System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及医疗设备领域、图像处理和人工智能领域,尤其涉及一种训练方法、用于预测甲状腺结节转移情况的图像处理方法、装置、设备、存储介质及计算机程序产品。
技术介绍
1、甲状腺癌症是世界上最常见的内分泌肿瘤。由于使用了高灵敏度成像技术,从而导致过度诊断和随后的过度治疗。超声影像学检查可检测出33-68%的甲状腺隐匿性结节,约7-10%的甲状腺结节具有恶性肿瘤的高风险。然而,甲状腺和颈部超声的解释需要额外的经验,并且通常是主观的、劳动密集的、耗时的,并且在放射科医生中会受到观察者之间的差异导致对识别结果的判断准确性不稳定。
技术实现思路
1、基于上述问题,本专利技术提供了一种训练方法、用于预测甲状腺结节转移情况的图像处理方法、装置、设备、存储介质及计算机程序产品。
2、(一)技术方案
3、根据本专利技术的第一个方面,提供了一种深度学习模型的训练方法,包括:获取训练样本,上述训练样本包括样本图像和标签,上述样本图像为与样本被测对象相关的甲状腺检查图像,上述标签包括表征所述样本被测对象的甲状腺结节是否发生转移的第一标签,以及表征上述样本被测对象的甲状腺结节转移区域的第二标签;将上述样本图像输入至初始深度学习模型,输出与上述第一标签对应的第一样本检测结果,以及与上述第二标签对应的第二样本检测结果;根据上述第一样本检测结果和上述第一标签,以及上述第二样本检测结果和上述第二标签训练上述初始深度学习模型,得到训练后的深度学习模型,其中,训练后的上述深度学习模型适用于预测被
4、本专利技术的第二方面提供了一种用于预测甲状腺结节转移情况的图像处理方法,包括:获取被测对象相关的甲状腺检查图像;将上述甲状腺检查图像输入至深度学习模型,输出第一检测结果和第二检测结果,其中,上述第一检测结果表征上述被测对象的甲状腺结节是否发生转移,上述第二检测结果表征上述被测对象的甲状腺结节转移区域;以及根据上述第一检测结果和上述第二检测结果,得到甲状腺结节检测结果。
5、本专利技术的第三方面提供了一种深度学习模型的训练装置,包括:训练样本获取模块,用于获取训练样本,上述训练样本包括样本图像和标签,上述样本图像为与样本被测对象相关的甲状腺检查图像,上述标签包括表征所述样本被测对象的甲状腺结节是否发生转移的第一标签,以及表征上述样本被测对象的甲状腺结节转移区域的第二标签;样本图像检测模块,用于将上述样本图像输入至初始深度学习模型,输出与上述第一标签对应的第一样本检测结果,以及与上述第二标签对应的第二样本检测结果;训练模块,用于根据上述第一样本检测结果和所述第一标签,以及上述第二样本检测结果和上述第二标签训练所述初始深度学习模型,得到训练后的深度学习模型,其中,训练后的所述深度学习模型适用于预测被测对象的甲状腺结节转移情况。
6、本专利技术的第四方面提供了一种用于预测甲状腺结节转移情况的图像处理装置,包括:图像获取模块,用于获取被测对象相关的甲状腺检查图像;图像检测模块,用于将上述甲状腺检查图像输入至深度学习模型,输出第一检测结果和第二检测结果,其中,上述第一检测结果表征所述被测对象的甲状腺结节是否发生转移,上述第二检测结果表征所述被测对象的甲状腺结节转移区域;以及检测结果获得模块,用于根据上述第一检测结果和上述第二检测结果,得到甲状腺结节检测结果。
7、(二)有益效果
8、从上述技术方案可以看出,本专利技术训练方法和用于预测甲状腺结节转移情况的图像处理方法至少具有以下有益效果其中之一或其中一部分:
9、本专利技术提供了的训练方法通过训练得到深度学习模型,可以通过深度学习模型来处理甲状腺超声图像,进而确定甲状腺淋巴结转移的情况,实现通过人工智能技术来,预测甲状腺淋巴结转移的情况,从而提升针对甲状腺超声图像中淋巴结转移情况的识别能力,相比于传统的基于人工经验和规则的方法,可以实现提升甲状腺结节转移情况的检测的稳定性、准确性、可靠性,实现提升医疗诊断效率的技术效果。
本文档来自技高网...【技术保护点】
1.一种深度学习模型的训练方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述第一样本检测结果包括表征所述样本被测对象的甲状腺结节显示恶性特异性的第一样本概率,所述第二样本检测结果包括表征甲状腺结节转移区域的第二样本概率;
3.根据权利要求2所述的方法,其特征在于,所述第二标签包括以下至少一项:
4.根据权利要求3所述的方法,其特征在于,在所述第二标签包括所述中心区转移标签和所述侧室转移标签的情况下,所述第二样本概率包括样本中心区转移概率和样本侧室转移概率;
5.根据权利要求1所述的方法,其特征在于,所述初始深度学习模型是基于卷积神经网络算法构建得到的。
6.根据权利要求1所述的方法,其特征在于,还包括:
7.一种用于预测甲状腺结节转移情况的图像处理方法,其特征在于,包括:
8.根据权利要求7所述的方法,其特征在于,还包括:
9.一种深度学习模型的训练装置,其特征在于,包括:
10.一种用于预测甲状腺结节转移情况的图像处理装置,其特征在于,包括:
【技术特征摘要】
1.一种深度学习模型的训练方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述第一样本检测结果包括表征所述样本被测对象的甲状腺结节显示恶性特异性的第一样本概率,所述第二样本检测结果包括表征甲状腺结节转移区域的第二样本概率;
3.根据权利要求2所述的方法,其特征在于,所述第二标签包括以下至少一项:
4.根据权利要求3所述的方法,其特征在于,在所述第二标签包括所述中心区转移标签和所述侧室转移标签的情况下,所述第二样本概率包括样本中心区转移...
【专利技术属性】
技术研发人员:张强,李祥春,陈可欣,杨一晨,魏玺,张晟,
申请(专利权)人:天津市肿瘤医院天津医科大学肿瘤医院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。