乳腺X射线影像反对称生成分析模型训练方法和装置制造方法及图纸

本申请实施例提供了一种乳腺X射线影像反对称生成分析模型训练方法和装置，解决了现有乳腺X射线影像分析方式的效率低和准确率低的问题。该乳腺X射线影像反对称生成分析模型训练方法包括：基于预训练的特征提取模型分别提取双侧乳腺X射线影像的原双侧乳腺图像特征，其中，所述双侧乳腺X射线影像分别对应左乳和右乳；将所述原双侧乳腺图像特征输入神经网络模型以获取与所述原双侧乳腺图像特征的特征信息相反的反对称分析结果；计算所生成的所述反对称分析结果与原双侧乳腺图像特征之间的损失函数取值；以及基于所述损失函数取值调整所述神经网络模型的参数。

【技术实现步骤摘要】
乳腺X射线影像反对称生成分析模型训练方法和装置
本申请涉及影像分析
，具体涉及一种乳腺X射线影像反对称生成分析模型训练方法、装置、电子设备和计算机可读存储介质。
技术介绍
目前在世界范围内，乳腺癌是女性中发病率最高的癌症。乳腺X射线影像是乳腺癌早期筛查最重要的手段。由于X射线穿过人体时，被吸收的程度不同，通过人体后的X射线量就不同，这样所形成的影像便携带了人体各部密度分布的信息，在荧光屏上或摄影胶片上引起的荧光作用或感光作用的强弱就有较大差别，因而在荧光屏上或摄影胶片上(经过显影、定影)将显示出不同密度的阴影。根据阴影浓淡的对比，结合临床表现、化验结果和病理诊断，即可判断人体某一部分是否正常。现有的基于乳腺X射线影像的分析方法大多是基于已有病灶区域的标注，利用神经网络学习病灶区域从而得到良恶性的分析结果。但是病灶区域的标注是需要大量的有经验的医生来进行的，所以这种标注是非常难获得的，模型训练的效率低。然而，若仅利用病理结果来训练模型的一个难点就是如何正确定位到病灶区域。很多情况下，病灶的表征跟致密的腺体非常像，往往会与正常腺体混淆。现有的方法都在是单张图像上做一些提取局部特征或者给一些比较宽泛的约束来达到定位病灶的目的，但这种分析方式的准确率是比较低的。
技术实现思路
有鉴于此，本申请实施例提供了一种乳腺X射线影像反对称生成分析模型训练方法和装置，解决了现有乳腺X射线影像分析方式的效率低和准确率低的问题。根据本申请的一个方面，本申请一实施例提供的一种乳腺X射线影像反对称生成分析模型训练方法包括：基于预训练的特征提取模型分别提取双侧乳腺X射线影像的原双侧乳腺图像特征，其中，所述双侧乳腺X射线影像分别对应左乳和右乳；将所述原双侧乳腺图像特征输入神经网络模型以获取与所述原双侧乳腺图像特征的特征信息相反的反对称分析结果；计算所生成的所述反对称分析结果与原双侧乳腺图像特征之间的损失函数取值；以及基于所述损失函数取值调整所述神经网络模型的参数。在本申请一实施例中，所述方法进一步包括：将所述反对称分析结果和所述原双侧乳腺图像特征输入所述神经网络模型进行弱监督学习。在本申请一实施例中，在基于预训练的特征提取模型分别提取双侧乳腺X射线影像的原双侧乳腺图像特征之前，所述方法进一步包括：对所述双侧乳腺X射线影像进行预处理。在本申请一实施例中，所述对所述双侧乳腺X射线影像进行预处理包括：对所述双侧乳腺X射线影像进行灰度归一化处理；以二值化的方式压缩所述双侧乳腺X射线影像；获取所述双侧乳腺X射线影像中的双侧乳腺区域影像；以及对所述双侧乳腺区域影像分别进行开操作以对齐所述双侧乳腺区域影像。在本申请一实施例中，所述特征提取模型包括以下模型种类中的一种：ResNet、AlexNet、DenseNet。在本申请一实施例中，所述神经网络模型包括以下层中的一种或多种组合：卷积层、池化层和全连接层。在本申请一实施例中，所述损失函数取值所基于的损失函数包括以下函数中的一种或多种组合：对比损失、三元组损失、N对损失、倒角损失和搬土损失。根据本申请的一个方面，本申请一实施例提供的一种乳腺X射线影像反对称生成分析模型训练装置包括：提取模块，配置为基于预训练的特征提取模型分别提取双侧乳腺X射线影像的原双侧乳腺图像特征，其中，所述双侧乳腺X射线影像分别对应左乳和右乳；分析模块，配置为将所述原双侧乳腺图像特征输入神经网络模型以获取与所述原双侧乳腺图像特征的特征信息相反的反对称分析结果；计算模块，配置为计算所生成的所述反对称分析结果与原双侧乳腺图像特征之间的损失函数取值；以及调整模块，配置为基于所述损失函数取值调整所述神经网络模型的参数。在本申请一实施例中，所述装置进一步包括：弱监督学习模块，配置为将所述反对称分析结果和所述原双侧乳腺图像特征输入所述神经网络模型进行弱监督学习。在本申请一实施例中，所述装置进一步包括：预处理模块，配置为在基于预训练的特征提取模型分别提取双侧乳腺X射线影像的原双侧乳腺图像特征之前，对所述双侧乳腺X射线影像进行预处理。在本申请一实施例中，所述预处理模块包括：归一化单元，配置为对所述双侧乳腺X射线影像进行灰度归一化处理；压缩单元，配置为以二值化的方式压缩所述双侧乳腺X射线影像；区域获取单元，配置为获取所述双侧乳腺X射线影像中的双侧乳腺区域影像；以及开操作单元，配置为对所述双侧乳腺区域影像分别进行开操作以对齐所述双侧乳腺区域影像。在本申请一实施例中，所述特征提取模型包括以下模型种类中的一种：ResNet、AlexNet、DenseNet。在本申请一实施例中，所述神经网络模型包括以下层中的一种或多种组合：卷积层、池化层和全连接层。在本申请一实施例中，所述损失函数取值所基于的损失函数包括以下函数中的一种或多种组合：对比损失、三元组损失、N对损失、倒角损失和搬土损失。根据本申请的另一方面，本申请一实施例提供了一种电子设备，包括：处理器；存储器；以及存储在存储器中的计算机程序指令，计算机程序指令在被处理器运行时使得处理器执行如上述任一项所述的乳腺X射线影像反对称生成分析模型训练方法。根据本申请的另一方面，本申请一实施例提供了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计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如前任一所述的乳腺X射线影像反对称生成分析模型训练方法。根据本申请的另一方面，本申请一实施例提供了一种计算机程序产品，包括计算机程序指令，所述计算机程序指令在被处理器运行时使得处理器执行如上述任一所述的乳腺X射线影像反对称生成分析模型训练方法。本申请实施例提供的一种乳腺X射线影像反对称生成分析模型训练方法、装置、电子设备和计算机可读存储介质，通过提取双侧乳腺X射线影像的原双侧乳腺图像特征，在输入神经网络模型后生成与原双侧乳腺图像特征的特征信息相反的反对称分析结果，并利用该生成的反对称分析结果进行模型分析训练，基于该生成的反对称分析结果与原双侧乳腺图像特征之间的损失来调整神经网络模型的参数，可有效地将双侧乳腺X射线影像中的信息都结合起来，不必进行人工标注，显著提高模型训练后的分析准确率。同时，由于训练过程的所有操作均可导，故可采取端到端的单步学习方式，保证模型的训练效率及最终分析结果的准确性。附图说明图1所示为本申请一实施例提供的一种乳腺X射线影像反对称生成分析模型训练方法的流程示意图。图2所示为本申请一实施例提供的双侧乳腺X射线影像的示意图。图3所示为本申请一实施例提供的一种乳腺X射线影像反对称生成分析模型训练方法中对双侧乳腺X射线影像进行预处理过程的流程示意图。图4所示为本申请一实施例提供的乳腺X射线影像反对称生成分析模型训练装置的结构示意图。图5所示为本申请另一实施例提供的乳腺X射线影像反对称生成分析模型训练装置的结构示意图。图6所示为本申请一实施例提供的电子设备的结构示意图。具体实施方式<本文档来自技高网...

【技术保护点】
1.一种乳腺X射线影像反对称生成模型训练方法，其特征在于，包括：/n基于预训练的特征提取模型分别提取双侧乳腺X射线影像的原双侧乳腺图像特征，其中，所述双侧乳腺X射线影像分别对应左乳和右乳；/n将所述原双侧乳腺图像特征输入神经网络模型以获取与所述原双侧乳腺图像特征的特征信息相反的反对称分析结果；/n计算所生成的所述反对称分析结果与原双侧乳腺图像特征之间的损失函数取值；以及/n基于所述损失函数取值调整所述神经网络模型的参数。/n

【技术特征摘要】
1.一种乳腺X射线影像反对称生成模型训练方法，其特征在于，包括：
基于预训练的特征提取模型分别提取双侧乳腺X射线影像的原双侧乳腺图像特征，其中，所述双侧乳腺X射线影像分别对应左乳和右乳；
将所述原双侧乳腺图像特征输入神经网络模型以获取与所述原双侧乳腺图像特征的特征信息相反的反对称分析结果；
计算所生成的所述反对称分析结果与原双侧乳腺图像特征之间的损失函数取值；以及
基于所述损失函数取值调整所述神经网络模型的参数。


2.根据权利要求1所述的方法，其特征在于，进一步包括：
将所述反对称分析结果和所述原双侧乳腺图像特征输入所述神经网络模型进行弱监督学习。


3.根据权利要求1所述的方法，其特征在于，在基于预训练的特征提取模型分别提取双侧乳腺X射线影像的原双侧乳腺图像特征之前，进一步包括：
对所述双侧乳腺X射线影像进行预处理。


4.根据权利要求3所述的方法，其特征在于，所述对所述双侧乳腺X射线影像进行预处理包括：
对所述双侧乳腺X射线影像进行灰度归一化处理；
以二值化的方式压缩所述双侧乳腺X射线影像；
获取所述双侧乳腺X射线影像中的双侧乳腺区域影像；以及
对所述双侧乳腺区域影像分别进行开操作以对齐所述双侧乳腺区域影像。


5.根据权利要求1所述的方法，其特征在于，所述特征提取模型包括以下模型种类中的一种：ResNet、Al...

【专利技术属性】
技术研发人员：王楚然，刚亚栋，张番栋，张笑春，俞益洲，王亦洲，
申请(专利权)人：北京深睿博联科技有限责任公司，杭州深睿博联科技有限公司，
类型：发明
国别省市：北京;11