CN109191451A - 异常检测方法、装置、设备和介质 - Google Patents

异常检测方法、装置、设备和介质 Download PDF

Info

Publication number
CN109191451A
CN109191451A CN201811057267.9A CN201811057267A CN109191451A CN 109191451 A CN109191451 A CN 109191451A CN 201811057267 A CN201811057267 A CN 201811057267A CN 109191451 A CN109191451 A CN 109191451A
Authority
CN
China
Prior art keywords
result
stages
detected
image
exception
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811057267.9A
Other languages
English (en)
Other versions
CN109191451B (zh
Inventor
韩忠义
杨叶辉
王磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baidu Online Network Technology Beijing Co Ltd
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201811057267.9A priority Critical patent/CN109191451B/zh
Publication of CN109191451A publication Critical patent/CN109191451A/zh
Application granted granted Critical
Publication of CN109191451B publication Critical patent/CN109191451B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic

Abstract

本发明实施例公开了一种异常检测方法、装置、设备和介质，涉及医学图像处理领域。该方法包括：将待检测图像输入预先训练的分类分期模型，根据所述分类分期模型的输出确定异常预分类结果和异常预分期结果；对所述待检测图像进行异常检测，根据异常检测结果、所述异常预分类结果和所述异常预分期结果，确定所述待检测图像最终的异常分类结果和异常分期结果。本发明实施例提供的一种异常检测方法、装置、设备和介质，实现了对异常特征的检测。医生可以参考检测结果做出诊断，从而减轻医生的负担。

Description

异常检测方法、装置、设备和介质
技术领域
本发明实施例涉及医学图像处理领域，尤其涉及一种异常检测方法、装置、设备和介质。
背景技术
如今，我国眼底疾病的患者多达几亿人，但是眼科医生急缺，医生和患者数量比约为1:1000，医疗资源严重不足，且分配不均匀。
在高水平医院的眼科检查和诊断场景中，由于转诊或门诊量较大，眼科医生的负担较大，效率低下。
如何减轻眼科医生的负担，成为当前亟待解决的问题。
发明内容
本发明实施例提供一种异常检测方法、装置、设备和介质，以实现对异常特征的检测。医生可以参考检测结果做出诊断，从而减轻医生的负担。
第一方面，本发明实施例提供了一种异常检测方法，该方法包括：
将待检测图像输入预先训练的分类分期模型，根据所述分类分期模型的输出确定异常预分类结果和异常预分期结果；
对所述待检测图像进行异常检测，根据异常检测结果、所述异常预分类结果和所述异常预分期结果，确定所述待检测图像最终的异常分类结果和异常分期结果。
第二方面，本发明实施例还提供了一种异常检测装置，该装置包括：
预分类分期模块，用于将待检测图像输入预先训练的分类分期模型，根据所述分类分期模型的输出确定异常预分类结果和异常预分期结果；
最终分类分期模块，用于对所述待检测图像进行异常检测，根据异常检测结果、所述异常预分类结果和所述异常预分期结果，确定所述待检测图像最终的异常分类结果和异常分期结果。
第三方面，本发明实施例还提供一种设备，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例中任一所述的异常检测方法。
第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的异常检测方法。
本发明实施例通过构造多任务模型实现对待检测图像的异常分类和异常分期，然后结合待检测图像的异常检测结果确定待检测图像最终的异常分类结果和异常分期结果。从而提高异常分类和异常分期的准确率。进而方便医生据此对疾病的准确诊断，以减轻医生的负担。
附图说明
图1为本发明实施例一提供的一种异常检测方法的流程图；
图2是本发明实施例二提供的一种异常检测方法的流程图；
图3是本发明实施例二提供的一种异常检测方法的流程图；
图4是本发明实施例四提供的一种异常检测方法的流程图；
图5是本发明实施例四提供的一种基于卷积神经网络实现异常分类分期方法的流程图；
图6是本发明实施例四提供的一种检测报告生成方法的流程图；
图7是本发明实施例五提供的一种异常检测装置的结构示意图；
图8为本发明实施例六提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种异常检测方法的流程图。本实施例可适用于对待检测图像进行异常检测的情况。典型地，可以是对采集的某一部位或某一器官的图像进行病灶特征检测的情况。该方法可以由一种异常检测装置来执行，该装置可以由软件和/或硬件的方式实现。参见图1，本实施例提供的异常件检测方法包括：
S110、将待检测图像输入预先训练的分类分期模型，根据所述分类分期模型的输出确定异常预分类结果和异常预分期结果。
其中，待检测图像可以是任意需要进行异常检测的图像。典型地，待检测图像可以是需要进行病灶特征检测的医学图像。医学图像可以由医学成像设备采集得到。
为实现异常预分类结果和异常预分期结果的学习，分类分期模型包括：
两个输出层，用于分别输出异常预分类结果和异常预分期结果；
两个损失层，用于分别比较异常预分类的预测值和异常预分类的真实值确定损失值，以及比较异常预分期的预测值和异常预分期的真实值确定损失值，并将确定的损失值往回传递，以减小损失值。
具体地，分类分期模型可以为任意可实现多任务的网络模型，典型地可以为多任务卷积神经网络模型。
异常预分类结果可以根据实际应用场景的需求确定。具体异常预分类结果可以是异常或正常，也可以是转诊或不转诊，还可以具体的异常类型。异常预分期结果用于描述异常的级别，也即异常的严重程度。例如，异常预分期结果可以是0级、1级、2级等。
S120、对所述待检测图像进行异常检测，根据异常检测结果、所述异常预分类结果和所述异常预分期结果，确定所述待检测图像最终的异常分类结果和异常分期结果。
具体地，可以利用异常检测结果对所述异常预分类结果和所述异常预分期结果进行验证。若验证一致，则将所述异常预分类结果和所述异常预分期结果，确定为所述待检测图像最终的异常分类结果和异常分期结果。若验证不一致，则提示无法确定最终异常分类结果和异常分期结果。
本发明实施例的技术方案，通过构造多任务模型实现对待检测图像的异常分类和异常分期，然后结合待检测图像的异常检测结果确定待检测图像最终的异常分类结果和异常分期结果。从而提高异常分类和异常分期的准确率。进而方便医生据此对疾病的准确诊断，以减轻医生的负担。
当不同类别间训练样本数据量相差较大时，模型倾向于将测试样本判别为数据量大的类别，从而获得较低的损失。为降低数据量偏差带来的预测偏差，所述将待检测图像输入预先训练的分类分期模型之前，还包括：
在利用样本对所述分类分期模型训练时，若不同类别的样本数据量不同，则为各类别的损失增加权重，其中所述权重大于1，且按照样本数据量由大到小的顺序，将各类别损失的权重由小到大进行设置。
具体地，上述各类别损失的权重的计算公式为：第一类别损失的权重＝总的样本数据量÷第一类别的样本数据量。
例如，第一类别的样本的数量为200，第二类别的样本的数量为500.如果直接将该两类样本对分类分期模型进行训练，则训练完成的分类分期模型对测试数据的预测将会偏向第二类别。为解决该问题，在利用上述两类样本对分类分期模型进行训练时，将第一类别的损失值乘以(500+200)/200的权重，将第二类别的损失值乘以(500+200)/500的权重，其中损失值根据分类的预测值和分类的真实值确定。通过上述权重的设置可以提高第一类别的损失值，以增强模型对第一类别参数的优化，降低第一类别的损失，从而均衡各类别的损失，进而解决上述问题。
进一步地，所述根据异常检测结果、所述异常预分类结果和所述异常预分期结果，确定所述待检测图像最终的异常分类结果和异常分期结果之后，还包括：
根据异常检测结果、异常分类结果和/或异常分期结果生成异常检测报告。
为将更多信息展示在生成的异常检测报告中，根据异常检测结果、异常分类结果和/或异常分期结果生成异常检测报告包括：
根据异常检测结果、异常分类结果和/或异常分期结果进行逻辑判断，将逻辑判断结果按照设定符号生成规则，生成逻辑符号；
将逻辑符号、异常检测结果、异常分类结果和/或异常分期结果填入预设报告模板，生成异常检测报告。
其中，逻辑判断为任意逻辑处理，具体可以是加权求和，也可以是按照设定算法公式处理，还可以是设定条件的判断，本实施例对此并不进行任何限定。逻辑判断的目的是基于异常检测结果、异常分类结果和/或异常分期结果获取更多异常信息。逻辑符号的呈现可以使医生更直观快捷地了解异常情况。
典型地，所述待检测图像为待检测眼底图像，所述异常预分类结果为所述待检测眼底图像的病灶分类特征，所述异常预分期结果为所述病灶的疾病分期。
实施例二
图2是本发明实施例二提供的一种异常检测方法的流程图。本实施例是在上述实施例的基础上提供的一种可选方案。参见图2，本实施例提供的异常检测方法包括：
S210、将待检测图像输入预先训练的分类分期模型，根据所述分类分期模型的输出确定异常预分类结果和异常预分期结果。
S220、对所述待检测图像进行异常检测。
S230、根据异常检测结果中待检测图像的异常类型和异常数量，确定待检测图像的异常分类和异常分期。
具体地，可以直接将异常类型作为异常分类，也可以根据异常类型进一步判断，根据判断结果确定异常分类。例如，若异常类型属于需要转诊的异常类型，则确定异常分类为转诊；否则确定异常分类为不转诊。
异常数量是指待检测图像中检测到异常特征的区域数量。例如，待检测图像中有两处检测到异常特征，则异常数量为两个。
异常分期可以根据异常类型确定，例如异常类型为二级视网膜静脉阻塞，则异常分期为二级。
异常分期也可以根据异常数量确定，具体异常数量和异常分期的关系可以根据实际需要设定。
S240、根据所述异常类型，从异常类型和权重的映射关系中确定权重。
因为不同类型的异常具有不同的图像特征，不同异常类型的异常预分类结果和异常预分期结果的准确率，与该异常类型经异常检测确定的异常分类和异常分期的准确率不同。例如，第一类型异常的异常预分类结果和异常预分期结果的准确率，比第一类型异常经过异常检测确定的异常分类和异常分期的准确率高。但是，第二类型异常的异常预分类结果和异常预分期结果的准确率，比第二类型异常经过异常检测确定的异常分类和异常分期的准确率低。
据此，为提高异常检测的准确率，可以根据异常类型确定权重。
S250、基于确定的权重，融合所述异常分类和所述异常分期，以及所述异常预分类结果和所述异常预分期结果，确定所述待检测图像最终的异常分类结果和异常分期结果。
实施例三
图3是本发明实施例二提供的一种异常检测方法的流程图。本实施例是在上述实施例的基础上提出的一种可选方案。参见图3，本实施例提供的异常检测方法包括：
S310、将待检测图像输入预先训练的分类分期模型，根据所述分类分期模型的输出确定异常预分类结果和异常预分期结果。
S320、若待检测异常类型所占图像面积小于设定面积阈值，则对待检测图像进行栅格化。
发明人在实现本发明的过程中发现，由于异常类型所在图像面积小，直接基于待检测图像进行该异常类型的图像特征检测的准确率低。很多时候无法检测出该异常类型。
其中，设定面积阈值可以根据经验值确定。栅格化的规格或尺寸根据待检测异常类所占图像面积确定。
待检测异常类型可以是预先设定的常见异常类型，可以按照异常类型的出现频率由高至低的顺序确定。
为进一步提高待检测异常类型的确定准确率，可以根据所述分类分期模型的输出确定待检测图像的待检测异常类型。
具体地，可以根据所述分类分期模型的输出确定异常类型，将确定的异常类型作为待检测图像的待检测异常类型。
S330、以栅格化后网格上的任一点为中心，生成尺度不同的至少一个图像块。
其中，所述尺度根据待检测异常类型所占图像面积确定。具体地，可以将待检测异常类型所占图像面积作为最小尺度，其他尺度可以在最小尺度的基础上增大。
例如，最小尺度是1厘米乘以1厘米，则其他尺度可以是2厘米乘以2厘米，以1.5厘米乘以1.5厘米等。
可选地，可以以栅格化后的每个网格的交叉点为中心生成尺度不同的至少一个图像块；也可以根据栅格化后的每个网格的中心点为中心生成尺度不同的至少一个图像块。
S340、对所述至少一个图像块进行待检测异常类型的异常检测，根据检测结果确定待检测图像的异常类型和异常数量。
具体地，根据检测结果确定待检测图像的异常类型和异常数量包括：
根据各网格对应的多个图像块的异常检测结果，确定该网格所在的图像区域是否存在异常以及异常类型。
其中，确定规则可以是少数服从多数的确定规则。例如，对同一网格的10个图像块的检测结果中有8个是异常，2个是正常。那么确定该网格的异常检测结果是异常。
具体地，对图像块的异常检测的方法可以是，基于待检测异常类型的图像特征，利用模板匹配的方法实现对待检测异常类型的检测。
可选地，对图像块的异常检测的方法可以是，将所述至少一个图像块输入待检测异常类型的异常检测模型进行异常检测。其中，在将图像块输入异常检测模型前，先将不同尺度的图像块统一为设定的标准尺度。
S350、根据异常检测结果、所述异常预分类结果和所述异常预分期结果，确定所述待检测图像最终的异常分类结果和异常分期结果。
本发明实施例的技术方案，通过首先对待检测图像进行栅格化，然后基于栅格化后的各网格生成尺度不同的至少一个图像块，最后根据图像块的检测结果确定待检测图像的异常检测结果。从而实现对待检测图像的精细检测。提高对所占面积较小的异常类型的检测准确率。
实施例四
图4是本发明实施例四提供的一种异常检测方法的流程图。本实施例是在上述实施例的基础上提出的以待检测图像是眼底图像，异常预分类结果为所述待检测眼底图像的病灶分类特征的一种可选方案。参见图4，本实施例提供的异常检测方法包括：
S410、将待检测眼底图像输入预先训练的分类分期模型，根据所述分类分期模型的输出确定异常预分类结果和异常预分期结果。
其中，眼底图像由多种眼底成像设备采集得到，比如眼底数码成像，视光断层成像(OCT)等。
为提高分类分期的准确率，在将待检测眼底图像输入分类分期模型前，对待检测眼底图像进行预处理。预处理包括：归一化处理、去均值处理和去模糊处理。
为减少背景的干扰，预处理还包括：对眼底图像进行圆心检测，从而确定出眼底图像中眼球的中心。然后基于眼球的中心对眼底图像进行裁切，裁掉干扰背景。
对分类分期模型训练样本的处理包括：
将样本数据标签化，例如对于分类问题，不转诊的变迁设置为0，转诊的标签设置为1；对于分期问题，按照国家的标准根据病情的严重程度划分为0级、1级、2级等。将标签化后的样本数据输入分类分期模块，实现对分类分期模型的训练。
在利用样本数据对分类分期模型进行训练前，将模型先利用图像资源库中的自然图像进行训练，以提高其收敛速度和泛化能力，避免过拟合。
分类分期模型的设计包括：使用卷积神经网络作为分类分期模型。参见图5，该卷积神经网络含有分别对应于分类问题和分期问题的两个输出层102和两个损失层103，模型还包括多个卷积层101。可选地，该卷积神经网络可以使用多种流行的架构，比如ResNet、GooleNet和VGGNet。为实现样本的均衡化处理，在损失层对不同类别的样本数量取反比作为损失值的权重，以降低由于样本数量的偏差导致的预测偏差。
具体地，异常预分类结果可以是转诊或不转诊。转诊表示眼底图像检测有需要转诊的疾病的病灶。异常预分期结果用于描述引起病灶的疾病的严重程度。具体可以是0级、1级等。
S420、按照设定规格对眼底图像进行栅格化。
发明人在实现本发明的过程中发现，眼底疾病的病灶所占面积小，肉眼不易观察。将眼底图像的整图直接输入到深度学习网络中进行异常检测的效果较差。
其中，设定规格可以根据待检测病灶的图像特征确定。如果待检测病灶的图像面积较小，则需要对眼底图像进行较细的栅格化；否则，可以对眼底图像进行相对较粗的栅格化。
S430、以栅格化后网格上的任一点为中心，生成尺度不同的至少一个图像块。
图像块的尺寸根据训练样本图像块的尺寸相同。
生成不同尺度的图像块的数量可以根据实际需要确定，如果希望较高的病灶特征检测准确率，则可以将不同尺度图像块的数量设置的多一些。
S440、将所述至少一个图像块输入设定病灶类型的异常检测模型，根据模型的输出结果确定眼底图像的病灶类型和病灶数量。
具体地，异常检测模型为卷积神经网络，在对卷积神经网络进行训练的过程中，将带有病灶特征的图像块作为正样本，从未患病的正常眼底图像的相同位置处提取等量等尺寸的图像块作为负样本，训练该卷积神经网络。
对同一个网格上生成的至少一个图像块的检测结果按照少数服从多数的投票机制决定此区域的异常检测结果。
S450、根据异常检测结果、所述异常预分类结果和所述异常预分期结果，确定所述待检测图像最终的异常分类结果和异常分期结果。
利用病灶检测的结果可辅助纠正和解释所述异常预分类结果和所述异常预分期结果，从而可有效提高计算机辅助断的效果和可解释性。
具体地，首先根据异常检测结果确定眼底病变的分级和分类。然后通过加权的方式，与所述异常预分类结果和所述异常预分期结果进行融合，从而得到眼底异常分类与异常分期的对对齐结果。
S460、根据异常检测结果、异常分类结果和/或异常分期结果进行逻辑判断，将逻辑判断结果按照设定符号生成规则，生成逻辑符号。
S470、将逻辑符号、异常检测结果、异常分类结果和/或异常分期结果填入预设报告模板，生成异常检测报告。
具体异常检测报告的内容和结构可以根据实际需要进行设定。
参见图6，实际应用中上述过程可以描述为：根据眼底图像进行眼底病的分类、眼底病的分期和病灶的检测；然后根据病灶检测结果对眼底病分类和眼底病分期进行纠正和解释，实现结果的一致性对齐；最后根据对齐结果生成异常检测报告，供眼科医生参考，以提高医生的工作效率。
本发明实施例的技术方案，通过眼底图像栅格化和图像块的多尺度化，实现对眼底疾病病灶的精准检测。同时在医生进行疾病诊断时生成的异常检测报告可供医生进行客观的参考。从而避免医生亲自对眼底图像进行分析和查看花费大量时间。且有效降低由于眼底病灶所占图像面积较小，肉眼不易观察造成的漏诊和误诊，提高临床和早期筛查等场景的病灶发现效率。本方案还省去了培训大量眼底疾病检查人员的物力财力，具有较强的可移植性、灵活性以及可复制性。在几乎不增加成本的情况下，本方案可以用于大规模的早期筛查和临床场景中辅助医生的诊断，还可以及时地检测出早期眼底疾病病灶特征。
需要说明的是，经过本实施例的技术教导，本领域技术人员有动机将上述实施例中描述的任一种实施方式进行方案的组合，以实现对待检测图像的异常检测。
实施例五
图7是本发明实施例五提供的一种异常检测装置的结构示意图。参见图7，本实施例提供的异常检测装置包括：预分类分期模块10和最终分类分期模块20。
其中，预分类分期模块10，用于将待检测图像输入预先训练的分类分期模型，根据所述分类分期模型的输出确定异常预分类结果和异常预分期结果；
最终分类分期模块20，用于对所述待检测图像进行异常检测，根据异常检测结果、所述异常预分类结果和所述异常预分期结果，确定所述待检测图像最终的异常分类结果和异常分期结果。
本发明实施例的技术方案，通过构造多任务模型实现对待检测图像的异常分类和异常分期，然后结合待检测图像的异常检测结果确定待检测图像最终的异常分类结果和异常分期结果。从而提高异常分类和异常分期的准确率。进而方便医生据此对疾病的准确诊断，以减轻医生的负担。
进一步地，所述最终分类分期模块，包括：异常分类分期单元、权重确定单元和最终分类分期单元。
其中，异常分类分期单元，用于根据异常检测结果中待检测图像的异常类型和异常数量，确定待检测图像的异常分类和异常分期；
权重确定单元，用于根据所述异常类型，从异常类型和权重的映射关系中确定权重；
最终分类分期单元，用于基于确定的权重，融合所述异常分类和所述异常分期，以及所述异常预分类结果和所述异常预分期结果，确定所述待检测图像最终的异常分类结果和异常分期结果。
进一步地，所述最终分类分期模块，包括：栅格化单元、图像块生成单元和异常检测单元。
其中，栅格化单元，用于若待检测异常类型所占图像面积小于设定面积阈值，则对待检测图像进行栅格化；
图像块生成单元，用于以栅格化后网格上的任一点为中心，生成尺度不同的至少一个图像块，其中所述尺度根据待检测异常类型所占图像面积确定；
异常检测单元，用于对所述至少一个图像块进行待检测异常类型的异常检测，根据检测结果确定待检测图像的异常类型和异常数量。
进一步地，所述异常检测单元具体用于：
将所述至少一个图像块输入待检测异常类型的异常检测模型进行异常检测。
进一步地所述的装置，还包括：待检测异常确定模块。
其中，待检测异常确定模块，用于所述若待检测异常类型的图像面积小于设定面积阈值，则对待检测图像进行栅格化之前，根据所述分类分期模型的输出确定待检测图像的待检测异常类型。
进一步地，所述装置还包括：样本均衡化模块。
其中，样本均衡化模块，用于将待检测图像输入预先训练的分类分期模型之前，在利用样本对所述分类分期模型训练时，若不同类别的样本数据量不同，则为各类别的损失增加权重，其中所述权重大于1，且按照样本数据量由大到小的顺序，将各类别损失的权重由小到大进行设置。
进一步地，所述装置还包括：检测报告生成模块。
其中，检测报告生成模块，用于所述根据异常检测结果、所述异常预分类结果和所述异常预分期结果，确定所述待检测图像最终的异常分类结果和异常分期结果之后，根据异常检测结果、异常分类结果和/或异常分期结果生成异常检测报告。
进一步地，所述待检测图像为待检测眼底图像，所述异常预分类结果为所述待检测眼底图像的病灶分类特征，所述异常预分期结果为所述病灶的疾病分期。
实施例六
图8为本发明实施例六提供的一种设备的结构示意图。图8示出了适于用来实现本发明实施方式的示例性设备12的框图。图8显示的设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图8未显示，通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该设备12交互的设备通信，和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与设备12的其它模块通信。应当明白，尽管图中未示出，可以结合设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的异常检测方法。
实施例七
本发明实施例七还提供了一种异常检测方法，该方法包括：
将待检测图像输入预先训练的分类分期模型，根据所述分类分期模型的输出确定异常预分类结果和异常预分期结果；
对所述待检测图像进行异常检测，根据异常检测结果、所述异常预分类结果和所述异常预分期结果，确定所述待检测图像最终的异常分类结果和异常分期结果。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (15)

1.一种异常检测方法，其特征在于，包括：
将待检测图像输入预先训练的分类分期模型，根据所述分类分期模型的输出确定异常预分类结果和异常预分期结果；
对所述待检测图像进行异常检测，根据异常检测结果、所述异常预分类结果和所述异常预分期结果，确定所述待检测图像最终的异常分类结果和异常分期结果。
2.根据权利要求1所述的方法，其特征在于，所述根据异常检测结果、所述异常预分类结果和所述异常预分期结果，确定所述待检测图像最终的异常分类结果和异常分期结果，包括：
根据异常检测结果中待检测图像的异常类型和异常数量，确定待检测图像的异常分类和异常分期；
根据所述异常类型，从异常类型和权重的映射关系中确定权重；
基于确定的权重，融合所述异常分类和所述异常分期，以及所述异常预分类结果和所述异常预分期结果，确定所述待检测图像最终的异常分类结果和异常分期结果。
3.根据权利要求1所述的方法，其特征在于，所述对所述待检测图像进行异常检测，包括：
若待检测异常类型所占图像面积小于设定面积阈值，则对待检测图像进行栅格化；
以栅格化后网格上的任一点为中心，生成尺度不同的至少一个图像块；
对所述至少一个图像块进行待检测异常类型的异常检测，根据检测结果确定待检测图像的异常类型和异常数量。
4.根据权利要求3所述的方法，其特征在于，所述对所述至少一个图像块进行待检测异常类型的异常检测，包括：
将所述至少一个图像块输入待检测异常类型的异常检测模型进行异常检测。
5.根据权利要求3所述的方法，其特征在于，所述若待检测异常类型的图像面积小于设定面积阈值，则对待检测图像进行栅格化之前，还包括：
根据所述分类分期模型的输出确定待检测图像的待检测异常类型。
6.根据权利要求1所述的方法，其特征在于，所述将待检测图像输入预先训练的分类分期模型之前，还包括：
在利用样本对所述分类分期模型训练时，若不同类别的样本数据量不同，则为各类别的损失增加权重，其中所述权重大于1，且按照样本数据量由大到小的顺序，将各类别损失的权重由小到大进行设置。
7.根据权利要求1所述的方法，其特征在于，所述根据异常检测结果、所述异常预分类结果和所述异常预分期结果，确定所述待检测图像最终的异常分类结果和异常分期结果之后，还包括：
根据异常检测结果、异常分类结果和/或异常分期结果生成异常检测报告。
8.根据权利要求1-7中任一所述的方法，其特征在于，所述待检测图像为待检测眼底图像，所述异常预分类结果为所述待检测眼底图像的病灶分类特征，所述异常预分期结果为所述病灶的疾病分期。
9.一种异常检测装置，其特征在于，包括：
预分类分期模块，用于将待检测图像输入预先训练的分类分期模型，根据所述分类分期模型的输出确定异常预分类结果和异常预分期结果；
最终分类分期模块，用于对所述待检测图像进行异常检测，根据异常检测结果、所述异常预分类结果和所述异常预分期结果，确定所述待检测图像最终的异常分类结果和异常分期结果。
10.根据权利要求9所述的装置，其特征在于，所述最终分类分期模块，包括：
异常分类分期单元，用于根据异常检测结果中待检测图像的异常类型和异常数量，确定待检测图像的异常分类和异常分期；
权重确定单元，用于根据所述异常类型，从异常类型和权重的映射关系中确定权重；
最终分类分期单元，用于基于确定的权重，融合所述异常分类和所述异常分期，以及所述异常预分类结果和所述异常预分期结果，确定所述待检测图像最终的异常分类结果和异常分期结果。
11.根据权利要求9所述的装置，其特征在于，所述最终分类分期模块，包括：
栅格化单元，用于若待检测异常类型所占图像面积小于设定面积阈值，则对待检测图像进行栅格化；
图像块生成单元，用于以栅格化后网格上的任一点为中心，生成尺度不同的至少一个图像块；
异常检测单元，用于对所述至少一个图像块进行待检测异常类型的异常检测，根据检测结果确定待检测图像的异常类型和异常数量。
12.根据权利要求11所述的装置，其特征在于，所述异常检测单元具体用于：
将所述至少一个图像块输入待检测异常类型的异常检测模型进行异常检测。
13.根据权利要求11所述的装置，其特征在于，还包括：
待检测异常确定模块，用于所述若待检测异常类型的图像面积小于设定面积阈值，则对待检测图像进行栅格化之前，根据所述分类分期模型的输出确定待检测图像的待检测异常类型。
14.一种设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的异常检测方法。
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的异常检测方法。
CN201811057267.9A 2018-09-11 2018-09-11 异常检测方法、装置、设备和介质 Active CN109191451B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811057267.9A CN109191451B (zh) 2018-09-11 2018-09-11 异常检测方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811057267.9A CN109191451B (zh) 2018-09-11 2018-09-11 异常检测方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN109191451A true CN109191451A (zh) 2019-01-11
CN109191451B CN109191451B (zh) 2020-10-23

Family

ID=64910171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811057267.9A Active CN109191451B (zh) 2018-09-11 2018-09-11 异常检测方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN109191451B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110335253A (zh) * 2019-06-05 2019-10-15 平安科技（深圳）有限公司 眼部图像处理方法、装置、设备及计算机可读存储介质
CN110797109A (zh) * 2019-10-15 2020-02-14 山东朗润医疗系统有限公司 一种磁共振图像的自动分类系统
CN110874836A (zh) * 2019-10-30 2020-03-10 重庆金山医疗技术研究院有限公司 一种图像处理方法、装置、智能终端及存储介质
CN110929807A (zh) * 2019-12-06 2020-03-27 腾讯科技（深圳）有限公司 图像分类模型的训练方法、图像分类方法及装置
CN111696088A (zh) * 2020-06-05 2020-09-22 湖南省鹰眼在线电子科技有限公司 轮胎的安全检测方法、系统及汽车
CN112053321A (zh) * 2020-07-30 2020-12-08 中山大学中山眼科中心 一种识别高度近视视网膜病变的人工智能系统
WO2021120589A1 (zh) * 2020-06-17 2021-06-24 平安科技（深圳）有限公司 用于3d图像的异常图像筛查方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014137756A (ja) * 2013-01-17 2014-07-28 Canon Inc 画像処理装置および画像処理方法
CN106530295A (zh) * 2016-11-07 2017-03-22 首都医科大学 一种视网膜病变的眼底图像分类方法和装置
CN106529293A (zh) * 2016-11-09 2017-03-22 东巽科技（北京）有限公司 一种用于恶意软件检测的样本类别判定方法
CN107871314A (zh) * 2016-09-23 2018-04-03 商汤集团有限公司 一种敏感图像鉴别方法和装置
CN108231194A (zh) * 2018-04-04 2018-06-29 苏州医云健康管理有限公司 一种疾病诊断系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014137756A (ja) * 2013-01-17 2014-07-28 Canon Inc 画像処理装置および画像処理方法
CN107871314A (zh) * 2016-09-23 2018-04-03 商汤集团有限公司 一种敏感图像鉴别方法和装置
CN106530295A (zh) * 2016-11-07 2017-03-22 首都医科大学 一种视网膜病变的眼底图像分类方法和装置
CN106529293A (zh) * 2016-11-09 2017-03-22 东巽科技（北京）有限公司 一种用于恶意软件检测的样本类别判定方法
CN108231194A (zh) * 2018-04-04 2018-06-29 苏州医云健康管理有限公司 一种疾病诊断系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110335253A (zh) * 2019-06-05 2019-10-15 平安科技（深圳）有限公司 眼部图像处理方法、装置、设备及计算机可读存储介质
CN110335253B (zh) * 2019-06-05 2023-12-15 平安科技（深圳）有限公司 眼部图像处理方法、装置、设备及计算机可读存储介质
CN110797109A (zh) * 2019-10-15 2020-02-14 山东朗润医疗系统有限公司 一种磁共振图像的自动分类系统
CN110874836A (zh) * 2019-10-30 2020-03-10 重庆金山医疗技术研究院有限公司 一种图像处理方法、装置、智能终端及存储介质
CN110874836B (zh) * 2019-10-30 2023-04-07 重庆金山医疗技术研究院有限公司 一种图像处理方法、装置、智能终端及存储介质
CN110929807A (zh) * 2019-12-06 2020-03-27 腾讯科技（深圳）有限公司 图像分类模型的训练方法、图像分类方法及装置
CN111696088A (zh) * 2020-06-05 2020-09-22 湖南省鹰眼在线电子科技有限公司 轮胎的安全检测方法、系统及汽车
WO2021120589A1 (zh) * 2020-06-17 2021-06-24 平安科技（深圳）有限公司 用于3d图像的异常图像筛查方法、装置、设备及存储介质
CN112053321A (zh) * 2020-07-30 2020-12-08 中山大学中山眼科中心 一种识别高度近视视网膜病变的人工智能系统

Also Published As

Publication number Publication date
CN109191451B (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
CN109191451A (zh) 异常检测方法、装置、设备和介质
Dey et al. Artificial intelligence in cardiovascular imaging: JACC state-of-the-art review
CN111524106B (zh) 颅骨骨折检测和模型训练方法、装置、设备和存储介质
CN112132817B (zh) 一种混合注意力机制的眼底图像视网膜血管分割方法
CN109447461B (zh) 用户信用评估方法及装置、电子设备、存储介质
CN103800011B (zh) 一种基于功能磁共振成像的脑区效应连接分析系统
CN112529839B (zh) 一种核磁共振图像中颈动脉血管中心线的提取方法及系统
US10733727B2 (en) Application of deep learning for medical imaging evaluation
US20220383661A1 (en) Method and device for retinal image recognition, electronic equipment, and storage medium
CN111612756B (zh) 冠状动脉特异性钙化检测方法及装置
CN111832298A (zh) 病历的质检方法、装置、设备以及存储介质
CN110347605A (zh) 防止软件退化的方法、装置、设备及存储介质
EP4035062A1 (en) Image analysis in pathology
CN108447047A (zh) 抗酸杆菌检测方法及装置
Jiang et al. Improving the generalizability of infantile cataracts detection via deep learning-based lens partition strategy and multicenter datasets
CN111340794A (zh) 冠状动脉狭窄的量化方法及装置
Chiarito et al. Artificial intelligence and cardiovascular risk prediction: all that glitters is not gold
Nisha et al. A novel method to improve inter-clinician variation in the diagnosis of retinopathy of prematurity using machine learning
Pandey et al. Ensemble of deep convolutional neural networks is more accurate and reliable than board-certified ophthalmologists at detecting multiple diseases in retinal fundus photographs
CN113096080A (zh) 图像分析方法及系统
Wang et al. Unifying structure analysis and surrogate-driven function regression for glaucoma OCT image screening
Karthika et al. Detection of MA based on iris blood vessel segmentation and classification using convolutional neural networks (ConvNets)
Cheng et al. Development and validation of a deep learning pipeline to measure pericardial effusion in echocardiography
US20230165505A1 (en) Time series data conversion for machine learning model application
CN114612484A (zh) 基于无监督学习的视网膜oct图像分割方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20190111

Assignee: Beijing Confucius Health Technology Co.,Ltd.

Assignor: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd.

Contract record no.: X2020990000699

Denomination of invention: Abnormal detection method, device, equipment and medium

Granted publication date: 20201023

License type: Common License

Record date: 20201221

EE01 Entry into force of recordation of patent licensing contract