一种数据处理的方法技术

本说明书公开了一种数据处理的方法

【技术实现步骤摘要】
一种数据处理的方法、装置、存储介质及电子设备


[0001]本申请涉及计算机
，尤其涉及一种数据处理的方法
、
装置
、
存储介质及电子设备
。

技术介绍

[0002]随着科技的发展，医疗技术也飞速发展
。
在医疗领域，人工智能广泛应用
。
其中，在对人体进行医学检查时，可使用不同的医学影像设备得到的不同模态的人体医学图像，以基于得到的人体医学图像对人体的健康状况进行分析，例如：使用电子计算机断层扫描
(Computed Tomography
，
CT)
设备获取
CT
模态的人体医学图像，使用磁共振成像
(Magnetic Resonance Imaging
，
MRI)
设备获取
MRI
模态的人体医学图像
。
[0003]一般的，可使用训练好的模型对人体医学图像进行相应的处理
。
例如：使用人体部位识别模型识别人体医学图像中的感兴趣部位，以便医师可基于人体医学图像中的感兴趣部位对人体的健康状况进行分析
。
但是，由于模型的训练需要使用大量的样本数据，且模型是使用特定模态的图像数据进行训练得到的，而一些医学影像设备的使用频率低，例如：正电子发射型断层成像
(Positron Emission Tomography
，
PET)
设备，单光子发射型断层成像
(Single Photon Emission Computed Tomography
，
SPECT)
设备，因此
PET、SPECT
等模态的人体医学图像也极少，那么使用这些少量的人体医学图像去训练模型，难以取得好的效果
。
[0004]基于此，本说明书提供了一种数据处理的方法
。

技术实现思路

[0005]本说明书提供一种数据处理的方法
、
装置
、
存储介质及电子设备，以至少部分的解决现有技术存在的上述问题
。
[0006]本说明书采用下述技术方案：
[0007]本说明书提供了一种数据处理的方法，所述方法包括：
[0008]获取原始模态的人体医学图像；
[0009]将所述原始模态的人体医学图像转换为目标模态的人体医学图像；
[0010]将所述目标模态的人体医学图像输入预先训练的人体部位识别模型，得到所述人体部位识别模型输出的所述目标模态的人体医学图像中的人体部位；其中，所述人体部位识别模型是预先基于目标模态的人体医学图像训练的；
[0011]根据得到的所述目标模态的人体医学图像中的人体部位，得到所述原始模态的人体医学图像中的人体部位
。
[0012]可选地，将所述原始模态的人体医学图像转换为目标模态的人体医学图像，具体包括：
[0013]将所述原始模态的人体医学图像输入转换网络，以使所述转换网络将所述原始模态的人体医学图像映射至目标模态，得到所述原始模态的人体医学图像对应的目标模态的人体医学图像
。
[0014]可选地，所述转换网络为
Cycle GAN
网络
。
[0015]可选地，所述原始模态的人体医学图像为
MRI
人体医学图像，所述目标模态的人体医学图像为
CT
人体医学图像
。
[0016]可选地，将所述目标模态的人体医学图像输入预先训练的人体部位识别模型，得到所述人体部位识别模型输出的所述目标模态的人体医学图像中的人体部位，具体包括：
[0017]将所述
CT
人体医学图像输入预先训练的人体部位识别模型，得到所述人体部位识别模型输出的所述
CT
人体医学图像中的人体部位
。
[0018]可选地，所述原始模态的人体医学图像中包括多张原始模态的人体医学图像切片；
[0019]将所述原始模态的人体医学图像转换为目标模态的人体医学图像，具体包括：
[0020]确定所述原始模态的人体医学图像中的待检测的人体医学图像切片；
[0021]将确定出的待检测的人体医学图像切片转换为目标模态的人体医学图像切片
。
[0022]可选地，所述
Cycle GAN
网络包括：第一生成网络，第二生成网络，第一判别网络以及第二判别网络；其中，所述第一生成网络用于将原始模态的人体医学图像转换成目标模态的人体医学图像，所述第二生成网络用于将目标模态的人体医学图像转换成原始模态的人体医学图像，所述第一判别网络用于判别目标模态的人体医学图像与第一生成网络输出的目标模态的人体医学图像是否相似，所述第二判别网络用于判别原始模态的人体医学图像与第二生成网络输出的原始模态的人体医学图像是否相似；
[0023]所述
Cycle GAN
网络采用下述方法训练：
[0024]获取原始模态的人体医学图像样本，作为第一样本，以及获取目标模态的人体医学图像样本，作为第二样本；
[0025]将所述第一样本输入所述第一生成网络，得到所述第一生成网络输出的第一结果；
[0026]将所述第一结果输入所述第二生成网络，得到所述第二生成网络输出的第二结果；
[0027]将所述第二样本输入所述第二生成网络，得到所述第二生成网络输出的第三结果；
[0028]将所述第三结果输入所述第一生成网络，得到所述第一生成网络输出的第四结果；
[0029]根据所述第一结果
、
所述第二结果
、
所述第三结果
、
所述第四结果
、
所述第一样本以及所述第二样本，对所述第一生成网络
、
所述第二生成网络
、
所述第一判别网络以及所述第二判别网络进行训练
。
[0030]可选地，对所述第一生成网络
、
所述第二生成网络
、
所述第一判别网络以及所述第二判别网络进行训练，具体包括：
[0031]根据所述第一样本与所述第二结果，对所述第二判别网络进行训练；
[0032]根据所述第二样本与所述第四结果，对所述第一判别网络进行训练；
[0033]根据所述第一结果与所述第二样本，对所述第一生成网络进行训练；
[0034]根据所述第三结果与所述第一样本，对所述第二生成网络进行训练
。
[0035]本说明书提供了一种数据处理的装置，包括：
[0036]获取模块，用于获取原始模态的人体医学图像；
[0037]转换模块，用于将所述原始模态的人体医学图像转换为目标模态的人体医学图像；
[0038]输入模块，用于将所述目标模态的人体医学图像输入预先训练的人体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种数据处理的方法，其特征在于，所述方法包括：获取原始模态的人体医学图像；将所述原始模态的人体医学图像转换为目标模态的人体医学图像；将所述目标模态的人体医学图像输入预先训练的人体部位识别模型，得到所述人体部位识别模型输出的所述目标模态的人体医学图像中的人体部位；其中，所述人体部位识别模型是预先基于目标模态的人体医学图像训练的；根据得到的所述目标模态的人体医学图像中的人体部位，得到所述原始模态的人体医学图像中的人体部位
。2.
如权利要求1所述的方法，其特征在于，将所述原始模态的人体医学图像转换为目标模态的人体医学图像，具体包括：将所述原始模态的人体医学图像输入转换网络，以使所述转换网络将所述原始模态的人体医学图像映射至目标模态，得到所述原始模态的人体医学图像对应的目标模态的人体医学图像
。3.
如权利要求2所述的方法，其特征在于，所述转换网络为
Cycle GAN
网络
。4.
如权利要求1所述的方法，其特征在于，所述原始模态的人体医学图像为
MRI
人体医学图像，所述目标模态的人体医学图像为
CT
人体医学图像
。5.
如权利要求4所述的方法，其特征在于，将所述目标模态的人体医学图像输入预先训练的人体部位识别模型，得到所述人体部位识别模型输出的所述目标模态的人体医学图像中的人体部位，具体包括：将所述
CT
人体医学图像输入预先训练的人体部位识别模型，得到所述人体部位识别模型输出的所述
CT
人体医学图像中的人体部位
。6.
如权利要求1所述的方法，其特征在于，所述原始模态的人体医学图像中包括多张原始模态的人体医学图像切片；将所述原始模态的人体医学图像转换为目标模态的人体医学图像，具体包括：确定所述原始模态的人体医学图像中的待检测的人体医学图像切片；将确定出的待检测的人体医学图像切片转换为目标模态的人体医学图像切片
。7.
如权利要求3所述的方法，其特征在于，所述
Cycle GAN
网络包括：第一生成网络，第二生成网络，第一判别网络以及第二判别网络；其中，所述第一生成网...

【专利技术属性】
技术研发人员：聂建龙，张博扬，曹晓欢，薛忠，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：