[发明专利]一种面向深度学习模型训练和学习的影像图像数据扩充方法在审
| 申请号： | 201910028616.2 | 申请日： | 2019-01-11 |
| 公开（公告）号： | CN109767440A | 公开（公告）日： | 2019-05-17 |
| 发明（设计）人： | 徐军;谢嘉伟;蔡程飞 | 申请（专利权）人： | 南京信息工程大学 |
| 主分类号： | G06T7/00 | 分类号： | G06T7/00;G06K9/32;G06K9/62 |
| 代理公司： | 南京钟山专利代理有限公司 32252 | 代理人： | 戴朝荣 |
| 地址： | 210044 江苏*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 数据扩充 影像数据 训练数据集 学习 模型训练 影像图像 计算机辅助诊断 计算技术领域 医学图像处理 医学图像数据 人工智能 概率预测 判断数据 深度模型 图像变换 网络模型 医学图像 异常数据 肿瘤区域 异质性 准确率 构建 鉴别 诊断 计算机 | ||
1.一种面向深度学习模型训练和学习的影像图像数据扩充方法，其特征在于：包括以下步骤：
(1)判断数据类型，鉴别CT或MRI图像数据；
(2)对于影像数据，判断是否有划定ROI，并结合肿瘤区域大小，选用相应的方法完成影像数据集的构建；
(3)采用基本的图像变换法对影像数据集进行训练，获得初步训练数据集；
(4)使用训练好的模型，针对新的一批患者数据，能有效提升网络模型的鲁棒性和各类性能。
2.根据权利要求1所述的面向深度学习模型训练和学习的影像图像数据扩充方法，其特征在于：所述步骤(2)中，影像数据集的构建采用MRI基于ROI的数据扩充方法，首先选取原始MRI图像的感兴趣区域，然后针对感兴趣区域图像依次进行修剪、平移变换、旋转、除噪、重采样、镜像翻转、反射变换、PCA抖动、色彩抖动处理，获得MRI影像数据集。
3.根据权利要求2所述的面向深度学习模型训练和学习的影像图像数据扩充方法，其特征在于：所述除噪过程是采用现有滤波器对处理图像中的干扰信息进行滤除。
4.根据权利要求1所述的面向深度学习模型训练和学习的影像图像数据扩充方法，其特征在于：所述步骤(3)具体是采用现有图像数据训练方法，对图像数据集进行多次训练，初步预测各数据概率，获得初步训练数据集。
5.根据权利要求1所述的面向深度学习模型训练和学习的影像图像数据扩充方法，其特征在于：所述步骤(4)具体是采用HNM泛化型数据增强方式，在对影像数据集进行扩充和逐步平衡后，通过深度网络训练模型，对初步训练数据集中的MR图像数据进行多次迭代训练，继而进行概率预测，确定目标图像。
6.根据权利要求5所述的面向深度学习模型训练和学习的影像图像数据扩充方法，其特征在于：所述深度网络训练模型为AlexNet、ResNet、Segnet、Deeplab、Yolo、SSD其中一种。
7.根据权利要求1、4、5任一项所述的面向深度学习模型训练和学习的影像图像数据扩充方法，其特征在于：所述方法的数据概率预测端还加入有数据扩充，提高模型预测能力。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于南京信息工程大学，未经南京信息工程大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201910028616.2/1.html，转载请声明来源钻瓜专利网。
