[發(fā)明專利]醫(yī)療影像數(shù)據(jù)擴增方法、裝置、介質(zhì)及電子設(shè)備

有效

• 申請?zhí)枺?/td>: 202010964587.3
• 申請日: 2020-09-15
• 公開（公告）號: CN111832666B
• 公開（公告）日: 2020-12-25
• 發(fā)明（設(shè)計）人: 徐欣星
• 申請（專利權(quán)）人: 平安國際智慧城市科技股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T7/00
• 代理公司: 深圳市隆天聯(lián)鼎知識產(chǎn)權(quán)代理有限公司 44232
• 代理人: 孫強

本公開涉及人工智能領(lǐng)域，應(yīng)用智慧醫(yī)療領(lǐng)域，揭示了一種醫(yī)療影像數(shù)據(jù)擴增方法、裝置、介質(zhì)及電子設(shè)備。該方法包括：利用樣本數(shù)據(jù)集中的正常醫(yī)療影像樣本數(shù)據(jù)和異常醫(yī)療影像樣本數(shù)據(jù)對基礎(chǔ)模型進行訓練，得到第一模型；從數(shù)據(jù)擴增策略集合中選取數(shù)據(jù)擴增策略作為候選數(shù)據(jù)擴增策略，并利用候選數(shù)據(jù)擴增策略至少對樣本數(shù)據(jù)集擴增，生成一組樣本數(shù)據(jù)；利用各組樣本數(shù)據(jù)對第一模型進行訓練，得到各訓練后識別模型；確定各訓練后識別模型的性能指標；根據(jù)性能指標，在候選數(shù)據(jù)擴增策略中確定出目標數(shù)據(jù)擴增策略；利用目標數(shù)據(jù)擴增策略對樣本數(shù)據(jù)集進行擴增。此方法實現(xiàn)了醫(yī)療影像數(shù)據(jù)的擴增并提高了擴增得到的醫(yī)療影像數(shù)據(jù)的質(zhì)量。

技術(shù)領(lǐng)域

本公開涉及人工智能技術(shù)領(lǐng)域，應(yīng)用智慧醫(yī)療領(lǐng)域，特別涉及一種醫(yī)療影像數(shù)據(jù)擴增方法、裝置、介質(zhì)及電子設(shè)備。

背景技術(shù)

在醫(yī)療領(lǐng)域，深度學習模型等機器學習模型應(yīng)用廣泛。然而，這些機器學習模型的訓練需要大量的數(shù)據(jù)，由于患者隱私等因素，醫(yī)療影像數(shù)據(jù)常常難以獲得，尤其是真正發(fā)生了病灶的患者數(shù)量較少，這更增加了醫(yī)療影像數(shù)據(jù)特別是異常醫(yī)療影像數(shù)據(jù)的稀缺性，因此，如何獲取充足的醫(yī)療影像數(shù)據(jù)來訓練模型已經(jīng)成為業(yè)內(nèi)亟需解決的難題。

發(fā)明內(nèi)容

在人工智能技術(shù)領(lǐng)域，應(yīng)用智慧醫(yī)療領(lǐng)域，為了解決上述技術(shù)問題，本公開的目的在于提供一種醫(yī)療影像數(shù)據(jù)擴增方法、裝置、介質(zhì)及電子設(shè)備。

根據(jù)本公開的一方面，提供了一種醫(yī)療影像數(shù)據(jù)擴增方法，所述方法包括：

利用樣本數(shù)據(jù)集中的正常醫(yī)療影像樣本數(shù)據(jù)和異常醫(yī)療影像樣本數(shù)據(jù)對基礎(chǔ)醫(yī)療影像識別模型進行訓練，得到第一醫(yī)療影像識別模型，其中，所述樣本數(shù)據(jù)集中的正常醫(yī)療影像樣本數(shù)據(jù)的數(shù)量大于異常醫(yī)療影像樣本數(shù)據(jù)的數(shù)量；

每次從預設(shè)數(shù)據(jù)擴增策略集合中選取一個尚未選取過的數(shù)據(jù)擴增策略，將該數(shù)據(jù)擴增策略作為候選數(shù)據(jù)擴增策略，并利用所述候選數(shù)據(jù)擴增策略至少對所述樣本數(shù)據(jù)集中的異常醫(yī)療影像樣本數(shù)據(jù)進行擴增，生成一組擴增得到的醫(yī)療影像樣本數(shù)據(jù)；

利用各組擴增得到的醫(yī)療影像樣本數(shù)據(jù)分別對所述第一醫(yī)療影像識別模型進行訓練，得到與各候選數(shù)據(jù)擴增策略對應(yīng)的訓練后醫(yī)療影像識別模型；

基于預設(shè)測試數(shù)據(jù)集確定各所述訓練后醫(yī)療影像識別模型的性能指標，所述預設(shè)測試數(shù)據(jù)集包括多個異常醫(yī)療影像樣本數(shù)據(jù)；

根據(jù)各所述訓練后醫(yī)療影像識別模型的性能指標，在各所述訓練后醫(yī)療影像識別模型對應(yīng)的候選數(shù)據(jù)擴增策略中確定出至少一個候選數(shù)據(jù)擴增策略作為目標數(shù)據(jù)擴增策略；

利用所述目標數(shù)據(jù)擴增策略至少對所述樣本數(shù)據(jù)集中的異常醫(yī)療影像樣本數(shù)據(jù)進行擴增。

根據(jù)本公開的另一方面，提供了一種醫(yī)療影像數(shù)據(jù)擴增裝置，所述裝置包括：

第一訓練模塊，被配置為利用樣本數(shù)據(jù)集中的正常醫(yī)療影像樣本數(shù)據(jù)和異常醫(yī)療影像樣本數(shù)據(jù)對基礎(chǔ)醫(yī)療影像識別模型進行訓練，得到第一醫(yī)療影像識別模型，其中，所述樣本數(shù)據(jù)集中的正常醫(yī)療影像樣本數(shù)據(jù)的數(shù)量大于異常醫(yī)療影像樣本數(shù)據(jù)的數(shù)量；

第一擴增模塊，被配置為每次從預設(shè)數(shù)據(jù)擴增策略集合中選取一個尚未選取過的數(shù)據(jù)擴增策略，將該數(shù)據(jù)擴增策略作為候選數(shù)據(jù)擴增策略，并利用所述候選數(shù)據(jù)擴增策略至少對所述樣本數(shù)據(jù)集中的異常醫(yī)療影像樣本數(shù)據(jù)進行擴增，生成一組擴增得到的醫(yī)療影像樣本數(shù)據(jù)；

第二訓練模塊，被配置為利用各組擴增得到的醫(yī)療影像樣本數(shù)據(jù)分別對所述第一醫(yī)療影像識別模型進行訓練，得到與各候選數(shù)據(jù)擴增策略對應(yīng)的訓練后醫(yī)療影像識別模型；

性能指標確定模塊，被配置為基于預設(shè)測試數(shù)據(jù)集確定各所述訓練后醫(yī)療影像識別模型的性能指標，所述預設(shè)測試數(shù)據(jù)集包括多個異常醫(yī)療影像樣本數(shù)據(jù)；