的第一損失值；形態分析部分73包括區域融合子部分，被配置為對若干樣本醫學圖像中同一目標對象的實際區域進行融合，得到融合圖像，其中，融合圖像包括對應目標對象的融合區域，形態分析部分73包括加權處理子部分，被配置為利用檢測區域的第一圖元點的權值，對相應第一圖元點屬於目標對象的概率值進行加權處理，得到與形狀特徵相關的第一損失值；其中，第一圖元點的權值和融合圖像中與第一圖元點匹配的第二圖元點至融合區域邊緣的距離為正相關關係；第一圖元點為檢測區域邊緣上的圖元點。
區別於前述實施例，在形態特徵包括形狀特徵的情況下，通過對若干樣本醫學圖像中同一目標對象的實際區域進行融合，得到融合圖像，且融合圖像包括對應目標對象的融合區域，從而利用檢測區域第一圖元點的權值，對相應第一圖元點屬於目標對象的概率值進行加權處理，得到與形狀特徵相關的第一損失值，且第一圖元點的權值和融合圖像中與第一圖元點匹配的第二圖元點至融合區域邊緣的距離為正相關關係，故能夠有效抑制離融合區域邊緣較遠的異常圖元點，有利於提高圖像檢測模型的準確性。
在一些公開實施例中，形態特徵包括預設維度空間特徵；形態差異資訊包括與預設維度空間特徵相關的第二損失值；形態分析部分73包括特徵分析子部分，被配置為對同一目標對象的實際區域在預設維度空間進行特徵分析，得到對應目標對象的特徵值範圍；以及，對對應目標對象的檢測區域在預設維度空間進行特徵分析，得到對應目標對象的特徵值，形態分析部分73包括特徵處理子部分，被配置為基於特徵值與特徵值範圍之間的大小關係，採用與大小關係對應的處理方式對特徵值進行處理，得到與預設維度空間特徵相關的第二損失值。
區別於前述實施例，在形態特徵包括預設維度空間特徵的情況下，通過對同一目標對象的實際區域在預設維度空間進行特徵分析，得到對應目標對象的特徵值範圍，並通過對對應目標對象的檢測區域在預設維度空間進行特徵分析，得到對應目標對象的特徵值，從而基於特徵值與特徵值範圍之間的大小關係，採用與大小關係對應的處理方式對特徵值進行處理，得到與預設維度空間特徵相關的第二損失值，進而能夠有利於通過目標對象的特徵值範圍約束目標對象在預設維度空間的特徵值，能夠抑制多檢測或漏檢測等不符合預設維度空間特徵的情況，有利於提高檢測模型的準確性。
在一些公開實施例中，預設維度空間特徵包括一維空間長度特徵、二維空間面積特徵、三維空間體積特徵中的至少一者；和/或，特徵值包括邊緣長度值、面積值、體積值中的至少一者。
區別於前述實施例，通過將預設維度空間特徵設置為包括一維空間長度特徵、二維空間面積特徵、三維空間體積特徵中的至少一者，能夠有利於在多種維度空間約束圖像檢測模型學習，有利於提高圖像檢測模型的準確性；而通過將特徵值設置為包括邊緣長度值、面積值、體積值中的至少一者，能夠有利於在多種維度空間約束圖像檢測模型學習，有利於提高圖像檢測模型的準確性。
在一些公開實施例中，特徵值範圍包括上限值和下限值，特徵處理子部分還被配置為：在特徵值在特徵值範圍內的情況下，第二損失值為預設數值；在特徵值小於下限值的情況下，特徵值與下限值之間的絕對差值和第二損失值為正相關關係；在特徵值大於上限值的情況下，特徵值與上限值之間的絕對差值和第二損失值為正相關關係。
區別於前述實施例，在特徵值在特徵值範圍內的情況下，將第二損失值設置為預設數值，而在特徵值小於下限值的情況下，特徵值與下限值之間的絕對差值和第二損失值為正相關關係，且在特徵值大於上限值的情況下，特徵值與上限值之間的絕對差值和第二損失值為正相關關係，故能夠有利於在圖像檢測模型的訓練過程中，約束目標對象在預設維度空間的特徵值，使其處於特徵值範圍內，從而能夠有利於提高圖像檢測模型的準確性。
在一些公開實施例中，形態特徵包括邊緣曲率特徵；形態差異資訊包括與邊緣曲率特徵相關的第三損失值；形態分析部分73包括曲率分析子部分，被配置為對檢測區域進行邊緣提取，得到檢測區域的邊緣曲率值，並將邊緣曲率值作為與邊緣曲率特徵相關的第三損失值。
區別於前述實施例，在形態特徵包括邊緣曲率特徵的情況下，通過對檢測區域進行邊緣提取，得到檢測區域的邊緣曲率值，並將邊緣曲率值作為與邊緣曲率特徵相關的第三損失值，從而利用邊緣曲率值約束圖像檢測模型學習，能夠抑制複雜邊緣的情況，有利於提高圖像檢測模型的準確性。
在一些公開實施例中，樣本醫學圖像中包含多個目標對象，圖像檢測模型的訓練裝置70還包括共現檢查部分，被配置為在利用所述圖像檢測模型對樣本醫學圖像進行檢測，得到樣本醫學圖像中目標對象的檢測區域之後，基於多個目標對象之間的預設包含關係，確定檢測到的目標對象是否滿足預設共現條件，圖像檢測模型的訓練裝置70還包括共現差異部分，被配置為在檢測到的目標對象不滿足預設共現條件的情況下，利用檢測到的目標對象的檢測區域的預設特徵，得到共現差異資訊，參數調整部分74還被配置為利用共現差異資訊和形態差異資訊，調整圖像檢測模型的網路參數。
區別於前述實施例，在樣本醫學圖像包括多個目標對象的情況下，通過基於多個目標對象之間的預設包含關係，確定檢測到的目標對象是否滿足預設共現條件，並在檢測到的目標對象不滿足預設共現條件的情況下，利用檢測到的目標對象的檢測區域的預設特徵，得到共現差異資訊，從而利用共現差異資訊和形態差異資訊，調整圖像檢測模型的網路參數，進而能夠在多個目標對象的情況下，進一步利用形態差異資訊結合多個目標對象之間的預設包含關係，約束圖像檢測模型學習，有利於提高圖像檢測模型對多個目標對象檢測的準確性。
在一些公開實施例中，預設共現條件包括：在檢測到的目標對象數量為一個的情況下，檢測到的目標對象在預設包含關係中具有最大包含範圍；在檢測到的目標對象數量為多個的情況下，檢測到的多個目標對象在預設包含關係中為連續包含關係，且其中一個目標對象在預設包含關係中具有最大包含範圍；和/或，預設特徵為二維空間面積特徵、三維空間體積特徵中任一者；和/或，共現差異資訊為與二維空間面積特徵相關的損失值、與三維空間體積特徵相關的損失值中任一者。
區別於前述實施例，將預設共現條件設置為包括：在檢測到的目標對象數量為一個的情況下，檢測到的目標對象在預設包含關係中具有最大包含範圍；在檢測到的目標對象數量為多個的情況下，檢測到的多個目標對象在預設包含關係中為連續包含關係，且其中一個目標對象在預設包含關係中具有最大包含範圍，有利於在圖像檢測模型訓練過程中，抑制無關對象的學習，提高圖像檢測模型對多個目標對象檢測的準確性和完整性。
在一些公開實施例中，目標對象包括器官、組織、病灶中的至少一者；和/或，樣本醫學圖像包括二維圖像、三維圖像中的任一者；和/或，樣本醫學圖像屬於不同的領域；和/或，樣本醫學圖像屬於相同的領域，且圖像檢測模型是利用屬於另一領域的樣本醫學圖像預先訓練得到的。
區別於前述實施例，通過將目標對象設置為包括器官、組織、病灶中的至少一者，能夠有利於使圖像檢測模型對器官、病灶進行檢測，通過有利於提高圖像檢測模型的檢測範圍；通過將樣本醫學圖像設置為包括二維圖像、三維圖像中的任一者，能夠有利於使圖像檢測模型適用於二維圖像或三維圖像，能夠有利於提高圖像檢測模型的使用範圍；通過將樣本醫學圖像設置為屬於不同的領域，能夠使圖像檢測模型適用於不同域圖像的檢測，從而能夠有利於提高圖像檢測模型的使用範圍，且在訓練過程中入的形態特徵能夠有利於輔助圖像檢測模型收斂，提高訓練效率，能夠；通過將樣本醫學圖像設置為屬於相同的領域，且圖像檢測模型是利用屬於另一領域的樣本醫學圖像預先訓練得到的，能夠使檢測模型的適用範圍從某一域遷移到另一域，且在訓練過程中引入的形態特徵能夠有利於防止網路過擬合，提高圖像檢測模型的準確性。
請參閱圖8，圖8是本發明實施例電子設備80一實施例的框架示意圖。電子設備80包括相互耦接的記憶體81和處理器82，處理器82用於執行記憶體81中儲存的程式指令，以實現上述任一圖像檢測模型的訓練方法實施例的步驟。在一個實施場景中，電子設備80可以包括但不限於：微型電腦、伺服器，此外，電子設備80還可以包括筆記型電腦、平板電腦等移動設備，在此不做限定。
這裡，處理器82用於控制其自身以及記憶體81以實現上述任一圖像檢測模型的訓練方法實施例的步驟。處理器82還可以稱為CPU（Central Processing Unit，中央處理單元）。處理器82可能是一種積體電路晶片，具有信號的處理能力。處理器82還可以是通用處理器、數位訊號處理器（Digital Signal Processor, DSP）、專用積體電路（Application Specific Integrated Circuit, ASIC）、現場可程式設計閘陣列（Field-Programmable Gate Array, FPGA）或者其他可程式設計邏輯器件、分立門或者電晶體邏輯器件、分立硬體元件。通用處理器可以是微處理器或者該處理器也可以是任何常規的處理器等。另外，處理器82可以由積體電路晶片共同實現。
上述方案，能夠提高醫學圖像檢測的準確性。
請參閱圖9，圖9為本發明實施例電腦可讀儲存介質90一實施例的框架示意圖。電腦可讀儲存介質90儲存有能夠被處理器運行的程式指令901，程式指令901用於實現上述任一圖像檢測模型的訓練方法實施例的步驟。
上述方案，能夠提高醫學圖像檢測的準確性。
在一些實施例中，本發明實施例提供的裝置具有的功能或包含的部分可以被配置為執行上文方法實施例描述的方法，其實現可以參照上文方法實施例的描述，為了簡潔，這裡不再贅述。
在本發明實施例以及其他的實施例中，“部分”可以是部分電路、部分處理器、部分程式或軟體等等，當然也可以是單元，還可以是模組也可以是非模組化的。
本發明實施例還提供一種電腦可讀儲存介質，其上儲存有程式指令，程式指令被處理器執行時實現上述第一方面中的圖像檢測模型的訓練方法。
本發明實施例還提供一種在示例性實施例中，提供了一種電腦程式，包括電腦可讀代碼，在所述電腦可讀代碼在電子設備中運行的情況下，所述電子設備中的處理器執行時實現上述方法。
上文對各個實施例的描述傾向於強調各個實施例之間的不同之處，其相同或相似之處可以互相參考，為了簡潔，本文不再贅述。
在本發明實施例所提供的幾個實施例中，應該理解到，所揭露的方法和裝置，可以通過其它的方式實現。例如，以上所描述的裝置實施方式是示意性的，例如，模組或單元的劃分，為一種邏輯功能劃分，實際實現時可以有另外的劃分方式，例如單元或元件可以結合或者可以集成到另一個系統，或一些特徵可以忽略，或不執行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些介面，裝置或單元的間接耦合或通信連接，可以是電性、機械或其它的形式。
作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位於一個地方，或者也可以分佈到網路單元上。可以根據實際的需要選擇其中的部分或者全部單元來實現本實施方式方案的目的。
另外，在本發明實施例各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以採用硬體的形式實現，也可以採用軟體功能單元的形式實現。
集成的單元如果以軟體功能單元的形式實現並作為獨立的產品銷售或使用時，可以儲存在一個電腦可讀取儲存介質中。基於這樣的理解，本發明實施例的技術方案本質上或者說對現有技術做出貢獻的部分或者該技術方案的全部或部分可以以軟體產品的形式體現出來，該電腦軟體產品儲存在一個儲存介質中，包括若干指令用以使得一台電腦設備（可以是個人電腦，伺服器，或者網路設備等）或處理器（processor）執行本發明實施例各個實施方式方法的全部或部分步驟。而前述的儲存介質包括：U盤、移動硬碟、唯讀記憶體（ROM，Read-Only Memory）、隨機存取記憶體（RAM，Random Access Memory）、磁碟或者光碟等各種可以儲存程式碼的介質。
工業實用性 本發明實施例公開了一種圖像檢測模型的訓練方法及電子設備、電腦可讀儲存介質，其中，圖像檢測模型的訓練方法包括：獲取樣本醫學圖像；其中，樣本醫學圖像中標注有至少一個目標對象的實際區域；利用圖像檢測模型對樣本醫學圖像進行檢測，得到樣本醫學圖像中目標對象的檢測區域；分析同一目標對象的實際區域和檢測區域的形態特徵，得到對應目標對象的實際區域和檢測區域之間的形態差異資訊；利用形態差異資訊，調整圖像檢測模型的網路參數。上述方案中圖像檢測模型可以被配置為檢測醫學圖像中肝臟、心臟、肺等具有規則形狀的組織、器官，且能夠提高醫學圖像檢測的準確性。
70:圖像檢測模型的訓練裝置 71:圖像獲取部分 72:區域檢測部分 73:形態分析部分 74:參數調整部分 80:電子設備 81:記憶體 82:處理器 90:電腦可讀儲存介質 901:程式指令 S11~S14,S41~S46:步驟
圖1是本發明實施例圖像檢測模型的訓練方法一實施例的流程示意圖； 圖2是本發明實施例圖像檢測模型的訓練方法一實施例的狀態示意圖； 圖3是本發明實施例形狀特徵相關的損失值計算方式一實施例的示意圖； 圖4是本發明實施例圖像檢測模型的訓練方法另一實施例的流程示意圖； 圖5是本發明實施例預設包含關係一實施例的示意圖； 圖6是本發明實施例預設包含關係另一實施例的示意圖； 圖7是本發明實施例圖像檢測模型的訓練裝置一實施例的框架示意圖； 圖8是本發明實施例電子設備一實施例的框架示意圖； 圖9是本發明實施例電腦可讀儲存介質一實施例的框架示意圖。
S11~S14:步驟

Claims (12)

  1. 一種圖像檢測模型的訓練方法，包括： 獲取樣本醫學圖像；其中，所述樣本醫學圖像中標注有至少一個目標對象的實際區域； 利用所述圖像檢測模型對所述樣本醫學圖像進行檢測，得到所述樣本醫學圖像中所述目標對象的檢測區域； 分析同一所述目標對象的實際區域和檢測區域的形態特徵，得到對應所述目標對象的實際區域和檢測區域之間的形態差異資訊； 利用所述形態差異資訊，調整所述圖像檢測模型的網路參數。
  2. 根據請求項1所述的方法，其中，所述形態特徵包括以下至少一種：形狀特徵、預設維度空間特徵、邊緣曲率特徵。
  3. 根據請求項1或2所述的方法，其中，所述形態特徵包括形狀特徵；所述形態差異資訊包括與所述形狀特徵相關的第一損失值；所述分析同一所述目標對象的實際區域和檢測區域的形態特徵，得到對應所述目標對象的實際區域和檢測區域之間的形態差異資訊，包括： 對若干樣本醫學圖像中同一所述目標對象的實際區域進行融合，得到融合圖像，其中，所述融合圖像包括對應所述目標對象的融合區域； 利用所述檢測區域的第一圖元點的權值，對相應所述第一圖元點屬於所述目標對象的概率值進行加權處理，得到與所述形狀特徵相關的第一損失值； 其中，所述第一圖元點的權值和所述融合圖像中與所述第一圖元點匹配的第二圖元點至所述融合區域邊緣的距離為正相關關係；所述第一圖元點為所述檢測區域邊緣上的圖元點。
  4. 根據請求項1或2所述的方法，其中，所述形態特徵包括預設維度空間特徵；所述形態差異資訊包括與所述預設維度空間特徵相關的第二損失值；所述分析同一所述目標對象的實際區域和檢測區域的形態特徵，得到對應所述目標對象的實際區域和檢測區域之間的形態差異資訊，包括： 對同一所述目標對象的實際區域在預設維度空間進行特徵分析，得到對應所述目標對象的特徵值範圍；以及，對對應所述目標對象的檢測區域在所述預設維度空間進行特徵分析，得到對應所述目標對象的特徵值； 基於所述特徵值與所述特徵值範圍之間的大小關係，採用與所述大小關係對應的處理方式對所述特徵值進行處理，得到與所述預設維度空間特徵相關的第二損失值。
  5. 根據請求項4所述的方法，其中，所述預設維度空間特徵包括一維空間長度特徵、二維空間面積特徵、三維空間體積特徵中的至少一者；和/或， 所述特徵值包括邊緣長度值、面積值、體積值中的至少一者。
  6. 根據請求項4所述的方法，其中，所述特徵值範圍包括上限值和下限值；所述基於所述特徵值與所述特徵值範圍之間的大小關係，採用與所述大小關係對應的處理方式對所述特徵值進行處理，得到與所述預設維度空間特徵相關的第二損失值，包括： 在所述特徵值在所述特徵值範圍內的情況下，所述第二損失值為預設數值； 在所述特徵值小於所述下限值的情況下，所述特徵值與所述下限值之間的絕對差值和所述第二損失值為正相關關係； 在所述特徵值大於所述上限值的情況下，所述特徵值與所述上限值之間的絕對差值和所述第二損失值為正相關關係。
  7. 根據請求項1或2所述的方法，其中，所述形態特徵包括邊緣曲率特徵；所述形態差異資訊包括與所述邊緣曲率特徵相關的第三損失值；所述分析同一所述目標對象的實際區域和檢測區域的形態特徵，得到對應所述目標對象的實際區域和檢測區域之間的形態差異資訊，包括： 對所述檢測區域進行邊緣提取，得到所述檢測區域的邊緣曲率值，並將所述邊緣曲率值作為與所述邊緣曲率特徵相關的第三損失值。
  8. 根據請求項1或2所述的方法，其中，所述樣本醫學圖像中包含多個目標對象，在所述利用所述圖像檢測模型對所述樣本醫學圖像進行檢測，得到所述樣本醫學圖像中所述目標對象的檢測區域之後，所述方法還包括： 基於所述多個目標對象之間的預設包含關係，確定檢測到的目標對象是否滿足預設共現條件； 在所述檢測到的目標對象不滿足預設共現條件的情況下，利用所述檢測到的目標對象的檢測區域的預設特徵，得到共現差異資訊； 所述利用所述形態差異資訊，調整所述圖像檢測模型的網路參數，包括： 利用所述共現差異資訊和所述形態差異資訊，調整所述圖像檢測模型的網路參數。
  9. 根據請求項8所述的方法，其中，所述預設共現條件包括：在檢測到的目標對象數量為一個的情況下，所述檢測到的目標對象在所述預設包含關係中具有最大包含範圍；在檢測到的目標對象數量為多個的情況下，所述檢測到的多個目標對象在所述預設包含關係中為連續包含關係，且其中一個所述目標對象在所述預設包含關係中具有最大包含範圍；和/或， 所述預設特徵為二維空間面積特徵、三維空間體積特徵中任一者；和/或， 所述共現差異資訊為與所述二維空間面積特徵相關的損失值、與所述三維空間體積特徵相關的損失值中任一者。
  10. 根據請求項1或2所述的方法，其中， 所述目標對象包括器官、組織、病灶中的至少一者；和/或， 所述樣本醫學圖像包括二維圖像、三維圖像中的任一者；和/或， 所述樣本醫學圖像屬於不同的領域；和/或， 所述樣本醫學圖像屬於相同的領域，且所述圖像檢測模型是利用屬於另一領域的樣本醫學圖像預先訓練得到的。
  11. 一種電子設備，包括相互耦接的記憶體和處理器，所述處理器被配置為執行所述記憶體中儲存的程式指令，以實現請求項1至10中任一項所述的圖像檢測模型的訓練方法。
  12. 一種電腦可讀儲存介質，其上儲存有程式指令，所述程式指令被處理器執行時實現請求項1至10中任一項所述的圖像檢測模型的訓練方法。
TW110120820A 2020-10-30 2021-06-08 圖像檢測模型的訓練方法及電子設備、電腦可讀儲存介質 TW202217837A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202011193266.4 2020-10-30
CN202011193266.4A CN112200802B (zh) 2020-10-30 2020-10-30 图像检测模型的训练方法及相关装置、设备、存储介质

Publications (1)

Publication Number Publication Date
TW202217837A true TW202217837A (zh) 2022-05-01

Family

ID=74010605

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110120820A TW202217837A (zh) 2020-10-30 2021-06-08 圖像檢測模型的訓練方法及電子設備、電腦可讀儲存介質

Country Status (4)

Country Link
JP (1) JP7326499B2 (zh)
CN (1) CN112200802B (zh)
TW (1) TW202217837A (zh)
WO (1) WO2022088581A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200802B (zh) * 2020-10-30 2022-04-26 上海商汤智能科技有限公司 图像检测模型的训练方法及相关装置、设备、存储介质
CN113516758A (zh) * 2021-07-07 2021-10-19 上海商汤智能科技有限公司 图像显示方法及相关装置和电子设备、存储介质
CN113633306A (zh) * 2021-08-31 2021-11-12 上海商汤智能科技有限公司 图像处理方法及相关装置、电子设备和存储介质
CN114549445A (zh) * 2022-02-16 2022-05-27 上海商汤智能科技有限公司 图像检测及相关模型的训练方法、相关装置、设备和介质
CN117541771A (zh) * 2022-08-01 2024-02-09 马上消费金融股份有限公司 图像识别模型训练方法及图像识别方法
CN115880614B (zh) * 2023-01-19 2023-05-12 清华大学 一种宽视场高分辨视频高效智能检测方法及***
CN117218515B (zh) * 2023-09-19 2024-05-03 人民网股份有限公司 一种目标检测方法、装置、计算设备和存储介质
CN117576634B (zh) * 2024-01-16 2024-05-28 浙江大华技术股份有限公司 基于密度检测的异常分析方法、设备以及存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102348593B1 (ko) * 2017-10-26 2022-01-06 삼성에스디에스 주식회사 기계 학습 기반의 객체 검출 방법 및 그 장치
US11227390B2 (en) * 2018-09-26 2022-01-18 Shanghai United Imaging Intelligence Co., Ltd. Systems and methods for image processing
US10885635B2 (en) * 2018-12-18 2021-01-05 Palo Alto Research Center Incorporated Curvilinear object segmentation with noise priors
CN109872306B (zh) * 2019-01-28 2021-01-08 腾讯科技（深圳）有限公司 医学图像分割方法、装置和存储介质
CN110599492B (zh) * 2019-09-19 2024-02-06 腾讯科技（深圳）有限公司 图像分割模型的训练方法、装置、电子设备及存储介质
CN110969245B (zh) * 2020-02-28 2020-07-24 北京深睿博联科技有限责任公司 医学图像的目标检测模型训练方法和装置
CN111539947B (zh) * 2020-04-30 2024-03-29 上海商汤智能科技有限公司 图像检测方法及相关模型的训练方法和相关装置、设备
CN111598867B (zh) * 2020-05-14 2021-03-09 国家卫生健康委科学技术研究所 用于检测特定面部综合征的方法、装置及计算机可读存储介质
CN111582409B (zh) * 2020-06-29 2023-12-26 腾讯科技（深圳）有限公司 图像标签分类网络的训练方法、图像标签分类方法及设备
CN112200802B (zh) * 2020-10-30 2022-04-26 上海商汤智能科技有限公司 图像检测模型的训练方法及相关装置、设备、存储介质

Also Published As

Publication number Publication date
JP2023502814A (ja) 2023-01-26
CN112200802A (zh) 2021-01-08
JP7326499B2 (ja) 2023-08-15
WO2022088581A1 (zh) 2022-05-05
CN112200802B (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
WO2022088581A1 (zh) 图像检测模型的训练方法及相关装置、设备、存储介质
Huang et al. An image-based comprehensive approach for automatic segmentation of left ventricle from cardiac short axis cine mr images
Kroon et al. MRI modalitiy transformation in demon registration
Feng et al. Segmenting CT prostate images using population and patient‐specific statistics for radiotherapy
CN107886508B (zh) 差分减影方法和医学图像处理方法及***
Linguraru et al. Automated segmentation and quantification of liver and spleen from CT images using normalized probabilistic atlases and enhancement estimation
Murakami et al. Automatic identification of bone erosions in rheumatoid arthritis from hand radiographs based on deep convolutional neural network
Abdolali et al. Automatic segmentation of maxillofacial cysts in cone beam CT images
Zhong et al. Boosting‐based cascaded convolutional neural networks for the segmentation of CT organs‐at‐risk in nasopharyngeal carcinoma
CN112885453A (zh) 用于标识后续医学图像中的病理变化的方法和***
Bonmati et al. Automatic segmentation method of pelvic floor levator hiatus in ultrasound using a self-normalizing neural network
Xu et al. Quantifying the margin sharpness of lesions on radiological images for content‐based image retrieval
Jansen et al. Liver segmentation and metastases detection in MR images using convolutional neural networks
EP3424017B1 (en) Automatic detection of an artifact in patient image data
US9811904B2 (en) Method and system for determining a phenotype of a neoplasm in a human or animal body
Zhong et al. Automatic localization of the left ventricle from cardiac cine magnetic resonance imaging: a new spectrum-based computer-aided tool
Song et al. Kidney segmentation in CT sequences using SKFCM and improved GrowCut algorithm
Zhuang et al. Generic and robust method for automatic segmentation of PET images using an active contour model
US20190392552A1 (en) Spine image registration method
Gaweł et al. Automatic spine tissue segmentation from MRI data based on cascade of boosted classifiers and active appearance model
Shi et al. Pulmonary nodule registration in serial CT scans based on rib anatomy and nodule template matching
Jalab et al. Fractional Renyi entropy image enhancement for deep segmentation of kidney MRI
CN1836258B (zh) 采用结构张量来检测肺结节和结肠息肉的方法和***
CN113554647B (zh) 医学图像的配准方法和装置
Erdt et al. Computer aided segmentation of kidneys using locally shape constrained deformable models on CT images