医学影像的生成方法、模型训练方法、装置、设备及介质制造方法及图纸

本公开提供了一种医学影像的生成方法、模型训练方法、装置、设备及介质，涉及机器学习、智慧医疗、以及图像处理等技术领域。具体实现方案包括：获取待生成的医学影像的至少一个标签信息；获取待生成的所述医学影像的至少一个维度的结构信息；基于待生成的所述医学影像的所述至少一个标签信息、所述至少一个维度的结构信息以及预先训练的医学影像生成模型，生成所述医学影像，所述医学影像携带有所述至少一个标签信息、采用了各所述维度的结构信息。本公开的技术，能够有效地提高医学影像的生成效率。率。率。

【技术实现步骤摘要】
医学影像的生成方法、模型训练方法、装置、设备及介质


[0001]本公开涉及计算机
，具体涉及机器学习、智慧医疗、以及图像处理等
，尤其涉及一种医学影像的生成方法、模型训练方法、装置、设备及介质。

技术介绍

[0002]随着医学成像技术和计算机技术的不断发展和进步，医学影像识别已成为医学研究、临床疾病诊断和治疗中一个不可或缺的工具和技术手段，许多患者因医学影像识别和筛查技术，在疾病早期就获得了诊断和治疗。
[0003]近年来，深度学习(Deep Learning；DL)和卷积神经网络(Convolutional neural networks；CNN),已经迅速发展成为自动化医学影像分析的研究热点。通常情况下，可以采集相关的标注数据，对医学影像识别模型进行训练，使得医学影像识别模型学习到相关的能力。

技术实现思路

[0004]本公开提供了一种医学影像的生成方法、模型训练方法、装置、设备及介质。
[0005]根据本公开的一方面，提供了一种医学影像的生成方法，包括：
[0006]获取待生成的医学影像的至少一个标签信息；
[0007]获取待生成的所述医学影像的至少一个维度的结构信息；
[0008]基于待生成的所述医学影像的所述至少一个标签信息、所述至少一个维度的结构信息以及预先训练的医学影像生成模型，生成所述医学影像，所述医学影像携带有所述至少一个标签信息、采用了各所述维度的结构信息。。
[0009]根据本公开的另一方面，提供了一种医学影像生成模型的训练方法，包括：
[0010]从图像数据集中抽取样本图像，并获取所述样本图像的至少一个标签信息和所述样本图像的至少一个维度的结构信息；
[0011]基于所述样本图像和随机选定的时间步t，获取对所述样本图像加噪声处理后第t时刻的噪声影像和第t+1时刻的噪声影像；
[0012]采用所述样本图像的至少一个标签信息、所述样本图像的至少一个维度的结构信息、第t时刻的噪声影像和第t+1时刻的噪声影像，对所述医学影像生成模型进行训练。
[0013]根据本公开的再一方面，提供了一种医学影像的生成装置，包括：
[0014]标签获取模块，用于获取待生成的医学影像的至少一个标签信息；
[0015]结构获取模块，用于获取待生成的所述医学影像的至少一个维度的结构信息；
[0016]生成模块，用于基于待生成的所述医学影像的所述至少一个标签信息、所述至少一个维度的结构信息以及预先训练的医学影像生成模型，生成所述医学影像，所述医学影像携带有所述至少一个标签信息、采用了各所述维度的结构信息。
[0017]根据本公开的又一方面，提供了一种医学影像生成模型的训练装置，包括：
[0018]样本信息获取模块，用于从图像数据集中抽取样本图像，并获取所述样本图像的
至少一个标签信息和所述样本图像的至少一个维度的结构信息；
[0019]噪声影像获取模块，用于基于所述样本图像和随机选定的时间步t，获取对所述样本图像加噪声处理后第t时刻的噪声影像和第t+1时刻的噪声影像；
[0020]训练模块，用于采用所述样本图像的至少一个标签信息、所述样本图像的至少一个维度的结构信息、第t时刻的噪声影像和第t+1时刻的噪声影像，对所述医学影像生成模型进行训练。
[0021]根据本公开的再另一方面，提供了一种电子设备，包括：
[0022]至少一个处理器；以及
[0023]与所述至少一个处理器通信连接的存储器；其中，
[0024]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方面和任一可能的实现方式的方法。
[0025]根据本公开的再又一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如上所述的方面和任一可能的实现方式的方法。
[0026]根据本公开的又另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方面和任一可能的实现方式的方法。
[0027]根据本公开的技术，能够有效地提高医学影像的生成效率。应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0028]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0029]图1是根据本公开第一实施例的示意图；
[0030]图2是根据本公开第二实施例的示意图；
[0031]图3是本实施例提供的一种医学影像生成模型的工作原理图；
[0032]图4是根据本公开第三实施例的示意图；
[0033]图5是根据本公开第四实施例的示意图；
[0034]图6是根据本公开第五实施例的示意图；
[0035]图7是根据本公开第六实施例的示意图；
[0036]图8是根据本公开第七实施例的示意图；
[0037]图9是根据本公开第八实施例的示意图；
[0038]图10是用来实现本公开实施例的方法的电子设备的框图。
具体实施方式
[0039]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0040]显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
[0041]需要说明的是，本公开实施例中所涉及的终端设备可以包括但不限于手机、个人数字助理(Personal Digital Assistant，PDA)、无线手持设备、平板电脑(Tablet Computer)等智能设备；显示设备可以包括但不限于个人电脑、电视等具有显示功能的设备。
[0042]另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0043]图1是根据本公开第一实施例的示意图；如图1所示，本实施例提供一种医学影像的生成方法，具体可以包括如下步骤：
[0044]S101、获取待生成的医学影像的至少一个标签信息；
[0045]S102、获取待生成的医学影像的至少一个维度的结构信息；
[0046]S103、基于待生成的医学影像的至少一个标签信息、至少一个维度的结构信息以及预先训练的医学影像生成模型，生成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学影像的生成方法，包括：获取待生成的医学影像的至少一个标签信息；获取待生成的所述医学影像的至少一个维度的结构信息；基于待生成的所述医学影像的所述至少一个标签信息、所述至少一个维度的结构信息以及预先训练的医学影像生成模型，生成所述医学影像，所述医学影像携带有所述至少一个标签信息、采用了各所述维度的结构信息。2.根据权利要求1所述的方法，其中，基于待生成的所述医学影像的所述至少一个标签信息、所述至少一个维度的结构信息以及预先训练的医学影像生成模型，生成所述医学影像，包括：基于所述医学影像的所述至少一个标签信息和所述医学影像生成模型中的标签表达模块，获取所述医学影像的标签特征；基于所述医学影像的所述至少一个维度的结构信息和所述医学影像生成模型中的结构表达模块，获取各所述维度的结构特征；基于所述医学影像的标签特征、各所述维度的结构特征以及所述医学影像生成模型中的影像生成模块，生成所述医学影像。3.根据权利要求2所述的方法，其中，基于所述医学影像的标签特征、各所述维度的结构特征以及所述医学影像生成模型中的影像生成模块，生成所述医学影像，包括：基于所述医学影像的标签特征和各所述维度的结构特征，获取所述医学影像的类别特征；基于所述医学影像的类别特征以及所述医学影像生成模型中的影像生成模块，生成所述医学影像。4.根据权利要求3所述的方法，其中，所述影像生成模块采用条件扩散模型实现；基于所述医学影像的类别特征以及所述医学影像生成模型中的影像生成模块，生成所述医学影像，包括：基于预设噪声强度的标准高斯分布进行随机采样，获取输入数据；基于所述输入数据、所述医学影像的类别特征、所述预设噪声强度对应的时间步、以及所述影像生成模块，获取所述影像生成模块预测的所述医学影像。5.根据权利要求3所述的方法，其中，所述医学影像的标签特征和各所述维度的结构特征采用向量的形式表达；基于所述医学影像的标签特征和各所述维度的结构特征，获取所述医学影像的类别特征，包括：将所述医学影像的标签特征和各所述维度的结构特征按照列累加，作为所述医学影像的类别特征。6.根据权利要求2
‑
5任一所述的方法，其中，所述标签表达模块采用二维矩阵表示，每一行对应一个标签信息的特征；基于所述医学影像的所述至少一个标签信息和所述医学影像生成模型中的标签表达模块，获取所述医学影像的标签特征，包括：若包括两个以上标签信息时，基于所述医学影像的各所述标签信息，从所述标签表达模块的所述二维矩阵中获取各所述标签信息对应的特征；将所述医学影像的各所述标签信息对应的特征，按照列累加，作为所述医学影像的标签特征。
7.根据权利要求2
‑
5任一所述的方法，其中，所述结构表达模块采用卷积神经网络模型实现；基于所述医学影像的所述至少一个维度的结构信息和所述医学影像生成模型中的结构表达模块，获取各所述维度的结构特征，包括：将所述医学影像的各所述维度的结构信息，分别输入至所述结构表达模块中，分别得到所述结构表达模块输出的各所述维度的结构特征。8.一种医学影像生成模型的训练方法，包括：从图像数据集中抽取样本图像，并获取所述样本图像的至少一个标签信息和所述样本图像的至少一个维度的结构信息；基于所述样本图像和随机选定的时间步t，获取对所述样本图像加噪声处理后第t时刻的噪声影像和第t+1时刻的噪声影像；采用所述样本图像的至少一个标签信息、所述样本图像的至少一个维度的结构信息、第t时刻的噪声影像和第t+1时刻的噪声影像，对所述医学影像生成模型进行训练。9.根据权利要求8所述的方法，其中，采用所述样本图像的至少一个标签信息、所述样本图像的至少一个维度的结构信息、第t时刻的噪声影像和第t+1时刻的噪声影像，对所述医学影像生成模型进行训练，包括：采用所述医学影像生成模型中的标签表达模块，基于所述样本图像的所述至少一个标签信息，获取所述样本图像的标签特征；采用所述医学影像生成模型中的结构表达模块，基于所述样本图像的所述至少一个维度的结构信息，获取所述样本图像的各所述维度的结构特征；采用所述医学影像生成模型中的影像生成模块，基于所述样本图像的标签特征、各所述维度的结构特征、以及所述第t+1时刻的噪声影像和所述第t时刻的噪声影像，预测所述第t+1时刻的噪声影像恢复到所述第t时刻的噪声影像需要去除的预估噪声；获取所述第t+1时刻的噪声影像恢复到所述第t时刻的噪声影像，需要去除的真实噪声；基于所述预估噪声和所述真实噪声，构建损失函数；基于所述损失函数，对所述医学影像生成模型中的所述标签表达模块、所述结构表达模块以及所述影像生成模块进行参数调整，使得所述损失函数的值减小。10.根据权利要求9所述的方法，其中，采用所述医学影像生成模型中的影像生成模块，基于所述样本图像的标签特征、各所述维度的结构特征、以及所述第t+1时刻的噪声影像和所述第t时刻的噪声影像，预测所述第t+1时刻的噪声影像恢复到所述第t时刻的噪声影像需要去除的预估噪声，包括：基于所述样本图像的标签特征和各所述维度的结构特征、获取所述样本图像的类别特征；采用所述医学影像生成模型中的影像生成模块，基于所述样本图像的类别特征、以及所述第t+1时刻的噪声影像和所述第t时刻的噪声影像，预测所述第t+1时刻的噪声影像恢复到所述第t时刻的噪声影像需要去除的预估噪声。11.一种医学影像的生成装置，包括：标签获取模块，用于获取待生成的医学影像的至少一个标签...

【专利技术属性】
技术研发人员：尚方信，杨叶辉，代小亚，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：