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】
示例涉及用于训练机器学习模型、用于生成训练语料库以及用于在科学或外科成像系统中使用机器学习模型的方法、系统和计算机系统,以及涉及包括该系统的科学或外科成像系统。
技术介绍
1、现代科学或外科成像设备,诸如显微镜、外窥镜、内窥镜等,经常对科学或外科成像设备中使用的相应的一个或多个传感器拍摄的图像进行图像处理。这种图像处理的范围可以从通常应用于不同类型图像的任务,诸如去噪或对比度调整,到非常专业的任务,诸如从荧光图像创建伪颜色叠加、突出几何或解剖特征等。为此目的,不同的图像处理任务可以由集成在相应的成像设备中或与之耦合的计算机系统来执行。在许多情况下,这些图像处理任务被组合成所谓的图像处理工作流,包括随后执行的多个图像处理步骤,即步骤n使用前一步n-1的输出。对成像设备捕获的图像执行的图像处理步骤越多,计算负载越高,并且图像处理工作流的时延也越高。
2、希望改进处理由科学或外科成像设备生成的图像的概念,最好是实时的。
技术实现思路
1、本公开的各种示例基于以下发现:通过训练机器学习模型,诸如深度神经网络以集成的方式执行图像处理工作流执行的图像处理任务,即不需要不同图像处理步骤生成的中间输出,可以简化复杂的图像处理工作流,并使其更加高效,该复杂的图像处理工作流可以包括许多连续的图像处理步骤。实际上,不是执行一系列图像处理步骤,而是使用单一的基于机器学习的处理步骤,取代整个图像处理工作流。这既可以降低处理图像所需的计算复杂度,又可以减少被替换的工作流的顺序性质而引入的延迟。
...【技术保护点】
1.一种用于训练用于科学或外科成像系统的机器学习模型的方法,所述方法包括:
2.根据权利要求1所述的方法,进一步包括获取(230)所述图像处理工作流的一个或多个输入参数作为进一步的训练输入,并使用所述一个或多个输入参数作为进一步的训练输入来训练所述机器学习模型。
3.根据权利要求1或2中任一项所述的方法,进一步包括根据质量准则评估(250)所述机器学习模型的输出,并提供(255)反馈信号(580)以基于所述机器学习模型的所述输出的所述评估来调整所述图像处理工作流的一个或多个参数。
4.根据权利要求1至3中任一项所述的方法,其中所述机器学习模型被训练以生成反馈信号(580)以调整所述图像处理工作流的一个或多个参数。
5.根据权利要求1至4中任一项所述的方法,其中,通过在所述机器学习模型训练期间在所述机器学习模型的输入处应用所述多个训练输入图像,并将所述多个训练输出作为期望输出,使用监督学习来训练所述机器学习模型,以将所述科学或外科成像系统的图像转换为输出。
6.根据权利要求1至5中任一项所述的方法,其中使用强化学习来训练所
7.根据权利要求1至6中任一项所述的方法,其中所述机器学习模型被训练作为一对生成对抗网络的生成器模型,以将所述科学或外科成像系统的图像转换为输出,其中基于所述多个训练输出训练所述一对生成对抗网络的鉴别器模型。
8.一种用于科学或外科成像系统(300)的方法,所述方法包括:
9.根据权利要求8所述的方法,进一步包括获取(160)经训练的机器学习模型(555)并用根据权利要求1至7中任一项所述的方法训练的机器学习模型替换(170)所述图像处理工作流。
10.根据权利要求8或9中任一项所述的方法,进一步包括使用权利要求1至7中任一项所述的方法训练所述机器学习模型。
11.根据权利要求8至10中任一项所述的方法,进一步包括获取(140)反馈信号(580),所述反馈信号基于所述机器学习模型(555)的训练或当所述外科或科学成像系统使用所述机器学习模型时基于所述经训练的机器学习模型的输出,并使用(145)所述反馈信号作为所述图像处理工作流或者所述经训练的机器学习模型的输入。
12.根据权利要求8至11中任一项所述的方法,其中所述图像处理工作流包括一个或多个确定性图像处理步骤、具有迭代优化分量的一个或多个图像处理步骤和一个或多个基于机器学习的图像处理步骤中的至少一个。
13.一种用于科学或外科成像系统(300)的系统(310),所述系统包括一个或多个处理器(314)和一个或多个存储设备(316),其中所述系统被配置为执行权利要求1至7中任一项所述的方法和权利要求8至12中任一项所述的方法中的至少一种。
14.一种用于科学或外科成像系统(300)的系统(310),所述系统包括一个或多个处理器(314)和一个或多个存储设备(316),其中所述系统被配置为
15.一种计算机程序,具有程序代码,当所述计算机程序在处理器上运行时,用于执行根据权利要求1至7中任一项所述的方法或根据权利要求8至12中任一项所述的方法。
...【技术特征摘要】
1.一种用于训练用于科学或外科成像系统的机器学习模型的方法,所述方法包括:
2.根据权利要求1所述的方法,进一步包括获取(230)所述图像处理工作流的一个或多个输入参数作为进一步的训练输入,并使用所述一个或多个输入参数作为进一步的训练输入来训练所述机器学习模型。
3.根据权利要求1或2中任一项所述的方法,进一步包括根据质量准则评估(250)所述机器学习模型的输出,并提供(255)反馈信号(580)以基于所述机器学习模型的所述输出的所述评估来调整所述图像处理工作流的一个或多个参数。
4.根据权利要求1至3中任一项所述的方法,其中所述机器学习模型被训练以生成反馈信号(580)以调整所述图像处理工作流的一个或多个参数。
5.根据权利要求1至4中任一项所述的方法,其中,通过在所述机器学习模型训练期间在所述机器学习模型的输入处应用所述多个训练输入图像,并将所述多个训练输出作为期望输出,使用监督学习来训练所述机器学习模型,以将所述科学或外科成像系统的图像转换为输出。
6.根据权利要求1至5中任一项所述的方法,其中使用强化学习来训练所述机器学习模型,以将所述科学或外科成像系统的图像转换为输出,其中所述机器学习模型在训练期间的输出与所述多个训练输出的训练输出之间的差异用于在基于强化学习的训练期间确定奖励。
7.根据权利要求1至6中任一项所述的方法,其中所述机器学习模型被训练作为一对生成对抗网络的生成器模型,以将所述科学或外科成像系统的图像转换为输出,其中基于所述多个训练输出训练所述一对生成对抗网络的鉴别器模型。
8.一种用于科学或外科成像系统(300)的方法...
【专利技术属性】
技术研发人员:康斯坦丁·卡佩尔,
申请(专利权)人:莱卡微系统CMS有限责任公司,
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。