CN110570390A - 一种图像检测方法及装置 - Google Patents
一种图像检测方法及装置 Download PDFInfo
- Publication number
- CN110570390A CN110570390A CN201910662776.2A CN201910662776A CN110570390A CN 110570390 A CN110570390 A CN 110570390A CN 201910662776 A CN201910662776 A CN 201910662776A CN 110570390 A CN110570390 A CN 110570390A
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- region
- pneumonia
- model
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 153
- 206010035664 Pneumonia Diseases 0.000 claims abstract description 237
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 39
- 210000004072 lung Anatomy 0.000 claims description 114
- 238000004891 communication Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 abstract description 12
- 239000011159 matrix material Substances 0.000 description 14
- 238000012360 testing method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000007689 inspection Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011976 chest X-ray Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种图像检测方法及装置，涉及图像处理技术领域，方法包括：获得待检测图像；将待检测图像、待检测图像的第一副本图像和第二副本图像输入预先训练的肺炎图像区域检测模型，检测待检测图像中的肺炎图像区域，肺炎图像区域检测模型为：采用样本图像、样本图像的副本图像和样本图像的掩膜图输入肺炎图像区域检测模型的初始模型进行训练得到的、用于识别图像中肺炎图像区域的模型，样本图像的掩膜图为：将样本图像中样本背景区域内像素点的像素值设置为预设值得到的图像，样本背景区域为：样本图像中与二值图像的背景区域相同的区域。应用本发明实施例进行图像检测，能够提高检测出图像中表示肺炎的图像区域的准确性。
Description
技术领域
本发明涉及图像处理技术领域，特别是涉及一种图像检测方法及装置。
背景技术
肺炎是世界上的常见传染病之一。目前，医生主要是通过拍摄胸部X线图像，并借助上述图像进行肺炎检测。
现有技术中，医生主要是通过人眼对上述图像进行检查，从而确定出图像中可能表示肺炎的图像区域。
然而，上述方式受医生的工作经验等各种因素的影响较大，综合来看，检测出图像中表示肺炎的图像区域的准确性较低。
发明内容
本发明实施例的目的在于提供一种图像检测方法及装置，以提高检测出图像中表示肺炎的图像区域的准确性。具体技术方案如下：
第一方面，本发明实施例提供了一种图像检测方法，所述方法包括：
获得待检测图像；
将所述待检测图像、待检测图像的第一副本图像和第二副本图像输入预先训练的肺炎图像区域检测模型，检测所述待检测图像中的肺炎图像区域，其中，所述肺炎图像区域检测模型为：采用样本图像、样本图像的副本图像和样本图像的掩膜图输入所述肺炎图像区域检测模型的初始模型进行训练得到的、用于识别图像中肺炎图像区域的模型，其中，所述样本图像的掩膜图为：将所述样本图像中样本背景区域内像素点的像素值设置为预设值得到的图像，所述样本背景区域为：所述样本图像中与二值图像的背景区域相同的区域，所述二值图像为：与样本图像大小相等、且前景区域为样本图像中肺部图像区域的图像。
本发明的一个实施例中，通过以下方式训练得到所述肺炎图像区域检测模型：
获得包含样本图像的样本集，并确定各个样本图像中的标注肺炎图像区域；
识别样本图像中的肺部图像区域，并生成与样本图像大小相等、且前景区域为所述肺部图像区域的二值图像；
将样本图像中与所述二值图像的背景区域相同的区域确定为样本背景区域，并将样本图像中所述样本背景区域内像素点的像素值设置为预设值，得到样本图像的掩膜图；
将样本图像、样本图像的副本图像和样本图像的掩膜图输入所述肺炎图像区域检测模型的初始模型，对样本图像中的肺炎图像区域进行检测，获得检测结果，其中，所述初始模型，用于对样本图像、样本图像的副本图像和样本图像的掩膜图进行特征提取，去除不满足预设图像表征性需求的特征，通过反卷积层将剩余特征映射为与样本图像大小相同的特征图像，通过预设大小的卷积层对各个特征图像进行特征融合，得到所述检测结果；
根据所述检测结果和所述标注肺炎图像区域，计算所述初始模型的损失；
根据所述损失调整所述初始模型的模型参数，直至所述初始模型满足预设的收敛条件，将调整参数后的所述初始模型确定为所述肺炎图像区域检测模型。
本发明的一个实施例中，在获得包含样本图像的样本集，并确定各个样本图像中的标注肺炎图像区域之后，还包括：
针对所述样本集中的样本图像，获得样本图像中像素点的像素值的平均值；
将所述标注肺炎图像区域中各像素点的像素值设置为所述平均值，得到新图像，并将所述新图像作为负样本图像增加至所述样本集。
本发明的一个实施例中，在获得包含样本图像的样本集，并确定各个样本图像中的标注肺炎图像区域之后，还包括：
针对所述样本集中的样本图像进行图像编辑操作，得到新图像，并将所得到的新图像作为样本图像增加至所述样本集。
本发明的一个实施例中，所述识别样本图像中的肺部图像区域，包括：
将样本图像输入肺部图像区域识别模型进行肺部图像区域识别，获得样本图像中的肺部图像区域，其中，所述肺部图像区域识别模型为：采用已知样本集对肺部图像区域识别模型的初始模型进行训练得到的、用于进行肺部图像区域识别的模型。
第二方面，本发明实施例提供了一种图像检测装置，所述装置包括：
图像获得模块，用于获得待检测图像；
区域检测模块，用于将所述待检测图像、待检测图像的第一副本图像和第二副本图像输入预先训练的肺炎图像区域检测模型，检测所述待检测图像中的肺炎图像区域，其中，所述肺炎图像区域检测模型为：采用样本图像、样本图像的副本图像和样本图像的掩膜图输入所述肺炎图像区域检测模型的初始模型进行训练得到的、用于识别图像中肺炎图像区域的模型，其中，所述样本图像的掩膜图为：将所述样本图像中样本背景区域内像素点的像素值设置为预设值得到的图像，所述样本背景区域为：所述样本图像中与二值图像的背景区域相同的区域，所述二值图像为：与样本图像大小相等、且前景区域为样本图像中肺部图像区域的图像。
本发明的一个实施例中，所述装置还包括：
模型训练模块，用于训练得到所述肺炎图像区域检测模型；
其中，所述模型训练模块，包括：
信息获得子模块，用于获得包含样本图像的样本集，并确定各个样本图像中的标注肺炎图像区域；
区域识别子模块，用于识别样本图像中的肺部图像区域；
图像生成子模块，用于生成与样本图像大小相等、且前景区域为所述肺部图像区域的二值图像，样本图像中与所述二值图像的背景区域相同的区域确定为样本背景区域，并将样本图像中所述样本背景区域内像素点的像素值设置为预设值，得到样本图像的掩膜图；
结果获得子模块，用于将样本图像、样本图像的副本图像和样本图像的掩膜图输入所述肺炎图像区域检测模型的初始模型，对样本图像中的肺炎图像区域进行检测，获得检测结果，其中，所述初始模型，用于对样本图像、样本图像的副本图像和样本图像的掩膜图进行特征提取，去除不满足预设图像表征性需求的特征，通过反卷积层将剩余特征映射为与样本图像大小相同的特征图像，通过预设大小的卷积层对各个特征图像进行特征融合，得到所述检测结果；
损失计算子模块，用于根据所述检测结果和所述标注肺炎图像区域，计算所述初始模型的损失；
参数调整子模块，用于根据所述损失调整所述初始模型的模型参数，直至所述初始模型满足预设的收敛条件，将调整参数后的所述初始模型确定为所述肺炎图像区域检测模型。
本发明的一个实施例中，所述模型训练模块，还包括：
平均值获得子模块，用于在所述信息获得子模块获得所述样本集并确定各个样本图像中的标注肺炎图像区域之后，针对所述样本集中的样本图像，获得样本图像中像素点的像素值的平均值；
第一样本增加子模块，用于将所述标注肺炎图像区域中各像素点的像素值设置为所述平均值，得到新图像，并将所述新图像作为负样本图像增加至所述样本集。
本发明的一个实施例中，所述模型训练模块，还包括：
第二样本增加子模块，用于在所述信息获得子模块获得所述样本集并确定各个样本图像中的标注肺炎图像区域之后，针对所述样本集中的样本图像进行图像编辑操作，得到新图像，并将所得到的新图像作为样本图像增加至所述样本集。
本发明的一个实施例中，所述区域识别子模块，具体用于将样本图像输入肺部图像区域识别模型进行肺部图像区域识别，获得样本图像中的肺部图像区域，其中，所述肺部图像区域识别模型为：采用已知样本集对肺部图像区域识别模型的初始模型进行训练得到的、用于进行肺部图像区域识别的模型。
第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面任一所述的方法步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一所述的方法步骤。
第五方面，本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面任一所述的方法步骤。
本发明实施例有益效果：
应用本发明实施例提供的方案进行图像检测时，获得待检测图像后，将待检测图像、待检测图像的第一副本图像以及第二副本图像输入预先训练的肺炎图像区域检测模型，由上述肺炎图像区域检测模型进行肺炎图像区域检测。由于上述肺炎图像区域检测模型是采用机器学习方式对大量的样本图像进行学习得到的模型，所以上述肺炎图像区域检测模型能够学习到大量样本图像中肺炎图像区域的特征，从而应用上述肺炎图像区域检测模型能够实现对待检测图像中肺炎图像区域的检测。
另外，在训练得到上述肺炎图像区域检测模型时，还使用了样本图像的掩膜图。该样本图像的掩膜图为：将上述样本图像中样本背景区域内像素点的像素值设置为预设值得到的图像，所述样本背景区域为：所述样本图像中与二值图像的背景区域相同的区域，所述二值图像为：与样本图像大小相等、且前景区域为样本图像中肺部图像区域的图像。由于样本图像的掩膜图中除肺部图像区域像素点以外的像素点的像素值均被设置为同一像素值，也就是，除肺部图像区域以外的图像区域的图像特征信息被去除，从而在样本图像中将肺部图像区域突出出来。在此基础上，基于上述样本图像的掩膜图训练得到的上述肺炎图像区域检测模型能够将注意力引导到图像中的肺炎图像区域。因此，应用上述肺炎图像区域检测模型检测图像中的肺炎图像时，能够准确的检测出图像中的肺炎图像区域。
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简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例提供的一种图像检测方法的流程示意图；
图2为本发明实施例提供的一种模型训练方法的流程示意图；
图3为本发明实施例提供的一种图像检测装置的结构示意图；
图4为本发明实施例提供的一种模型训练装置的结构示意图；
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
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，所描述的实施例仅仅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做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为本发明实施例提供的一种图像检测方法的流程示意图，该方法包括以下步骤S101-S102。
S101：获得待检测图像。
本发明的一个实施例中，待检测图像可以是任意包含肺部图像信息的胸部X线图像。
S102：将上述待检测图像、待检测图像的第一副本图像和第二副本图像输入预先训练的肺炎图像区域检测模型，检测待检测图像中的肺炎图像区域。
其中，待检测图像的第一副本图像和第二副本图像均为：将待检测图像进行复制以后得到的图像，也就是，上述第一副本图像和第二副本图像是与待检测图像相同的图像。
具体的，上述肺炎图像区域检测模型为：采用样本图像、样本图像的副本图像和样本图像的掩膜图输入上述肺炎图像区域检测模型的初始模型进行训练得到的、用于识别图像中肺炎图像区域的模型。
上述样本图像为包含肺部图像区域的图像。为了使得训练得到的上述肺炎图像区域检测模型具有较强的泛化能力，上述样本图像中可以包括正样本和负样本。
上述样本图像中的正样本为包含肺炎图像区域的图像。各个正样本中的肺炎图像区域可以是人工手动针对样本图像确定出来的表征肺炎的图像区域，可以其称为标注肺炎图像区域。例如，可以是领域专家观察、分析样本图像后，识别出的样本图像中表征肺炎的图像区域。
具体的，上述标注肺炎图像区域可以以不同的形式呈现。例如，上述标注肺炎图像区域可以对应于样本图像中的矩形区域，这种情况下，可以以上述矩形区域的左上角以及右下角顶点坐标表示上述肺炎图像区域。还可以使用与样本图像大小一致的矩阵表示上述肺炎图像区域，其中，上述矩阵中的每一元素分别表示样本图像中相同位置的像素点是否为肺炎图像区域内的像素点，例如，将上述标注肺炎图像区域内的像素点对应的元素设置为1，其他像素点对应的元素设置为0。
上述样本图像的副本图像为：将样本图像进行复制后得到的图像，也就是，上述第一副本图像和第二副本图像是与样本图像相同的图像。
上述样本图像的掩膜图为：将上述样本图像中样本背景区域内像素点的像素值设置为预设值得到的图像，所述样本背景区域为：所述样本图像中与二值图像的背景区域相同的区域，所述二值图像为：与样本图像大小相等、且前景区域为样本图像中肺部图像区域的图像。其中，上述样本图像的掩膜图中的样本背景区域内像素点的像素值将被设置为预设值，例如，全部为0；上述样本图像的掩膜图中的肺部图像区域内像素点的像素值保持不变，与样本图像中的肺部图像区域内同一位置像素点的像素值相同。
上述二值图像为：与样本图像大小相等、且前景区域为样本图像中肺部图像区域的图像。由于对于图像中区域而言，一般是从内容和位置两个角度来进行描述的，所以，前景区域为样本图像中肺部图像区域也就说明前景区域在二值图像中的位置与肺部图像区域在样本图像中的位置相同。而从内容角度来讲的话，由于二值图像中仅仅包含两种像素值，所以前景区域中各个像素点的像素值与肺部图像区域中像素点的像素值有所不同，前景区域中各个像素点的像素值为一个相同的像素值，例如，全部为1。
具体的，二值图像为包含两种取值的图像，二值图像的前景区域对应于样本图像中的肺部图像区域，二值图像的背景区域对应于样本图像中除肺部图像区域以外的区域，二值图像的前景区域与背景区域的取值不同，例如，前景区域中像素点的像素值可以为1，背景区域中像素点的像素值可以为0。
本发明的一个实施例中，上述二值图像可以使用肺部图像区域识别模型对样本图像进行识别获得，上述肺部图像区域识别模型为：采用已知样本集对肺部图像区域识别模型的初始模型进行训练得到的、用于进行肺部图像区域识别的模型。
本发明的一个实施例中，上述肺部图像区域识别模型的初始模型可以为U-Net模型。
另外，上述已知样本集可以为Montgomery、JSRT等样本集。
由于上述已知样本集为已知的其他应用场景下的样本集，而并非本发明实施例对应的应用场景下的样本集。本发明实施例中将使用上述已知样本集训练得到的肺部图像区域识别模型迁移到到本发明实施例对应的应用场景中，从而解决了包含肺部图像区域的样本不足的问题。
本发明的一个实施例中，上述肺炎图像区域检测的初始模型可以是基于SE-ResNet架构的模型，进一步的，该初始模型中以反卷积层替换SE-ResNet架构的全连接层，并增加了卷积层用于进行特征融合。
具体的，上述SE-ResNet架构作为提取特征的主干，提取每一图像通道对应的图像的特征，作为局部特征，SE-ResNet架构的侧分支可以学习各个图像通道对应的权重。在此基础上，可以认为上述初始模型，对于每一图像通道，将局部特征乘以该图像通道对应的权重，得到每一图像通道对应的图像的特征的重要程度，根据得到的重要程度，选择性地增强表征性强的图像的特征，并抑制表征性弱的图像的特征，至此完成特征提取。在特征提取之后，通过连续的上述反卷积层将增强后的特征映射到输入图像的大小，并通过上述卷积层将反卷积层输出的特征进行融合，得到一张图像，通过对上述所得到一张图像中像素点的像素值进行归一化处理获得上述初始模型的检测结果。
例如，上述卷积层可以为卷积核大小为1×1的卷积层。
具体的，上述检测结果可以是与待检测图像大小相同的矩阵，其中，上述矩阵中的每一元素与待检测图像中相同位置的像素点相对应，元素的取值表示其所对应像素点是肺炎图像区域像素点的概率。
应用本实施例提供的方案进行图像检测时，获得待检测图像后，将待检测图像、待检测图像的第一副本图像以及第二副本图像输入预先训练的肺炎图像区域检测模型，由上述肺炎图像区域检测模型进行肺炎图像区域检测。由于上述肺炎图像区域检测模型是采用机器学习方式对大量的样本图像进行学习得到的模型，所以上述肺炎图像区域检测模型能够学习到大量样本图像中肺炎图像区域的特征，从而应用上述肺炎图像区域检测模型能够实现对待检测图像中肺炎图像区域的检测。
在训练得到上述肺炎图像区域检测模型时，使用了样本图像的掩膜图。该样本图像的掩膜图为：将上述样本图像中样本背景区域内像素点的像素值设置为预设值得到的图像，所述样本背景区域为：所述样本图像中与二值图像的背景区域相同的区域，所述二值图像为：与样本图像大小相等、且前景区域为样本图像中肺部图像区域的图像。由于样本图像的掩膜图中除肺部图像区域像素点以外的像素点的像素值均被设置为同一像素值，也就是，除肺部图像区域以外的图像区域的图像特征信息被去除，从而在样本图像中将肺部图像区域突出出来。在此基础上，基于上述样本图像的掩膜图训练得到的上述肺炎图像区域检测模型能够将注意力引导到图像中的肺炎图像区域。因此，应用上述肺炎图像区域检测模型检测图像中的肺炎图像时，能够准确的检测出图像中的肺炎图像区域。
本发明的一个实施例中，参见图2，提供了一种模型训练方法的流程示意图，通过该方法可以训练得到上述肺炎图像区域检测模型。
具体的，上述模型训练方法包括以下步骤S201-S205。
S201：获得包含样本图像的样本集，并确定各个样本图像中的标注肺炎图像区域。
其中，上述包含样本图像的样本集为：包含肺炎图像区域的图像与不包含肺炎图像区域的图像组成的图像集。
具体的，上述标注肺炎图像区域可以以不同的形式呈现。例如，上述标注肺炎图像区域可以对应于样本图像中的矩形区域，这种情况下，可以以上述矩形区域的左上角以及右下角顶点坐标表示上述肺炎图像区域。还可以使用与样本图像大小一致的矩阵表示上述肺炎图像区域，其中，上述矩阵中的每一元素分别表示样本图像中相同位置的像素点是否为肺炎图像区域内的像素点，例如，将上述标注肺炎图像区域内的像素点对应的元素设置为1，其他像素点对应的元素设置为0。
S202：识别样本图像中的肺部图像区域，并生成与样本图像大小相等、且前景区域为上述肺部图像区域的二值图像。
具体的，二值图像为包含两种取值的图像，二值图像的前景区域对应于样本图像中的肺部图像区域，二值图像的背景区域对应于样本图像中除肺部图像区域以外的区域，二值图像的前景区域与背景区域的取值不同，例如，前景区域中像素点的像素值可以为1，背景区域中像素点的像素值可以为0。
本发明的一个实施例中，上述二值图像可以使用肺部图像区域识别模型对样本图像进行识别获得，上述肺部图像区域识别模型为：采用已知样本集对肺部图像区域识别模型的初始模型进行训练得到的、用于进行肺部图像区域识别的模型。
本发明的一个实施例中，在识别样本图像中的肺部图像区域时，可以将样本图像输入肺部图像区域识别模型进行肺部图像区域识别，获得样本图像中的肺部图像区域。
上述肺部图像区域识别模型为：采用已知样本集对肺部图像区域识别模型的初始模型进行训练得到的、用于进行肺部图像区域识别的模型。
本发明的一个实施例中，上述肺部图像区域识别模型的初始模型可以为U-Net模型。
另外，上述已知样本集可以为Montgomery、JSRT等样本集。
由于上述已知样本集为已知的其他应用场景下的样本集，而并非本发明实施例对应的应用场景下的样本集。本发明实施例中将使用上述已知样本集训练得到的肺部图像区域识别模型迁移到到本发明实施例对应的应用场景中，从而解决了包含肺部图像区域的样本不足的问题。
在使用肺部图像区域识别模型识别出肺部图像区域之后，可以对识别出的肺部图像区域进行优化处理。例如，可以使用条件随机场的算法对识别出的肺部图像区域进行优化处理，条件随机场方法为现有技术，在此不再赘述。
其中，上述优化处理可以是使得肺部图像区域边缘更光滑的处理等。
在训练得到上述肺炎图像区域检测模型时，使用了样本图像的掩膜图。该样本图像的掩膜图为：将上述样本图像中样本背景区域内像素点的像素值设置为预设值得到的图像，所述样本背景区域为：所述样本图像中与二值图像的背景区域相同的区域，所述二值图像为：与样本图像大小相等、且前景区域为样本图像中肺部图像区域的图像。由于样本图像的掩膜图中除肺部图像区域像素点以外的像素点的像素值均被设置为同一像素值，也就是，除肺部图像区域以外的图像区域的图像特征信息被去除，从而在样本图像中将肺部图像区域突出出来。在此基础上，基于上述样本图像的掩膜图训练得到的上述肺炎图像区域检测模型能够将注意力引导到图像中的肺炎图像区域。因此，应用上述肺炎图像区域检测模型检测图像中的肺炎图像时，能够准确的检测出图像中的肺炎图像区域。
S203：将样本图像中与所述二值图像的背景区域相同的区域确定为样本背景区域，并将样本图像中所述样本背景区域内像素点的像素值设置为预设值，得到样本图像的掩膜图，将样本图像、样本图像的副本图像和样本图像的掩膜图输入上述肺炎图像区域检测模型的初始模型，对样本图像中的肺炎图像区域进行检测，获得检测结果。
上述样本图像的副本图像为：将样本图像进行复制后得到的图像，也就是，上述第一副本图像和第二副本图像是与样本图像相同的图像。
上述样本图像的掩膜图为：将上述样本图像中样本背景区域内像素点的像素值设置为预设值得到的图像，所述样本背景区域为：所述样本图像中与二值图像的背景区域相同的区域，所述二值图像为：与样本图像大小相等、且前景区域为样本图像中肺部图像区域的图像。其中，上述样本图像的掩膜图中的样本背景区域内像素点的像素值将被设置为预设值，例如，全部为0；上述样本图像的掩膜图中的肺部图像区域内像素点的像素值保持不变，与样本图像中的肺部图像区域内同一位置像素点的像素值相同。
具体的，二值图像为包含两种取值的图像，二值图像的前景区域对应于样本图像中的肺部图像区域，二值图像的背景区域对应于样本图像中除肺部图像区域以外的区域，二值图像的前景区域与背景区域的取值不同，例如，前景区域中像素点的像素值可以为1，背景区域中像素点的像素值可以为0。
本发明的一个实施例中，上述二值图像可以使用肺部图像区域识别模型对样本图像进行识别获得，上述肺部图像区域识别模型为：采用已知样本集对肺部图像区域识别模型的初始模型进行训练得到的、用于进行肺部图像区域识别的模型。
本发明的一个实施例中，上述肺部图像区域识别模型的初始模型可以为U-Net模型。
另外，上述已知样本集可以为Montgomery、JSRT等样本集。
其中，上述肺炎图像区域检测模型的初始模型，用于对样本图像、样本图像的副本图像和二值图像样本图像的掩膜图进行特征提取，去除不满足预设图像表征性需求的特征，通过反卷积层将剩余特征映射为与样本图像大小相同的特征图像，通过预设大小的卷积层对各个特征图像进行特征融合，得到所述检测结果。
具体的，不满足预设图像表征性需求的特征为不是肺炎图像区域的特征。
本发明的一个实施例中，上述肺炎图像区域检测的初始模型可以是基于SE-ResNet架构的模型，进一步的，该初始模型中以反卷积层替换SE-ResNet架构的全连接层，并增加了卷积层用于进行特征融合。
具体的，上述SE-ResNet架构作为提取特征的主干，提取每一图像通道对应的图像的特征，作为局部特征，SE-ResNet架构的侧分支可以学习各个图像通道对应的权重。在此基础上，可以认为上述初始模型，对于每一图像通道，将局部特征乘以该图像通道对应的权重，得到每一图像通道对应的图像的特征的重要程度，根据得到的重要程度，选择性地增强表征性强的图像的特征，并抑制表征性弱的图像的特征，至此完成特征提取。在特征提取之后，通过连续的上述反卷积层将增强后的特征映射到输入图像的大小，并通过上述卷积层将反卷积层输出的特征进行融合，得到一张图像，通过对上述所得到一张图像中像素点的像素值进行归一化处理获得上述初始模型的检测结果。
例如，上述卷积层可以为卷积核大小为1×1的卷积层。
具体的，上述检测结果可以是与待检测图像大小相同的矩阵，其中，上述矩阵中的每一元素与待检测图像中相同位置的像素点相对应，元素的取值表示其所对应像素点是肺炎图像区域像素点的概率。
在上述检测结果为与样本图像大小相同的矩阵的情况下，可以依据预设的阈值，对上述矩阵中各个参数进行归一化处理，得到通过上述初始模型检测出的样本图像中的肺炎图像区域。
例如，上述预设阈值可以为0.7，则可以认为上述矩阵中取值大于0.7的参数对应的像素点为属于肺炎图像区域的像素点，反之，认为上述矩阵中取值不大于0.7的参数对应的像素点为不属于肺炎图像区域的像素点。
S204：根据上述检测结果和上述标注肺炎图像区域，计算上述初始模型的损失。
本发明的一个实施例中，可以使用二元交叉熵函数对初始模型的损失进行计算。具体的，获得步骤S201中所述的标注肺炎图像区域的样本图像，使用二元交叉熵函数对标注肺炎图像区域的样本图像与上述检测结果进行计算，得到初始模型的损失。
其中，二元交叉熵函数的计算公式如下：
其中，上述y表示上述标注肺炎图像区域，表示该样本图像中的标注图像区域为y时通过初始模型计算得到的检测结果中包含的肺炎图像区域，表示对上述y和上述的交叉熵计算。
S205：根据上述损失调整上述初始模型的模型参数，直至上述初始模型满足预设的收敛条件，将调整参数后的上述初始模型确定为上述肺炎图像区域检测模型。
根据上述损失调整上述初始模型的模型参数的方式可以为：以二元交叉熵函数的计算结果为依据调整模型参数，二元交叉熵函数的结果数值越大，该初始模型得出的检测结果越不准确，则需要对初始模型的模型参数进行调整。
本发明的一个实施例中，在获得包含样本图像的样本集，并确定各个样本图像中的标注肺炎图像区域之后，还可以针对上述样本集中的样本图像，获得样本图像中像素点的像素值的平均值，将上述标注肺炎图像区域中各像素点的像素值设置为上述平均值，得到新图像，并将上述新图像作为负样本图像增加至上述样本集。
其中，获得样本图像中像素点的像素值的平均值的过程中，计算每张样本集中样本图像像素点的像素值的平均值。
本发明的一个实施例中，将上述标注肺炎图像区域中各像素点的像素值设置为上述平均值的过程中选择上述样本集中部分的样本图像，使用计算得到的每张图像的像素平均值设置对应样本图像中的标注肺炎图像区域中各像素点的像素值。例如，可以选择上述样本集中百分之五十的样本图像，进行上述像素值设置的操作。
使用样本图像的平均像素设置样本图像中肺炎图像区域的像素。各个正样本中的肺炎图像区域可以是人工手动针对样本图像确定出来的表征肺炎的图像区域，可以其称为标注肺炎图像区域。例如，可以是领域专家观察、分析样本图像后，识别出的样本图像中表征肺炎的图像区域。
具体的，上述标注肺炎图像区域可以以不同的形式呈现。例如，上述标注肺炎图像区域可以对应于样本图像中的矩形区域，这种情况下，可以以上述矩形区域的左上角以及右下角顶点坐标表示上述肺炎图像区域。还可以使用与样本图像大小一致的矩阵表示上述肺炎图像区域，其中，上述矩阵中的每一元素分别表示样本图像中相同位置的像素点是否为肺炎图像区域内的像素点，例如，将上述标注肺炎图像区域内的像素点对应的元素设置为1，其他像素点对应的元素设置为0。
由于样本图像与进行过像素设置的样本图像只有在肺炎图像区域的部分存在不同，因此，对肺炎图像区域检测模型的初始模型进行训练时，通过图像对比可以更容易地检测出样本图像中的肺炎图像区域，模型的注意力更加容易被引导到肺炎图像区域中，从而提高了肺炎图像区域被检测出的概率，进而使得训练得到的肺炎图像区域检测模型能够具有较强的泛化能力，也就是，应用这一肺炎图像区域检测模型检测图像中的肺炎图像区域时，准确性更高。
本发明的一个实施例中，在获得包含样本图像的样本集，并确定各个样本图像中的标注肺炎图像区域之后，还包括：
针对上述样本集中的样本图像进行图像编辑操作，得到新图像，并将所得到的新图像作为样本图像增加至上述样本集，对样本集中的样本图像进行扩充。
其中，上述对样本集中的样本图像进行的图像编辑操作包括对样本图像进行旋转、平移、翻转和缩放等操作。
这样可以增加样本图像的数量，样本图像的数量越多，训练得出的肺炎图像区域检测模型的泛化能力越强。
本发明的一个实施例中，还可以对上述样本集中的样本图像进行缩小处理。例如，可以将1024×1024的样本图像缩小到512×512的图像。
使用对样本图像进行缩小处理可以降低图像尺寸，从而达到提高训练速度，降低模型训练的时间。
本发明的另一个实施例中，还可以对样本图像与样本图像对应的样本图像的掩膜图进行图像增强处理。具体的，进行增强处理时，可以基于相同的方式对样本图像以及样本图像对应的样本图像的掩膜图进行图像增强处理。
图像增强处理可以提高样本图像的质量，进而提高肺炎图像检测模型训练结果的准确性。
在经过训练获得上述肺炎图像区域检测模型后，还可以对该模型的检测结果进行检验。
将检验图像、检验图像的第一副本、检验图像的第二副本输入上述肺炎图像区域检测模型，经过步骤S101-S102的操作后得到检验结果。其中，检验图像与上述样本图像来自同一个数据集，但不包含与样本图像相同的图像，与样本图像相同，其中包含肺炎图像区域，检验图像的副本为将检验图像进行复制以后得到的图像，也就是，上述第一副本图像和第二副本图像是与检验图像相同的图像。
对上述检验图像的检测结果与检验图像中的标注肺炎图像区域进行交叉过度IoU计算。
其中，交叉过度IoU的计算公式如下：
A与B分别为上述检验图像的检测结果以及检验图像中的标注肺炎图像区域。
对计算得到的IoU值设置不同的阈值0.3、0.4、0.5、0.6、0.7，将经过上述计算得到的IoU结果大于设置阈值的检验图像标记为肺炎图像检测模型检测后识别出肺炎图像区域的图像，否则标记为肺炎图像检测模型检测后未识别出肺炎图像区域的图像。
具体到阈值设置为0.5的情况来说，若某检验图像经过上述IoU值计算后得到的IoU值＞0.5，则该检验图像被标记为肺炎图像检测模型检测后的识别出肺炎图像区域的图像，否则标记为肺炎图像检测模型检测后的未识别出肺炎图像区域的图像。
将上述经过标记的检验图像与检验图像本身进行对比，统计上述被识别出肺炎区域且检验图像包含标注肺炎图像区域的图像的数量，记为TP；上述被识别出肺炎区域但检验图像不包含标注肺炎图像区域的图像的数量，记为FP；上述未识别出肺炎区域且检验图像不包含标注肺炎图像区域的图像的数量，记为TN；上述未识别出肺炎区域但检验图像包含标注肺炎图像区域的图像的数量，记为FN。使用统计得到的TP、FP、TN、FN，计算平均准确率Accuracy和平均误报率FPR。
其中，计算平均准确率和平均误报率计算公式如下：
其中，thresholds为设定的阈值的数量，例如，该阈值数量可以为本方案中使用的阈值数量：5；t为设置的具体阈值，例如，该数值可以为本方案中使用的阈值0.3、0.4、0.5、0.6、0.7；TP(t)为在t阈值下统计得到的上述TP值，例如，可以代表在阈值为0.3时，统计得到的TP值，记为TP(0.3)；FP(t)为在t阈值下统计得到的上述FP值，例如，可以代表在阈值为0.3时，统计得到的FP值，记为FP(0.3)；FN(t)为在t阈值下统计得到的上述FN值，例如，可以代表在阈值为0.3时，统计得到的FN值，记为TP(0.3)；TN(t)为在t阈值下统计得到的上述TN值，例如，可以代表在阈值为0.3时，统计得到的TN值，记为TN(0.3)。
经过上述计算得到的平均准确率Accuracy越高，平均误报率FPR越低，则说明上述肺炎图像区域检测模型的计算效果越好，从而对上述肺炎图像区域检测模型的计算效果进行验证。
与上述图像检测方法相对应，本发明实施例还提供了一种图像检测装置。
参见图3，提供了一种图像检测装置的结构示意图，该装置包括：
图像获得模块301，用于获得待检测图像；
区域检测模块302，用于将所述待检测图像、待检测图像的第一副本图像和第二副本图像输入预先训练的肺炎图像区域检测模型，检测所述待检测图像中的肺炎图像区域，其中，所述肺炎图像区域检测模型为：采用样本图像、样本图像的副本图像和样本图像的掩膜图输入所述肺炎图像区域检测模型的初始模型进行训练得到的、用于识别图像中肺炎图像区域的模型，其中，所述样本图像的掩膜图为：将所述样本图像中样本背景区域内像素点的像素值设置为预设值得到的图像，所述样本背景区域为：所述样本图像中与二值图像的背景区域相同的区域，所述二值图像为：与样本图像大小相等、且前景区域为样本图像中肺部图像区域的图像。
应用本实施例提供的方案进行图像检测时，获得待检测图像后，将待检测图像、待检测图像的第一副本图像以及第二副本图像输入预先训练的肺炎图像区域检测模型，由上述肺炎图像区域检测模型进行肺炎图像区域检测。由于上述肺炎图像区域检测模型是采用机器学习方式对大量的样本图像进行学习得到的模型，所以上述肺炎图像区域检测模型能够学习到大量样本图像中肺炎图像区域的特征，从而应用上述肺炎图像区域检测模型能够实现对待检测图像中肺炎图像区域的检测。
在训练得到上述肺炎图像区域检测模型时，使用了样本图像的掩膜图。该样本图像的掩膜图为：将上述样本图像中样本背景区域内像素点的像素值设置为预设值得到的图像，所述样本背景区域为：所述样本图像中与二值图像的背景区域相同的区域，所述二值图像为：与样本图像大小相等、且前景区域为样本图像中肺部图像区域的图像。由于样本图像的掩膜图中除肺部图像区域像素点以外的像素点的像素值均被设置为同一像素值，也就是，除肺部图像区域以外的图像区域的图像特征信息被去除，从而在样本图像中将肺部图像区域突出出来。在此基础上，基于上述样本图像的掩膜图训练得到的上述肺炎图像区域检测模型能够将注意力引导到图像中的肺炎图像区域。因此，应用上述肺炎图像区域检测模型检测图像中的肺炎图像时，能够准确的检测出图像中的肺炎图像区域。
本发明的一个实施例中，参见图4，提供了一种模型训练装置的结构示意图。该装置包括模型训练模块，用于训练得到所述肺炎图像区域检测模型。
具体的，所述模型训练模块，包括：
信息获得子模块401，用于获得包含样本图像的样本集，并确定各个样本图像中的标注肺炎图像区域；
区域识别子模块402，用于识别样本图像中的肺部图像区域；
图像生成子模块403，用于生成与样本图像大小相等、且前景区域为所述肺部图像区域的二值图像，将样本图像中与所述二值图像的背景区域相同的区域确定为样本背景区域，并将样本图像中所述样本背景区域内像素点的像素值设置为预设值，得到样本图像的掩膜图；
结果获得子模块404，用于将样本图像、样本图像的副本图像和样本图像的掩膜图输入所述肺炎图像区域检测模型的初始模型，对样本图像中的肺炎图像区域进行检测，获得检测结果，其中，所述初始模型，用于对样本图像、样本图像的副本图像和样本图像的掩膜图进行特征提取，去除不满足预设图像表征性需求的特征，通过反卷积层将剩余特征映射为与样本图像大小相同的特征图像，通过预设大小的卷积层对各个特征图像进行特征融合，得到所述检测结果；
损失计算子模块405，用于根据所述检测结果和所述标注肺炎图像区域，计算所述初始模型的损失；
参数调整子模块406，用于根据所述损失调整所述初始模型的模型参数，直至所述初始模型满足预设的收敛条件，将调整参数后的所述初始模型确定为所述肺炎图像区域检测模型。
有以上可见，应用本实施例提供的方案，在训练得到上述肺炎图像区域检测模型时，使用了样本图像的掩膜图。该样本图像的掩膜图为：将上述样本图像中样本背景区域内像素点的像素值设置为预设值得到的图像，所述样本背景区域为：所述样本图像中与二值图像的背景区域相同的区域，所述二值图像为：与样本图像大小相等、且前景区域为样本图像中肺部图像区域的图像。由于样本图像的掩膜图中除肺部图像区域像素点以外的像素点的像素值均被设置为同一像素值，也就是，除肺部图像区域以外的图像区域的图像特征信息被去除，从而在样本图像中将肺部图像区域突出出来。在此基础上，基于上述样本图像的掩膜图训练得到的上述肺炎图像区域检测模型能够将注意力引导到图像中的肺炎图像区域。因此，应用上述肺炎图像区域检测模型检测图像中的肺炎图像时，能够准确的检测出图像中的肺炎图像区域。
本发明的一个实施例中，所述模型训练模块，还可以包括：
平均值获得子模块，用于在所述信息获得子模块获得所述样本集并确定各个样本图像中的标注肺炎图像区域之后，针对所述样本集中的样本图像，获得样本图像中像素点的像素值的平均值；
第一样本增加子模块，用于将所述标注肺炎图像区域中各像素点的像素值设置为所述平均值，得到新图像，并将所述新图像作为负样本图像增加至所述样本集。
由于样本图像与进行过像素设置的样本图像只有在肺炎图像区域的部分存在不同，因此，对肺炎图像区域检测模型的初始模型进行训练时，通过图像对比可以更容易地检测出样本图像中的肺炎图像区域，模型的注意力更加容易被引导到肺炎图像区域中，从而提高了肺炎图像区域被检测出的概率，进而使得训练得到的肺炎图像区域检测模型能够具有较强的泛化能力，也就是，应用这一肺炎图像区域检测模型检测图像中的肺炎图像区域时，准确性更高。
本发明的一个实施例中，所述模型训练模块，还可以包括：
第二样本增加子模块，用于在所述信息获得子模块获得所述样本集并确定各个样本图像中的标注肺炎图像区域之后，针对所述样本集中的样本图像进行图像编辑操作，得到新图像，并将所得到的新图像作为样本图像增加至所述样本集。
这样可以增加样本图像的数量，样本图像的数量越多，训练得出的肺炎图像区域检测模型的泛化能力越强。
本发明的一个实施例中，所述区域识别子模块402，具体用于将样本图像输入肺部图像区域识别模型进行肺部图像区域识别，获得样本图像中的肺部图像区域，其中，所述肺部图像区域识别模型为：采用已知样本集对肺部图像区域识别模型的初始模型进行训练得到的、用于进行肺部图像区域识别的模型。
由于上述已知样本集为已知的其他应用场景下的样本集，而并非本发明实施例对应的应用场景下的样本集。本发明实施例中将使用上述已知样本集训练得到的肺部图像区域识别模型迁移到到本发明实施例对应的应用场景中，从而解决了包含肺部图像区域的样本不足的问题。
与上述图像检测方法相对应，本发明实施例还提供了一种电子设备。
参见图5，提供了一种电子设备的结构示意图，该电子设备包括：处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信；
存储器503，用于存放计算机程序；
处理器501，用于执行存储器503上所存放的程序时，实现上述任一方法实施例所述的方法步骤。
与上述图像检测方法相对应，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一方法实施例所述的方法步骤。
需要说明的是，上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral Component Interconnect，PCI)总线或扩展工业标准结构(ExtendedIndustry Standard Architecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一图像检测方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质和计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (10)
1.一种图像检测方法，其特征在于，所述方法包括：
获得待检测图像；
将所述待检测图像、待检测图像的第一副本图像和第二副本图像输入预先训练的肺炎图像区域检测模型，检测所述待检测图像中的肺炎图像区域，其中，所述肺炎图像区域检测模型为：采用样本图像、样本图像的副本图像和样本图像的掩膜图输入所述肺炎图像区域检测模型的初始模型进行训练得到的、用于识别图像中肺炎图像区域的模型，其中，所述样本图像的掩膜图为：将所述样本图像中样本背景区域内像素点的像素值设置为预设值得到的图像，所述样本背景区域为：所述样本图像中与二值图像的背景区域相同的区域，所述二值图像为：与样本图像大小相等、且前景区域为样本图像中肺部图像区域的图像。
2.根据权利要求1所述的方法，其特征在于，通过以下方式训练得到所述肺炎图像区域检测模型：
获得包含样本图像的样本集，并确定各个样本图像中的标注肺炎图像区域；
识别样本图像中的肺部图像区域，并生成与样本图像大小相等、且前景区域为所述肺部图像区域的二值图像；
将样本图像中与所述二值图像的背景区域相同的区域确定为样本背景区域，并将样本图像中所述样本背景区域内像素点的像素值设置为预设值，得到样本图像的掩膜图，将样本图像、样本图像的副本图像和样本图像的掩膜图输入所述肺炎图像区域检测模型的初始模型，对样本图像中的肺炎图像区域进行检测，获得检测结果，其中，所述初始模型，用于对样本图像、样本图像的副本图像和样本图像的掩膜图进行特征提取，去除不满足预设图像表征性需求的特征，通过反卷积层将剩余特征映射为与样本图像大小相同的特征图像，通过预设大小的卷积层对各个特征图像进行特征融合，得到所述检测结果；
根据所述检测结果和所述标注肺炎图像区域，计算所述初始模型的损失；
根据所述损失调整所述初始模型的模型参数，直至所述初始模型满足预设的收敛条件，将调整参数后的所述初始模型确定为所述肺炎图像区域检测模型。
3.根据权利要求2所述的方法，其特征在于，在获得包含样本图像的样本集，并确定各个样本图像中的标注肺炎图像区域之后，还包括：
针对所述样本集中的样本图像，获得样本图像中像素点的像素值的平均值；
将所述标注肺炎图像区域中各像素点的像素值设置为所述平均值，得到新图像，并将所述新图像作为负样本图像增加至所述样本集。
4.根据权利要求2所述的方法，其特征在于，在获得包含样本图像的样本集，并确定各个样本图像中的标注肺炎图像区域之后，还包括：
针对所述样本集中的样本图像进行图像编辑操作，得到新图像，并将所得到的新图像作为样本图像增加至所述样本集。
5.根据权利要求2-4中任一项所述的方法，其特征在于，所述识别样本图像中的肺部图像区域，包括：
将样本图像输入肺部图像区域识别模型进行肺部图像区域识别，获得样本图像中的肺部图像区域，其中，所述肺部图像区域识别模型为：采用已知样本集对肺部图像区域识别模型的初始模型进行训练得到的、用于进行肺部图像区域识别的模型。
6.一种图像检测装置，其特征在于，所述装置包括：
图像获得模块，用于获得待检测图像；
区域检测模块，用于将所述待检测图像、待检测图像的第一副本图像和第二副本图像输入预先训练的肺炎图像区域检测模型，检测所述待检测图像中的肺炎图像区域，其中，所述肺炎图像区域检测模型为：采用样本图像、样本图像的副本图像和样本图像的掩膜图输入所述肺炎图像区域检测模型的初始模型进行训练得到的、用于识别图像中肺炎图像区域的模型，其中，所述样本图像的掩膜图为：将所述样本图像中样本背景区域内像素点的像素值设置为预设值得到的图像，所述样本背景区域为：所述样本图像中与二值图像的背景区域相同的区域，所述二值图像为：与样本图像大小相等、且前景区域为样本图像中肺部图像区域的图像。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
模型训练模块，用于训练得到所述肺炎图像区域检测模型；
其中，所述模型训练模块，包括：
信息获得子模块，用于获得包含样本图像的样本集，并确定各个样本图像中的标注肺炎图像区域；
区域识别子模块，用于识别样本图像中的肺部图像区域；
图像生成子模块，用于生成与样本图像大小相等、且前景区域为所述肺部图像区域的二值图像，样本图像中与所述二值图像的背景区域相同的区域确定为样本背景区域，并将样本图像中所述样本背景区域内像素点的像素值设置为预设值，得到样本图像的掩膜图；
结果获得子模块，用于将样本图像、样本图像的副本图像和样本图像的掩膜图输入所述肺炎图像区域检测模型的初始模型，对样本图像中的肺炎图像区域进行检测，获得检测结果，其中，所述初始模型，用于对样本图像、样本图像的副本图像和样本图像的掩膜图进行特征提取，去除不满足预设图像表征性需求的特征，通过反卷积层将剩余特征映射为与样本图像大小相同的特征图像，通过预设大小的卷积层对各个特征图像进行特征融合，得到所述检测结果；
损失计算子模块，用于根据所述检测结果和所述标注肺炎图像区域，计算所述初始模型的损失；
参数调整子模块，用于根据所述损失调整所述初始模型的模型参数，直至所述初始模型满足预设的收敛条件，将调整参数后的所述初始模型确定为所述肺炎图像区域检测模型。
8.根据权利要求7所述的装置，其特征在于，所述模型训练模块，还包括：
平均值获得子模块，用于在所述信息获得子模块获得所述样本集并确定各个样本图像中的标注肺炎图像区域之后，针对所述样本集中的样本图像，获得样本图像中像素点的像素值的平均值；
第一样本增加子模块，用于将所述标注肺炎图像区域中各像素点的像素值设置为所述平均值，得到新图像，并将所述新图像作为负样本图像增加至所述样本集。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-5任一所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-5任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910662776.2A CN110570390B (zh) | 2019-07-22 | 2019-07-22 | 一种图像检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910662776.2A CN110570390B (zh) | 2019-07-22 | 2019-07-22 | 一种图像检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110570390A true CN110570390A (zh) | 2019-12-13 |
| CN110570390B CN110570390B (zh) | 2022-04-15 |
Family
ID=68773181
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910662776.2A Expired - Fee Related CN110570390B (zh) | 2019-07-22 | 2019-07-22 | 一种图像检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110570390B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416287A (zh) * | 2018-03-04 | 2018-08-17 | 南京理工大学 | 一种基于遗漏负样本挖掘的行人检测方法 |
| CN111242925A (zh) * | 2020-01-13 | 2020-06-05 | 北京妙医佳健康科技集团有限公司 | 针对ct影像数据的目标检测方法、装置及电子设备 |
| CN111462097A (zh) * | 2020-04-03 | 2020-07-28 | 深圳前海微众银行股份有限公司 | 基于联邦学习的图像处理方法、装置、设备及存储介质 |
| CN111724356A (zh) * | 2020-06-04 | 2020-09-29 | 杭州健培科技有限公司 | 一种用于ct影像肺炎识别的图像处理方法和系统 |
| CN112381810A (zh) * | 2020-11-20 | 2021-02-19 | 平安科技（深圳）有限公司 | 一种肺炎图像识别方法、装置及计算设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106447721A (zh) * | 2016-09-12 | 2017-02-22 | 北京旷视科技有限公司 | 图像阴影检测方法和装置 |
| CN108198179A (zh) * | 2018-01-03 | 2018-06-22 | 华南理工大学 | 一种生成对抗网络改进的ct医学图像肺结节检测方法 |
| CN108229575A (zh) * | 2018-01-19 | 2018-06-29 | 百度在线网络技术（北京）有限公司 | 用于检测目标的方法和装置 |
| CN108537784A (zh) * | 2018-03-30 | 2018-09-14 | 四川元匠科技有限公司 | 一种基于深度学习的ct图肺结节检测方法 |
| US20180276825A1 (en) * | 2017-03-23 | 2018-09-27 | Petuum, Inc. | Structure Correcting Adversarial Network for Chest X-Rays Organ Segmentation |
| CN109872333A (zh) * | 2019-02-20 | 2019-06-11 | 腾讯科技（深圳）有限公司 | 医学影像分割方法、装置、计算机设备和存储介质 |
| CN109993733A (zh) * | 2019-03-27 | 2019-07-09 | 上海宽带技术及应用工程研究中心 | 肺部病灶的检测方法、系统、存储介质、终端及显示系统 |
-
2019
- 2019-07-22 CN CN201910662776.2A patent/CN110570390B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106447721A (zh) * | 2016-09-12 | 2017-02-22 | 北京旷视科技有限公司 | 图像阴影检测方法和装置 |
| US20180276825A1 (en) * | 2017-03-23 | 2018-09-27 | Petuum, Inc. | Structure Correcting Adversarial Network for Chest X-Rays Organ Segmentation |
| CN108198179A (zh) * | 2018-01-03 | 2018-06-22 | 华南理工大学 | 一种生成对抗网络改进的ct医学图像肺结节检测方法 |
| CN108229575A (zh) * | 2018-01-19 | 2018-06-29 | 百度在线网络技术（北京）有限公司 | 用于检测目标的方法和装置 |
| CN108537784A (zh) * | 2018-03-30 | 2018-09-14 | 四川元匠科技有限公司 | 一种基于深度学习的ct图肺结节检测方法 |
| CN109872333A (zh) * | 2019-02-20 | 2019-06-11 | 腾讯科技（深圳）有限公司 | 医学影像分割方法、装置、计算机设备和存储介质 |
| CN109993733A (zh) * | 2019-03-27 | 2019-07-09 | 上海宽带技术及应用工程研究中心 | 肺部病灶的检测方法、系统、存储介质、终端及显示系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈卉等: "针对肺结节检测的肺实质CT图像分割", 《中国医学物理学杂志》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416287A (zh) * | 2018-03-04 | 2018-08-17 | 南京理工大学 | 一种基于遗漏负样本挖掘的行人检测方法 |
| CN111242925A (zh) * | 2020-01-13 | 2020-06-05 | 北京妙医佳健康科技集团有限公司 | 针对ct影像数据的目标检测方法、装置及电子设备 |
| CN111242925B (zh) * | 2020-01-13 | 2023-08-29 | 北京妙医佳健康科技集团有限公司 | 针对ct影像数据的目标检测方法、装置及电子设备 |
| CN111462097A (zh) * | 2020-04-03 | 2020-07-28 | 深圳前海微众银行股份有限公司 | 基于联邦学习的图像处理方法、装置、设备及存储介质 |
| CN111724356A (zh) * | 2020-06-04 | 2020-09-29 | 杭州健培科技有限公司 | 一种用于ct影像肺炎识别的图像处理方法和系统 |
| CN111724356B (zh) * | 2020-06-04 | 2023-08-18 | 杭州健培科技有限公司 | 一种用于ct影像肺炎识别的图像处理方法和系统 |
| CN112381810A (zh) * | 2020-11-20 | 2021-02-19 | 平安科技（深圳）有限公司 | 一种肺炎图像识别方法、装置及计算设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110570390B (zh) | 2022-04-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110570390B (zh) | 一种图像检测方法及装置 | |
| CN109948497B (zh) | 一种物体检测方法、装置及电子设备 | |
| CN111144215B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN112380981A (zh) | 人脸关键点的检测方法、装置、存储介质及电子设备 | |
| CN111027412B (zh) | 一种人体关键点识别方法、装置及电子设备 | |
| CN111814905A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
| CN113763348A (zh) | 图像质量确定方法、装置、电子设备及存储介质 | |
| CN111460991A (zh) | 异常检测方法、相关设备及可读存储介质 | |
| CN112232506A (zh) | 网络模型训练方法、图像目标识别方法、装置和电子设备 | |
| CN110969602B (zh) | 一种图像清晰程度检测方法及装置 | |
| CN111932545A (zh) | 图像处理方法、目标计数方法及其相关装置 | |
| CN110135225A (zh) | 样本标注方法及计算机存储介质 | |
| CN112434717B (zh) | 一种模型训练方法及装置 | |
| CN111145202A (zh) | 模型生成方法、图像处理方法、装置、设备及存储介质 | |
| CN111583159B (zh) | 一种图像补全方法、装置及电子设备 | |
| CN111401102A (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
| CN111597966B (zh) | 一种表情图像识别方法、装置及系统 | |
| CN112750065B (zh) | 载体对象处理和水印嵌入方法、装置及电子设备 | |
| CN111027551B (zh) | 图像处理方法、设备和介质 | |
| CN115859964B (zh) | 基于教育云平台的教育资源共享方法及系统 | |
| CN111163332A (zh) | 视频色情度检测方法、终端及介质 | |
| CN115294505A (zh) | 风险物体检测及其模型的训练方法、装置及电子设备 | |
| CN114187303A (zh) | 口腔图像处理方法、装置、电子设备及计算机存储介质 | |
| CN112183714B (zh) | 基于人工神经网络的自动化数据切片 | |
| CN114743048A (zh) | 检测异常秸秆图片的方法和检测装置 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220415 |