[發(fā)明專利]一種面向深度學(xué)習(xí)模型訓(xùn)練和學(xué)習(xí)的影像圖像數(shù)據(jù)擴(kuò)充方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910028616.2
• 申請(qǐng)日: 2019-01-11
• 公開（公告）號(hào): CN109767440A
• 公開（公告）日: 2019-05-17
• 發(fā)明（設(shè)計(jì)）人: 徐軍;謝嘉偉;蔡程飛
• 申請(qǐng)（專利權(quán)）人: 南京信息工程大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06K9/32;G06K9/62
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 戴朝榮

1.一種面向深度學(xué)習(xí)模型訓(xùn)練和學(xué)習(xí)的影像圖像數(shù)據(jù)擴(kuò)充方法，其特征在于：包括以下步驟：

(1)判斷數(shù)據(jù)類型，鑒別CT或MRI圖像數(shù)據(jù)；

(2)對(duì)于影像數(shù)據(jù)，判斷是否有劃定ROI，并結(jié)合腫瘤區(qū)域大小，選用相應(yīng)的方法完成影像數(shù)據(jù)集的構(gòu)建；

(3)采用基本的圖像變換法對(duì)影像數(shù)據(jù)集進(jìn)行訓(xùn)練，獲得初步訓(xùn)練數(shù)據(jù)集；

(4)使用訓(xùn)練好的模型，針對(duì)新的一批患者數(shù)據(jù)，能有效提升網(wǎng)絡(luò)模型的魯棒性和各類性能。

2.根據(jù)權(quán)利要求1所述的面向深度學(xué)習(xí)模型訓(xùn)練和學(xué)習(xí)的影像圖像數(shù)據(jù)擴(kuò)充方法，其特征在于：所述步驟(2)中，影像數(shù)據(jù)集的構(gòu)建采用MRI基于ROI的數(shù)據(jù)擴(kuò)充方法，首先選取原始MRI圖像的感興趣區(qū)域，然后針對(duì)感興趣區(qū)域圖像依次進(jìn)行修剪、平移變換、旋轉(zhuǎn)、除噪、重采樣、鏡像翻轉(zhuǎn)、反射變換、PCA抖動(dòng)、色彩抖動(dòng)處理，獲得MRI影像數(shù)據(jù)集。

3.根據(jù)權(quán)利要求2所述的面向深度學(xué)習(xí)模型訓(xùn)練和學(xué)習(xí)的影像圖像數(shù)據(jù)擴(kuò)充方法，其特征在于：所述除噪過程是采用現(xiàn)有濾波器對(duì)處理圖像中的干擾信息進(jìn)行濾除。

4.根據(jù)權(quán)利要求1所述的面向深度學(xué)習(xí)模型訓(xùn)練和學(xué)習(xí)的影像圖像數(shù)據(jù)擴(kuò)充方法，其特征在于：所述步驟(3)具體是采用現(xiàn)有圖像數(shù)據(jù)訓(xùn)練方法，對(duì)圖像數(shù)據(jù)集進(jìn)行多次訓(xùn)練，初步預(yù)測(cè)各數(shù)據(jù)概率，獲得初步訓(xùn)練數(shù)據(jù)集。

5.根據(jù)權(quán)利要求1所述的面向深度學(xué)習(xí)模型訓(xùn)練和學(xué)習(xí)的影像圖像數(shù)據(jù)擴(kuò)充方法，其特征在于：所述步驟(4)具體是采用HNM泛化型數(shù)據(jù)增強(qiáng)方式，在對(duì)影像數(shù)據(jù)集進(jìn)行擴(kuò)充和逐步平衡后，通過深度網(wǎng)絡(luò)訓(xùn)練模型，對(duì)初步訓(xùn)練數(shù)據(jù)集中的MR圖像數(shù)據(jù)進(jìn)行多次迭代訓(xùn)練，繼而進(jìn)行概率預(yù)測(cè)，確定目標(biāo)圖像。

6.根據(jù)權(quán)利要求5所述的面向深度學(xué)習(xí)模型訓(xùn)練和學(xué)習(xí)的影像圖像數(shù)據(jù)擴(kuò)充方法，其特征在于：所述深度網(wǎng)絡(luò)訓(xùn)練模型為AlexNet、ResNet、Segnet、Deeplab、Yolo、SSD其中一種。

7.根據(jù)權(quán)利要求1、4、5任一項(xiàng)所述的面向深度學(xué)習(xí)模型訓(xùn)練和學(xué)習(xí)的影像圖像數(shù)據(jù)擴(kuò)充方法，其特征在于：所述方法的數(shù)據(jù)概率預(yù)測(cè)端還加入有數(shù)據(jù)擴(kuò)充，提高模型預(yù)測(cè)能力。