CN109447981A - 图像识别方法及相关产品 - Google Patents
图像识别方法及相关产品 Download PDFInfo
- Publication number
- CN109447981A CN109447981A CN201811342301.7A CN201811342301A CN109447981A CN 109447981 A CN109447981 A CN 109447981A CN 201811342301 A CN201811342301 A CN 201811342301A CN 109447981 A CN109447981 A CN 109447981A
- Authority
- CN
- China
- Prior art keywords
- image
- convolution kernel
- size
- layer
- dermal pathology
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000007170 pathology Effects 0.000 claims abstract description 114
- 230000003902 lesion Effects 0.000 claims abstract description 110
- 230000002500 effect on skin Effects 0.000 claims abstract description 107
- 230000001575 pathological effect Effects 0.000 claims abstract description 91
- 210000005036 nerve Anatomy 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 32
- 208000017520 skin disease Diseases 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003475 lamination Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000003909 pattern recognition Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000003062 neural network model Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 239000000049 pigment Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 206010004146 Basal cell carcinoma Diseases 0.000 description 2
- 206010053717 Fibrous histiocytoma Diseases 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000945 filler Substances 0.000 description 2
- 201000000284 histiocytoma Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 201000001441 melanoma Diseases 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 208000011580 syndromic disease Diseases 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229920000832 Cutin Polymers 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 206010040882 skin lesion Diseases 0.000 description 1
- 231100000444 skin lesion Toxicity 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G06T2207/30088—Skin; Dermal
Abstract
本申请实施例公开了一种图像识别方法及相关产品,其中方法包括:获取待识别皮肤病理图像;对所述待识别皮肤病理图像进行预处理,以得到目标皮肤病理图像;将所述目标皮肤病理图像输入至预先训练完成的目标神经网络模型执行多层正向运算,以得到所述目标皮肤病理图像中各个子图像对应的病变概率图,并将所述病变概率图中病变概率大于目标阈值的子图像作为所述目标皮肤病理图像中的病变图像。采用本申请,可提高皮肤病区域识别效率和准确率。
Description
技术领域
本申请涉及医学图像识别技术领域,主要涉及了一种图像识别方法及相关产品。
背景技术
皮肤病是发生在皮肤和皮肤附属器官疾病的总称,病理图像是人体组织的切片在显微镜下的成像,皮肤科病理图像变化多样,同一张图像中能够反映的病理特征众多,对于病理实验室人员的专业知识、读片经验和读片时需要花费的时间和精力都是巨大的考验,如何提高皮肤病的识别效率和准确性是本领域技术人员待解决的技术问题。
发明内容
本申请实施例提供了一种图像识别方法及相关产品,可识别出皮肤病理图像中的病变图像,便于医生或机器对该病变图像进行病症检测,节省了诊断时间,并提高了识别皮肤病区域的准确性和识别效率。
第一方面,本申请实施例提供一种图像识别方法,其中:
获取待识别皮肤病理图像;
对所述待识别皮肤病理图像进行预处理,以得到目标皮肤病理图像;
将所述目标皮肤病理图像输入至预先训练完成的目标神经网络模型执行多层正向运算,以得到所述目标皮肤病理图像中各个子图像对应的病变概率图,并将所述病变概率图中病变概率大于目标阈值的子图像作为所述目标皮肤病理图像中的病变图像。
第二方面,本申请实施例提供一种图像识别装置,其中:
获取单元,用于获取待识别皮肤病理图像;
预处理单元,用于对所述待识别皮肤病理图像进行预处理,以得到目标皮肤病理图像;
识别单元,用于将所述目标皮肤病理图像输入至预先训练完成的目标神经网络模型执行多层正向运算,以得到所述目标皮肤病理图像中各个子图像对应的病变概率图,并将所述病变概率图中病变概率大于目标阈值的子图像作为所述目标皮肤病理图像中的病变图像。
第三方面,本申请实施例提供一种电子设备,包括处理器、存储器、通信接口以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,所述程序包括用于如第一方面中所描述的部分或全部步骤的指令。
第四方面,本申请实施例提供了一种计算机可读存储介质,其中,所述计算机可读存储介质存储计算机程序,其中,所述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。
第五方面,本申请实施例提供了一种计算机程序产品,其中,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
实施本申请实施例,将具有如下有益效果:
采用了上述的图像识别方法及相关产品之后,电子设备获取待识别皮肤病理图像,对所述待识别皮肤病理图像进行预处理以得到目标皮肤病理图像,将所述目标皮肤病理图像输入至预先训练完成的目标神经网络模型执行多层正向运算以得到所述目标皮肤病理图像中各个子图像对应的病变概率图,并将所述病变概率图中病变概率大于目标阈值的子图像作为所述目标皮肤病理图像中的病变图像。如此,依据预处理和目标神经网络可提高了识别皮肤病的病变图像的准确性和识别效率,且医生或机器可针对该病变图像进一步进行病症检测,节省了诊断时间。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
其中:
图1为本申请实施例提供的一种图像识别方法的流程示意图;
图2为本申请实施例提供的一种预处理待识别皮肤病理图像的场景示意图;
图3为本申请实施例提供的一种目标神经网络模型的结构示意图;
图4为本申请实施例提供的一种最大池化的场景示意图;
图5为本申请实施例提供的一种图像识别装置的结构示意图;
图6为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。根据本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
下面对本申请实施例进行详细介绍。
请参照图1,本申请实施例提供一种图像识别方法的流程示意图。该图像识别方法应用于电子设备。本申请实施例所涉及到的电子设备可以包括各种具有无线通信功能的手持设备、可穿戴设备、计算设备或连接到无线调制解调器的其他处理设备,以及各种形式的用户设备(user equipment,UE),移动台(mobile station,MS),终端设备(terminaldevice)等等。为方便描述,上面提到的设备统称为电子设备。
具体的,如图1所示,一种图像识别方法,应用于电子设备,其中:
S101:获取待识别皮肤病理图像。
在本申请实施例中,病理图像是人体组织的切片在显微镜下的成像,待识别皮肤病理图像为患者在诊断皮肤病时所采集的病理图像,通过对该待识别皮肤病理图像可确定是否存在病变图像或者患有何种皮肤病。
S102:对所述待识别皮肤病理图像进行预处理,以得到目标皮肤病理图像。
在本申请实施例中,预处理包括但不限于以下中的任一项或多项:图像格式转换处理、图像缺失填补处理、减去平均值、规范化(normalization)、PCA和白化(whiten)等等。通过对待识别皮肤病理图像进行预处理得到的目标皮肤病理图像,可提高图像识别的识别效率和准确率。
在一个实施例中,所述对所述待识别皮肤病理图像进行预处理,以得到目标皮肤病理图像,包括:对所述待识别皮肤病理图像的无效识别区域进行裁剪,以得到已去除无效识别区域的第一皮肤病理图像;对所述第一皮肤病理图像进行尺寸处理,以得到第二皮肤病理图像,所述第二皮肤病理图像的图像大小等于所述目标神经网络模型的基本图像大小;对所述第二皮肤病理图像进行数据加强操作,以得到所述目标皮肤病理图像。
其中,无效识别区域包括噪声区域,如此,通过裁剪操作可得到已去除待识别皮肤病理图像中的无效识别区域的第一皮肤病理图像。
由于神经网络模型具有固定的尺寸要求,即只能对与该神经网络模型的基本图像大小相等的图像进行处理,本申请对于尺寸处理的具体方式不作限定,可包括裁剪或填充像素点的方式,也可以按照基本图像大小进行缩放的方式,还可以对输入图像进行降采样方法等等。如此,对待识别皮肤病理图像进行尺寸处理以得到所述目标皮肤病理图像,则该目标皮肤病理图像可满足神经网络模型的输入要求。
其中,外围像素点裁剪为裁剪图像外围的非关键信息区域;降采样处理是降低特定信号的采样率的过程,例如:4个相邻像素点取平均值,作为处理后图像的对应位置上的一个像素点的值,从而减小图像的大小。
在一个实施例中,所述对所述第一皮肤病理图像进行尺寸处理,以得到第二皮肤病理图像,包括:当所述第一皮肤病理图像的图像大小小于目标神经网络模型的基本图像大小时,按照所述基本图像大小对所述待识别皮肤病理图像进行填充像素点,以得到所述第二皮肤病理图像。
其中,目标神经网络模型为预先训练完成的神经网络模型,用于对目标皮肤病理图像进行识别得到正向运算结果,该正向运算结果用于指示该目标皮肤病理图像中的病变区域。
本申请对于像素点不作限定,可以是任一色彩模式对应的,例如:rgb(0,0,0)。对于像素点填充的具体位置也不作限定,可以是除了压缩图像之外的任一位置,即对压缩图像不进行处理,而是采用填充像素点的方式进行图像扩展,不会对待识别皮肤病理图像产生形变,便于提高图像识别的识别效率和准确率。
举例来说,如图2所示,将待识别皮肤病理图像置于目标皮肤病理图像的左上方,目标皮肤病理图像除了待识别皮肤病理图像之外的位置填充像素点。
本申请对于数据加强操作不做限定,在一个实施例中,所述对所述第二皮肤病理图像进行数据加强操作,以得到所述目标皮肤病理图像,包括:按照第一角度,对所第二皮肤病理图像对应的掩膜进行旋转,以得到第三皮肤病理图像;对所述第三皮肤病理图像进行减去平均值处理,以得到第四皮肤病理图像;按照第一倍数,对所述第四皮肤病理图像对应的掩膜的宽度进行尺寸处理,以得到第五皮肤病理图像;按照第二倍数,对所述第五皮肤病理图像对应的掩膜的长度进行尺寸处理,以得到第六皮肤病理图像;按照第三倍数,对所述第六皮肤病理图像进行尺寸处理,以得到第七皮肤病理图像;按照第二角度,对所述第七皮肤病理图像的掩膜进行镜像翻转,以得到所述目标皮肤病理图像。
本申请对于第一角度、第一倍数、第二倍数、第三倍数和第四角度不做限定,其中,第一角度可以为小于或等于270度,第一倍数可以为0.9或1.1,第二倍数可以为0.9或1.1,第三倍数可以为0.8或1.2,第二角度可以小于或等于270度。
通过设置rotation属性可以旋转显示对象,即将此属性设置为一个数字(0-360),以度为单位,表示应用于该对象的旋转量。
掩膜(mask)是用于部分或完全隐藏对象或元素的部分的图形操作,可提取感兴趣区,即用预先制作的感兴趣区掩膜与待处理图像相乘得到感兴趣区图像,感兴趣区内图像值保持不变,而区外图像值都为0;也可起到屏蔽作用,即用掩膜对图像上某些区域作屏蔽,使其不参加处理或不参加处理参数的计算,或仅对屏蔽区作处理或统计;也可进行结构特征提取,即用相似性变量或图像匹配方法检测和提取图像中与掩膜相似的结构特征;还可制作特殊形状图像。可以理解,通过mask可将目标训练皮肤病理图像中的部分图像进行遮挡,则在后续步骤中,不需要对遮挡的区域进行识别,如此,提高识别效率。
减去平均值减数据中每个单独特征的平均值,它的几何解释是能够将数据的中心向原点靠近,如此,可提高图像的清晰度。
可以理解,以目标训练皮肤病理图像为例,则训练皮肤病理图像集中的任一图像在训练之前,均执行上述多种处理步骤,即对训练皮肤病理图像进行预处理,且该预处理为数据增强处理,如此,提高了图像的清晰度,便于提高神经网络模型的识别效率。
S103:将所述目标皮肤病理图像输入至预先训练完成的目标神经网络模型执行多层正向运算,以得到所述目标皮肤病理图像中各个子图像对应的病变概率图,并将所述病变概率图中病变概率大于目标阈值的子图像作为所述目标皮肤病理图像中的病变图像。
本申请对于病变图像对应的皮肤病不做限定,可包括痣、皮肤纤维瘤、黑素瘤、鲍温(Bowen)色素、色素良性角质、基底细胞癌等等。
本申请对于目标神经网络模型的具体结构不做限定,如图3所示,在一种可能的实施例中,目标神经网络模型为一种卷积神经网络(Convolutional Neural Networks,CNN),该目标神经网络模型包括:2个第一卷积层、第一最大池化层、2个第二卷积层、第二最大池化层、3个第三卷积层、第三最大池化层、3个第四卷积层、第四最大池化层、3个第五卷积层、第一上采样层、2个第六卷积层、第二上采样层、2个第七卷积层、第三上采样层、2个第八卷积层、第四上采样层、2个第九卷积层、第五上采样层、2个第十卷积层和损失函数层。
其中,如图3所示,第一卷积层的步长stride=1,卷积核尺寸为[3*3],卷积核的个数为64;第一最大池化层的stride=2,卷积核尺寸为[2*2];第二卷积层的stride=1,卷积核尺寸为[3*3],卷积核个数为128;第二最大池化层的stride=2,卷积核尺寸为[2*2];第三卷积层的stride=1,卷积核尺寸为[3*3],卷积核个数为256;第三最大池化层的stride=2,卷积核尺寸为[2*2];第四卷积层的stride=1,卷积核尺寸为[3*3],卷积核个数为512;第四最大池化层的stride=2,卷积核尺寸为[2*2];第五卷积层的stride=1,卷积核尺寸为[3*3],卷积核个数为512;第一上采样层的卷积核尺寸为[2*2];第六卷积层的stride=1,卷积核尺寸为[3*3],卷积核个数为256;第二上采样层的卷积核尺寸为[2*2];第七卷积层的stride=1,卷积核尺寸为[3*3],卷积核个数为128;第三上采样层的卷积核尺寸为[2*2];第八卷积层的stride=1,卷积核尺寸为[3*3],卷积核的个数为64;第四上采样层的卷积核尺寸为[2*2];第九卷积层的stride=1,卷积核尺寸为[3*3],卷积核的个数为64;第五上采样层的卷积核尺寸为[2*2];第十卷积层的stride=1,卷积核尺寸为[1*1],卷积核的个数为5。
其中,卷积层(Convolutional layer)由若干卷积单元组成,每个卷积单元的参数都是通过反向传播算法最佳化得到的,卷积运算的目的是提取输入的不同特征,第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级,更多层的网路能从低级特征中迭代提取更复杂的特征。
池化(Pooling)是一种形式的降采样,最大池化层是池化中最为常见的。最大池化层(Max pooling layer)将输入的图像划分为若干个矩形区域,对每个子区域输出最大值。如此,在卷积层的后面添加最大池化层在一定程度上控制了过拟合。在本申请中,采用卷积核尺寸为[2*2]的最大池化层,也就是说,每隔2个元素从图像划分出2*2的区块,然后对每个区块中的4个数取最大值,这将减少75%的数据量,从而提高数据处理效率。
举例来说,如图4所示,则最大池化层在这个区域内选出最能代表边缘的值,也就是9,然后丢弃其他3个。
上采样层(upsampling layer)的主要目的是放大原图像,从而可以显示在更高分辨率的显示设备上。
损失函数层(loss layer)用于决定训练过程的预测结果和真实结果之间的差异去调整神经网络的参数,通常是网络的最后一层。各种不同的损失函数适用于不同类型的任务。例如,归一化指数交叉熵损失函数Softmax cross entropy常常被用于在K个类别中选出一个,而S型生长曲线交叉熵损失函数Sigmoid cross entropy常常用于多个独立的二分类问题。在本申请中,采用Sigmoid cross entropy作为损失函数,如此,避免计算皮肤病区域之中的重复图像,提高了训练效率。
可以理解,在本申请中采用的目标神经网络模型包括多个输出为最大池化层的卷积层,和包括多个输出为上采样层的卷积层,以及损失函数层,如此,提高了数据处理效率和采样精度,便于卷积层提取图像特征,且避免计算皮肤病区域之中的重复图像,提高了训练效率。
在一个实施例中,所述目标神经网络模型还包括采用丢弃(dropout)层。可以理解,dropout的原理,即在一次训练时的迭代中,对每一层中的神经元(总数为N)以概率P随机剔除,用余下的(1-P)×N个神经元所构成的网络来训练本次迭代中的数据,如此,减少了中间特征的数量,即减少冗余,即增加每层各个特征之间的正交性,从而防止目标神经网络模型过拟合。
在一个实施例中,采用线性整流(Rectified Linear Units,Relu)函数作为激活函数(Activation function),
其中:Relu函数如下如示:f(x)=max(0,x)。
可以理解,Relu函数作为激励函数,可增强判定函数和整个神经网络的非线性特性,而本身并不会改变卷积层。
在一个实施例中,所述目标神经网络模型进行训练的初始学习率leanning rate=0.001,衰减decay=0.000001,冲量momentum=0.9。可以理解,通过上述的训练参数可提高训练的准确性。
本申请对于训练神经网络模型的方法不做限定,可采用批量梯度下降算法(BatchGradient Descent,BGD)、随机梯度下降算法(Stochastic Gradient Descent,SGD)或小批量梯度下降算法(mini-batch SGD)等进行训练,一个训练周期由单次正向运算和反向梯度传播完成。
在一种实现方式中,所述方法还包括:对预设数据库中存储的多个皮肤病理图像进行预处理,以得到多个待检测皮肤病理图像;按照预设比例对所述多个待检测皮肤病理图像进行划分,以得到训练皮肤病理图像集和验证皮肤病理图像集;根据所述训练皮肤病理图像集中每一图像和其对应的标注信息进行分类以得到待验证模型;根据所述验证皮肤病理图像中每一图像和其对应的标注信息,对所述待验证模型进行训练以得到所述目标神经网络模型。
其中,预处理可参照待识别皮肤病理图像的方法,在此不做限定。且在预处理之前,需对多个皮肤病理图像进行标注,即标记出每一皮肤病理图像中的病变区域,以得到对应的mask图像,大多为人工标注。
本申请对于预设比例不做限定,可以为7:3。训练阶段用于根据训练图像集将预先定义的神经网络进行分类,以得到该神经网络的网络参数;验证阶段用于根据验证图像集将已得到网络参数的神经网络进行训练,以得到目标神经网络模型。如此,就可输入测试数据,即执行S101。
可以理解,通过预处理操作,提高训练皮肤病理图像和验证皮肤病理图像的识别效率和准确率,然后分别针对训练皮肤病理图像和其对应的标准信息进行分类,以得到待验证模型,该待验证模型对初始的目标神经网络模型进行赋值,即确定了各个层之间的权重。然后,再针对验证训练皮肤病理图像和其对应的标准信息对待验证模型进行验证,以得到训练完成的目标神经网络模型,如此,可提高目标神经网络模型的识别准确率。
在本申请中,目标阈值不做限定,可以是0.6;病变概率图也不做限定,可以是一种密度直方图,用于描述各个子图像的病变概率。
在如图1所示的图像识别方法中,电子设备获取待识别皮肤病理图像,对所述待识别皮肤病理图像进行预处理以得到目标皮肤病理图像,将所述目标皮肤病理图像输入至预先训练完成的目标神经网络模型执行多层正向运算以得到所述目标皮肤病理图像中各个子图像对应的病变概率图,并将所述病变概率图中病变概率大于目标阈值的子图像作为所述目标皮肤病理图像中的病变图像。如此,依据预处理和目标神经网络可提高了识别皮肤病的病变图像的准确性和识别效率,且医生或机器可针对该病变图像进一步进行病症检测,节省了诊断时间。
在一种实现方式中,所述方法还包括:获取所述病变图像的目标像素矩阵;将所述目标像素矩阵与预设存储的多个皮肤病变类型中每一皮肤病变类型对应的像素矩阵进行匹配,以得到与所述多个皮肤病变类型中每一皮肤病变类型对应的匹配概率,将所述多个皮肤病变类型中每一皮肤病变类型对应的匹配概率中的最大值作为所述病变图像对应的皮肤病变类型。
其中,获取病变图像的目标像素矩阵可通过对病变图像进行灰度处理,以得到该病变图像中各个像素点的灰度等级,组成为该病变图像的像素矩阵。若病变图像为彩色图像,还可以提取该病变图像的RGB像素值,即R像素矩阵、G像素矩阵和B像素矩阵,将R像素矩阵、G像素矩阵和B像素矩阵组成为三通道输入模型。
多个皮肤病变类型包括前述的痣、皮肤纤维瘤、黑素瘤、Bowen色素、色素良性角质、基底细胞癌等,在此不做限定。
可以理解,不同的皮肤病变图像之间存在差别,在本申请中,预先存储各个皮肤病变类型对应的像素矩阵,然后将S103中提取的目标像素矩阵与各个皮肤病变类型对应的像素矩阵进行匹配,以确定各个病变类型对应的患病概率,如此,将患病概率中的最大值作为该病变图像对应的皮肤病变类型,为人工对该病变图像进行识别提供参考,并可提高识别的准确性。
与图1所示的实施例一致,请参照图5,图5是本申请实施例提供的一种图像识别装置的结构示意图,所述装置应用于电子设备。如图5所示,上述图像识别装置500包括:
获取单元501,用于获取待识别皮肤病理图像;
预处理单元502,用于对所述待识别皮肤病理图像进行预处理,以得到目标皮肤病理图像;
识别单元503,用于将所述目标皮肤病理图像输入至预先训练完成的目标神经网络模型执行多层正向运算,以得到所述目标皮肤病理图像中各个子图像对应的病变概率图,并将所述病变概率图中病变概率大于目标阈值的子图像作为所述目标皮肤病理图像中的病变图像。
可以理解,获取单元501获取待识别皮肤病理图像,预处理单元502对所述待识别皮肤病理图像进行预处理以得到目标皮肤病理图像,识别单元503将所述目标皮肤病理图像输入至预先训练完成的目标神经网络模型执行多层正向运算以得到所述目标皮肤病理图像中各个子图像对应的病变概率图,并将所述病变概率图中病变概率大于目标阈值的子图像作为所述目标皮肤病理图像中的病变图像。如此,依据预处理和目标神经网络可提高了识别皮肤病的病变图像的准确性和识别效率,且医生或机器可针对该病变图像进一步进行病症检测,节省了诊断时间。
在一个可能的示例中,在所述对所述待识别皮肤病理图像进行预处理,以得到目标皮肤病理图像方面,所述预处理单元502具体用于对所述待识别皮肤病理图像的无效识别区域进行裁剪,以得到已去除无效识别区域的第一皮肤病理图像;对所述第一皮肤病理图像进行尺寸处理,以得到第二皮肤病理图像,所述第二皮肤病理图像的图像大小等于所述目标神经网络模型的基本图像大小;对所述第二皮肤病理图像进行数据加强操作,以得到所述目标皮肤病理图像。
在一个可能的示例中,在所述对所述第二皮肤病理图像进行数据加强操作,以得到所述目标皮肤病理图像方面,所述预处理单元502具体用于按照第一角度,对所第二皮肤病理图像对应的掩膜进行旋转,以得到第三皮肤病理图像;对所述第三皮肤病理图像进行减去平均值处理,以得到第四皮肤病理图像;按照第一倍数,对所述第四皮肤病理图像对应的掩膜的宽度进行尺寸处理,以得到第五皮肤病理图像;按照第二倍数,对所述第五皮肤病理图像对应的掩膜的长度进行尺寸处理,以得到第六皮肤病理图像;按照第三倍数,对所述第六皮肤病理图像进行尺寸处理,以得到第七皮肤病理图像;按照第二角度,对所述第七皮肤病理图像的掩膜进行镜像翻转,以得到所述目标皮肤病理图像。
在一个可能的示例中,所述目标神经网络模型包括:2个第一卷积层、第一最大池化层、2个第二卷积层、第二最大池化层、3个第三卷积层、第三最大池化层、3个第四卷积层、第四最大池化层、3个第五卷积层、第一上采样层、2个第六卷积层、第二上采样层、2个第七卷积层、第三上采样层、2个第八卷积层、第四上采样层、2个第九卷积层、第五上采样层、2个第十卷积层和损失函数层。
在一个可能的示例中,所述第一卷积层的步长为1,卷积核尺寸为[3*3],卷积核的个数为64;所述第一最大池化层的步长为2,卷积核尺寸为[2*2];所述第二卷积层的步长为1,卷积核尺寸为[3*3],卷积核个数为128;所述第二最大池化层的步长为2,卷积核尺寸为[2*2];所述第三卷积层的步长为1,卷积核尺寸为[3*3],卷积核个数为256;第三最大池化层的步长为2,卷积核尺寸为[2*2];所述第四卷积层的步长为1,卷积核尺寸为[3*3],卷积核个数为512;所述第四最大池化层的步长为2,卷积核尺寸为[2*2];所述第五卷积层的步长为1,卷积核尺寸为[3*3],卷积核个数为512;所述第一上采样层的卷积核尺寸为[2*2];所述第六卷积层的步长为1,卷积核尺寸为[3*3],卷积核个数为256;所述第二上采样层的卷积核尺寸为[2*2];所述第七卷积层的步长为1,卷积核尺寸为[3*3],卷积核个数为128;所述第三上采样层的卷积核尺寸为[2*2];第八卷积层的步长为1,卷积核尺寸为[3*3],卷积核的个数为64;所述第四上采样层的卷积核尺寸为[2*2];所述第九卷积层的步长为1,卷积核尺寸为[3*3],卷积核的个数为64;所述第五上采样层的卷积核尺寸为[2*2];所述第十卷积层的步长为1,卷积核尺寸为[1*1],卷积核的个数为5。
在一个可能的示例中,所述目标神经网络模型还包括丢弃层,所述目标神经网络模型的激活函数为线性整流函数。
在一个可能的示例中,所述获取单元501还用于获取所述病变图像的目标像素矩阵;所述识别单元503,还用于将所述目标像素矩阵与预设存储的多个皮肤病变类型中每一皮肤病变类型对应的像素矩阵进行匹配,以得到与所述多个皮肤病变类型中每一皮肤病变类型对应的匹配概率,将所述多个皮肤病变类型中每一皮肤病变类型对应的匹配概率中的最大值作为所述病变图像对应的皮肤病变类型。
与图1所示的实施例一致,请参照图6,图6是本申请实施例提供的一种电子设备的结构示意图。如图6所示,该电子设备600包括处理器610、存储器620、通信接口630以及一个或多个程序640,其中,上述一个或多个程序640被存储在上述存储器620中,并且被配置由上述处理器610执行,上述程序640包括用于执行以下步骤的指令:
获取待识别皮肤病理图像;
对所述待识别皮肤病理图像进行预处理,以得到目标皮肤病理图像;
将所述目标皮肤病理图像输入至预先训练完成的目标神经网络模型执行多层正向运算,以得到所述目标皮肤病理图像中各个子图像对应的病变概率图,并将所述病变概率图中病变概率大于目标阈值的子图像作为所述目标皮肤病理图像中的病变图像。
可以理解,电子设备600获取待识别皮肤病理图像,对所述待识别皮肤病理图像进行预处理以得到目标皮肤病理图像,将所述目标皮肤病理图像输入至预先训练完成的目标神经网络模型执行多层正向运算以得到所述目标皮肤病理图像中各个子图像对应的病变概率图,并将所述病变概率图中病变概率大于目标阈值的子图像作为所述目标皮肤病理图像中的病变图像。如此,依据预处理和目标神经网络可提高了识别皮肤病的病变图像的准确性和识别效率,且医生或机器可针对该病变图像进一步进行病症检测,节省了诊断时间。
在一个可能的示例中,在所述对所述待识别皮肤病理图像进行预处理,以得到目标皮肤病理图像方面,所述程序640具体用于执行以下步骤的指令:
对所述待识别皮肤病理图像的无效识别区域进行裁剪,以得到已去除无效识别区域的第一皮肤病理图像;
对所述第一皮肤病理图像进行尺寸处理,以得到第二皮肤病理图像,所述第二皮肤病理图像的图像大小等于所述目标神经网络模型的基本图像大小;
对所述第二皮肤病理图像进行数据加强操作,以得到所述目标皮肤病理图像。
在一个可能的示例中,在所述对所述第二皮肤病理图像进行数据加强操作,以得到所述目标皮肤病理图像方面,所述程序640具体用于执行以下步骤的指令:
按照第一角度,对所第二皮肤病理图像对应的掩膜进行旋转,以得到第三皮肤病理图像;
对所述第三皮肤病理图像进行减去平均值处理,以得到第四皮肤病理图像;
按照第一倍数,对所述第四皮肤病理图像对应的掩膜的宽度进行尺寸处理,以得到第五皮肤病理图像;
按照第二倍数,对所述第五皮肤病理图像对应的掩膜的长度进行尺寸处理,以得到第六皮肤病理图像;
按照第三倍数,对所述第六皮肤病理图像进行尺寸处理,以得到第七皮肤病理图像;
按照第二角度,对所述第七皮肤病理图像的掩膜进行镜像翻转,以得到所述目标皮肤病理图像。
在一个可能的示例中,所述目标神经网络模型包括:2个第一卷积层、第一最大池化层、2个第二卷积层、第二最大池化层、3个第三卷积层、第三最大池化层、3个第四卷积层、第四最大池化层、3个第五卷积层、第一上采样层、2个第六卷积层、第二上采样层、2个第七卷积层、第三上采样层、2个第八卷积层、第四上采样层、2个第九卷积层、第五上采样层、2个第十卷积层和损失函数层。
在一个可能的示例中,所述第一卷积层的步长为1,卷积核尺寸为[3*3],卷积核的个数为64;所述第一最大池化层的步长为2,卷积核尺寸为[2*2];所述第二卷积层的步长为1,卷积核尺寸为[3*3],卷积核个数为128;所述第二最大池化层的步长为2,卷积核尺寸为[2*2];所述第三卷积层的步长为1,卷积核尺寸为[3*3],卷积核个数为256;第三最大池化层的步长为2,卷积核尺寸为[2*2];所述第四卷积层的步长为1,卷积核尺寸为[3*3],卷积核个数为512;所述第四最大池化层的步长为2,卷积核尺寸为[2*2];所述第五卷积层的步长为1,卷积核尺寸为[3*3],卷积核个数为512;所述第一上采样层的卷积核尺寸为[2*2];所述第六卷积层的步长为1,卷积核尺寸为[3*3],卷积核个数为256;所述第二上采样层的卷积核尺寸为[2*2];所述第七卷积层的步长为1,卷积核尺寸为[3*3],卷积核个数为128;所述第三上采样层的卷积核尺寸为[2*2];第八卷积层的步长为1,卷积核尺寸为[3*3],卷积核的个数为64;所述第四上采样层的卷积核尺寸为[2*2];所述第九卷积层的步长为1,卷积核尺寸为[3*3],卷积核的个数为64;所述第五上采样层的卷积核尺寸为[2*2];所述第十卷积层的步长为1,卷积核尺寸为[1*1],卷积核的个数为5。
在一个可能的示例中,所述目标神经网络模型还包括丢弃层,所述目标神经网络模型的激活函数为线性整流函数。
在一个可能的示例中,所述程序640还用于执行以下步骤的指令:
获取所述病变图像的目标像素矩阵;
将所述目标像素矩阵与预设存储的多个皮肤病变类型中每一皮肤病变类型对应的像素矩阵进行匹配,以得到与所述多个皮肤病变类型中每一皮肤病变类型对应的匹配概率,将所述多个皮肤病变类型中每一皮肤病变类型对应的匹配概率中的最大值作为所述病变图像对应的皮肤病变类型。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于存储计算机程序,该计算机程序使得计算机执行如方法实施例中记载的任一方法的部分或全部步骤,计算机包括电子设备。
本申请实施例还提供一种计算机程序产品,计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,计算机程序可操作来使计算机执行如方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包,计算机包括电子设备。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模式并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件程序模式的形式实现。
集成的单元如果以软件程序模式的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。根据这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(read-only memory,ROM)、随机存取存储器(randomaccess memory,RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、ROM、RAM、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种图像识别方法,其特征在于,包括:
获取待识别皮肤病理图像;
对所述待识别皮肤病理图像进行预处理,以得到目标皮肤病理图像;
将所述目标皮肤病理图像输入至预先训练完成的目标神经网络模型执行多层正向运算,以得到所述目标皮肤病理图像中各个子图像对应的病变概率图,并将所述病变概率图中病变概率大于目标阈值的子图像作为所述目标皮肤病理图像中的病变图像。
2.根据权利要求1所述的方法,其特征在于,所述对所述待识别皮肤病理图像进行预处理,以得到目标皮肤病理图像,包括:
对所述待识别皮肤病理图像的无效识别区域进行裁剪,以得到已去除无效识别区域的第一皮肤病理图像;
对所述第一皮肤病理图像进行尺寸处理,以得到第二皮肤病理图像,所述第二皮肤病理图像的图像大小等于所述目标神经网络模型的基本图像大小;
对所述第二皮肤病理图像进行数据加强操作,以得到所述目标皮肤病理图像。
3.根据权利要求2所述的方法,其特征在于,所述对所述第二皮肤病理图像进行数据加强操作,以得到所述目标皮肤病理图像,包括:
按照第一角度,对所第二皮肤病理图像对应的掩膜进行旋转,以得到第三皮肤病理图像;
对所述第三皮肤病理图像进行减去平均值处理,以得到第四皮肤病理图像;
按照第一倍数,对所述第四皮肤病理图像对应的掩膜的宽度进行尺寸处理,以得到第五皮肤病理图像;
按照第二倍数,对所述第五皮肤病理图像对应的掩膜的长度进行尺寸处理,以得到第六皮肤病理图像;
按照第三倍数,对所述第六皮肤病理图像进行尺寸处理,以得到第七皮肤病理图像;
按照第二角度,对所述第七皮肤病理图像的掩膜进行镜像翻转,以得到所述目标皮肤病理图像。
4.根据权利要求1~3任一项所述的方法,其特征在于,所述目标神经网络模型包括:2个第一卷积层、第一最大池化层、2个第二卷积层、第二最大池化层、3个第三卷积层、第三最大池化层、3个第四卷积层、第四最大池化层、3个第五卷积层、第一上采样层、2个第六卷积层、第二上采样层、2个第七卷积层、第三上采样层、2个第八卷积层、第四上采样层、2个第九卷积层、第五上采样层、2个第十卷积层和损失函数层。
5.根据权利要求4所述的方法,其特征在于,所述第一卷积层的步长为1,卷积核尺寸为[3*3],卷积核的个数为64;所述第一最大池化层的步长为2,卷积核尺寸为[2*2];所述第二卷积层的步长为1,卷积核尺寸为[3*3],卷积核个数为128;所述第二最大池化层的步长为2,卷积核尺寸为[2*2];所述第三卷积层的步长为1,卷积核尺寸为[3*3],卷积核个数为256;第三最大池化层的步长为2,卷积核尺寸为[2*2];所述第四卷积层的步长为1,卷积核尺寸为[3*3],卷积核个数为512;所述第四最大池化层的步长为2,卷积核尺寸为[2*2];所述第五卷积层的步长为1,卷积核尺寸为[3*3],卷积核个数为512;所述第一上采样层的卷积核尺寸为[2*2];所述第六卷积层的步长为1,卷积核尺寸为[3*3],卷积核个数为256;所述第二上采样层的卷积核尺寸为[2*2];所述第七卷积层的步长为1,卷积核尺寸为[3*3],卷积核个数为128;所述第三上采样层的卷积核尺寸为[2*2];第八卷积层的步长为1,卷积核尺寸为[3*3],卷积核的个数为64;所述第四上采样层的卷积核尺寸为[2*2];所述第九卷积层的步长为1,卷积核尺寸为[3*3],卷积核的个数为64;所述第五上采样层的卷积核尺寸为[2*2];所述第十卷积层的步长为1,卷积核尺寸为[1*1],卷积核的个数为5。
6.根据权利要求4或5所述的方法,其特征在于,所述目标神经网络模型还包括丢弃层,所述目标神经网络模型的激活函数为线性整流函数。
7.根据权利要求1~3任一项所述的方法,其特征在于,所述方法还包括:
获取所述病变图像的目标像素矩阵;
将所述目标像素矩阵与预设存储的多个皮肤病变类型中每一皮肤病变类型对应的像素矩阵进行匹配,以得到与所述多个皮肤病变类型中每一皮肤病变类型对应的匹配概率,将所述多个皮肤病变类型中每一皮肤病变类型对应的匹配概率中的最大值作为所述病变图像对应的皮肤病变类型。
8.一种图像识别装置,其特征在于,包括:
获取单元,用于获取待识别皮肤病理图像;
预处理单元,用于对所述待识别皮肤病理图像进行预处理,以得到目标皮肤病理图像;
识别单元,用于将所述目标皮肤病理图像输入至预先训练完成的目标神经网络模型执行多层正向运算,以得到所述目标皮肤病理图像中各个子图像对应的病变概率图,并将所述病变概率图中病变概率大于目标阈值的子图像作为所述目标皮肤病理图像中的病变图像。
9.一种电子设备,其特征在于,包括处理器、存储器、通信接口以及一个或多个程序,其中,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行权利要求1-7任一项方法中的步骤的指令。
10.一种计算机可读存储介质,其特征在于,其用于存储计算机程序,其中,所述计算机程序使得计算机执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811342301.7A CN109447981A (zh) | 2018-11-12 | 2018-11-12 | 图像识别方法及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811342301.7A CN109447981A (zh) | 2018-11-12 | 2018-11-12 | 图像识别方法及相关产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109447981A true CN109447981A (zh) | 2019-03-08 |
Family
ID=65551748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811342301.7A Pending CN109447981A (zh) | 2018-11-12 | 2018-11-12 | 图像识别方法及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447981A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209423A (zh) * | 2020-01-07 | 2020-05-29 | 腾讯科技(深圳)有限公司 | 一种基于电子相册的图像管理方法、装置以及存储介质 |
CN111275703A (zh) * | 2020-02-27 | 2020-06-12 | 腾讯科技(深圳)有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
CN111325714A (zh) * | 2020-01-21 | 2020-06-23 | 上海联影智能医疗科技有限公司 | 感兴趣区域的处理方法、计算机设备和可读存储介质 |
CN112183563A (zh) * | 2019-07-01 | 2021-01-05 | Tcl集团股份有限公司 | 一种图像识别模型的生成方法、存储介质及应用服务器 |
CN112270356A (zh) * | 2020-10-28 | 2021-01-26 | 杭州海康威视数字技术股份有限公司 | 一种图像识别方法、装置及电子设备 |
CN112263217A (zh) * | 2020-08-27 | 2021-01-26 | 上海大学 | 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法 |
CN113393477A (zh) * | 2020-03-13 | 2021-09-14 | 上海哔哩哔哩科技有限公司 | 图像处理方法和系统 |
CN116152270A (zh) * | 2022-11-14 | 2023-05-23 | 上海耐欣科技有限公司 | 图像处理方法、装置、设备和介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100302358A1 (en) * | 2009-05-29 | 2010-12-02 | Convergent Medical Solutions, Inc. | Automated assessment of skin lesions using image library |
CN104809426A (zh) * | 2014-01-27 | 2015-07-29 | 日本电气株式会社 | 卷积神经网络的训练方法、目标识别方法及装置 |
CN105469100A (zh) * | 2015-11-30 | 2016-04-06 | 广东工业大学 | 基于深度学习的皮肤活检图像病理特性识别方法 |
CN107092862A (zh) * | 2017-03-16 | 2017-08-25 | 浙江零跑科技有限公司 | 一种基于卷积神经网络的车道边缘检测方法 |
US20170287134A1 (en) * | 2016-03-31 | 2017-10-05 | International Business Machines Corporation | Annotation of skin image using learned feature |
CN107886073A (zh) * | 2017-11-10 | 2018-04-06 | 重庆邮电大学 | 一种基于卷积神经网络的细粒度车辆多属性识别方法 |
CN107958271A (zh) * | 2017-12-06 | 2018-04-24 | 电子科技大学 | 基于膨胀卷积的多尺度特征的皮肤病变深度学习识别系统 |
CN108133188A (zh) * | 2017-12-22 | 2018-06-08 | 武汉理工大学 | 一种基于运动历史图像与卷积神经网络的行为识别方法 |
-
2018
- 2018-11-12 CN CN201811342301.7A patent/CN109447981A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100302358A1 (en) * | 2009-05-29 | 2010-12-02 | Convergent Medical Solutions, Inc. | Automated assessment of skin lesions using image library |
CN104809426A (zh) * | 2014-01-27 | 2015-07-29 | 日本电气株式会社 | 卷积神经网络的训练方法、目标识别方法及装置 |
CN105469100A (zh) * | 2015-11-30 | 2016-04-06 | 广东工业大学 | 基于深度学习的皮肤活检图像病理特性识别方法 |
US20170287134A1 (en) * | 2016-03-31 | 2017-10-05 | International Business Machines Corporation | Annotation of skin image using learned feature |
CN107092862A (zh) * | 2017-03-16 | 2017-08-25 | 浙江零跑科技有限公司 | 一种基于卷积神经网络的车道边缘检测方法 |
CN107886073A (zh) * | 2017-11-10 | 2018-04-06 | 重庆邮电大学 | 一种基于卷积神经网络的细粒度车辆多属性识别方法 |
CN107958271A (zh) * | 2017-12-06 | 2018-04-24 | 电子科技大学 | 基于膨胀卷积的多尺度特征的皮肤病变深度学习识别系统 |
CN108133188A (zh) * | 2017-12-22 | 2018-06-08 | 武汉理工大学 | 一种基于运动历史图像与卷积神经网络的行为识别方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183563A (zh) * | 2019-07-01 | 2021-01-05 | Tcl集团股份有限公司 | 一种图像识别模型的生成方法、存储介质及应用服务器 |
CN111209423B (zh) * | 2020-01-07 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 一种基于电子相册的图像管理方法、装置以及存储介质 |
CN111209423A (zh) * | 2020-01-07 | 2020-05-29 | 腾讯科技(深圳)有限公司 | 一种基于电子相册的图像管理方法、装置以及存储介质 |
CN111325714A (zh) * | 2020-01-21 | 2020-06-23 | 上海联影智能医疗科技有限公司 | 感兴趣区域的处理方法、计算机设备和可读存储介质 |
CN111325714B (zh) * | 2020-01-21 | 2024-03-26 | 上海联影智能医疗科技有限公司 | 感兴趣区域的处理方法、计算机设备和可读存储介质 |
CN111275703A (zh) * | 2020-02-27 | 2020-06-12 | 腾讯科技(深圳)有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
CN111275703B (zh) * | 2020-02-27 | 2023-10-27 | 腾讯科技(深圳)有限公司 | 图像检测方法、装置、计算机设备和存储介质 |
CN113393477A (zh) * | 2020-03-13 | 2021-09-14 | 上海哔哩哔哩科技有限公司 | 图像处理方法和系统 |
CN112263217A (zh) * | 2020-08-27 | 2021-01-26 | 上海大学 | 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法 |
CN112270356B (zh) * | 2020-10-28 | 2023-10-13 | 杭州海康威视数字技术股份有限公司 | 一种图像识别方法、装置及电子设备 |
CN112270356A (zh) * | 2020-10-28 | 2021-01-26 | 杭州海康威视数字技术股份有限公司 | 一种图像识别方法、装置及电子设备 |
CN116152270A (zh) * | 2022-11-14 | 2023-05-23 | 上海耐欣科技有限公司 | 图像处理方法、装置、设备和介质 |
CN116152270B (zh) * | 2022-11-14 | 2024-01-26 | 上海耐欣科技有限公司 | 图像处理方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447981A (zh) | 图像识别方法及相关产品 | |
EP3961484A1 (en) | Medical image segmentation method and device, electronic device and storage medium | |
Jiang et al. | Image fusion using multiscale edge‐preserving decomposition based on weighted least squares filter | |
CN113159147B (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断系统 | |
CN108830149B (zh) | 一种目标细菌的检测方法及终端设备 | |
CN108615236A (zh) | 一种图像处理方法及电子设备 | |
CN107145756A (zh) | 一种脑卒中类型预测方法以及装置 | |
Issac Niwas et al. | An expert support system for breast cancer diagnosis using color wavelet features | |
CN110175998A (zh) | 基于多尺度深度学习的乳腺癌图像识别方法、装置及介质 | |
CN109146891B (zh) | 一种应用于mri的海马体分割方法、装置及电子设备 | |
CN111986202B (zh) | 青光眼辅助诊断装置、方法及存储介质 | |
CN108846829A (zh) | 病变部位识别方法及装置、计算机装置及可读存储介质 | |
CN111882559B (zh) | Ecg信号的获取方法及装置、存储介质、电子装置 | |
CN113284149A (zh) | Covid-19胸部ct图像识别方法、装置及电子设备 | |
CN112037212A (zh) | 一种基于深度学习的肺结核dr影像识别方法 | |
CN112949654A (zh) | 图像检测方法及相关装置、设备 | |
WO2019102844A1 (ja) | 分類装置、分類方法、プログラム、ならびに、情報記録媒体 | |
CN115601299A (zh) | 基于图像的肝硬化状态智能评估系统及其方法 | |
Soltani et al. | Improved algorithm for multiple sclerosis diagnosis in MRI using convolutional neural network | |
CN108447047A (zh) | 抗酸杆菌检测方法及装置 | |
Huang et al. | HEp-2 cell images classification based on textural and statistic features using self-organizing map | |
CN108985302A (zh) | 一种皮肤镜图像处理方法、装置及设备 | |
CN115829980A (zh) | 一种眼底照片的图像识别方法、装置、设备及存储介质 | |
WO2022227193A1 (zh) | 肝脏区域分割方法、装置、电子设备及存储介质 |
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 |