CN111899848A - 图像识别方法及设备 - Google Patents
图像识别方法及设备 Download PDFInfo
- Publication number
- CN111899848A CN111899848A CN202010777473.8A CN202010777473A CN111899848A CN 111899848 A CN111899848 A CN 111899848A CN 202010777473 A CN202010777473 A CN 202010777473A CN 111899848 A CN111899848 A CN 111899848A
- Authority
- CN
- China
- Prior art keywords
- image
- medical image
- decoding
- network model
- sample image
- 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
Images
Classifications
-
- 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
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种图像识别方法及设备,该方法包括:获取用户终端发送的待识别的医疗图像;对待识别的医疗图像进行解码处理,得到处理后的医疗图像;采用目标网络模型,对处理后的医疗图像进行处理,以获取处理后的医疗图像中的病灶区域,其中目标网络模型是通过对基础网络模型训练得到的;将病灶区域发送给用户终端。本发明实施例通过对用户终端发送的待识别的医疗图像进行解码处理,得到处理后的医疗图像,并利用目标网络模型识别处理后的医疗图像,以获取医疗图像中的病灶区域,实现病灶区域的准确识别,无需人工识别医疗图像中的病灶区域,提高病灶区域的识别准确率以及效率。
Description
技术领域
本发明实施例涉及图像技术领域,尤其涉及一种图像识别方法及设备。
背景技术
现代社会中,断层扫描(Computed Tomography,CT),X光等医学影像对于医生诊断患者病情起到了越来越关键的作用。医生在得到患者的医学影像后,通过观察患者的医学影像,并依据经验判断该医学影像中的人体组织是否发生病变,即识别医学影像中的病灶部分,然后根据病灶部分诊断患者的病情。
然而,发明人发现:由于需要医生人工依据经验识别医学影像中的病灶部分,容易出现识别错误的情况,导致病灶部分的识别准确率较低。
发明内容
本发明实施例提供一种图像识别方法及设备,以解决现有技术中病灶区域识别准确率低的问题。
第一方面,本发明实施例提供一种图像识别方法,包括:
获取用户终端发送的经过编码处理后的待识别的医疗图像;
对所述待识别的医疗图像进行解码处理,得到处理后的医疗图像;
采用目标网络模型,对所述处理后的医疗图像进行处理,以获取所述处理后的医疗图像中的病灶区域,其中所述目标网络模型是通过对基础网络模型训练得到的;
将所述处理后的医疗图像中的病灶区域发送给所述用户终端。
在一种可能的设计中,所述对所述待识别的医疗图像进行解码处理,得到处理后的医疗图像,包括:
采用目标解码网络模型,对所述待识别的医疗图像进行解码处理,以获取所述处理后的医疗图像,其中所述目标解码网络模型用于对医疗图像进行解码处理。
在一种可能的设计中,所述方法还包括:
获取解码权重参数,并对所述解码权重参数进行组合,得到多个解码权重参数集合;
从所述多个解码权重参数集合中确定目标解码权重参数集合;
获取第一样本图像,并根据所述第一样本图像对基础解码网络模型中的解码权重参数进行训练和测试,得到所述目标解码网络模型,其中所述基础解码网络模型中的解码权重参数与所述目标解码权重参数集合所包括的解码权重参数相同。
在一种可能的设计中,所述从所述多个解码权重参数集合中确定目标解码权重参数集合,包括:
对于每个解码权重参数集合,基于所述解码权重参数集合,对所述第一样本图像进行解码处理,得到所述解码权重参数集合对应的样本图像,并将所述解码权重参数集合对应的样本图像与所述第一样本图像进行对比,得到所述解码权重参数集合对应的图像准确度;
查找图像准确度最高的解码权重参数集合,并将其确定为所述目标解码权重参数集合。
在一种可能的设计中,所述方法还包括:
获取第二样本图像,并对所述第二样本图像进行分类,得到阳性样本图像和阴性样本图像;
根据所述阳性样本图像和阴性样本图像对基础网络模型进行训练和测试,得到所述目标网络模型。
在一种可能的设计中,所述对所述第二样本图像进行分类,得到阳性样本图像和阴性样本图像,包括:
对于每张第二样本图像,基于预设选择性搜索算法,提取所述第二样本图像的感兴趣区域;
对所述第二样本图像的感兴趣区域和所述第二样本图像的预设标定区域进行交并比计算,得到交并比值;
在所述交并比值大于预设分类阈值时,确定所述第二样本图像为阳性样本图像;
在所述交并比值小于或等于所述预设分类阈值时,确定所述第二样本图像为阴性性样本图像。
第二方面,本发明实施例提供一种图像识别方法,包括:
获取待识别的医疗图像,并对所述待识别的医疗图像进行编码处理;
将经过编码处理后的待识别的医疗图像发送给服务器,以使服务器对所述经过编码处理后的待识别的医疗图像进行解码处理,得到处理后的医疗图像,并采用目标网络模型,获取所述处理后的医疗图像中的病灶区域;
接收服务器发送的所述处理后的医疗图像中的病灶区域。
在一种可能的设计中,所述对所述待识别的医疗图像进行编码处理,包括:
采用目标编码网络模型,对所述待识别的医疗图像进行编码处理,其中所述目标编码网络模型用于对医疗图像进行编码处理。
第三方面,本发明实施例提供一种图像识别设备,包括:
第一收发模块,用于获取用户终端发送的经过编码处理后的待识别的医疗图像;
第一处理模块,用于对所述待识别的医疗图像进行解码处理,得到处理后的医疗图像;
所述第一处理模块,还用于采用目标网络模型,对所述处理后的医疗图像进行处理,以获取所述处理后的医疗图像中的病灶区域,其中所述目标网络模型是通过对基础网络模型训练得到的;
所述第一收发模块,还用于将所述处理后的医疗图像中的病灶区域发送给所述用户终端。
在一种可能的设计中,所述第一处理模块,还用于:
采用目标解码网络模型,对所述待识别的医疗图像进行解码处理,以获取所述处理后的医疗图像,其中所述目标解码网络模型用于对医疗图像进行解码处理。
在一种可能的设计中,所述第一处理模块,还用于:
获取解码权重参数,并对所述解码权重参数进行组合,得到多个解码权重参数集合;从所述多个解码权重参数集合中确定目标解码权重参数集合;获取第一样本图像,并根据所述第一样本图像对基础解码网络模型中的解码权重参数进行训练和测试,得到所述目标解码网络模型,其中所述基础解码网络模型中的解码权重参数与所述目标解码权重参数集合所包括的解码权重参数相同。
在一种可能的设计中,所述第一处理模块,还用于:
对于每个解码权重参数集合,基于所述解码权重参数集合,对所述第一样本图像进行解码处理,得到所述解码权重参数集合对应的样本图像,并将所述解码权重参数集合对应的样本图像与所述第一样本图像进行对比,得到所述解码权重参数集合对应的图像准确度;查找图像准确度最高的解码权重参数集合,并将其确定为所述目标解码权重参数集合。
在一种可能的设计中,所述第一处理模块,还用于:
获取第二样本图像,并对所述第二样本图像进行分类,得到阳性样本图像和阴性样本图像;根据所述阳性样本图像和阴性样本图像对基础网络模型进行训练和测试,得到所述目标网络模型。
在一种可能的设计中,所述第一处理模块,还用于:
对于每张第二样本图像,基于预设选择性搜索算法,提取所述第二样本图像的感兴趣区域;对所述第二样本图像的感兴趣区域和所述第二样本图像的预设标定区域进行交并比计算,得到交并比值;在所述交并比值大于预设分类阈值时,确定所述第二样本图像为阳性样本图像;在所述交并比值小于或等于所述预设分类阈值时,确定所述第二样本图像为阴性性样本图像。
第四方面,本发明实施例提供一种图像识别设备,包括:
第二处理模块,用于获取待识别的医疗图像,并对所述待识别的医疗图像进行编码处理;
第二收发模块,用于将经过编码处理后的待识别的医疗图像发送给服务器,以使服务器对所述经过编码处理后的待识别的医疗图像进行解码处理,得到处理后的医疗图像,并采用目标网络模型,获取所述处理后的医疗图像中的病灶区域;
所述第二收发模块,还用于接收服务器发送的所述处理后的医疗图像中的病灶区域。
在一种可能的设计中,所述第二处理模块还用于:
采用目标编码网络模型,对所述待识别的医疗图像进行编码处理,其中所述目标编码网络模型用于对医疗图像进行编码处理。
第五方面,本发明实施例提供一种图像识别设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的图像识别方法。
第六方面,本发明实施例提供一种图像识别设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第二方面以及第二方面各种可能的设计所述的图像识别方法。
第七方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一方面以及第一方面各种可能的设计所述的图像识别方法。
第八方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第二方面以及第二方面各种可能的设计所述的图像识别方法。
本发明提供的图像识别方法及设备,通过获取用户终端发送的待识别的医疗图像;对待识别的医疗图像进行解码处理,得到处理后的医疗图像;采用目标网络模型,对处理后的医疗图像进行处理,以获取处理后的医疗图像中的病灶区域,其中目标网络模型是通过对基础网络模型训练得到的;将病灶区域发送给用户终端。本发明实施例通过对用户终端发送的待识别的医疗图像进行解码处理,得到处理后的医疗图像,并利用目标网络模型识别处理后的医疗图像,以获取医疗图像中的病灶区域,实现病灶区域的准确识别,无需人工识别医疗图像中的病灶区域,提高病灶区域的识别准确率以及效率,从而不会出现现有病灶区域识别准确率低的问题,且该待识别的医疗图像是用户终端经过编码处理后的发送的,提高图像传输的效率。
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性的前提下,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图像识别系统的架构示意图;
图2为本发明实施例提供的图像识别方法的流程示意图一;
图3为本发明实施例提供的图像识别方法的流程示意图二;
图4为本发明实施例提供的图像识别方法的流程示意图三;
图5为本发明实施例提供的图像识别方法的流程示意图四;
图6为本发明实施例提供的编码网络模型的结构示意图;
图7为本发明实施例提供的图像识别设备的结构示意图一;
图8为本发明实施例提供的图像识别设备的结构示意图二;
图9为本发明实施例提供的图像识别设备的硬件结构示意图。
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。
现有技术中,医生在得到患者的医学影像后,依据经验判断该医学影像中的人体组织是否发生病变,即识别医学影像中的病灶部分,然后根据病灶部分诊断患者的病情。但由于需要医生人工依据经验识别医学影像中的病灶部分,容易出现识别错误的情况,导致病灶部分的识别准确率较低。
因此,针对上述问题,本发明的技术构思是用户终端获取待识别的医疗图像,采用目标编码网络模型,对该待识别的医疗图像进行编码处理以实现图像的压缩,并将经过编码处理后的待识别的医疗图像发送给服务器,服务器在接收到该经过编码处理后的待识别的医疗图像后,采用目标解码网络模型,对该经过编码处理后的待识别的医疗图像进行解码处理,得到处理后的医疗图像以还原该待识别的医疗图像,实现图像的解压缩,然后采用目标网络模型,识别该处理后的医疗图像中的病灶区域,实现病灶区域的自动准确确定,将该病灶区域发送给用户终端,以使用户终端根据该病灶区域诊断病情,利用目标网络模型识别医疗图像中的病灶区域,可以降低误判的风险,提高病灶区域识别的准确率。且用户终端与服务器之间在传输医疗图像时,时传输经过编码处理后的医疗图像,可以提高传输的效率。
图1为本发明实施例提供的图像识别系统的架构示意图,如图1所示,该系统包括用户终端101和服务器102。用户终端101将需识别病灶区域的医疗图像,即待识别的医疗图像发送给服务器102,服务器102识别该医疗图像的病灶区域,并返回给用户终端101。
具体的,用户终端101为医疗机构(例如,医院)中的用户终端,例如,医生使用的计算机。
可选的,服务器可以为搭建完成的云平台,即云主机。在搭建云平台时,先创建云主机,然后选择镜像,配置信息,网络信息以及登录方式。该搭建过程与现有云平台的搭建过程类似,在此,不再对其进行赘述。
下面以具体地示例对本公开的技术方案以及本公开的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的示例可以相互结合,对于相同或相似的概念或过程可能在某些示例中不再赘述。下面将结合附图,对本公开的示例进行描述。
图2为本发明实施例提供的图像识别方法的流程示意图一,本实施例的执行主体可以为图1中的服务器,本实施例此处不做特别限制。如图2所示,该方法包括:
S201、获取用户终端发送的经过编码处理后的待识别的医疗图像。
在本实施例中,接收用户终端发送的经过编码处理后的待识别的医疗图像,以识别该医疗图像中的病灶区域。该用户终端可以为医疗机构(例如,医院)中的用户终端。
其中,医疗图像为医学影像,其是指对人体或人体某部分,以非侵入方式取得内部组织的影响,例如,胸部断层扫描(Computed Tomography,CT)影像。
在本实施例中,用户终端对待识别的医疗图像进行编码处理,然后将经过编码处理后的待识别的医疗图像发送给服务器,可以提高图像传输的效率。
S202、对待识别的医疗图像进行解码处理,得到处理后的医疗图像。
在本实施例中,在获取到用户终端发送的经过编码处理后的待识别的医疗图像进行解码处理,以得到处理后的医疗图像,以供识别该处理后的医疗图像中的病灶区域。
S203、采用目标网络模型,对处理后的医疗图像进行处理,以获取处理后的医疗图像中的病灶区域,其中目标网络模型是通过对基础网络模型训练得到的。
在本实施例中,利用目标网络模型识别处理后的医疗图像中病灶区域,即将处理后的医疗图像输入到目标网络模型,该目标网络模型对该处理后的医疗图像进行病灶区域识别,以得到该处理后的医疗图像中的病灶区域。
可选的,目标网络模型在识别到处理后的医疗图像中的病灶区域后,在该待处理后的医疗图像中标定该病灶区域。
其中,目标网络模型为训练好的目标检测网络模型。
可选的,目标检测网络模型可以为Fast-R-CNN模型。在利用Fast-R-CNN模型识别医疗图像中的病灶区域时,保证了高准确率和高运算速度,从而提高了病灶区域识别的准确率以及效率。
S204、将处理后的医疗图像中的病灶区域发送给用户终端。
在本实施例中,在确定处理后的医疗图像中的病灶区域后,即在得到待识别的医疗图像中的病灶区域后,将该病灶区域发送给用户终端,以使用户终端对应的医生可以根据病灶区域进行诊断病情。
具体的,在将病灶区域发送用户终端时,可以将标定有病灶区域的处理后的医疗图像发送给用户终端,以使用户终端可以根据该医疗图像以及该医疗图像中的病灶区域更加准确地诊断病情。
从上述描述可知,通过对用户终端发送的待识别的医疗图像进行解码处理,得到处理后的医疗图像,并利用目标网络模型识别处理后的医疗图像,以获取医疗图像中的病灶区域,实现病灶区域的准确识别,无需人工识别医疗图像中的病灶区域,提高病灶区域的识别准确率以及效率,从而不会出现现有病灶区域识别准确率低的问题,且该待识别的医疗图像是用户终端经过编码处理后的发送的,提高图像传输的效率。
图3为本发明实施例提供的图像识别方法的流程示意图二,本实施例在图2实施例的基础上,在利用目标网络模型识别医疗图像中的病灶区域之前,需要先根据样本图像对基础网络模型进行训练及测试以得到该目标网络模型。下面将结合一个具体实施例对根据样本图像对基础网络模型进行训练及测试以得到该目标网络模型的过程进行描述。如图3所示,该方法包括:
S301、获取用户终端发送的经过编码处理后的待识别的医疗图像。
其中,本实施例中的步骤S301的实现过程与上述步骤S201的实现过程类似,在此,不再对其进行赘述。
S302、对待识别的医疗图像进行解码处理,得到处理后的医疗图像。
在本实施例中,采用目标解码网络模型,对待识别的医疗图像进行解码处理,以获取处理后的医疗图像,其中目标解码网络模型用于对医疗图像进行解码处理。
具体的,利用目标解码网络模型对经过编码处理后的待识别的医疗图像进行解码,即将该待识别的医疗图像输入到目标解码网络模型,该目标解码网络模型对该待识别的医疗图像进行解码处理,以得到解码后的医疗图像,即得到处理后的医疗图像,该处理后的医疗图像较为准确地还原用户终端采集的待识别的医疗图像。
其中,目标解码网络模型为训练好的解码网络模型,其可以对医疗图像进行解码处理。
另外,可选的,由于解码网络模型的权重参数的类型对解码网络模型解码图像的效果会造成影响,因此,需要先确定最适合的权重参数,即确定最适合的权重参数类型,以根据确定的权重参数对解码网络模型进行训练,得到可以解码效果较佳的目标解码网络模型,当采用该目标解码网络模型对图像进行解码时,解码得到的图像可以较为准确地还原原图图像,解码叫过较佳。其具体过程为:
获取解码权重参数,并对解码权重参数进行组合,得到多个解码权重参数集合。从多个解码权重参数集合中确定目标解码权重参数集合。获取第一样本图像,并根据第一样本图像对基础解码网络模型中的解码权重参数进行训练和测试,得到目标解码网络模型,其中基础解码网络模型中的解码权重参数与目标解码权重参数集合所包括的解码权重参数相同。
在本实施例中,获取所有解码权重参数,并对所有解码权重参数进行组合,该组合可以为全组合,得到多个解码权重参数集合。然后从多个解码权重参数集合中选取最优的解码权重参数集合,即选取解码效果最好的解码权重参数集合,并将选取的解码权重参数集合作为目标解码权重参数集合。在确定目标解码权重参数集合后,需对该目标解码权重参数进行训练和测试,则将初始解码网络模型中的权重参数设置为该目标解码权重参数集合所包括的解码权重参数,得到基础解码网络模型,该基础解码网络模型中的权重参数,即解码权重参数为目标解码权重参数集合中的解码权重参数。
以一个具体应用场景为例,解码权重参数由参数1,参数2和参数3,对其全组合后,得到的解码权重参数集合为集合1,2,3,4,5,6和7,集合1包含的解码权重参数为参数1,集合2包含的解码权重参数为参数2,集合3包含的解码权重参数为参数3,集合4包含的解码权重参数为参数1和2,集合5包含的解码权重参数为参数1和3,集合6包含的解码权重参数为参数2和3,集合7包含的解码权重参数为参数1,2和3。从这7个集合中选择解码效果最好的解码权重参数集合,并将其作为目标解码权重参数集合,例如,确定集合4为目标解码权重参数集合,则将初始解码网络模型中的权重参数设为集合4所包含的参数1和参数2,得到基础解码网络模型,即该基础解码网络模型中的权重参数为参数1和参数2。
在得到基础解码网络模型后,获取第一样本图像,该第一样本图像也为医疗图像,将该第一样本图像分成训练集和测试集,以利用该训练集对基础解码网络模型进行训练,并利用该测试集对基础解码网络模型进行测试,从而得到目标解码网络模型,该目标解码网络模型可以较准确地对图像进行解码,即解码得到的图像可以较准确地还原图像,失真率较低。
另外,在得到第一样本图像后,对该第一样本图像进行了预设次数(例如,200)的重抽样,以便构建出具有数据平衡性的训练集和测试集。
进一步地,可选的,从多个解码权重参数集合中确定目标解码权重参数集合,包括:对于每个解码权重参数集合,基于解码权重参数集合,对第一样本图像进行解码处理,得到解码权重参数集合对应的样本图像,并将解码权重参数集合对应的样本图像与第一样本图像进行对比,得到解码权重参数集合对应的图像准确度。查找图像准确度最高的解码权重参数集合,并将其确定为目标解码权重参数集合。
具体地,在对所有解码权重参数集合进行组合后,得到多个解码权重参数集合,对于每个解码权重参数集合,利用该解码权重参数集合对第一样本图像进行解码处理,即将第一样本图像输入到解码权重参数与该解码权重参数集合中的解码权重参数相同的初始解码网络模型,该初始解码网络模型根据相应的解码权重参数对该第一样本图像进行解码,以得到该解码权重参数集合对应的样本图像。
承接上述应用场景,在利用集合1对第一样本图像进行解码处理时,将初始解码网络模型的权重参数设置为集合1所包含的解码权重参数,即设置为参数1,然后基于权重参数为参数1的初始解码网络模型对第一样本图像进行解码,将解码得到图像作为集合1对应的样本图像。
在得到解码权重集合对应的样本图像后,即在得到根据该解码权重集合中的解码权重参数进行解码得到样本图像后,对该样本图像进行准确度评估,则将该样本图像与第一样本图像进行对比分析,即将解码得到的图像与原图进行对比,以确定解码得到的图像的准确度,即得到该解码权重参数集合对应的图像准确度。
在得到各个解码权重集合对应的图像准确度,查找最高的图像准确度,并将最高的图像准确度对应的解码权重参数集合作为目标解码权重参数集合。
可选的,在评估解码得到的图像,即解码得到的样本图像的准确度,通过失真率进行衡量,即通过均方误差数值(MSE),峰值信噪比(PSNR),结构相似性指标(SSIM)等指标来评估。
进一步的,为了更准确地评估解码得到的图像,即解码得到的样本图像的准确度,使用斯皮尔曼等级相关系数(SRCC)和/或皮尔逊相关系数(PRCC)来对解码后的图像进行准确度评估。
其中,斯皮尔曼等级相关系数用来估计两个变量之间的相关性。皮尔逊相关系数同样是用于度量两个变量X和Y之间的相关。涉及到的公式如下:
S303、获取第二样本图像,并对第二样本图像进行分类,得到阳性样本图像和阴性样本图像。
在本实施例中,从指定存储位置中获取第二样本图像,该第二样本图像为人工标注后的医疗图像。对第二样本图像进行分类,以得到阳性样本图像和阴性样本图像,该阳性样本为患病人员的医疗图像,即存在病灶区域的医疗图像,阴性样本为健康人员的医疗图像,即不存在病灶区域的医疗图像。
其中,指定存储位置为文件存储系统,该文件存储系统可以为本地文件存储系统,也可以使用Hadoop的HDFS文件存储系统。为了提高数据的可靠性和系统的健壮性,并且发挥HBase处理大型数据的能力,还是使用HDFS作为文件存储系统更佳。
另外,指定存储位置也可以用来存储待识别的医疗图像,实现图像的有效存储、
可选的,对第二样本图像进行分类,得到阳性样本图像和阴性样本图像,包括:
对于每张第二样本图像,基于预设选择性搜索算法,提取第二样本图像的感兴趣区域。对第二样本图像的感兴趣区域和第二样本图像的预设标定区域进行交并比计算,得到交并比值。在交并比值大于预设分类阈值时,确定第二样本图像为阳性样本图像。在交并比值小于或等于预设分类阈值时,确定第二样本图像为阴性性样本图像。
在本实施例中,在获取到第二样本图像后,对于每张第二样本图像,根据预设选择性搜索算法,确定该第二样本图像的感兴趣区域,然后将该感兴趣区域与该第二样本图像的预设标定区域进行交并比IoU计算,得到交并比值,即得到IoU值,当该IoU值大于预设分类阈值时,表明该第二样本图像存在病灶区域,则确定该第二样本图像为阳性样本图像,当该IoU值小于或等于预设分类阈值时,表明该第二样本图像不存在病灶区域,则确定该第二样本图像为阴性样本图像。
其中,第二样本图像的预设标定区域为人工预先标定的数据,即为ground truth。
S304、根据阳性样本图像和阴性样本图像对基础网络模型进行训练和测试,得到目标网络模型。
在本实施例中,在得到阳性样本图像和阴性样本图像后,按照预设比例将阳性样本图像和阴性样本图像分为训练集和测试集,即该训练集中包括一定数量的阳性样本图像和阴性样本图像,该测试集中也包括一定数量的阳性样本图像和阴性样本图像,利用训练集中的阳性样本图像和阴性样本图像对基础网络模型进行训练,并利用测试集测试训练后的基础网络模型的病灶区域的分类准确率,即识别准确率,若该准确率小于预设准确率阈值,表明训练后的基础网络模型的识别精度较低,无法满足需求,则继续利用训练集对该训练后的基础网络模型进行训练。若该准确率大于或等于预设准确率阈值,表明训练后的基础网络模型的识别精度较高,可以满足需求,则将该训练后的基础网络模型作为目标网络模型。
可选的,在确定训练后的基础网络模型的病灶区域的识别准确率时,可以利用ROC曲线评估模型进行评估。真阳率(True Positive Rate,TPR)表示能将正例分对的概率,而假阳率(False Positive Rate,FPR)则表示将负例错分为正例的概率。将TPR作为ROC曲线的纵坐标,FPR作为ROC曲线的横坐标,根据计算得到的TPR和FPR的值绘制ROC曲线。其中,在计算TPR和FPR时,利用以下公式:
可以理解,TPR和FPR的计算过程为现有过程,在此,不再对其进行赘述。
一个优秀的分类器,即目标网络模型对应的ROC曲线应该尽量靠近左上角,越接近45度直线时效果越差,即识别准确度越低。
在本实施例中,利用包括多种病灶类型的阳性样本图像以及未包括病灶的阴性样本图像对基础网络模型进行训练和测试,以得到目标网络模型,使得目标网络模型可以准确对医疗图像进行分类和识别,即确定该医疗图像是否存在病灶区域,以及在确定存在病灶区域后,标定出病灶区域,实现病灶区域的准确识别。
S305、采用目标网络模型,对处理后的医疗图像进行处理,以获取处理后的医疗图像中的病灶区域。
具体的,在得到可以准确识别病灶区域的目标网络模型后,将经过解码处理得到的处理后的医疗图像输入到该目标网络模型中,该目标网络模型先识别该处理后的医疗图像是否存在病灶区域,即是阳性医疗图像还是阴性医疗图像,在确定该处理后的医疗图像存在病灶区域,即在确定该处理后的医疗图像为阳性医疗图像时,确定该处理后的医疗图像中的病灶区域,并进行标定或分割。
在确定该处理后的医疗图像不存在病灶区域时,即在确定该处理后的医疗图像为阴性医疗图像时,直接发送不存在病灶区域的提示信息给用户终端,以使用户终端对应的医生可以根据该提示信息进行进一步诊断或者直接填写不存在异常的诊断结果。
S306、将处理后的医疗图像中的病灶区域发送给用户终端。
在本实施例中,将分割得到病灶区域发送给用户终端或者将标定有病灶区域的处理后的医疗图像发送给用户终端。
具体的,在将病灶区域发送给用户终端时,可以采用目标编码网络模型对该病灶区域进行编码,并将编码处理后的病灶区域发送给用户终端,实现图像的压缩传输,提高传输的效率。
具体的,当该病灶区域标定在处理后的医疗图像上时,采用目标编码网络模型对图像进行编码,并将编码处理后的医疗图像发送给用户终端。
在本实施例中,通过阳性样本图像和阴性样本图像对基础网络模型进行训练和测试以得到目标网络模型,该目标网络模型可以识别医疗图像是阳性图像还是阴性图像,即识别医疗图像是否存在病灶区域,实现对医疗图像的分类,然后在确定医疗图像为阳性图像时,即在确定医疗图像存在病灶区域,对该病灶区域进行标定,实现病灶区域的识别。
在本实施例中,利用目标解码网络模型以及目标编码网络模型,即卷积神经网络对图像进行编解码,尝试不同的权重参数组合类型,选取了准确率最高的组合使得编解码效果提升,使得解码得到的图像可以准确还原原图。
在本实施例中,对第一样本图像进行分类,以得到阴性样本图像和阳性样本图像,并利用阳性样本图像和阴性样本图像对基础网络模型进行训练和测试,得到分类精度满足需求,即识别准确率满足需求的目标网络模型。利用该目标网络模型对需要识别病灶区域的医疗图像进行识别,以实现病灶区域的准确自动识别,降低误判的概率。
图4为本发明实施例提供的图像识别方法的流程示意图三,本实施例的执行主体可以为图1中的用户终端,本实施例此处不做特别限制。如图4所示,该方法包括:
S401、获取待识别的医疗图像,并对待识别的医疗图像进行编码处理。
在本实施例中,获取待识别的医疗图像,该待识别的医疗图像为需要确定病灶区域的医疗图像,即为医疗设备采集的医学影像。
在本实施例中,为了提高图像传输的效率,在将待识别的医疗图像传输给服务器以使服务器识别该医疗图像中的病灶区域之前,可以对该待识别的医疗图像进行编码处理,得到经过编码处理后的待识别的医疗图像,实现图像的压缩。
S402、将经过编码处理后的待识别的医疗图像发送给服务器,以使服务器对经过编码处理后的待识别的医疗图像进行解码处理,得到处理后的医疗图像,并采用目标网络模型,获取处理后的医疗图像中的病灶区域。
在本实施例中,在得到经过编码处理后的待识别的医疗图像后,将该医疗图像发送给服务器,以使服务器先对该医疗图像进行解码处理以将该医疗图像还原为原图,即还原为用户终端获取的待识别的医疗图像,得到解码处理后的医疗图像,然后采用可以识别病灶区域的目标网络模型,识别解码处理后的医疗图像中的病灶区域。
S403、接收服务器发送的处理后的医疗图像中的病灶区域。
在本实施例中,当服务器识别到处理后的医疗图像中的病灶区域后即得到待识别图像对应的病灶区域后,将该病灶区域发送给用户终端,以使用户终端对应的医生可以根据该病灶区域进行病情诊断。
具体的,服务器还可以将病灶区域标定在处理后的医疗图像,相应的,用户终端接收服务器发送的标定有病灶区域的处理后的医疗图像,以使用户终端对应的医生可以根据该病灶区域以及该医疗图像进行病情诊断,提高病情诊断的准确率。
在本实施例中,对用户终端发送的待识别的医疗图像进行解码处理,得到处理后的医疗图像,并利用目标网络模型识别处理后的医疗图像,以获取医疗图像中的病灶区域,实现病灶区域的准确识别,无需人工识别医疗图像中的病灶区域,提高病灶区域的识别准确率以及效率,从而不会出现现有病灶区域识别准确率低的问题,且该待识别的医疗图像是用户终端经过编码处理后的发送的,提高图像传输的效率。
图5为本发明实施例提供的图像识别方法的流程示意图四,本实施例在图4实施例的基础上,在得到待识别的医疗图像后,采用目标编码网络模型对其进行编码,以实现图像的压缩。下面将结合一个具体实施例对采用目标编码网络模型对待识别的医疗图像进行编码的过程进行描述。如图5所示,该方法包括:
S501、获取待识别的医疗图像。
其中,本实施例中的步骤S501的实现过程与上述步骤S401的实现过程类似,在此,不再对其进行赘述。
S502、采用目标编码网络模型,对所述待识别的医疗图像进行编码处理,其中所述目标编码网络模型用于对医疗图像进行编码处理。
在本实施例中,利用目标编码网络模型对待识别的医疗图像进行编码,即将该待识别的医疗图像输入到目标编码网络模型,该目标编码网络模型对该待识别的医疗图像进行编码处理,以得到经过编码后的待识别的医疗图像,即得到编码后的医疗图像,该编码后的医疗图像较为准确地压缩待识别的医疗图像,以使目标解码网络模型可以准确地对医疗图像进行解码。
其中,目标编码网络模型为训练好的编码网络模型,其可以对医疗图像进行编码处理。该目标编码网络模型的网络结构可以参见图6,Conv层为卷积层,Relu层为激励层,BN层为归一化层。
需要说明,目标编码网络模型是通过对基础编码网络模型训练和测试得到的。对基础编码网络模型训练和测试的过程与上述对基础解码网络模型训练和测试的过程类似。同时确定基础编码网络模型对应的编码权重参数,即最优的编码权重参数与确定上述确定基础解码网络模型对应的解码权重参数,即最优的解码权重参数的过程类似,在此,不再对其进行赘述。
另外,可选的,由于解码网络模型的权重参数的类型对解码网络模型解码图像的效果会造成影响,因此,需要先确定最适合的权重参数,即确定最适合的权重参数类型,以根据确定的权重参数对解码网络模型进行训练,得到可以解码效果较佳的目标解码网络模型,当采用该目标解码网络模型对图像进行解码时,解码得到的图像可以较为准确地还原原图图像,解码叫过较佳。其具体过程为:
S503、将经过编码处理后的待识别的医疗图像发送给服务器,以使服务器对经过编码处理后的待识别的医疗图像进行解码处理,得到处理后的医疗图像,并采用目标网络模型,获取处理后的医疗图像中的病灶区域。
S504、接收服务器发送的处理后的医疗图像中的病灶区域。
在本实施例中,当服务器发送的处理后的医疗图像中的病灶区域是经过编码的,则采用目标解码网络模型,对其进行解码。
在本实施例中,采用目标编码网络模型对待识别的医疗图像进行编码处理,可以准确地对图像进行压缩,保证解码后的图像的准确度,然后将经过编码处理后的待识别的医疗图像发送给服务器,提高图像的传输效率,并保证图像的传输效果。
图7为本发明实施例提供的图像识别设备的结构示意图一,该图像识别识别应用于服务器。如图7所示,该图像识别设备70包括:第一收发模块701和第一处理模块702。
其中,第一收发模块701,用于获取用户终端发送的经过编码处理后的待识别的医疗图像。
第一处理模块702,用于对待识别的医疗图像进行解码处理,得到处理后的医疗图像。
第一处理模块702,还用于采用目标网络模型,对处理后的医疗图像进行处理,以获取处理后的医疗图像中的病灶区域,其中目标网络模型是通过对基础网络模型训练得到的。
第一收发模块701,还用于将处理后的医疗图像中的病灶区域发送给用户终端。
在一种可能的设计中,第一处理模块702,还用于:
采用目标解码网络模型,对待识别的医疗图像进行解码处理,以获取处理后的医疗图像,其中目标解码网络模型用于对医疗图像进行解码处理。
在一种可能的设计中,第一处理模块702,还用于:
获取解码权重参数,并对解码权重参数进行组合,得到多个解码权重参数集合。从多个解码权重参数集合中确定目标解码权重参数集合。获取第一样本图像,并根据第一样本图像对基础解码网络模型中的解码权重参数进行训练和测试,得到目标解码网络模型,其中基础解码网络模型中的解码权重参数与目标解码权重参数集合所包括的解码权重参数相同。
在一种可能的设计中,第一处理模块702,还用于:
对于每个解码权重参数集合,基于解码权重参数集合,对第一样本图像进行解码处理,得到解码权重参数集合对应的样本图像,并将解码权重参数集合对应的样本图像与第一样本图像进行对比,得到解码权重参数集合对应的图像准确度。查找图像准确度最高的解码权重参数集合,并将其确定为目标解码权重参数集合。
在一种可能的设计中,第一处理模块702,还用于:
获取第二样本图像,并对第二样本图像进行分类,得到阳性样本图像和阴性样本图像。根据阳性样本图像和阴性样本图像对基础网络模型进行训练和测试,得到目标网络模型。
在一种可能的设计中,第一处理模块702,还用于:
对于每张第二样本图像,基于预设选择性搜索算法,提取第二样本图像的感兴趣区域。对第二样本图像的感兴趣区域和第二样本图像的预设标定区域进行交并比计算,得到交并比值。在交并比值大于预设分类阈值时,确定第二样本图像为阳性样本图像。在交并比值小于或等于预设分类阈值时,确定第二样本图像为阴性性样本图像。
本实施例提供的设备,可用于执行上述图2和/或图3方法实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
图8为本发明实施例提供的图像识别设备的结构示意图二,该图像识别识别应用于用户终端。如图8所示,该图像识别设备80包括:第二处理模块801和第二收发模块802。
第二处理模块801,用于获取待识别的医疗图像,并对待识别的医疗图像进行编码处理。
第二收发模块802,用于将经过编码处理后的待识别的医疗图像发送给服务器,以使服务器对经过编码处理后的待识别的医疗图像进行解码处理,得到处理后的医疗图像,并采用目标网络模型,获取处理后的医疗图像中的病灶区域。
第二收发模块802,还用于接收服务器发送的处理后的医疗图像中的病灶区域。
在一种可能的设计中,第二处理模块801还用于:
采用目标编码网络模型,对待识别的医疗图像进行编码处理,以获取处理后的医疗图像,其中目标编码网络模型用于对医疗图像进行编码处理。
本实施例提供的设备,可用于执行上述图4和/或图5方法实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
图9为本发明实施例提供的图像识别设备的硬件结构示意图。如图9所示,本实施例的图像识别设备90包括:处理器901以及存储器902;其中,
存储器902,用于存储计算机执行指令;
处理器901,用于执行存储器存储的计算机执行指令,以实现上述实施例中接收设备所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
可选地,存储器902既可以是独立的,也可以跟处理器901集成在一起。
当存储器902独立设置时,该列车用户识别设备还包括总线903,用于连接所述存储器902和处理器901。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上所述的图像识别方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,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,例如多个模块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,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,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)或处理器(英文:processor)执行本申请各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application Specific Integrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称:ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解:实现上述各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,执行包括上述各方法实施例的步骤;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。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (12)
1.一种图像识别方法,其特征在于,包括:
获取用户终端发送的经过编码处理后的待识别的医疗图像;
对所述待识别的医疗图像进行解码处理,得到处理后的医疗图像;
采用目标网络模型,对所述处理后的医疗图像进行处理,以获取所述处理后的医疗图像中的病灶区域,其中所述目标网络模型是通过对基础网络模型训练得到的;
将所述处理后的医疗图像中的病灶区域发送给所述用户终端。
2.根据权利要求1所述的方法,其特征在于,所述对所述待识别的医疗图像进行解码处理,得到处理后的医疗图像,包括:
采用目标解码网络模型,对所述待识别的医疗图像进行解码处理,以获取所述处理后的医疗图像,其中所述目标解码网络模型用于对医疗图像进行解码处理。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取解码权重参数,并对所述解码权重参数进行组合,得到多个解码权重参数集合;
从所述多个解码权重参数集合中确定目标解码权重参数集合;
获取第一样本图像,并根据所述第一样本图像对基础解码网络模型中的解码权重参数进行训练和测试,得到所述目标解码网络模型,其中所述基础解码网络模型中的解码权重参数与所述目标解码权重参数集合所包括的解码权重参数相同。
4.根据权利要求3所述的方法,其特征在于,所述从所述多个解码权重参数集合中确定目标解码权重参数集合,包括:
对于每个解码权重参数集合,基于所述解码权重参数集合,对所述第一样本图像进行解码处理,得到所述解码权重参数集合对应的样本图像,并将所述解码权重参数集合对应的样本图像与所述第一样本图像进行对比,得到所述解码权重参数集合对应的图像准确度;
查找图像准确度最高的解码权重参数集合,并将其确定为所述目标解码权重参数集合。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取第二样本图像,并对所述第二样本图像进行分类,得到阳性样本图像和阴性样本图像;
根据所述阳性样本图像和阴性样本图像对基础网络模型进行训练和测试,得到所述目标网络模型。
6.根据权利要求5所述的方法,其特征在于,所述对所述第二样本图像进行分类,得到阳性样本图像和阴性样本图像,包括:
对于每张第二样本图像,基于预设选择性搜索算法,提取所述第二样本图像的感兴趣区域;
对所述第二样本图像的感兴趣区域和所述第二样本图像的预设标定区域进行交并比计算,得到交并比值;
在所述交并比值大于预设分类阈值时,确定所述第二样本图像为阳性样本图像;
在所述交并比值小于或等于所述预设分类阈值时,确定所述第二样本图像为阴性性样本图像。
7.一种图像识别方法,其特征在于,包括:
获取待识别的医疗图像,并对所述待识别的医疗图像进行编码处理;
将经过编码处理后的待识别的医疗图像发送给服务器,以使服务器对所述经过编码处理后的待识别的医疗图像进行解码处理,得到处理后的医疗图像,并采用目标网络模型,获取所述处理后的医疗图像中的病灶区域;
接收服务器发送的所述处理后的医疗图像中的病灶区域。
8.根据权利要求7所述的方法,其特征在于,所述对所述待识别的医疗图像进行编码处理,包括:
采用目标编码网络模型,对所述待识别的医疗图像进行编码处理,其中所述目标编码网络模型用于对医疗图像进行编码处理。
9.一种图像识别设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至6任一项所述的图像识别方法。
10.一种图像识别设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求7至8任一项所述的图像识别方法。
11.一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中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至6任一项所述的图像识别方法。
12.一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中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求7至8任一项所述的图像识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010777473.8A CN111899848B (zh) | 2020-08-05 | 2020-08-05 | 图像识别方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010777473.8A CN111899848B (zh) | 2020-08-05 | 2020-08-05 | 图像识别方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111899848A true CN111899848A (zh) | 2020-11-06 |
CN111899848B CN111899848B (zh) | 2023-07-07 |
Family
ID=73246940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010777473.8A Active CN111899848B (zh) | 2020-08-05 | 2020-08-05 | 图像识别方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111899848B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837788A (zh) * | 2021-02-26 | 2021-05-25 | 西安万像电子科技有限公司 | 医学图像传输方法、装置及存储介质 |
CN113434718A (zh) * | 2021-06-29 | 2021-09-24 | 联仁健康医疗大数据科技股份有限公司 | 确定关联图像的方法、装置、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108427951A (zh) * | 2018-02-08 | 2018-08-21 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、存储介质和计算机设备 |
CN109447940A (zh) * | 2018-08-28 | 2019-03-08 | 天津医科大学肿瘤医院 | 卷积神经网络训练方法、超声图像识别定位方法及系统 |
US10361802B1 (en) * | 1999-02-01 | 2019-07-23 | Blanding Hovenweep, Llc | Adaptive pattern recognition based control system and method |
CN110232383A (zh) * | 2019-06-18 | 2019-09-13 | 湖南省华芯医疗器械有限公司 | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 |
CN110600122A (zh) * | 2019-08-23 | 2019-12-20 | 腾讯医疗健康(深圳)有限公司 | 一种消化道影像的处理方法、装置、以及医疗系统 |
CN110597628A (zh) * | 2019-08-29 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 模型分发方法、装置、计算机可读介质及电子设备 |
CN110599492A (zh) * | 2019-09-19 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 图像分割模型的训练方法、装置、电子设备及存储介质 |
CN110827294A (zh) * | 2019-10-31 | 2020-02-21 | 北京推想科技有限公司 | 网络模型训练方法及装置、病灶区域确定方法及装置 |
CN111209916A (zh) * | 2019-12-31 | 2020-05-29 | 中国科学技术大学 | 病灶识别方法及系统、识别设备 |
CN111462049A (zh) * | 2020-03-09 | 2020-07-28 | 西南交通大学 | 一种乳腺超声造影视频中病灶区形态自动标注方法 |
-
2020
- 2020-08-05 CN CN202010777473.8A patent/CN111899848B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10361802B1 (en) * | 1999-02-01 | 2019-07-23 | Blanding Hovenweep, Llc | Adaptive pattern recognition based control system and method |
CN108427951A (zh) * | 2018-02-08 | 2018-08-21 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、存储介质和计算机设备 |
CN109447940A (zh) * | 2018-08-28 | 2019-03-08 | 天津医科大学肿瘤医院 | 卷积神经网络训练方法、超声图像识别定位方法及系统 |
CN110232383A (zh) * | 2019-06-18 | 2019-09-13 | 湖南省华芯医疗器械有限公司 | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 |
CN110600122A (zh) * | 2019-08-23 | 2019-12-20 | 腾讯医疗健康(深圳)有限公司 | 一种消化道影像的处理方法、装置、以及医疗系统 |
CN110597628A (zh) * | 2019-08-29 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 模型分发方法、装置、计算机可读介质及电子设备 |
CN110599492A (zh) * | 2019-09-19 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 图像分割模型的训练方法、装置、电子设备及存储介质 |
CN110827294A (zh) * | 2019-10-31 | 2020-02-21 | 北京推想科技有限公司 | 网络模型训练方法及装置、病灶区域确定方法及装置 |
CN111209916A (zh) * | 2019-12-31 | 2020-05-29 | 中国科学技术大学 | 病灶识别方法及系统、识别设备 |
CN111462049A (zh) * | 2020-03-09 | 2020-07-28 | 西南交通大学 | 一种乳腺超声造影视频中病灶区形态自动标注方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112837788A (zh) * | 2021-02-26 | 2021-05-25 | 西安万像电子科技有限公司 | 医学图像传输方法、装置及存储介质 |
CN113434718A (zh) * | 2021-06-29 | 2021-09-24 | 联仁健康医疗大数据科技股份有限公司 | 确定关联图像的方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111899848B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919928B (zh) | 医学影像的检测方法、装置和存储介质 | |
JP7297081B2 (ja) | 画像分類方法、画像分類装置、医療用電子機器、画像分類機器、及びコンピュータプログラム | |
US11978548B2 (en) | Apparatus and method for processing medical image using predicted metadata | |
US20180232603A1 (en) | Method and program for computing bone age by deep neural network | |
CN113850753B (zh) | 医学图像信息计算方法、装置、边缘计算设备和存储介质 | |
CN111899848B (zh) | 图像识别方法及设备 | |
US7873196B2 (en) | Medical imaging visibility index system and method for cancer lesions | |
CN111046893B (zh) | 图像相似性确定方法和装置、图像处理方法和装置 | |
WO2020066257A1 (ja) | 分類装置、分類方法、プログラム、ならびに、情報記録媒体 | |
CN112396605B (zh) | 网络训练方法及装置、图像识别方法和电子设备 | |
Koprowski et al. | Assessment of significance of features acquired from thyroid ultrasonograms in Hashimoto's disease | |
CN111028940B (zh) | 肺结节多尺度检测方法、装置、设备及介质 | |
CN114496243A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
US9436889B2 (en) | Image processing device, method, and program | |
CN114445376A (zh) | 图像分割方法及其模型训练方法和相关装置、设备、介质 | |
CN110992312B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
US20220301177A1 (en) | Updating boundary segmentations | |
CN115187512B (zh) | 肝细胞癌大血管侵犯风险预测方法、系统、装置及介质 | |
Carrillo-de-Gea et al. | Detection of normality/pathology on chest radiographs using LBP | |
CN115984300A (zh) | 一种基于平扫ct的肺栓塞识别方法 | |
CN113450306B (zh) | 提供骨折检测工具的方法 | |
KR102258070B1 (ko) | 발의 유형 평가 방법 및 이를 이용한 발의 유형 평가용 디바이스 | |
CN112329876A (zh) | 一种基于影像组学的结直肠癌预后预测方法及设备 | |
CN116798611B (zh) | 肝硬化结节的良恶性质预测装置、方法、设备及介质 | |
Caesarendra et al. | Automated Cobb Angle Measurement for Adolescent Idiopathic Scoliosis Using Convolutional Neural Network. Diagnostics 2022, 12, 396 |
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 |