CN110210519B - 分类方法、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种分类方法、计算机设备和存储介质，计算机设备是将待检测图像的当前层切片对应的输入切片集输入至预先训练好的多通道分类网络模型中，得到当前层切片的特征分类结果，并将将当前层切片的特征分类结果输入第一分类器中，得到当前层切片的切片级分类结果，由于该方法中，当前层切片对应的输入切片集包括当前层切片和当前层切片的关联层切片，这样将与当前层切片相关的切片同时作为输入进行分类，保留当前层切片的数据完整结构信息，且第一分类器是根据多个样本的切片以及实际分类标签训练得到，使得分类结果更加具体，更加符合实际场景，大大保证了分类结果的可靠性和准确性。

Description

分类方法、计算机设备和存储介质

技术领域

本申请涉及医疗技术领域，特别是涉及一种分类方法、计算机设备和存储介质。

背景技术

脑出血在诊断过程中，确定脑出血的位置非常重要，根据脑出血的位置不同可以将脑出血划分为多种类型，目前脑出血类型的诊断需要通过对头部扫描的CT影像进行判断。

为了提高脑出血类型分类的准确性，现有技术中通常采用基于深度学习算法脑出血类型分类，基于深度学习的方法主要包括3D卷积神经网络分类方法和2D卷积神经网络分类方法,其中，3D卷积神经网络的分类方法的流程为：首先将三维数据进行重采样，使它们拥有相同的分辨率以及尺寸大小，然后将预处理之后的图像输入卷积神经网络中进行训练，经过一定的迭代次数，得到使得模型结果最好的最优参数，最后利用该模型对其它样本进行分类，进而得到样本的出血类型。然而，基于3D卷积神经网络来对出血类型进行分类存在样本量较小的问题，使得结果可靠性以及准确性较差。因此，目前常采用基于2D卷积神经网络对脑出血进行分类，基于2D卷积神经网络输入样本为切片，可以通过大量的切片对网络训练得到最优的模型参数，从而得到样本的出血类型。

但是，基于2D卷积神经网络的分类方法存在忽略样本的结构信息，从而影响了脑出血类型分类结果的可靠性和准确性。

发明内容

基于此，有必要针对上述基于2D卷积神经网络的分类方法存在忽略样本的结构信息，从而影响了脑出血类型分类结果的可靠性和准确性的技术问题，提供一种分类方法、计算机设备和存储介质。

第一方面，本申请实施例提供一种分类方法，该方法包括：

获取待检测图像的当前层切片对应的输入切片集；其中，输入切片集包括当前层切片和当前层切片的关联层切片；

将当前层切片对应的输入切片集输入至预先训练好的多通道分类网络模型中，得到当前层切片的特征分类结果；其中，多通道分类网络模型的通道数量与输入切片集的切片数量相匹配；

将当前层切片的特征分类结果输入第一分类器中，得到当前层切片的切片级分类结果；其中，第一分类器为根据多个样本的切片的输入切片集、各样本的实际分类标签训练得到，用于确定切片分类的模型。

在其中一个实施例中，该方法还包括：

获取待检测图像的各层切片的切片级分类结果；

将各层切片的切片级分类结果全部输入至第二分类器中，得到待检测图像的整体分类结果；其中，第二分类器为根据多个样本各层切片的切片级分类结果、各样本的实际分类标签训练得到的模型。

在其中一个实施例中，在获取待检测图像的当前层切片对应的输入切片集之前，该方法包括：

获取当前层切片的关联层切片；其中，关联层切片包括当前层切片的上一层切片和/或当前层切片的下一层切片。

在其中一个实施例中，若当前层切片为待检测图像中的第一层切片，则关联层切片包括第一层切片的两个下一层切片；若当前层切片为待检测图像中的最后一层切片，则关联层切片包括最后一层切片的两个上一层切片。

在其中一个实施例中，上述第一分类器的训练过程包括：

获取多个样本的各层切片的输入切片集、各样本的实际分类标签；

将各样本的各层切片的输入切片集输入至预先训练好的多通道分类网络模型，得到各样本的各层切片的特征分类结果；

根据各样本的各层切片的特征分类结果和各样本的实际分类标签，训练第一初始分类器，得到第一分类器。

在其中一个实施例中，上述第二分类器的训练过程包括：

获取第一分类器输出的各层切片的切片级分类结果；

根据第一分类器输出的各层切片的切片级分类结果和各样本的实际分类标签，训练第二初始分类器，得到第二分类器。

在其中一个实施例中，上述预先训练好的多通道分类网络模型包括基于自然图像识别数据数据集训练的网络模型、基于二维的稠密链接的网络模型、基于二维深层卷积的网络模型、基于二维稠密连接网络结合特征加权模块的网络模型中至少一个。

在其中一个实施例中，上述第一分类器和第二分类器包括基于极端梯度提升的分类器、基于随机森林的分类器、基于人工神经网络的分类器中至少一个。

第二方面，本申请实施例提供一种分类装置，该装置包括：

切片集获取模块，用于获取待检测图像的当前层切片对应的输入切片集；其中，输入切片集包括当前层切片和当前层切片的关联层切片；

特征分类模块，用于将当前层切片对应的输入切片集输入至预先训练好的多通道分类网络模型中，得到当前层切片的特征分类结果；其中，多通道分类网络模型的通道数量与输入切片集的切片数量相匹配；

切片分类模块，用于将当前层切片的特征分类结果输入第一分类器中，得到当前层切片的切片级分类结果；其中，第一分类器为根据多个样本的切片的输入切片集、各样本的实际分类标签训练得到，用于确定切片分类的模型。

第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述第一方面实施例提供的任一项方法的步骤。

第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面实施例提供的任一项方法的步骤。

本申请实施例提供的一种分类方法、计算机设备和存储介质，计算机设备是将待检测图像的当前层切片对应的输入切片集输入至预先训练好的多通道分类网络模型中，得到当前层切片的特征分类结果，并将将当前层切片的特征分类结果输入第一分类器中，得到当前层切片的切片级分类结果，由于该方法中，当前层切片对应的输入切片集包括当前层切片和当前层切片的关联层切片，这样将与当前层切片相关的切片同时作为输入进行分类，保留当前层切片的数据完整结构信息，且第一分类器是根据多个样本的切片以及实际分类标签训练得到，使得分类结果更加具体，更加符合实际场景，大大保证了分类结果的可靠性和准确性。

附图说明

图1为一个实施例提供的一种分类方法的应用环境图；

图2为一个实施例提供的一种分类方法的流程示意图；

图3为一个实施例提供的一种分类方法方法示意图；

图4为一个实施例提供的一种分类方法的流程示意图；

图5为一个实施例提供的一种分类方法的示意图；

图6为一个实施例提供的一种分类方法的流程示意图；

图7为一个实施例提供的一种分类方法的流程示意图；

图8为一个实施例提供的一种分类装置的结构框图；

图9为一个实施例提供的一种分类装置的结构框图；

图10为一个实施例提供的一种分类装置的结构框图；

图11为一个实施例提供的一种分类装置的结构框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的一种分类方法，可以应用于如图1所示的应用环境中，该计算机设备可以是服务器，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储分类方法的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种分类方法。

本申请实施例提供一种分类方法、计算机设备和存储介质，旨在解决基于2D卷积神经网络的分类方法存在忽略样本的结构信息，从而影响了脑出血类型分类结果的可靠性和准确性的技术问题。下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。需要说明的是，本申请实施例提供的一种分类方法，图2-图7的执行主体为计算机设备，其中，其执行主体还可以是分类装置，其中该装置可以通过软件、硬件或者软硬件结合的方式实现成为分类方法的部分或者全部。

为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。

在一个实施例中，图2提供了一种分类方法，本实施例涉及的是计算机设备先根据获取的输入切片集确定当前层切片的特征分类结果，继而根据当前层切片的特征分类结果确定当前层切片的切片级分类结果的具体过程，如图2所示，该方法包括：

S101，获取待检测图像的当前层切片对应的输入切片集；其中，输入切片集包括当前层切片和当前层切片的关联层切片。

本实施例中，待检测图像表示当前需要进行分类的图像，例如，该待检测图像包括但不限于常规CT图像、MRI图像、PET-MRI图像等，本实施例对此不做限定，其中该待检测图像的对象可以是任何形态结构的图像，相应地，对该待检测图像进行分类的场景包括但不限于脑出血分类、脑肿瘤分类、肺癌分类、视网膜分类等，本实施例对此不做限定。其中该待检测图像包括多层切片，该待检测图像的当前层切片表示该多层切片中的任一层切片，则当前层切片对应的输入切片集表示的对任一层切片规定的作为后续输入数据的切片集，该输入切片集包括当前层切片和当前层切片的关联层切片，其中该关联层切片表示当前层切片有关联性的切片。示例地，以待检测图像为头部CT图像为例，在实际应用中，计算机设备获取待检测图像的当前层切片对应的输入切片集的方式可以是，获取通过电子计算机断层扫描得到的CT图像，然后对该CT图像进行预处理，例如，利用三维的V-Net分割模型对样本进行去头骨操作，然后根据扫描层厚将去头骨之后的图像分为若干切片，即可得到多个得到该CT图像的多层切片，基于此，以任一层切片作为当前层切片，计算机设备获取当前层切片以及其关联层切片，得到该当前层切片对应的输入切片集。

S102，将当前层切片对应的输入切片集输入至预先训练好的多通道分类网络模型中，得到当前层切片的特征分类结果；其中，多通道分类网络模型的通道数量与输入切片集的切片数量相匹配。

基于上述S101步骤中获取的当前层切片对应的输入切片集，计算机设备将该输入切片集输入至预先训练好的多通道分类网络模型中，得到当前层切片的特征分类结果，其中，该多通道分类网络模型的通道数量与输入切片集的切片数量相匹配。其中，该多通道分类网络模型可以是迁移的其他领域已经训练好的网络，也可以是在本领域直接训练好进行使用的，本实施例对此不做限定。

可选地，该预先训练好的多通道分类网络模型包括基于自然图像识别数据数据集训练的网络模型、基于二维的稠密链接的网络模型、基于二维深层卷积的网络模型、基于二维稠密连接网络结合特征加权模块的网络模型中至少一个。需要说明的是，本实施例对于该多通道分类网络模型的列举均是举例方式，本实施例对此不做具体限定。

以多通道分类模型是基于自然图像识别数据数据集训练的网络模型为例，则该基于自然图像识别数据数据集训练的网络模型是在ImageNet数据集上，采用50层的残差网络训练的网络，由于该ImageNet数据集是由1000种自然图像组成的数据集，每个样本图像包含R、G、B三个通道，图像的尺寸为224×224mm2，并且输出的结果设为一个1×1000的向量，则在实际应用中，计算机设备将当前层切片对应的输入切片集输入至预先训练好的多通道分类网络模型中的方式可以是，将上述输入切片集设为224×224mm2，切片数设为3，对应输入至基于自然图像识别数据数据集训练的网络模型中，得到该当层切片的特征分类结果。需要说明的是，为了提高后续分类的准确度，还可以是输入切片集做一些其他符合实际情况的处理，例如将输入切片集中所有切片的分辨率设为1×1mm2、将所有切片的CT值设置在0到95之间等。

S103，将当前层切片的特征分类结果输入第一分类器中，得到当前层切片的切片级分类结果；其中，第一分类器为根据多个样本的切片的输入切片集、各样本的实际分类标签训练得到，用于确定切片分类的模型。

本步骤中，基于上述S102步骤中得到的当前层切片的特征分类结果，计算机设备将当前层切片的特征分类结果输入第一分类器中，得到当前层切片的切片级分类结果。其中，该第一分类器是根据多个样本的切片的输入切片集、各样本的实际分类标签训练得到，用于确定切片分类的模型，本申请实施例将S102步骤中的特征分类结果经过训练好的第一分类器再进行分类，以保证当前层切片的切片级分类结果更准确，更符合实际应用场景。

示例地，以图3为例，该图中设定当前层切片对应的输入切片集为当前切片、当前切片的上一层切片和当前切片的下一层切片，多通道分类网络模型为在ImageNet数据集训练好的模型，该第一分类器为预先训练好的线性分类器为例，则计算机设备将当前切片、当前切片的上一层切片和当前切片的下一层切片同时输入至在ImageNet数据集训练好的模型中，得到的特征分类结果，然后将该特征分类结果输入至预先训练好的线性分类器中，得到输出即为该当前层切片的具体分类结果。

本实施例提供的分类方法，计算机设备是将待检测图像的当前层切片对应的输入切片集输入至预先训练好的多通道分类网络模型中，得到当前层切片的特征分类结果，并将将当前层切片的特征分类结果输入第一分类器中，得到当前层切片的切片级分类结果，由于该方法中，当前层切片对应的输入切片集包括当前层切片和当前层切片的关联层切片，这样将与当前层切片相关的切片同时作为输入进行分类，保留当前层切片的数据完整结构信息，且第一分类器是根据多个样本的切片以及实际分类标签训练得到，使得分类结果更加具体，更加符合实际场景，大大保证了分类结果的可靠性和准确性。

由于上述实施例涉及的是对待检测图像中某一层进行分类，在实际应用中，要提高分类结果的准确性，需要确定待检测图像整体的分类结果，则基于上述实施例，本申请实施例还提供了一种分类方法，其涉及的是计算机设备对待检测图像中各层切片的切片级分类结果进行整合分类的具体过程，如图4所示，该方法还包括：

S201，获取待检测图像的各层切片的切片级分类结果。

本实施例中，计算机设备将待检测图像中每一层的切片级分类结果通过上述实施例提供的分类方法进行获取，得到该待检测图像的各层切片的切片级分类结果。

S202，将各层切片的切片级分类结果全部输入至第二分类器中，得到待检测图像的整体分类结果；其中，第二分类器为根据多个样本各层切片的切片级分类结果、各样本的实际分类标签训练得到的模型。

基于上述S201步骤获取的待检测图像的各层(所有层)切片的切片级分类结果，计算机设备将各层切片的切片级分类结果全部输入至第二分类器中，得到待检测图像的整体分类结果。其中该第二分类器用于对待检测图像的各层切片的切片级分类结果进行整合分类，该第二分类器是预先根据多个样本各层切片的切片级分类结果、各样本的实际分类标签训练得到的模型。

示例地，如图5所示，该图中设定待检测图像包括20层切片，第二分类器为预先训练好的SVM分类器，则计算机设备将该20层切片的切片级分类结果全部输入至预先训练好的SVM分类器中，得到的该待检测图像的整体分类结果。可以理解的是，各层切片若看作二维图像，该待检测图像看做三维图像，则该过程相当于将二维切片的分类结果整合成三维图像分类结果。

本实施例提供的分类方法，由于计算机设备将待检测图像各层切片的切片级分类结果通过预先训练好的分类器进行了整合分类，得到了该待检测图像的整体分类结果，从图像整体的角度进行整合分类，大大保证了待检测图像的分类结果的可靠性和准确性。

对于上述提及的关联层切片，本申请实施例对该关联层切片进行了具体说明，则在其中一个实施例中，在获取待检测图像的当前层切片对应的输入切片集之前，该方法包括：获取当前层切片的关联层切片；其中，关联层切片包括当前层切片的上一层切片和/或当前层切片的下一层切片。可选地，若当前层切片为待检测图像中的第一层切片，则关联层切片包括第一层切片的两个下一层切片；若当前层切片为待检测图像中的最后一层切片，则关联层切片包括最后一层切片的两个上一层切片。

其中，对待检测图像进行分层后，获取当前层切片(任一层切片)对应的输入切片集之前，计算机设备先获取当前层切片的关联层切片，其中，该关联层切片表示与当前层切片有关联性的切片，通常为当前层切片的上一层切片和/或当前层切片的下一层切片，若该当前层切片为所有层中间的某一层切片，则该关联层切片为当前层切片的上一层切片和当前层切片的下一层切片。若当前层切片为待检测图像中的第一层切片，则关联层切片包括第一层切片的两个下一层切片；若当前层切片为待检测图像中的最后一层切片，则关联层切片包括最后一层切片的两个上一层切片。当然本实施例只是以列举形式对关联层切片的几种情况进行了说明，在实际应用中，对关联层切片的具体所在层以及切片数量不做限定，只要该该关联层切片表示与当前层切片有关联性的切片即可。

本实施例提供的分类方法，将与当前层切片相邻的前后层切片作为当前层切片的关联层切片，这样可以保证当前层切片前后的结构信息的完整性，提高输入切片集中形态结构信息的完整性，大大保证分类结果的可靠性和准确性。

下面对上述第一分类器和第二分类器的训练过程，本申请将通过以下几个实施例进行详细说明。则如图6所示，在其中一个实施例中，本申请实施例提供了一种分类方法，上述第一分类器的训练过程包括：

S301，获取多个样本的各层切片的输入切片集、各样本的实际分类标签。

本步骤为计算机设备获取训练样本的过程，则在实际应用中，计算机设备获取多个样本的各层切片的输入切片集，表示获取多个待测试图像的各层切片的输入切片集，以及各待测图像的实际分类标签，其中，计算机设备在获取多个样本的各层切片的输入切片集时，同样需要对各层切片进行预处理，例如，为了切片的属性特征符合后续步骤中多通道分类网络模型，其预处理方式可以是将所有切片的尺寸设为224×224mm2，分辨率设为1×1mm2，又考虑到CT图像出血的CT值的范围在60到85之间，计算机设备可以将所有二维图像的值设置在0到95之间等，当然该预处理方式还可以是其他处理方式，本实施例对此不做限定。其中，以该方法的应用场景为对脑出血分类，则各样本的实际分类标签例如可以未出血、脑实质内出血，脑室内出血、蛛网膜下腔出血、硬膜下出血以及硬膜外出血等，本实施例对此也不做限定。基于处理好的各样本的各层切片的输入切片集，计算机设备根据样本的数量，可以选取其中的80％作为训练样本，20％作为测试样本。

S302，将各样本的各层切片的输入切片集输入至预先训练好的多通道分类网络模型，得到各样本的各层切片的特征分类结果。

基于上述S301步骤中获取多个样本的各层切片的输入切片集，计算机设备将其输入至预先训练好的多通道分类网络模型，得到各样本的各层切片的特征分类结果，其中该特征分类结果表示该多通道分类网络模型根据自身的算法提取各各层切片的输入切片集的特征进行的分类。

S303，根据各样本的各层切片的特征分类结果和各样本的实际分类标签，训练第一初始分类器，得到第一分类器。

基于上述S302步骤中得到的各样本的各层切片的特征分类结果，计算机设备将各样本的各层切片的特征分类结果和各样本的实际分类标签作为训练数据，反复训练第一初始分类器，直到训练好为止，得到上述第一分类器。

在另外一个实施例中，如图7所示，本申请实施例还提供了一种分类方法，上述第二分类器的训练过程包括：

S401，获取第一分类器输出的各层切片的切片级分类结果。

本实施例中，基于上述第一分类器训练的输出各层切片的切片级分类结果，将，计算机设备获取多个待测图像的各层切片的切片级分类结果，以作为训练第二分类器的样本数据。

S402，根据第一分类器输出的各层切片的切片级分类结果和各样本的实际分类标签，训练第二初始分类器，得到第二分类器。

基于上述S401步骤中计算机设备获取的各层切片的切片级分类结果，将该各层切片的切片级分类结果和各样本的实际分类标签作为训练数据，反复训练第二初始分类器，直到训练好为止，得到第二分类器。

其中，上述第一分类器和第二分类器除了上述举例的线性分类器和SVM分类器，还可以是其他分类器，则可选地，该第一分类器和第二分类器包括基于极端梯度提升的分类器、基于随机森林的分类器、基于人工神经网络的分类器中至少一个。第一分类器和第二分类器的类型可以相同，也可以不同，其具体使用参数不一致。当然这些分类器的具体类型均为举例形式，本实施例对此不做限定。这样，计算机设备获取多个训练样本训练第一分类器和第二分类器，大大提高分类结果的可靠性和准确性。

应该理解的是，虽然图2-7的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-7中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图8所示，提供了一种分类装置，该装置包括：切片集获取模块10、特征分类模块11和切片分类模块12，其中，

切片集获取模块10，用于获取待检测图像的当前层切片对应的输入切片集；其中，输入切片集包括当前层切片和当前层切片的关联层切片；

特征分类模块11，用于将当前层切片对应的输入切片集输入至预先训练好的多通道分类网络模型中，得到当前层切片的特征分类结果；其中，多通道分类网络模型的通道数量与输入切片集的切片数量相匹配；

切片分类模块12，用于将当前层切片的特征分类结果输入第一分类器中，得到当前层切片的切片级分类结果；其中，第一分类器为根据多个样本的切片的输入切片集、各样本的实际分类标签训练得到，用于确定切片分类的模型。

上述实施例提供的一种分类装置，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，如图9所示，提供了一种分类装置，该装置还包括：各层结果获取模块13和整体分类模块14，其中，

各层结果获取模块13，用于获取待检测图像的各层切片的切片级分类结果；

整体分类模块14，用于将各层切片的切片级分类结果全部输入至第二分类器中，得到待检测图像的整体分类结果；其中，第二分类器为根据多个样本各层切片的切片级分类结果、各样本的实际分类标签训练得到的模型。

上述实施例提供的一种分类装置，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，该装置用于获取当前层切片的关联层切片；其中，关联层切片包括当前层切片的上一层切片和/或当前层切片的下一层切片。

在一个实施例中，若当前层切片为待检测图像中的第一层切片，则关联层切片包括第一层切片的两个下一层切片；若当前层切片为待检测图像中的最后一层切片，则关联层切片包括最后一层切片的两个上一层切片。

上述实施例提供的一种分类装置，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，如图10所示，提供了一种分类装置，该装置还包括：第一样本获取模块15、特征分类训练模块16和第一分类器训练模块17，其中，

第一样本获取模块15，用于获取多个样本的各层切片的输入切片集、各样本的实际分类标签；

特征分类训练模块16，用于将各样本的各层切片的输入切片集输入至预先训练好的多通道分类网络模型，得到各样本的各层切片的特征分类结果；

第一分类器训练模块17，根据各样本的各层切片的特征分类结果和各样本的实际分类标签，训练第一初始分类器，得到第一分类器。

上述实施例提供的一种分类装置，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，如图11所示，提供了一种分类装置，该装置还包括：第二样本获取模块18和第二分类器训练模块19，其中，

第二样本获取模块18，用于获取第一分类器输出的各层切片的切片级分类结果；

第二分类器训练模块19，用于根据第一分类器输出的各层切片的切片级分类结果和各样本的实际分类标签，训练第二初始分类器，得到第二分类器。

上述实施例提供的一种分类装置，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，上述预先训练好的多通道分类网络模型包括基于自然图像识别数据数据集训练的网络模型、基于二维的稠密链接的网络模型、基于二维深层卷积的网络模型、基于二维稠密连接网络结合特征加权模块的网络模型中至少一个。

在一个实施例中，上述第一分类器和第二分类器包括基于极端梯度提升的分类器、基于随机森林的分类器、基于人工神经网络的分类器中至少一个。

上述实施例提供的一种分类装置，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

关于分类装置的具体限定可以参见上文中对于分类方法的限定，在此不再赘述。上述分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如上述图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种分类方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，上述图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取待检测图像的当前层切片对应的输入切片集；其中，输入切片集包括当前层切片和当前层切片的关联层切片；

将当前层切片对应的输入切片集输入至预先训练好的多通道分类网络模型中，得到当前层切片的特征分类结果；其中，多通道分类网络模型的通道数量与输入切片集的切片数量相匹配；

将当前层切片的特征分类结果输入第一分类器中，得到当前层切片的切片级分类结果；其中，第一分类器为根据多个样本的切片的输入切片集、各样本的实际分类标签训练得到，用于确定切片分类的模型。

上述实施例提供的一种计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取待检测图像的当前层切片对应的输入切片集；其中，输入切片集包括当前层切片和当前层切片的关联层切片；

将当前层切片对应的输入切片集输入至预先训练好的多通道分类网络模型中，得到当前层切片的特征分类结果；其中，多通道分类网络模型的通道数量与输入切片集的切片数量相匹配；

将当前层切片的特征分类结果输入第一分类器中，得到当前层切片的切片级分类结果；其中，第一分类器为根据多个样本的切片的输入切片集、各样本的实际分类标签训练得到，用于确定切片分类的模型。

上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种分类方法，其特征在于，所述方法包括：

获取待检测图像的当前层切片对应的输入切片集；所述输入切片集包括所述当前层切片和所述当前层切片的关联层切片；

将所述当前层切片对应的输入切片集输入至预先训练好的多通道分类网络模型中，得到所述当前层切片的特征分类结果；所述多通道分类网络模型的通道数量与所述输入切片集的切片数量相匹配；

将所述当前层切片的特征分类结果输入第一分类器中，得到所述当前层切片的切片级分类结果；所述第一分类器为根据多个样本的切片的输入切片集、各所述样本的实际分类标签训练得到，用于确定切片分类的模型。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取所述待检测图像的各层切片的切片级分类结果；

将所述各层切片的切片级分类结果全部输入至第二分类器中，得到所述待检测图像的整体分类结果；所述第二分类器为根据多个样本各层切片的切片级分类结果、各所述样本的实际分类标签训练得到的模型。

3.根据权利要求1或2所述的方法，其特征在于，在所述获取待检测图像的当前层切片对应的输入切片集之前，所述方法包括：

获取所述当前层切片的关联层切片；所述关联层切片包括所述当前层切片的上一层切片和/或所述当前层切片的下一层切片。

4.根据权利要求3所述的方法，其特征在于，若所述当前层切片为所述待检测图像中的第一层切片，则所述关联层切片包括所述第一层切片的两个下一层切片；若所述当前层切片为所述待检测图像中的最后一层切片，则所述关联层切片包括所述最后一层切片的两个上一层切片。

5.根据权利要求1所述的方法，其特征在于，所述第一分类器的训练过程包括：

获取多个样本的各层切片的输入切片集、各所述样本的实际分类标签；

将各所述样本的各层切片的输入切片集输入至所述预先训练好的多通道分类网络模型，得到各所述样本的各层切片的特征分类结果；

根据各所述样本的各层切片的特征分类结果和各所述样本的实际分类标签，训练第一初始分类器，得到所述第一分类器。

6.根据权利要求2所述的方法，其特征在于，所述第二分类器的训练过程包括：

获取所述第一分类器输出的各层切片的切片级分类结果；

根据所述第一分类器输出的各层切片的切片级分类结果和各所述样本的实际分类标签，训练第二初始分类器，得到所述第二分类器。

7.根据权利要求1所述的方法，其特征在于，所述预先训练好的多通道分类网络模型包括基于自然图像识别数据集训练的网络模型、基于二维的稠密连接的网络模型、基于二维深层卷积的网络模型、基于二维稠密连接网络结合特征加权模块的网络模型中至少一个。

8.根据权利要求2所述的方法，其特征在于，所述第一分类器和所述第二分类器包括基于极端梯度提升的分类器、基于随机森林的分类器、基于人工神经网络的分类器中至少一个。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。

10.一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，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。

Images