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：