CN111754486B - 图像处理方法、装置、电子设备及存储介质 - Google Patents

图像处理方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111754486B
CN111754486B CN202010589818.7A CN202010589818A CN111754486B CN 111754486 B CN111754486 B CN 111754486B CN 202010589818 A CN202010589818 A CN 202010589818A CN 111754486 B CN111754486 B CN 111754486B
Authority
CN
China
Prior art keywords
image
lesion
array
hierarchical
processed
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
Application number
CN202010589818.7A
Other languages
English (en)
Other versions
CN111754486A (zh
Inventor
尚方信
杨叶辉
王磊
许言午
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.)
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 CN202010589818.7A priority Critical patent/CN111754486B/zh
Publication of CN111754486A publication Critical patent/CN111754486A/zh
Priority to US17/097,632 priority patent/US11379980B2/en
Application granted granted Critical
Publication of CN111754486B publication Critical patent/CN111754486B/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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/12—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions for looking at the eye fundus, e.g. ophthalmoscopes
    • 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
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Ophthalmology & Optometry (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请公开了一种图像处理方法、装置、电子设备及存储介质，涉及人工智能技术深度学习、图像处理领域，具体可用于眼底影像分析方面。具体实现方案为：获取待处理图像；根据待处理图像和分级网络模型，获得分级数组，分级网络模型为根据混合样本预先训练得到的模型，分级数组包含的元素个数为C‑1，C为病变等级个数，C个病变等级包括1个不存在病变的病变等级和C‑1个存在病变的病变等级，分级数组中第k个元素为待处理图像对应的病变等级大于或等于第k级病变等级的概率，1≤k≤C‑1，且k为整数；根据分级数组，确定待处理图像对应的病变等级。以在有限的训练样本量下，实现分级网络模型对医学图像对应病变等级的准确判断。

Description

图像处理方法、装置、电子设备及存储介质
技术领域
本申请实施例涉及计算机领域中的人工智能技术深度学习、图像处理领域，具体可用于眼底影像分析方面，尤其涉及一种图像处理方法、装置、电子设备及存储介质。
背景技术
随着医学成像技术和计算机技术的不断发展和进步，医学图像分析已成为医学研究、临床疾病诊断和治疗中一个不可或缺的工具和技术手段。
近年来，深度学习(Deep Learning，DL)已经迅速发展成为自动化医学图像分析的研究热点。由于深度学习和卷积神经网络依赖大量直接相关的标注数据，使得应用它们需要高昂的数据采集和标注成本。同时，在特定场景下，特定类型数据的大量采集本身就是不可行的。以疾病严重程度分级任务为例，现有方法要求有大量医学图像数据分别被包含于每一个病变等级；另一方面，病变等级较高的病人在人群中较为罕见，极难获取大量高病变等级的训练样本。
发明内容
本申请提供了一种图像处理方法、装置、电子设备及存储介质。
根据本申请第一方面，提供了一种图像处理方法，此方法包括：
获取待处理图像；
根据待处理图像和分级网络模型，获得分级数组，其中，分级网络模型为根据混合样本预先训练得到的模型，分级数组包含的元素个数为C-1，C为病变等级个数，C个病变等级包括1个不存在病变的病变等级和C-1个存在病变的病变等级，分级数组中第k个元素为待处理图像对应的病变等级大于或等于第k级病变等级的概率，1≤k≤C-1，且k为整数；
输出分级数组。
根据本申请第二方面，提供了一种图像处理装置，此装置包括：
获取模块，用于获取待处理图像；
处理模块，用于根据待处理图像和分级网络模型，获得分级数组，其中，分级网络模型为根据混合样本预先训练得到的模型，分级数组包含的元素个数为C-1，C为病变等级个数，C个病变等级包括1个不存在病变的病变等级和C-1个存在病变的病变等级，分级数组中第k个元素为待处理图像对应的病变等级大于或等于第k级病变等级的概率，1≤k≤C-1，且k为整数；
输出模块，用于输出分级数组。
根据本申请第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一项所述的方法。
根据本申请第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行如第一方面中任一项所述的方法。
根据本申请的技术可以在有限的训练样本量下，实现分级网络模型对医学图像对应病变等级的准确判断。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请第一实施例的示意图；
图2是根据本申请第二实施例的示意图；
图3是本申请实施例的图像处理方法中样本混合的示意图；
图4是根据本申请第三实施例的示意图；
图5是本申请实施例的图像处理方法的应用示意图；
图6是根据本申请第四实施例的示意图；
图7是用来实现本申请实施例的图像处理方法的电子设备的框图；
图8是可以实现本申请实施例的一场景图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
由于专业影像科医生的匮乏，加之基层医疗卫生条件仍不够完善，仍有大量患者无法受益于医学图像筛查技术，而错过了疾病诊断和治疗的黄金时间。因此，如何利用计算机技术进行糖尿病视网膜病变的自动筛查，受到了医疗、计算机科学、人工智能等领域的重视，具有重大的研究意义和实用价值。
考虑到深度学习依赖大量直接相关的标注数据，使得应用它们需要高昂的数据采集和标注成本。同时，在特定场景下，特定类型数据的大量采集本身就是不可行的。以疾病严重程度分级任务为例，现有方法要求有大量医学图像数据分别被包含于每一个病变等级；另一方面，病变等级较高的病人在人群中较为罕见，极难获取大量高病变等级的训练样本。
基于上述问题，本申请提供一种图像处理方法、装置、电子设备及存储介质，能够基于计算机视觉技术和数据扩增技术，在有限的训练样本量下，实现模型对医学图像对应病变等级的准确判断。
本申请提供的图像处理方案，应用于人工智能技术深度学习、图像处理领域，具体可用于眼底影像分析方面；适用但不局限于计算机、服务器等具有运算功能的电子设备。
下面采用详细的实施例，来说明本申请实施例如何应用分级网络模型。
图1是根据本申请第一实施例的示意图。本实施例提供一种图像处理方法，该方法可以由图像处理装置执行，其中，图像处理装置可以具体为例如计算机或服务器等具有运算功能的电子设备，或者，图像处理装置可以为具有运算功能的电子设备内的芯片。
如图1所示，该图像处理方法包括以下步骤：
S101、获取待处理图像。
本申请中，待处理图像可以是为了分析人体或动物体是否存在某种病变而采集的图像。例如，待处理图像可以是用于判断糖尿病视网膜病变的眼底图像，也可以是用于判断是否存在肺结核的胸部图像等，本申请对此不作限制。
其中，待处理图像可以由医学影像设备采集得到。例如，可以是由百度AI眼底筛查一体机所采集的眼底图像。医学影像设备采集图像并将其转换为图像数据。应当理解的，待处理图像既可以是显示人体或动物体不存在病变的图像，也可以是显示人体或动物体存在病变的图像。其中，显示人体或动物体存在病变的图像中可以包括用于诊断病变等级的诊断标记区域(或病灶区域)和不具备诊断标记的其他区域，可以通过判断是否存在诊断标记区域以确定是否存在病变，还可以通过对诊断标记区域进行分析，以确定病变等级，也就是病变的严重程度。
S102、根据待处理图像和分级网络模型，获得分级数组。
其中，分级网络模型为根据混合样本预先训练得到的模型，分级数组包含的元素个数为C-1，C为病变等级个数，C个病变等级包括1个不存在病变的病变等级和C-1个存在病变的病变等级，分级数组中第k个元素为所处理图像对应的病变等级大于或等于第k级病变等级的概率，1≤k≤C-1，且k为整数。示例地，采用以下公式所示：
Pk＝Pr(y≥k|x)，k＝1...，C-1
即分级数组P的第k个元素(从1开始计数)取值为待处理图像x对应的病变级别大于或等于k的概率。
在实际应用中，分级网络模型可以采用任意经典的分类网络，如Inception结构(Inception Construction)、残差网络(Residual Network，ResNet)和密集连接卷积网络(Densely Connected Convolutional Networks，DenseNet)等，也可以是自行构造的一个分类网络。
对于混合样本，可以理解，由于对应各病变等级的样本量较少，有其是高病变等级的样本，因此对当前少量的样本通过样本混合来进行扩增。样本混合，作为计算机视觉领域最新的研究成果之一，可以有效改善有限训练样本量对模型性能的限制问题。基于样本混合的思想，本申请可以在有限的训练样本量下，创造出尽可能多的扩增样本，即混合样本。由于分级网络模型为根据混合样本预先训练得到的模型，因此可在有限的训练样本量下，实现分级网络模型对医学图像与相应疾病严重程度间的关系最有效的捕捉，降低了应用模型的数据成本。
上述分级数组中的各个元素为有序排列的一组数据。其中，每个元素分别对应一个病变等级。示例地，病变等级的数量C等于5，且5个病变等级包括1个不存在病变的病变等级(第0级)和4个存在病变的病变等级，按照病变严重程度将4个存在病变的病变等级分为第1级、第2级、第3级和第4级。此时，分级数组中包括C-1个元素，即4个元素，k取值为1、2、3或4。
作为一种示例，分级数组可以是[a,b,c,d]，其中a对应图像对应的病变等级大于或等于第1级的概率，b对应图像对应的病变等级大于或等于第2级的概率，c对应图像对应的病变等级大于或等于第3级的概率，d对应图像对应的病变等级大于或等于第4级的概率。若已知图像对应的病变等级为第3级，由于病变等级为第3级时必然大于或等于第1级、第2级和第3级，而必然不会大于或等于第4级，此时，a、b、c所表示的概率值均为100％，而d所表示的概率值为0％，因此，分级数组可以表示为[1,1,1,0]。同理，当已知图像对应的病变等级为第1级，分级数组可以表示为[1,0,0,0]，当已知图像对应的病变等级为第2级，分级数组可以表示为[1,1,0,0]，当已知图像对应的病变等级为第4级，分级数组可以表示为[1,1,1,1]，而当图像对应的病变等级为第0级时，即不存在病变，此时图像对应的病变等级必然不会大于或等于第1级、第2级、第3级和第4级，故而，a、b、c、d所表示的概率值均为0％，此时，分级数组可以表示为[0,0,0,0]。
分级网络模型将待处理图像变换为一个分级数组，不仅体现了病变级别之间的强度关系，也保留了不同病变级别间的类别差异信息，输出的准确率高，本质上是将多分类任务拆解为多个二分类任务。
现有技术中，分级网络模型通常输出的是一个确定的类型或者确定的等级，当分级网络模型存在故障或者由于其他原因导致输出结果不准确时，可能导致输出结果与实际结果误差非常大的问题。例如，某一图像对应的病变等级为第4级，而由于分级网络模型的误差或其他原因，导致输出结果为第0级，此时，若医务人员过于依赖分级预测结果，将导致预测结果与实际结果之间误差非常大，进而导致延误最佳治疗时机等问题。与现有技术相比，本申请在通过分级网络模型进行计算时，分级网络模型可以分别计算C-1次，即各个概率值分别独立计算，如此，即便由于分级网络模型的误差或其他原因，导致某次计算结果与实际结果之间存在偏差，也不至于导致所计算的结果与实际结果之间的误差过大，例如，某一张图像对应的病变等级为第4级，而分级网络模型在计算时，其中一次计算存在故障，输出的结果为：[1,1,1,0]、[1,0,1,1]或[1,1,0.6,1]等，医务人员在查看到该输出结果时，也基本可以判断该图像所对应的病变等级可能在第3级以上，甚至第4级，或者，发现该计算结果存在问题，对其进行重新计算或进行人工阅片等补救措施，从而保证计算结果的可靠性。
S103、输出分级数组。
这里的“输出”可以包括但限于：通过显示设备，例如屏幕，显示/呈现分级数组；或者，发送分组数组给终端设备，以供相关人员查看。其中，终端设备例如包括用户手机、计算机等。
输出分级数组，将其呈现给专门处理医学影像图片的医务人员，由医务人员根据分级数组确定待处理图像对应的病变等级。
本申请实施例的图像处理方法，首先，获取待处理图像；之后，根据待处理图像和分级网络模型，获得分组向量，其中，分级网络模型为根据混合样本预先训练得到的模型，分组向量包含的元素个数为C-1，C为病变等级个数，C个病变等级包括1个不存在病变的病变等级和C-1个存在病变的病变等级，分组向量中第k个元素为所述待处理图像对应的病变等级大于或等于第k级病变等级的概率，1≤k≤C-1，且k为整数；最后，输出分组向量。由于分级网络模型为根据混合样本预先训练得到的模型，因此，可在有限的训练样本量下，实现分级网络模型对医学图像对应病变等级的准确判断，降低了应用模型的数据成本；另外，本申请通过考虑待处理图像与各个病变等级的关联关系，并输出分别表示待处理图像所对应的病变等级大于或等于各个病变等级的概率，从而保证计算结果的可靠性，进一步提高对病变等级预测的准确性。
在上述实施例中，由于分级网络模型需要输出的是由多个概率值形成的数组，而各个概率值的取值范围为0至1，因此，上述分级网络模型可以是带sigmoid激活函数的分级网络模型，即在分级网络模型的输出端增设激活函数层，将分级网络模型的输出作为激活函数层的输入，由激活函数层将分级网络模型处理后的数据映射至0至1之间。也就是说，分级网络模型输出的结果是经sigmoid激活函数归一化处理过的。
接下来，结合图2介绍如上所述分级网络模型的训练过程。参考图2，在图1所示流程的基础上，该图像处理方法可以包括：
S201、获取初始样本。
其中，初始样本标注有病变等级。示例性地，初始样本可以为实际采集到的对应各病变等级的、具备代表性或通用性的图像，且经过医疗实践已经确定对应的病变等级。
S202、根据初始样本和混合系数，得到混合样本。
结合混合系数，对初始样本进行样本混合处理，得到混合样本，如图3所示。示例地，一种具体实现中，根据如下公式，对两个初始样本进行样本混合处理，得到混合样本：
Mix＝λ*Img1+(1-λ)*Img2
其中，两个初始样本分别表示为Img1和Img2，混合样本表示为Mix，λ∈[0，1]为混合系数。
应理解，得到一个混合样本所使用的混合系数之和为固定值，例如，该固定值为1。
S203、基于混合样本训练初始模型，得到分级网络模型。
应用中可通过采用深度学习技术构建并训练初始模型来得到分级网络模型。其中，训练初始模型所使用的训练数据包括上述混合样本。如此，可以提高所训练出的分级网络模型的可靠性。
另外，可以通过已知的病变等级，建立目标数组，也就是期望输出。目标数组包含的元素个数为C-1，目标分组中第k个元素为初始样本对应的病变等级大于或等于第k级病变等级的概率。可以理解，从概念上讲，这里的目标数组与上文提到分级数组是一样的，之所以区分不同名称，是为区分不同的阶段，其中分级数组为分级网络模型的应用阶段中得到的数组，目标数组为分级网络模型的训练阶段中使用的数组。
由上述论述可知，当病变等级为第0级时，目标数组可以为[0,0,0,0]，当病变等级为第1级时，目标数组可以为[1,0,0,0]，依次类推，即可通过病变等级建立混合样本与目标数组之间的对应关系。
例如，当病变等级的数量C等于5时，可按照如表1所示的规则建立各个混合样本与目标数组之间的对应关系。
表1
病变级别 目标数组
0 [0，0，0，0]
1 [1，0，0，0]
2 [1，1，0，0]
3 [1，1，1，0]
4 [1，1，1，1]
在具体训练过程中，可以根据模型输出数组与目标数组之间的差异，使用梯度下降法调整模型参数，以减小模型输出数组与目标数组之间的差异。当模型输出数组与目标数组之间的差异减小至可允许误差范围内时，即可确定已经完成对分级网络模型的训练。
S204、获取待处理图像。
S205、根据待处理图像和分级网络模型，获得分级数组。
S206、输出分级数组。
对于S204至S206，与S101至S103类似，此处不再赘述。
还需说明的是，在本申请实施例中，只要保证S201至S203发生在S205之前即可，至于与S204的被执行顺序，本申请实施例不予限制。
一些实施例中，S202、根据初始样本和混合系数，得到混合样本，可以包括：对初始样本进行编码处理，得到目标数组；根据目标数组和混合系数，得到混合样本。
作为一种示例，仍以C等于5为例，混合样本与初始样本的对应关系如表2所示：
表2
更广泛地，混合样本与初始样本的对应关系可由下式表达：
yenc k＝λ*yenc1 k+(1-λ)*yenc2 k
其中，yenc k代表混合样本yenc对应的目标数组的第k个元素，其取值是由初始样本A对应的目标数组的第k个元素yenc1 k和初始样本B对应的目标数组的第k个元素yenc2 k，以及混合系数λ决定的。例如，当yenc1 k和yenc2 k均为1时，无论混合系数λ为多少，yenc k均为1。
考虑到初始样本A与初始样本B混合，与初始样本B与初始样本A混合，二者得到的混合样本是相同的，因此，可对表2进行简化处理，如表3所示：
表3
此外，上述图像，包括待处理图像和/或初始样本，可以是经过预处理后得到的图像，其中，预处理所采用的方法可以包括但不限于以下至少一项：数据归一化、高斯滤波及中值滤波等。其中，归一化处理的目的是将不同明暗程度的图像归一化到同一范围，例如，z分数(z-score)归一化处理。而高斯滤波及中值滤波的作用是为了凸显图像中的生理结构及病灶区域。因此，在根据待处理图像和分级网络模型，获得分级数组之前，该方法还包括：对待处理图像进行预处理。相应地，上述根据待处理图像和分级网络模型，获得分级数组，可以包括：根据预处理后的图像和分级网络模型，获得分级数组。该实施例通过对待处理图像进行预处理，使得其具有较为清晰的生理结构及病灶区域，进而可以提高分级网络模型的准确性。
在上述实施例的基础上，进一步地，在通过分级网络模型得到分级数组后，还可以针对分级数组做进一步的数据处理。例如，在考虑分级数组中各个概率值的基础上，输出与分级数组所对应的病变等级。以下结合图4进行解释说明。
参考图4，本申请实施例提供的图像处理方法包括以下步骤：
S401、获取待处理图像。
S402、根据待处理图像和分级网络模型，获得分级数组。
S403、根据分级数组，确定待处理图像对应的病变等级。
S404、输出待处理图像对应的病变等级。
其中，S401和S402分别对应上述S101和S102，其具体实现方式与上述实施例相同，且能达到相同有益效果，为避免重复，这里不再赘述。
本申请实施例中，通过在获取到分级数组后，进一步根据分级数组，确定并输出待处理图像对应的病变等级，从而进一步简化了阅片的过程，且可进一步提高阅片的效率。
一些实施例中，S403、根据分级数组，确定待处理图像对应的病变等级，可以包括：获得分级数组中各元素的概率和；根据预设映射关系和所述概率和，确定待处理图像对应的病变等级。其中，预设映射关系包含病变等级与概率和之间的对应关系。
由于分级数组中各元素均为概率值，因此，对各元素对应的概率值进行加和处理，得到概率和。然后，以概率和为查询条件，在预设映射关系中查询与待处理图像对应的病变等级。
本申请实施例中，通过计算分级数组的各个元素的概率和，基于该概率和在预设映射关系中查询与待处理图像对应的病变等级，如此，可以充分考虑各个病变等级之间的关联关系，保证处理结果的可靠性。
可选地，为了实现充分考虑各个病变等级之间的关联关系，以保证处理结果的可靠性，在S403、根据分级数组，确定待处理图像对应的病变等级之前，该方法还包括：在区间[0，C-1]之间选取C-1个分割点，对区间[0，C-1]进行分割，以形成C个子区间；建立C个病变等级与C个子区间之间的对应关系。相应地，上述根据预设映射关系和所述概率和，确定待处理图像对应的病变等级，可以包括：以概率和为查询条件，在C个子区间中查询，确定包含概率和的目标子区间；确定目标子区间对应的病变等级为待处理图像对应的病变等级。
其中，在区间[0，C-1]之间选取C-1个分割点，对区间[0，C-1]进行分割，可以进一步包括：选取[a+i]作为分割点，对区间[0，C-1]进行分割，其中，0＜a＜1，i＝0，…，C-2。可以使用下山单纯形法(Nelder-Mead)等适用于不可导函数的优化算法以位置敏感的分类精度指标(Kappa)最大化为优化目标，以保证在符合分级要求的情况下，降低a的取值，从而增大了存在病变的病变等级所对应的区间的跨度，进而有利于更加准确的将图像所对应的病变等级映射至对应的子区间，从而进一步提高了对病变等级预测的准确性。
具体地，下文以病变等级的数量C为5，a＝0.5为例，进一步解释说明。由于选取[a+i]作为分割点，因此，可以确定本申请实施例中划分点分别为0.5、1.5、2.5和3.5，从而实现将区间[0，4]划分为以下子区间[0，0.5)、[0.5，1.5)、[1.5，2.5)、[2.5，3.5)和[3.5，4]。其中，子区间[0，0.5)对应的病变等级为第0级，也即当概率和小于0.5时，可以确定图像对应的病变等级为不存在病变的病变等级，同理，子区间[0.5，1.5)对应的病变等级为第1级，子区间[1.5，2.5)对应的病变等级为第2级，子区间[2.5，3.5)对应的病变等级为第3级，子区间[3.5，4]对应的病变等级为第4级，从而建立各个元素所表示的概率和与各个病变等级之间的对应关系。
请参见下表，下文以一具体实施例对概率和确定图像对应的病变等级的具体过程进行说明：
由上表可知，当概率和为0.4时，由于其包含在子区间[0，0.5)内，因此，对应的病变等级为第0级，其中，概率和为0.4的分级数组可能是[0.4,0,0,0]、[0.1,0.2,0.1,0]、[0,0.2,0.1,0]、[0,0,0,0.4]等，本申请实施例通过考虑各个元素之和，而非单独根据某一元素确定图像对应的病变等级，如此，可以进一步提高预测结果的可靠性。
例如，当分级数组为[0,0,0,0.4]时，若按照常规方法，由于根据分级网络模型计算，该图像对应的病变等级为第4级的概率最高，常规方法可能将其对应的病变等级对应为第4级；而按照本申请实施例提供的方法，由于该图像对应的病变等级大于或等于第1级、第2级、第3级的概率均为0，可见，该图像对应的病变等级最有可能对应的病变应当是第0级，而非第4级，而所计算出的大于或等于第4级的概率为0.4的结果很可能是由于分级网络模型存在故障或者由于其他原因所导致。同理，由上表可知，当概率和为1.4时，由于其包含于子区间[0.5，1.5)内，因此，可确定其对应病变等级为第1级；当概率和为1.6时，由于其包含在子区间[1.5，2.5)内，因此，可确定其对应病变等级为第2级；当概率和为2.6时，由于其包含在子区间[2.5，3.5)内，因此，可确定其对应病变等级为第3级；当概率和为3.6时，由于其包含在子区间[3.5，4]内，因此，可确定其病变等级为第4级。
本申请实施例通过分别计算图像对应的病变等级大于或等于各个病变等级的概率，如此，即便所计算的各个概率值中的部分概率值存在误差，也可以结合其他概率值对图像对应的病变等级进行预测，所以克服了现有技术中的方法对图像处理效果较差的问题，进而提高了对图像处理结果的可靠性。
请参见图5，图5为上述方法应用于判断糖尿病视网膜病变等级的流程图，其具体包括以下步骤：获取眼底图样，对眼底图像进行预处理，将预处理后的图片输入预选训练好的分级网络模型，由分级网络模型进行计算并输出分级数组，计算分级数组中各个元素的概率和，根据所计算的概率和预设映射关系，确定该眼底图片对应的病变等级。其中，分级网络模型是根据混合样本和初始模型得到的，混合样本是通过对初始样本进行样本混合处理得到的。
图6是根据本申请第四实施例的示意图。该实施例提供一种图像处理装置。如图6所示，该图像处理装置600包括：获取模块601、处理模块602和输出模块603。其中：
获取模块601，用于获取待处理图像。
处理模块602，用于根据待处理图像和分级网络模型，获得分级数组。
其中，分级网络模型为根据混合样本预先训练得到的模型，分级数组包含的元素个数为C-1，C为病变等级个数，C个病变等级包括1个不存在病变的病变等级和C-1个存在病变的病变等级，分级数组中第k个元素为所述待处理图像对应的病变等级大于或等于第k级病变等级的概率，1≤k≤C-1，且k为整数。
输出模块603，用于输出分级数组。
本实施例提供的图像处理装置，可用于执行上述的方法实施例，其实现方式和技术效果类似，本实施例此处不再赘述。
可选地，获取模块601还可以用于获取初始样本，该初始样本标注有病变等级。对应地，处理模块602还可以用于根据初始样本和混合系数，得到混合样本；基于混合样本训练初始模型，得到分级网络模型。
一些实施例中，在处理模块602用于根据初始样本和混合系数，得到混合样本时，具体用于：对初始样本进行编码处理，得到目标数组，目标数组包含的元素个数为C-1，目标分组中第k个元素为初始样本对应的病变等级大于或等于第k级病变等级的概率；根据目标数组和混合系数，得到混合样本。
可选地，得到一个混合样本所使用的混合系数之和为固定值。例如，固定值为1。
在上述实施例中，分级网络模型输出的结果是经sigmoid激活函数归一化处理过的。
进一步地，处理模块602还可以用于：在根据待处理图像和分级网络模型，获得分级数组之后，根据分级数组，确定待处理图像对应的病变等级。相应地，输出模块603还可以用于：输出待处理图像对应的病变等级。
更进一步地，处理模块602在用于根据分级数组，确定待处理图像对应的病变等级时，具体用于：获得分级数组中各元素的概率和；根据预设映射关系和概率和，确定待处理图像对应的病变等级。其中，该预设映射关系包含病变等级与概率和之间的对应关系。
一些实施例中，处理模块602还可以用于：对待处理图像进行预处理；根据预处理后的图像和分级网络模型，获得分级数组。
可选地，预处理所采用的方法可以包括以下至少一项：数据归一化、高斯滤波和中值滤波，等等。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图7所示，是用来实现本申请实施例的图像处理方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的图像处理方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的图像处理方法。
存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的图像处理方法对应的程序指令/模块(例如，附图6所示的获取模块601、处理模块602和输出模块603)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的图像处理方法。
存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储用来实现图像处理方法的电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至用来实现图像处理方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
用来实现图像处理方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息，以及产生与用来实现图像处理方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
图8是可以实现本申请实施例的一场景图。如图8所示，图像采集设备801用于采集图像，服务器802与图像采集设备801进行交互，以实现如上任一实施例所述的图像处理方法。服务器802在执行完上述图像处理方法之后，输出分级数组和/或待处理图像对应的病变等级给图像采集设备801显示。
可选地，还可以包括终端设备，服务器802在执行完上述图像处理方法之后，输出分级数组和/或待处理图像对应的病变等级给终端设备，通过终端设备显示给相关人员。在图8中，图像采集设备801以计算机为例说明，但本申请实施例不以此为限制。
根据本申请实施例的技术方案，首先，获取待处理图像；之后，根据待处理图像和分级网络模型，获得分级数组，其中，分级网络模型为根据混合样本预先训练得到的模型，分级数组包含的元素个数为C-1，C为病变等级个数，C个病变等级包括1个不存在病变的病变等级和C-1个存在病变的病变等级，分级数组中第k个元素为待处理图像对应的病变等级大于或等于第k级病变等级的概率，1≤k≤C-1，且k为整数；最后，根据分级数组，确定待处理图像对应的病变等级。本申请可以在有限的训练样本量下，实现分级网络模型对医学图像对应病变等级的准确判断。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (11)

1.一种图像处理方法，其特征在于，包括：
获取待处理图像；
根据所述待处理图像和分级网络模型，获得分级数组，其中，所述分级网络模型为根据混合样本预先训练得到的模型，所述分级数组包含的元素个数为C-1，C为病变等级个数，C个病变等级包括1个不存在病变的病变等级和C-1个存在病变的病变等级，所述分级数组中第k个元素为所述待处理图像对应的病变等级大于或等于第k级病变等级的概率，1≤k≤C-1，且k为整数；
输出所述分级数组；
所述根据所述待处理图像和分级网络模型，获得分级数组之前，所述方法还包括：
获取初始样本，所述初始样本标注有病变等级；
根据所述初始样本和混合系数，得到所述混合样本；
基于所述混合样本训练初始模型，得到所述分级网络模型。
2.根据权利要求1所述的方法，其特征在于，所述根据所述初始样本和混合系数，得到所述混合样本，包括：
对所述初始样本进行编码处理，得到目标数组，所述目标数组包含的元素个数为C-1，所述目标分组中第k个元素为所述初始样本对应的病变等级大于或等于第k级病变等级的概率；
根据所述目标数组和所述混合系数，得到混合样本。
3.根据权利要求1所述的方法，其特征在于，得到一个所述混合样本所使用的混合系数之和为固定值。
4.根据权利要求1所述的方法，其特征在于，所述分级网络模型输出的结果是经sigmoid激活函数归一化处理过的。
5.根据权利要求1至4中任一项所述的方法，其特征在于，在所述根据所述待处理图像和分级网络模型，获得分级数组之后，所述方法还包括：
根据所述分级数组，确定所述待处理图像对应的病变等级；
输出所述待处理图像对应的病变等级。
6.根据权利要求5所述的方法，其特征在于，所述根据所述分级数组，确定所述待处理图像对应的病变等级，包括：
获得所述分级数组中各元素的概率和；
根据预设映射关系和所述概率和，确定所述待处理图像对应的病变等级，所述预设映射关系包含病变等级与概率和之间的对应关系。
7.根据权利要求1至4中任一项所述的方法，其特征在于，在所述根据所述待处理图像和分级网络模型，获得分级数组之前，所述方法还包括：
对所述待处理图像进行预处理；
相应地，所述根据所述待处理图像和分级网络模型，获得分级数组，包括：根据预处理后的图像和分级网络模型，获得分级数组。
8.根据权利要求7所述的方法，其特征在于，所述预处理所采用的方法包括以下至少一项：
数据归一化、高斯滤波和中值滤波。
9.一种图像处理装置，其特征在于，包括：
获取模块，用于获取待处理图像；
处理模块，用于根据所述待处理图像和分级网络模型，获得分级数组，其中，所述分级网络模型为根据混合样本预先训练得到的模型，所述分级数组包含的元素个数为C-1，C为病变等级个数，C个病变等级包括1个不存在病变的病变等级和C-1个存在病变的病变等级，所述分级数组中第k个元素为所述待处理图像对应的病变等级大于或等于第k级病变等级的概率，1≤k≤C-1，且k为整数；
输出模块，用于输出所述分级数组；
所述获取模块，还用于获取初始样本，所述初始样本标注有病变等级；
所述处理模块，还用于根据所述初始样本和混合系数，得到所述混合样本；基于所述混合样本训练初始模型，得到所述分级网络模型。
10. 一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至8中任一项所述的方法。
11.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1至8中任一项所述的方法。
CN202010589818.7A 2020-06-24 2020-06-24 图像处理方法、装置、电子设备及存储介质 Active CN111754486B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010589818.7A CN111754486B (zh) 2020-06-24 2020-06-24 图像处理方法、装置、电子设备及存储介质
US17/097,632 US11379980B2 (en) 2020-06-24 2020-11-13 Image processing method, apparatus, electronic device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010589818.7A CN111754486B (zh) 2020-06-24 2020-06-24 图像处理方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111754486A CN111754486A (zh) 2020-10-09
CN111754486B true CN111754486B (zh) 2023-08-15

Family

ID=72677144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010589818.7A Active CN111754486B (zh) 2020-06-24 2020-06-24 图像处理方法、装置、电子设备及存储介质

Country Status (2)

Country Link
US (1) US11379980B2 (zh)
CN (1) CN111754486B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508942B (zh) * 2020-12-25 2023-04-28 上海深博医疗器械有限公司 一种获取bi-rads等级的方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913450A (zh) * 2016-06-22 2016-08-31 武汉理工大学 基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法及系统
WO2017092431A1 (zh) * 2015-12-01 2017-06-08 乐视控股（北京）有限公司 基于肤色的人手检测方法及装置
WO2018201647A1 (zh) * 2017-05-05 2018-11-08 平安科技（深圳）有限公司 视网膜病变程度等级检测方法、装置及存储介质
US10430946B1 (en) * 2019-03-14 2019-10-01 Inception Institute of Artificial Intelligence, Ltd. Medical image segmentation and severity grading using neural network architectures with semi-supervised learning techniques
WO2019233166A1 (zh) * 2018-06-04 2019-12-12 杭州海康威视数字技术股份有限公司 一种表面缺陷检测方法、装置及电子设备
CN111275121A (zh) * 2020-01-23 2020-06-12 北京百度网讯科技有限公司 一种医学影像处理方法、装置和电子设备

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002015818A2 (en) * 2000-08-23 2002-02-28 Philadelphia Ophthalmologic Imaging Systems, Inc. System and method for tele-ophthalmology
US8879813B1 (en) * 2013-10-22 2014-11-04 Eyenuk, Inc. Systems and methods for automated interest region detection in retinal images
US10719936B2 (en) * 2017-04-27 2020-07-21 Retinascan Limited System and method for automated funduscopic image analysis
CN107358606B (zh) * 2017-05-04 2018-07-27 深圳硅基仿生科技有限公司 用于识别糖尿病视网膜病变的人工神经网络装置及系统装置
US11200665B2 (en) * 2017-08-02 2021-12-14 Shanghai Sixth People's Hospital Fundus image processing method, computer apparatus, and storage medium
CN107680684B (zh) * 2017-10-12 2021-05-07 百度在线网络技术（北京）有限公司 用于获取信息的方法及装置
JP2021507428A (ja) * 2017-10-13 2021-02-22 エーアイ テクノロジーズ インコーポレイテッド 眼科疾病及び障害の深層学習に基づく診断及び紹介
US10460150B2 (en) 2018-03-16 2019-10-29 Proscia Inc. Deep learning automated dermatopathology
CN108615051B (zh) * 2018-04-13 2020-09-15 博众精工科技股份有限公司 基于深度学习的糖尿病视网膜图像分类方法及系统
CN109686444A (zh) 2018-12-27 2019-04-26 上海联影智能医疗科技有限公司 用于医学图像分级的系统和方法
CN110033456B (zh) 2019-03-07 2021-07-09 腾讯科技（深圳）有限公司 一种医疗影像的处理方法、装置、设备和系统
CN109978071A (zh) 2019-04-03 2019-07-05 西北工业大学 基于数据增广和分类器融合的高光谱图像分类方法
CN110633758A (zh) 2019-09-20 2019-12-31 四川长虹电器股份有限公司 针对小样本或样本不平衡的癌症区域检测定位的方法
CN110956628B (zh) 2019-12-13 2023-05-09 广州达安临床检验中心有限公司 图片等级分类方法、装置、计算机设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017092431A1 (zh) * 2015-12-01 2017-06-08 乐视控股（北京）有限公司 基于肤色的人手检测方法及装置
CN105913450A (zh) * 2016-06-22 2016-08-31 武汉理工大学 基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法及系统
WO2018201647A1 (zh) * 2017-05-05 2018-11-08 平安科技（深圳）有限公司 视网膜病变程度等级检测方法、装置及存储介质
WO2019233166A1 (zh) * 2018-06-04 2019-12-12 杭州海康威视数字技术股份有限公司 一种表面缺陷检测方法、装置及电子设备
US10430946B1 (en) * 2019-03-14 2019-10-01 Inception Institute of Artificial Intelligence, Ltd. Medical image segmentation and severity grading using neural network architectures with semi-supervised learning techniques
CN111275121A (zh) * 2020-01-23 2020-06-12 北京百度网讯科技有限公司 一种医学影像处理方法、装置和电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
方谦昊 ; 朱红 ; 何瀚志 ; 胡俊峰 ; .基于卷积神经网络的脑膜瘤亚型影像自动分级.南京师大学报(自然科学版).2018,(第03期),28-33. *

Also Published As

Publication number Publication date
US11379980B2 (en) 2022-07-05
US20210192728A1 (en) 2021-06-24
CN111754486A (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
US20230033601A1 (en) Dynamic self-learning medical image method and system
CN110111313B (zh) 基于深度学习的医学图像检测方法及相关设备
US11288550B2 (en) Data processing apparatus and method, recognition apparatus, learning data storage apparatus, machine learning apparatus, and program
CN111681726B (zh) 电子病历数据的处理方法、装置、设备和介质
CN112329964B (zh) 用于推送信息的方法、装置、设备以及存储介质
CN111967538B (zh) 应用于小目标检测的特征融合方法、装置、设备以及存储介质
CN110517785A (zh) 相似病例的查找方法、装置及设备
CN111275121B (zh) 一种医学影像处理方法、装置和电子设备
CN111695519B (zh) 关键点定位方法、装置、设备以及存储介质
US20210398650A1 (en) Medical imaging characteristic detection, workflows, and ai model management
CN112509690B (zh) 用于控制质量的方法、装置、设备和存储介质
US20220027854A1 (en) Data processing method and apparatus, electronic device and storage medium
CN113362314B (zh) 医学图像识别方法、识别模型训练方法及装置
CN111754486B (zh) 图像处理方法、装置、电子设备及存储介质
McCullough et al. Convolutional neural network models for automatic preoperative severity assessment in unilateral cleft lip
Zhang et al. Moving towards vertically integrated artificial intelligence development
CN112488126A (zh) 特征图处理方法、装置、设备以及存储介质
CN111582139A (zh) 一种排污口识别方法、装置、电子设备和存储介质
CN116451095A (zh) 多源异构医疗数据多视图聚类方法、装置、介质及设备
EP4374333A1 (en) Systems and methods for processing images for image matching
CN111524579B (zh) 肺功能曲线检测方法、装置、设备以及存储介质
CN111881979A (zh) 多模态数据标注装置及包含程序的计算机可读存储介质
CN110120266A (zh) 骨骼年龄评估方法
CN113628758B (zh) 基于ai和rpa的信息处理方法及其装置
CN115602245B (zh) 一种荧光图筛选的方法、装置、设备以及存储介质

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
GR01 Patent grant
GR01 Patent grant