CN110084280B - 一种确定分类标签的方法及装置 - Google Patents
一种确定分类标签的方法及装置 Download PDFInfo
- Publication number
- CN110084280B CN110084280B CN201910252729.0A CN201910252729A CN110084280B CN 110084280 B CN110084280 B CN 110084280B CN 201910252729 A CN201910252729 A CN 201910252729A CN 110084280 B CN110084280 B CN 110084280B
- Authority
- CN
- China
- Prior art keywords
- picture
- pictures
- covering
- original
- domain
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本发明实施例提供一种确定分类标签的方法及装置，所述方法包括：获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；对所有样本图片进行分类；其中，分类类型包括二类域外分类标签；所述二类域外分类标签是基于无医学判断价值的原始图片、附着有覆盖物的原始图片、包含有消化残渣物的原始图片确定的。所述装置执行上述方法。本发明实施例提供的确定分类标签的方法及装置，通过对用于训练预设模型的所有样本图片进行分类，且分类类型包括二类域外分类标签，能够提高样本图片的分类标签选择的合理性和准确度。
Description
技术领域
本发明实施例涉及图片处理技术领域，尤其涉及一种确定分类标签的方法及装置。
背景技术
胶囊内镜具有无痛、无伤、拍摄图像信息量大等优点，具备广泛的应用价值。
现有技术采用人工方式识别通过胶囊内镜拍摄的原始图片、并对原始图片进行分类，为了更加准确、高效地识别原始图片，需要构建模型，但是模型在使用之前通常需要进行训练，针对上述原始图片的训练样本(可以是样本图片)的选择、以及对样本图片的分类标签的确定，尚没有有效的方法。
因此，如何避免上述缺陷，提高样本图片的分类标签选择的合理性和准确度，成为亟须解决的问题。
发明内容
针对现有技术存在的问题，本发明实施例提供一种确定分类标签的方法及装置。
本发明实施例提供一种确定分类标签的方法，包括：
获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；
对所有样本图片进行分类；其中，分类类型包括二类域外分类标签；所述二类域外分类标签是基于无医学判断价值的原始图片、附着有覆盖物的原始图片、包含有消化残渣物的原始图片确定的。
本发明实施例提供一种确定分类标签的装置，包括：
获取单元，用于获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；
分类单元，用于对所有样本图片进行分类；其中，分类类型包括二类域外分类标签；所述二类域外分类标签是基于无医学判断价值的原始图片、附着有覆盖物的原始图片、包含有消化残渣物的原始图片确定的。
本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：
获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；
对所有样本图片进行分类；其中，分类类型包括二类域外分类标签；所述二类域外分类标签是基于无医学判断价值的原始图片、附着有覆盖物的原始图片、包含有消化残渣物的原始图片确定的。
本发明实施例提供一种非暂态计算机可读存储介质，包括：
所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：
获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；
对所有样本图片进行分类；其中，分类类型包括二类域外分类标签；所述二类域外分类标签是基于无医学判断价值的原始图片、附着有覆盖物的原始图片、包含有消化残渣物的原始图片确定的。
本发明实施例提供的确定分类标签的方法及装置，通过对用于训练预设模型的所有样本图片进行分类，且分类类型包括二类域外分类标签，能够提高样本图片的分类标签选择的合理性和准确度。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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。
图1为本发明确定分类标签的方法实施例流程图；
图2(a)～图2(g)各图之间相互独立，都分别是均质整图的表现形式；
图3(a)～图3(h)均为本发明实施例拍摄的水线图片的截图；
图4(a)～图4(g)均为本发明实施例拍摄的全覆盖物图片的截图；
图5(a)～图5(h)均为本发明实施例拍摄的半覆盖物图片的截图；
图6(a)～图6(h)均为本发明实施例拍摄的气泡覆盖物图片的截图；
图7(a)～图7(h)均为本发明实施例拍摄的蛛网状覆盖物图片的截图；
图8(a)～图8(h)均为本发明实施例拍摄的包含有消化残渣物的原始图片的截图；
图9为本发明确定分类标签的装置实施例结构示意图；
图10为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
图1为本发明确定分类标签的方法实施例流程图，如图1所示，本发明实施例提供的一种确定分类标签的方法，包括以下步骤：
S101：获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片。
具体的，装置获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片。需要说明的是：该原始图片是通过胶囊内镜拍摄的，对胶囊内镜的工作过程作如下说明：
·胶囊内镜从口腔进入消化道，再从肛门自然排出体外。
·胶囊内镜的电池续航力有限，其有效工作区间为口腔、食道、胃、十二指肠、小肠和大肠一部分。
·胶囊内镜的每次活动都产生域内检查图片和域外检查图片。
·域内检查图片是对消化道某一段所进行的拍摄结果。
·域外检查图片是除了域内检查图片以外，胶囊内镜顺便拍到的图片。
·全部图片均可自动识别，无需任何人工介入(包括图像预处理)。
·识别图像后，将胶囊内镜拍摄的图片分为六个大类(125个小类)，自动保存于125个图片文件夹中，其中，六个大类可以为：
第一大类：一类域外分类标签(10个类别)。
第二大类：二类域外分类标签(13个类别)。
第三大类：基于局部结构特征的第一目标图片分类标签(14个类别)。
第四大类：洞状结构第一目标图片分类标签(8个类别)。
第五大类：基于全局结构特征的第一目标图片分类标签(24个类别)。
第六大类：第二目标图片分类标签(56个类别)。
·能够自动识别口腔、食道、胃、十二指肠、小肠和大肠等消化道的不同部位。
每粒胶囊内镜每次可以拍摄的原始图片的数量可以为2000～3000张，即胶囊内镜获取到的图片集中的图片数量。
可以从医院信息系统中导出、未经任何处理的胶囊内镜拍摄的原始图片(JPG格式)。即上述样本图片可以是上述的六个大类(125个小类)对应的所有图片，本发明实施例着重对上述第二大类进行说明。
S102：对所有样本图片进行分类；其中，分类类型包括二类域外分类标签；所述二类域外分类标签是基于无医学判断价值的原始图片、附着有覆盖物的原始图片、包含有消化残渣物的原始图片确定的。
具体的，装置对所有样本图片进行分类；其中，分类类型包括二类域外分类标签；所述二类域外分类标签是基于无医学判断价值的原始图片、附着有覆盖物的原始图片、包含有消化残渣物的原始图片确定的。所述无医学判断价值的原始图片可以包括：
均质整图、水线图片；所述均质整图中的拍摄物外表面平坦光滑、且没有纹理、颜色均一；所述水线图片中呈现有空气和水的交界线。图2(a)～图2(g)均为本发明实施例拍摄的均质整图的截图，图2(a)～图2(g)各图之间相互独立，都分别是均质整图的表现形式。这类图片的特征是：
均质整图(beta_whole)：拍摄物外表面平坦光滑、没有纹理、颜色均一，尽管拍摄质量很高，但由于内容过于单一，已经失去医学判断价值(无法判断拍摄对象所处的位置、角度、器官载体、解剖特征等)。图片的数量占比大约是5.8％，这个比例非常高。这类图片由于失去医学价值，尽管表面上不是垃圾图片(对应干扰图片，即无法用于图片识别的图片)，但实际上和“垃圾图片”没有什么分别。后续处理过程中完全可以忽略。
图3(a)～图3(h)均为本发明实施例拍摄的水线图片的截图，图3(a)～图3(h)各图之间相互独立，都分别是水线图片的表现形式。这类图片的特征是：
水线图片(beta_waterline)：图片中呈现有空气和水的交界线，图像结构清晰简单。暴露在空气中的部分，其内容与上述的均质整图的内容相似，没有医学价值；淹没在水面下的部分，由于被水膜覆盖，也没有有价值的信息暴露，因此，整个图片也没有医学价值，可以被视为“垃圾图片”。图片数量占比大约是3.8％。
根据水面和空气面所占面积的比例，可以再细分为如下几个子类别：
beta_waterline_bubble(小型气泡),beta_waterline_edge(水面占小部分),
Beta_waterline_middle(水气对半),beta_waterline_major(水面占大部分)。
所述附着有覆盖物的原始图片可以包括：
全覆盖物图片、半覆盖物图片；所述全覆盖物图片和所述半覆盖物图片是根据覆盖物占据的区域面积的大小进行区分的。
图4(a)～图4(g)均为本发明实施例拍摄的全覆盖物图片的截图，图4(a)～图4(g)各图之间相互独立，都分别是全覆盖物图片的表现形式。这类图片的特征是：
全覆盖物图片(beta_bubble_full)：95％的图片被某种覆盖物(例如，团块状悬浮物，气泡群，黏膜体等)覆盖，导致图片基本失去医学价值。消化残渣不属于此类漂浮物，因为消化残渣数量庞大，特征独特，因此独立分类。图片数量占比大约1.7％。这类图片由于失去医学价值，也属于“垃圾图片”。但是有一些覆盖物图片，如果覆盖的是异常特征部位，异常特征部位分泌的一些液体和漂浮物混合，形成覆盖物伴随的异常特征，可以收集所有的覆盖物伴随的异常特征，并组成预设覆盖物伴随特征集合，该集合中包含有所有预设覆盖物伴随特征。如果全覆盖物图片中或半覆盖物图片中的某些覆盖物特征与预设覆盖物伴随特征的比照结果相一致，则说明这些覆盖物覆盖的部位为异常特征部位，则将这些覆盖物覆盖的目标图片导入覆盖物伴随的异常特征的对照图片集(focus_bubble)(对应上述预设覆盖物伴随特征集合)中；如果比照结果不一致，则说明这些覆盖物覆盖的部位为非异常特征部位，则将这些覆盖物覆盖的目标图片作为垃圾图片。需要说明的是：所述异常特征可以包括凸起特征和/或指定颜色特征，凸起特征可以包括肿胀、颗粒状物凸起。指定颜色特征可以包括红色、白色，不作具体限定。异常特征可以作为某些疾病诊断过程中的中间参考特征，仅仅依赖该异常特征还不足以诊断出疾病。
图5(a)～图5(h)均为本发明实施例拍摄的半覆盖物图片的截图，图5(a)～图5(h)各图之间相互独立，都分别是半覆盖物图片的表现形式。这类图片的特征是：
半覆盖图片(beta_bubble_half)：20％-90％的图幅被某种覆盖物(例如团块状悬浮物，气泡群，黏膜体)覆盖，尽管图片仍然有医学价值，但很难用于医学报告的正式引用。这部分图片数量占比大约为8％，数量庞大。收集这类图片时需要谨慎鉴别，图片中没有被覆盖的部分，一定不能出现任何异常特征，哪怕是很轻微的异常特征，都有可能引导异常特征图片到这个类别中，给后续的网络模型识别图片带来压力。如果半覆盖图片中不含任何异常特征，那么，这类图片就可以被当作“垃圾图片”，不再做后续检查了，可以通过如下方法步骤来实现：
识别所述半覆盖物图片中的除覆盖物以外的特征；
将所有特征与预设异常特征对照图片集中的特征进行比照，将比照结果不一致的特征对应的图片作为干扰图片；其中，所述干扰图片为无法用于图片识别的图片。
还可以：将比照结果相一致的特征对应的图片导入预设异常特征对照图片集中。如果这类引导图片的数量过多，场景过于繁杂，也可以考虑再做一次细分，例如可以分为棉絮状覆盖物，团块状覆盖物和泡沫装覆盖物等，也可以再按覆盖物占据的面积比例做细分。
所述附着有覆盖物的原始图片还可以包括：
气泡覆盖物图片、蛛网状覆盖物图片；所述气泡覆盖物图片中的拍摄物外表面被气泡覆盖、且存在反光现象；所述蛛网状覆盖物图片中的拍摄物外表面被蛛网状物覆盖。
图6(a)～图6(h)均为本发明实施例拍摄的气泡覆盖物图片的截图，图6(a)～图6(h)各图之间相互独立，都分别是气泡覆盖物图片的表现形式。这类图片的特征是：
大型气泡反光(beta_bubble_reflect)(对应气泡覆盖物图片)：拍摄物外表面被一个大型气泡覆盖，拍摄到的内容只是一个大型气泡的反光效应，导致图片失去医学价值。图片数量占比大约0.7％。多数情况下，气泡覆盖度会比较大，占据图幅超过70％的面积，但是总是会有少数图片，气泡没有覆盖到的图片的全部，那么就需要确保没有异常特征的出现，这样能够保证经过这个类别引导过来的图片，都是不含异常特征的图片，也就可以归类到“垃圾图片”，不再参与后续处理了，上述确保没有异常特征的出现的实现过程，可以通过如下方式实现：
识别所述气泡覆盖物图片中的除覆盖物以外的特征。
将所有特征与预设异常特征对照图片集中的特征进行比照，将比照结果不一致的特征对应的图片作为干扰图片；其中，所述干扰图片为无法用于图片识别的图片。
还可以：将比照结果相一致的特征对应的图片导入预设异常特征对照图片集中。
图7(a)～图7(h)均为本发明实施例拍摄的蛛网状覆盖物图片的截图，图7(a)～图7(h)各图之间相互独立，都分别是蛛网状覆盖物图片的表现形式。这类图片的特征是：
蛛网状覆盖物(beta_bubble_spider)：有些类似丝状漂浮物遮挡住了镜头，拍摄到的内容受到严重干扰，其医学判断价值大打折扣。图片数量占比大约1.8％。选择这部分图片的引导标签时，也需要非常谨慎，对没有被网状覆盖物覆盖的内容，一定要确保没有异常特征出现，这样可以将这部分标签引导出来的图片当作“垃圾图片”，不再参与后续处理流程。确保没有异常特征出现的实现过程，可以通过如下方式实现：
识别所述蛛网状覆盖物图片中的除覆盖物以外的特征。
将所有特征与预设异常特征对照图片集中的特征进行比照，将比照结果不一致的特征对应的图片作为干扰图片；其中，所述干扰图片为无法用于图片识别的图片。
还可以：将比照结果相一致的特征对应的图片导入预设异常特征对照图片集中。
图8(a)～图8(h)均为本发明实施例拍摄的包含有消化残渣物的原始图片的截图，图8(a)～图8(h)各图之间相互独立，都分别是包含有消化残渣物的原始图片的表现形式。这类图片的特征是：
消化残渣图片(beta_bubble_food)：消化道中未排泄干净的食物残留物，在胃部，肠部都可能有，图片数量占比大约1％。多数情况下，消化残渣的覆盖度会比较大，占据图幅超过50％的面积，但是，只要有没有覆盖到的地方，就需要确保没有异常特征出现，这样能够保证经过这个类别引导过来的图片，都是不含异常特征的图片，也就可以归类到“垃圾图片”，不再参与后续处理了。
确保没有异常特征出现的实现过程，可以通过如下方式实现：
识别所述包含有消化残渣物的原始图片中的除消化残渣物以外的特征。
将所有特征与预设异常特征对照图片集中的特征进行比照，将比照结果不一致的特征对应的图片作为干扰图片；其中，所述干扰图片为无法用于图片识别的图片。
还可以：将比照结果相一致的特征对应的图片导入预设异常特征对照图片集中。
本发明实施例提供的确定分类标签的方法，通过对用于训练预设模型的所有样本图片进行分类，且分类类型包括二类域外分类标签，能够提高样本图片的分类标签选择的合理性和准确度。
在上述实施例的基础上，所述无医学判断价值的原始图片包括：
均质整图、水线图片；所述均质整图中的拍摄物外表面平坦光滑、且没有纹理、颜色均一；所述水线图片中呈现有空气和水的交界线。可参照上述实施例，不再赘述。
本发明实施例提供的确定分类标签的方法，进一步能够提高样本图片的分类标签选择的合理性和准确度。
在上述实施例的基础上，所述附着有覆盖物的原始图片包括：
全覆盖物图片、半覆盖物图片；所述全覆盖物图片和所述半覆盖物图片是根据覆盖物占据的区域面积的大小进行区分的。可参照上述实施例，不再赘述。
本发明实施例提供的确定分类标签的方法，进一步能够提高样本图片的分类标签选择的合理性和准确度。
在上述实施例的基础上，所述附着有覆盖物的原始图片还包括：
气泡覆盖物图片、蛛网状覆盖物图片；所述气泡覆盖物图片中的拍摄物外表面被气泡覆盖、且存在反光现象；所述蛛网状覆盖物图片中的拍摄物外表面被蛛网状物覆盖。可参照上述实施例，不再赘述。
本发明实施例提供的确定分类标签的方法，进一步能够提高样本图片的分类标签选择的合理性和准确度。
在上述实施例的基础上，所述方法还包括：
识别所述全覆盖物图片和所述半覆盖物图片中的覆盖物特征。
具体的，装置识别所述全覆盖物图片和所述半覆盖物图片中的覆盖物特征。可参照上述实施例，不再赘述。
将所有覆盖物特征与预设覆盖物伴随特征进行比照，将比照结果相一致的覆盖物特征对应的目标图片导入覆盖物伴随的异常特征的对照图片集中；其中，所述异常特征包括凸起特征和/或指定颜色特征、所述目标图片包括目标全覆盖物图片和目标半覆盖物图片。
具体的，装置将所有覆盖物特征与预设覆盖物伴随特征进行比照，将比照结果相一致的覆盖物特征对应的目标图片导入覆盖物伴随的异常特征的对照图片集中；其中，所述异常特征包括凸起特征和/或指定颜色特征、所述目标图片包括目标全覆盖物图片和目标半覆盖物图片。可参照上述实施例，不再赘述。
本发明实施例提供的确定分类标签的方法，进一步能够提高样本图片的分类标签选择的合理性和准确度。
在上述实施例的基础上，所述方法还包括：
识别所述半覆盖物图片和包含有消化残渣物的原始图片中的除覆盖物和消化残渣物以外的特征。
具体的，装置识别所述半覆盖物图片和包含有消化残渣物的原始图片中的除覆盖物和消化残渣物以外的特征。可参照上述实施例，不再赘述。
将所有特征与预设异常特征对照图片集中的特征进行比照，将比照结果不一致的特征对应的图片作为干扰图片；其中，所述干扰图片为无法用于图片识别的图片。
具体的，装置将所有特征与预设异常特征对照图片集中的特征进行比照，将比照结果不一致的特征对应的图片作为干扰图片；其中，所述干扰图片为无法用于图片识别的图片。可参照上述实施例，不再赘述。
本发明实施例提供的确定分类标签的方法，进一步能够提高样本图片的分类标签选择的合理性和准确度。
在上述实施例的基础上，所述方法还包括：
识别所述气泡覆盖物图片和所述蛛网状覆盖物图片中的除覆盖物以外的特征。
具体的，装置识别所述气泡覆盖物图片和所述蛛网状覆盖物图片中的除覆盖物以外的特征。可参照上述实施例，不再赘述。
将所有特征与预设异常特征对照图片集中的特征进行比照，将比照结果不一致的特征对应的图片作为干扰图片；其中，所述干扰图片为无法用于图片识别的图片。
具体的，装置将所有特征与预设异常特征对照图片集中的特征进行比照，将比照结果不一致的特征对应的图片作为干扰图片；其中，所述干扰图片为无法用于图片识别的图片。可参照上述实施例，不再赘述。
本发明实施例提供的确定分类标签的方法，进一步能够提高样本图片的分类标签选择的合理性和准确度。
图9为本发明确定分类标签的装置实施例结构示意图，如图9所示，本发明实施例提供了一种确定分类标签的装置，包括获取单元901和分类单元902，其中：
获取单元901用于获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；分类单元902用于对所有样本图片进行分类；其中，分类类型包括二类域外分类标签；所述二类域外分类标签是基于无医学判断价值的原始图片、附着有覆盖物的原始图片、包含有消化残渣物的原始图片确定的。
具体的，获取单元901用于获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；分类单元902用于对所有样本图片进行分类；其中，分类类型包括二类域外分类标签；所述二类域外分类标签是基于无医学判断价值的原始图片、附着有覆盖物的原始图片、包含有消化残渣物的原始图片确定的。
本发明实施例提供的确定分类标签的装置，通过对用于训练预设模型的所有样本图片进行分类，且分类类型包括二类域外分类标签，能够提高样本图片的分类标签选择的合理性和准确度。
本发明实施例提供的确定分类标签的装置具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
图10为本发明实施例提供的电子设备实体结构示意图，如图10所示，所述电子设备包括：处理器(processor)1001、存储器(memory)1002和总线1003；
其中，所述处理器1001、存储器1002通过总线1003完成相互间的通信；
所述处理器1001用于调用所述存储器1002中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；对所有样本图片进行分类；其中，分类类型包括二类域外分类标签；所述二类域外分类标签是基于无医学判断价值的原始图片、附着有覆盖物的原始图片、包含有消化残渣物的原始图片确定的。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；对所有样本图片进行分类；其中，分类类型包括二类域外分类标签；所述二类域外分类标签是基于无医学判断价值的原始图片、附着有覆盖物的原始图片、包含有消化残渣物的原始图片确定的。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；对所有样本图片进行分类；其中，分类类型包括二类域外分类标签；所述二类域外分类标签是基于无医学判断价值的原始图片、附着有覆盖物的原始图片、包含有消化残渣物的原始图片确定的。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种确定分类标签的方法，其特征在于，包括：
获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；
所述样本图片和原始图片是通过胶囊内镜拍摄的，胶囊内镜自动识别消化道的不同部位，胶囊内镜所拍摄的图片分为域内图片和域外图片，域内图片是对消化道某一段所进行的拍摄结果，域外图片是除了域内图片以外，胶囊内镜顺便拍到的图片；
所述胶囊内镜自动识别样本图片，并将图片分类；其中，分类类型包括二类域外分类标签；所述二类域外分类标签是基于无医学判断价值的原始图片、附着有覆盖物的原始图片、包含有消化残渣物的原始图片确定的；
所述附着有覆盖物的原始图片包括：
全覆盖物图片、半覆盖物图片；所述全覆盖物图片和所述半覆盖物图片是根据覆盖物占据的区域面积的大小进行区分的；
所述方法还包括：
识别所述全覆盖物图片中的覆盖物特征；
将所有覆盖物特征与预设覆盖物伴随特征进行比照，比照结果相一致则这些覆盖物覆盖的部位为异常特征部位，将比照结果相一致的覆盖物特征对应的目标图片导入覆盖物伴随的异常特征对照图片集中；其中，所述异常特征包括凸起特征和/或指定颜色特征、所述目标图片为目标全覆盖物图片；
识别所述半覆盖物图片和包含有消化残渣物的原始图片中的除覆盖物和消化残渣物以外的特征；
将所述半覆盖物图片和包含有消化残渣物的原始图片中的除覆盖物和消化残渣物以外的特征与预设异常特征对照图片集中的特征进行比照，将比照结果不一致的特征对应的图片作为干扰图片；其中，所述干扰图片为无法用于图片识别的图片。
2.根据权利要求1所述的方法，其特征在于，所述无医学判断价值的原始图片包括：
均质整图、水线图片；所述均质整图中的拍摄物外表面平坦光滑、且没有纹理、颜色均一；所述水线图片中呈现有空气和水的交界线。
3.根据权利要求1所述的方法，其特征在于，所述附着有覆盖物的原始图片还包括：
气泡覆盖物图片、蛛网状覆盖物图片；所述气泡覆盖物图片中的拍摄物外表面被气泡覆盖、且存在反光现象；所述蛛网状覆盖物图片中的拍摄物外表面被蛛网状物覆盖。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
识别所述气泡覆盖物图片和所述蛛网状覆盖物图片中的除覆盖物以外的特征；
将所述气泡覆盖物图片和所述蛛网状覆盖物图片中的除覆盖物以外的特征与预设异常特征对照图片集中的特征进行比照，将比照结果不一致的特征对应的图片作为干扰图片；其中，所述干扰图片为无法用于图片识别的图片。
5.一种确定分类标签的装置，其特征在于，包括：
获取单元，用于获取用于训练预设模型的样本图片；所述预设模型用于识别原始图片；
所述样本图片和原始图片是通过胶囊内镜拍摄的，胶囊内镜可以自动识别消化道的不同部位，胶囊内镜所拍摄的图片分为域内图片和域外图片，域内图片是对消化道某一段所进行的拍摄结果，域外图片是除了域内检查图片以外，胶囊内镜顺便拍到的图片；
分类单元，用于对所有样本图片进行分类；其中，分类类型包括二类域外分类标签；所述二类域外分类标签是基于无医学判断价值的原始图片、附着有覆盖物的原始图片、包含有消化残渣物的原始图片确定的；
所述附着有覆盖物的原始图片包括：
全覆盖物图片、半覆盖物图片；所述全覆盖物图片和所述半覆盖物图片是根据覆盖物占据的区域面积的大小进行区分的；
所述分类单元还用于：
识别所述全覆盖物图片中的覆盖物特征；
将所有覆盖物特征与预设覆盖物伴随特征进行比照，比照结果相一致则这些覆盖物覆盖的部位为异常特征部位，将比照结果相一致的覆盖物特征对应的目标图片导入覆盖物伴随的异常特征对照图片集中；其中，所述异常特征包括凸起特征和/或指定颜色特征、所述目标图片为目标全覆盖物图片；
识别所述半覆盖物图片和包含有消化残渣物的原始图片中的除覆盖物和消化残渣物以外的特征；
将所述半覆盖物图片和包含有消化残渣物的原始图片中的除覆盖物和消化残渣物以外的特征与预设异常特征对照图片集中的特征进行比照，将比照结果不一致的特征对应的图片作为干扰图片；其中，所述干扰图片为无法用于图片识别的图片。
6.一种电子设备，其特征在于，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至4任一所述的方法。
7.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至4任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910252729.0A CN110084280B (zh) | 2019-03-29 | 2019-03-29 | 一种确定分类标签的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910252729.0A CN110084280B (zh) | 2019-03-29 | 2019-03-29 | 一种确定分类标签的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110084280A CN110084280A (zh) | 2019-08-02 |
| CN110084280B true CN110084280B (zh) | 2021-08-31 |
Family
ID=67413994
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910252729.0A Active CN110084280B (zh) | 2019-03-29 | 2019-03-29 | 一种确定分类标签的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110084280B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104083143A (zh) * | 2013-12-23 | 2014-10-08 | 北京华科创智健康科技股份有限公司 | 自动识别图像中有效与无效区域的内窥oct系统 |
| CN107292347A (zh) * | 2017-07-06 | 2017-10-24 | 中冶华天南京电气工程技术有限公司 | 一种胶囊内窥镜图像识别方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102436665A (zh) * | 2011-08-25 | 2012-05-02 | 清华大学 | 消化道图像二维平面表示方法 |
| JP6150583B2 (ja) * | 2013-03-27 | 2017-06-21 | オリンパス株式会社 | 画像処理装置、内視鏡装置、プログラム及び画像処理装置の作動方法 |
| CN106204599B (zh) * | 2016-07-14 | 2019-04-26 | 安翰科技(武汉)股份有限公司 | 用于消化道内图像的自动分段系统和方法 |
| CN107145840B (zh) * | 2017-04-18 | 2020-04-21 | 重庆金山医疗器械有限公司 | 内镜专家诊断知识嵌入的计算机辅助wce序列图像数据识别方法 |
| CN107240091B (zh) * | 2017-04-21 | 2019-09-03 | 安翰科技(武汉)股份有限公司 | 胶囊内窥镜图像预处理系统及方法 |
| CN109523522B (zh) * | 2018-10-30 | 2023-05-09 | 腾讯医疗健康(深圳)有限公司 | 内窥镜图像的处理方法、装置、系统及存储介质 |
-
2019
- 2019-03-29 CN CN201910252729.0A patent/CN110084280B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104083143A (zh) * | 2013-12-23 | 2014-10-08 | 北京华科创智健康科技股份有限公司 | 自动识别图像中有效与无效区域的内窥oct系统 |
| CN107292347A (zh) * | 2017-07-06 | 2017-10-24 | 中冶华天南京电气工程技术有限公司 | 一种胶囊内窥镜图像识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110084280A (zh) | 2019-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109741346B (zh) | 感兴趣区域提取方法、装置、设备及存储介质 | |
| CN113743384B (zh) | 一种胃部图片识别方法及装置 | |
| CN110867233B (zh) | 用于生成电子喉镜医学检测报告的系统和方法 | |
| Figueiredo et al. | Computer-assisted bleeding detection in wireless capsule endoscopy images | |
| CN111047610A (zh) | 病灶区域呈现方法和装置 | |
| WO2020078114A1 (zh) | 动物分娩的识别方法、装置和设备 | |
| Rajashekar et al. | Comprehensive retinal image analysis for aggressive posterior retinopathy of prematurity | |
| CN111242920A (zh) | 一种生物组织图像检测方法、装置、设备及介质 | |
| CN110110750B (zh) | 一种原始图片的分类方法及装置 | |
| CN110097080B (zh) | 一种分类标签的构建方法及装置 | |
| CN114842000A (zh) | 一种内窥镜图像质量评估方法和系统 | |
| CN110084280B (zh) | 一种确定分类标签的方法及装置 | |
| CN110084267A (zh) | 人像聚类方法、装置、电子设备及可读存储介质 | |
| McKenna et al. | Automated classification for visual-only postmortem inspection of porcine pathology | |
| CN116596927B (zh) | 一种内镜视频处理方法、系统及装置 | |
| Pan et al. | BP neural network classification for bleeding detection in wireless capsule endoscopy | |
| CN110083727B (zh) | 一种确定分类标签的方法及装置 | |
| CN110097082B (zh) | 一种训练集的拆分方法及装置 | |
| CN111062929A (zh) | 一种软件设计畜禽疾病图片的智能分析诊断系统 | |
| CN110084277B (zh) | 一种训练集的拆分方法及装置 | |
| CN114612389B (zh) | 基于多源多尺度特征融合的眼底图像质量评价方法和装置 | |
| CN110084276B (zh) | 一种训练集的拆分方法及装置 | |
| CN110084278B (zh) | 一种训练集的拆分方法及装置 | |
| CN113516639B (zh) | 基于全景x光片的口腔异常检测模型的训练方法及装置 | |
| CN110070113B (zh) | 一种训练集的训练方法及装置 |
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 |