CN111932564A - 图片识别方法、装置、电子设备及计算机可读存储介质 - Google Patents

图片识别方法、装置、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
CN111932564A
CN111932564A CN202011015349.4A CN202011015349A CN111932564A CN 111932564 A CN111932564 A CN 111932564A CN 202011015349 A CN202011015349 A CN 202011015349A CN 111932564 A CN111932564 A CN 111932564A
Authority
CN
China
Prior art keywords
picture
picture set
initial
model
recognition
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
Application number
CN202011015349.4A
Other languages
English (en)
Other versions
CN111932564B (zh
Inventor
李楠楠
叶苓
刘新卉
周云舒
黄凌云
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011015349.4A priority Critical patent/CN111932564B/zh
Publication of CN111932564A publication Critical patent/CN111932564A/zh
Priority to PCT/CN2020/131990 priority patent/WO2021189910A1/zh
Application granted granted Critical
Publication of CN111932564B publication Critical patent/CN111932564B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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
    • G06T2207/30064—Lung nodule

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能，揭露一种图片识别方法，包括：对初始图片集进行全局目标区域裁剪及像素归一化处理，得到第一标准图片集；利用第一标准图片集进行第一模型训练，得到第一识别模型；对初始图片集进行局部目标区域裁剪、数据增强及像素归一化处理，得到第二标准图片集；利用第二标准图片集进行第二模型训练，得到第二识别模型；当接收到待识别图片时，利用第一识别模型及第二识别模型对待识别图片进行识别及结果判断，得到识别结果。本发明还涉及区块链，所述待识别图片可以存储在区块链节点中。本发明还提出一种图片识别装置、电子设备以及存储介质。本发明可以应用于医疗图片识别的应用场景中。利用本发明可以提高图片识别的准确度。

Description

图片识别方法、装置、电子设备及计算机可读存储介质
技术领域
本发明涉及人工智能领域，尤其涉及一种图片识别方法、装置、电子设备及计算机可读存储介质。
背景技术
随着人工智能的发展，利用图片识别模型对图片进行识别的应用越来越广泛，不仅能够应用在生活中，在医疗科技中也得到了广泛的应用，例如：对病人的胸部CT图片进行识别，辅助医生进行肺结核的诊断。
但是，目前的图片识别模型识别图片是对图片进行全局识别，容易忽略局部的细微特征，导致图片识别的准确度低。
发明内容
本发明提供一种图片识别方法、装置、电子设备及计算机可读存储介质，其主要目标在于提高图片识别的准确度。
为实现上述目的，本发明提供的一种图片识别方法，包括：
获取初始图片集，对所述初始图片集进行全局目标区域裁剪转换及像素归一化处理，得到第一标准图片集；
利用所述第一标准图片集对预构建的第一深度学习模型进行训练，得到第一识别模型；
对所述初始图片集进行局部目标区域裁剪转换、数据增强及像素归一化处理，得到第二标准图片集；
利用所述第二标准图片集对预构建的第二深度学习模型进行训练，得到第二识别模型；
当接收到待识别图片时，利用所述第一识别模型及所述第二识别模型对所述待识别图片进行识别及结果判断，得到识别结果。
可选地，所述对所述初始图片集进行全局目标区域裁剪转换及像素归一化处理，得到第一标准图片集，包括：
裁剪所述初始图片集中每张图片的第一感兴趣区域，得到第一全局图片集；
将所述第一全局图片集中的每张图片填充插值为预设大小，得到第二全局图片集；
对所述第二全局图片集中的每张图片中的每个像素值进行归一化处理，得到所述第一标准图片集。
可选地，所述对所述初始图片集进行局部目标区域裁剪转换、数据增强及像素归一化处理，得到第二标准图片集，包括：
裁剪所述初始图片集中每张图片的第二感兴趣区域，得到初始局部图片集；
根据所述初始图片集中每张图片对应的初始标签对所述初始局部图片集中对应的图片进行标记，得到第一局部图片集；
将所述第一局部图片集中的图片填充插值为预设大小，得到第二局部图片集；
对所述第二局部图片集中的每张图片中的每个像素值进行归一化处理，得到第三局部图片集；
对所述第三局部图片集中的每张图片进行预设角度旋转，以对应的旋转角度进行标签标记，得到所述第二标准图片集。
可选地，所述利用所述第一标准图片集对预构建的第一深度学习模型进行训练，得到第一识别模型，包括：
步骤A：根据预设的卷积池化次数，对所述第一标准图片集进行卷积池化操作，得到特征集；
步骤B：利用预设的激活函数对所述特征集进行计算，得到预测值，获取所述第一标准图片集中每张图片对应的所述初始标签的标签值，根据所述预测值及所述标签值，利用预构建的第一损失函数进行计算，得到第一损失值；
步骤C：对比所述第一损失值与第一预设阈值的大小，当所述第一损失值大于或等于所述第一预设阈值时，返回所述步骤A；当所述第一损失值小于所述第一预设阈值时，停止训练，得到所述第一识别模型。
可选地，所述利用所述第二标准图片集对预构建的第二深度学习模型进行训练，得到第二识别模型，包括：
根据预设的第二损失函数及预设的第三损失函数进行权重计算，得到目标损失函数；
根据所述目标损失函数，利用所述第二标准图片集对所述第二深度学习模型进行训练；
当所述目标损失函数的值小于第二预设阈值时，停止训练，得到所述第二识别模型。
可选地，所述利用所述第一识别模型及所述第二识别模型对所述待识别图片进行识别及结果判断，得到目标识别结果，包括：
利用所述第一识别模型对所述待识别图片进行识别，得到第一识别结果；
利用所述第二识别模型对所述待识别图片进行识别，得到第二识别结果；
根据所述第一识别结果及所述第二识别结果进行逻辑运算，得到所述目标识别结果。
可选地，所述初始图片集为病人胸部X光图片集合，所述第一标准图片集为全肺区域图片集合，所述第二标准图片集为上肺部区域图片集合。
为了解决上述问题，本发明还提供一种图片识别装置，所述装置包括：
全局模型生成模块，用于获取初始图片集，对所述初始图片集进行全局目标区域裁剪转换及像素归一化处理，得到第一标准图片集；利用所述第一标准图片集对预构建的第一深度学习模型进行训练，得到第一识别模型；
局部模型生成模块，用于对所述初始图片集进行局部目标区域裁剪转换、数据增强及像素归一化处理，得到第二标准图片集；利用所述第二标准图片集对预构建的第二深度学习模型进行训练，得到第二识别模型；
图片识别模块，用于当接收到待识别图片时，利用所述第一识别模型及所述第二识别模型对所述待识别图片进行识别及结果判断，得到识别结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
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计算机程序指令，所述计算机程序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上述所述的图片识别方法。
为了解决上述问题，本发明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程序，所述计算机程序被处理器执行时实现上述所述的图片识别方法。
本发明实施例中，对所述初始图片集进行全局目标区域裁剪转换及像素归一化处理得到第一标准图片集，利用所述第一标准图片集对预构建的第一深度学习模型进行训练，实现对图片的全局识别；对所述初始图片集进行局部目标区域裁剪转换、数据增强及像素归一化处理，利用所述第二标准图片集对预构建的第二深度学习模型进行训练，得到第二识别模型，实现了对图片的局部识别，本发明实施例所提出的图片识别方法、装置、电子设备及存储介质通过图片全局识别与图片局部识别的双模型互补操作，提高了图片识别的准确度。
附图说明
图1为本发明一实施例提供的图片识别方法的流程示意图；
图2为图1提供的图片识别方法中其中一个步骤的详细流程示意图；
图3为本发明一实施例提供的图片识别装置的模块示意图；
图4为本发明一实施例提供的实现图片识别方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种图片识别方法。参照图1所示，为本发明一实施例提供的图片识别方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，所述图片识别方法包括：
S1、获取初始图片集，对所述初始图片集进行全局目标区域裁剪转换及像素归一化处理，得到第一标准图片集；
本发明实施例中，所述初始图片集可以为包含初始标签的医疗影像图片集合，如包含标签的病人胸部X光片集合，其中，所述初始标签为预设疾病判别标签，如：肺结核与非肺结核。
进一步地，本发明实施例为了排除背景区域的干扰，提高后续模型的训练精度，裁剪所述初始图片集中每张图片的第一感兴趣区域（Region Of Interest，简称ROI区域），得到第一全局图片集，较佳地，本发明实施例中，所述第一感兴趣区域为全肺区域。
进一步地，为了便于后续模型统一处理，本发明实施例将所述第一全局图片集中的每张图片填充插值为预设大小，得到第二全局图片集。
详细地，本发明实施例将所述第一全局图片集中的每张图片填充插值为预设大小，包括：将所述第一全局图片集中的每张图片按照预设规则填充空白像素，得到填充图片集；对所述填充图片集中的每张图片进行图片插值调整为预设大小，得到所述第二全局图片集，其中，所述填充图片集中的图片与所述第二全局图片集中的图片具有相同的长宽比，例如：对所述第一全局图片集中图片A填充插值为预设大小，预设大小为1024*1024，图片A的大小为256*240，利用空白像素将图片A填充为包含图片A的最小正方形图片B, 图片B的大小为256*256，再对图片B进行插值得到大小为1024*1024图片C，完成对图片A的填充插值。
进一步地，本发明实施例中，为了加快后续模型的训练速度，对所述第二全局图片集中的每张图片中的每个像素值进行归一化处理，得到所述第一标准图片集。进一步地，本发明实施例将所述第二全局图片集中的每张图片中的每个原始像素值归一化可用如下公式进行计算：
Figure 215214DEST_PATH_IMAGE001
其中，
Figure 340165DEST_PATH_IMAGE002
表示所述原始像素值，
Figure 230891DEST_PATH_IMAGE003
表示归一化后的所述原始像素值。
综上所述，本发明实施例中，所述对所述初始图片集进行全局目标区域裁剪转换及像素归一化处理，得到第一标准图片集，包括：裁剪所述初始图片集中每张图片的第一感兴趣区域，得到第一全局图片集；将所述第一全局图片集中的每张图片填充插值为预设大小，得到第二全局图片集；对所述第二全局图片集中的每张图片中的每个像素值进行归一化处理，得到所述第一标准图片集。
S2、利用所述第一标准图片集对预构建的第一深度学习模型进行训练，得到第一识别模型；
本发明实施例中，所述第一深度学习模型可以为卷积神经网络模型、残差网络模型。
进一步地，本发明实施例中利用所述第一标准图片集对预构建的第一深度学习模型进行训练，包括：
步骤A：根据预设的卷积池化次数，对所述第一标准图片集进行卷积池化操作，得到特征集；
步骤B：利用预设的激活函数对所述特征集进行计算得到预测值，获取所述标准图片集中每张图片对应的所述初始标签的标签值，根据所述预测值及所述标签值，利用预构建的第一损失函数进行计算，得到第一损失值；
本发明实施例中所述标签值与所述初始标签是一一对应的，例如：所述初始标签共有肺结核与非肺结核两种标签，肺结核标签对应的标签值为1，非肺结核标签对应的标签值为0。
步骤C：对比所述第一损失值与第一预设阈值的大小，当所述第一损失值大于或等于所述第一预设阈值时，返回所述步骤A；当所述第一损失值小于所述第一预设阈值时，停止训练，得到所述第一识别模型。
详细地，本发明实施例中所述对所述第一标准图片集进行卷积池化操作得到第一特征集，包括：对所述第一标准图片集进行卷积操作得到第一卷积数据集；对所述第一卷积数据集进行最大池化操作得到所述第一特征集。
进一步地，所述卷积操作为：
Figure 669963DEST_PATH_IMAGE004
其中，
Figure 8540DEST_PATH_IMAGE005
表示所述第一卷积数据集的通道数，
Figure 992808DEST_PATH_IMAGE007
表示所述第一标准图片集的通道数，
Figure 620098DEST_PATH_IMAGE008
为预设卷积核的大小，
Figure 862861DEST_PATH_IMAGE009
为预设卷积操作的步幅，
Figure 259207DEST_PATH_IMAGE010
为预设数据补零矩阵。
进一步地，本发明较佳实施例所述第一激活函数包括：
Figure 464974DEST_PATH_IMAGE011
其中，
Figure 313982DEST_PATH_IMAGE012
表示所述预测值，s表示所述特征集中的数据。
详细地，本发明较佳实施例所述第一损失函数包括：
Figure 642326DEST_PATH_IMAGE013
其中，
Figure 893179DEST_PATH_IMAGE014
表示所述第一损失值，
Figure 734096DEST_PATH_IMAGE016
为所述第一标准图片集的数据数目，
Figure 335978DEST_PATH_IMAGE017
为正整数，
Figure 671276DEST_PATH_IMAGE018
为所述标签值，
Figure 307794DEST_PATH_IMAGE019
为所述预测值。
S3、对所述初始图片集进行局部目标区域裁剪转换、数据增强及像素归一化处理，得到第二标准图片集；
本发明实施例中，所述第一标准图片集中的图片是全局图片，所以所述第一识别模型为全局识别模型，但是实际应用所述全局识别模型通常会忽略对应局部位置的细微特征导致漏检，因此，需要利用局部位置图片集合再训练一个局部识别的模型作为对所述第一识别模型的补充，例如：所述第一识别模型为对全肺进行识别的全局识别的模型，但是上肺部有轻微的病灶的情形（如纤维化、多发性小斑点）容易漏掉，因此，利用上肺部图片训练对上肺部分类的局部识别模型作为对所述第一识别模型的补充；所以对所述初始图片集进行局部目标区域裁剪转换、数据增强及像素归一化处理，得到第二标准图片集，其中，所述第二标准图片集中的图片为局部位置图片，例如：所述第一标准图片集中的图片为全肺区域图片，所述第二标准图片集中的图片为上肺部区域图片。
详细地，参照图2所示，本发明实施例中所述对所述初始图片集进行局部目标区域裁剪转换、数据增强及像素归一化处理，包括：
S31、裁剪所述初始图片集中每张图片的第二感兴趣区域，得到初始局部图片集；
较佳地，本发明实施例中，所述第二感兴趣区域为上肺部区域。
S32、根据所述初始图片集中每张图片对应的所述初始标签对所述初始局部图片集中对应的图片进行标记，得到第一局部图片集；
例如：所述初始图片集中的图片A标签为肺结核，标签位置为左上肺，经过S31的处理，通过图片A得到左上肺图片a及右上肺图片b，根据图片A的标签将图片a标记为肺结核标签，将图片b标记为非肺结核标签。
本发明实施例中，下述图片处理过程只是对第一局部图片集中的图片进行处理，不会影响图片对应的标签。
S33、将所述第一局部图片集中的图片填充插值为预设大小，得到第二局部图片集；
S34、对所述第二局部图片集中的每张图片中的每个像素值进行归一化处理，得到第三局部图片集；
S35、对所述第三局部图片集中的每张图片进行预设角度旋转，以对应的旋转角度进行标签标记，得到所述第二标准图片集；
本发明实施例中，为了提高后续模型的泛化能力，利用本领域技术人员熟知的自监督学习模型训练的数据处理方法对所述第三局部图片集中的每张图片进行角度调整及对应的角度标签标记，例如：对所述第三局部图片集中的图片进行随机0°、90°、180°、270°旋转，且进行旋转角度标签标记，得到所述第二标准图片集。
详细地，所述第二标准图片集中的图片具有双重标签，分别为所述初始标签及所述旋转角度标签，例如：图片A的初始标签为肺结核，旋转角度标签为90°。
S4、利用所述第二标准图片集对预构建的第二深度学习模型进行训练，得到第二识别模型；
本发明实施例中，所述第二深度学习模型可以为卷积神经网络模型、残差网络模型。
详细地，本发明实施例中，利用所述第二标准图片集对预构建的第二深度学习模型进行训练包括：
步骤I：根据预设的第二损失函数及预设的第三损失函数进行权重计算，得到目标损失函数；
详细地，本发明实施例中，所述第二标准图片集中的图片具有双重标签，分别为所述初始标签与所述旋转角度标签，因此模型训练过程中会产生两种类别的预测结果，为了对所述两种类别的预测结果分别进行衡量，需要两个损失函数，分别为所述第二损失函数及所述第三损失函数，所述第二损失函数为所述初始标签对应的损失函数，所述第三损失函数为所述旋转角度标签对应的损失函数。
进一步地，为了很好的衡量模型的训练进度，根据预设的第二损失函数及预设的第三损失函数进行权重计算，所述权重计算可用以下公式表示：
Figure 522874DEST_PATH_IMAGE020
其中，
Figure 346474DEST_PATH_IMAGE022
为所述目标损失函数，
Figure 734730DEST_PATH_IMAGE023
为所述第二损失函数；
Figure 507645DEST_PATH_IMAGE024
为所述第三损失函数，
Figure 690364DEST_PATH_IMAGE025
为预设权重系数。
较佳地，所述权重系数为0.1。
步骤II：根据所述目标损失函数，利用所述第二标准图片集对所述第二深度学习模型进行训练；当所述目标损失函数的值小于第二预设阈值时，停止训练，得到所述第二识别模型。
S5、当接收到待识别图片时，利用所述第一识别模型及所述第二识别模型对所述待识别图片进行识别及结果判断，得到目标识别结果。
本发明实施例中所述待识别图片与所述初始图片集中图片格式相同，较佳地，本发明实施例中所述待识别图片为医疗科技中的医学影像图片，如：病人胸部X光片。
进一步地，本发明实施例分别利用所述第一识别模型及所述第二识别模型对所述待识别图片进行识别，利用所述第一识别模型对所述待识别图片进行识别得到第一识别结果；利用所述第二识别模型对所述待识别图片进行识别得到第二识别结果，其中，所述第二识别结果中包括疾病识别结果及图片旋转角度结果，较佳地，本发明实施例中所述疾病识别结果为肺结核识别结果。
进一步地，本发明实施例中所述根据所述第一识别结果及所述第二识别结果进行逻辑运算，得到所述目标识别结果，其中，本发明实施例中所述逻辑运算为或、与两种逻辑运算，例如：所述第一识别结果为肺结核阳性，所述第二识别结果中的疾病识别结果中的疾病识别结果为肺结核阴性，或所述第一识别结果为肺结核阴性，所述第二识别结果中的疾病识别结果为肺结核阳性，则所述目标识别结果为肺结核阳性；当所述第一识别结果与所述第二识别结果中的疾病识别结果均为肺结核阴性，则所述目标识别结果为肺结核阴性；当所述当所述第一识别结果与所述第二识别结果中的疾病识别结果均为肺结核阳性，则所述目标识别结果为肺结核阳性。
本发明的另一实施例中，为了保证数据的隐私性，所述待识别图片可以存储在区块链中。
本发明实施例中，对所述初始图片集进行全局目标区域裁剪转换及像素归一化处理得到第一标准图片集，利用所述第一标准图片集对预构建的第一深度学习模型进行训练，提高了模型的训练速度及精度，实现对图片的全局识别；对所述初始图片集进行局部目标区域裁剪转换、数据增强及像素归一化处理，利用所述第二标准图片集对预构建的第二深度学习模型进行训练，得到第二识别模型，提高了模型的训练速度，增强了模型的鲁棒性，实现了对图片的局部识别；当接收到待识别图片时，利用所述第一识别模型及所述第二识别模型对所述待识别图片进行识别及结果判断，得到识别结果，通过双模型的进行图片全局识别与图片局部识别的互补操作，提高图片识别的准确度。
如图3所示，是本发明图片识别装置的功能模块图。
本发明所述图片识别装置100可以安装于电子设备中。根据实现的功能，所述图片识别装置可以包括全局模型生成模块101、局部模型生成模块102、图片识别模块103。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述全局模型生成模块101用于获取初始图片集，对所述初始图片集进行全局目标区域裁剪转换及像素归一化处理，得到第一标准图片集；利用所述第一标准图片集对预构建的第一深度学习模型进行训练，得到第一识别模型。
本发明实施例中，所述初始图片集可以为包含初始标签的医疗影像图片集合，如包含标签的病人胸部X光片集合，其中，所述初始标签为预设疾病判别标签，如：肺结核与非肺结核。
进一步地，本发明实施例为了排除背景区域的干扰，提高后续模型的训练精度，所述全局模型生成模块101裁剪所述初始图片集中每张图片的第一感兴趣区域，得到第一全局图片集，较佳地，本发明实施例中，所述第一感兴趣区域为全肺区域。
进一步地，为了便于后续模型统一处理，本发明实施例所述全局模型生成模块101将所述第一全局图片集中的每张图片填充插值为预设大小，得到第二全局图片集。
详细地，本发明实施例所述全局模型生成模块101利用如下手段将所述第一全局图片集中的每张图片填充插值为预设大小，包括：将所述第一全局图片集中的每张图片按照预设规则填充空白像素，得到填充图片集；对所述填充图片集中的每张图片进行图片插值调整为预设大小，得到所述第二全局图片集，其中，所述填充图片集中的图片与所述第二全局图片集中的图片具有相同的长宽比，例如：对所述第一全局图片集中图片A填充插值为预设大小，预设大小为1024*1024，图片A的大小为256*240，利用空白像素将图片A填充为包含图片A的最小正方形图片B, 图片B的大小为256*256，再对图片B进行插值得到大小为1024*1024图片C完成对图片A的填充插值。
进一步地，本发明实施例中，为了加快后续模型的训练速度，所述全局模型生成模块101对所述第二全局图片集中的每张图片中的每个像素值进行归一化处理，得到所述第一标准图片集。进一步地，本发明实施例所述全局模型生成模块101将所述第二全局图片集中的每张图片中的每个原始像素值归一化可用如下公式进行计算：
Figure 266839DEST_PATH_IMAGE001
其中，
Figure 396469DEST_PATH_IMAGE002
表示所述原始像素值，
Figure 23891DEST_PATH_IMAGE003
表示归一化后的所述原始像素值。
综上所述，本发明实施例中，所述全局模型生成模块101对所述初始图片集进行全局目标区域裁剪转换及像素归一化处理，得到第一标准图片集，包括：裁剪所述初始图片集中每张图片的第一感兴趣区域，得到第一全局图片集；将所述第一全局图片集中的每张图片填充插值为预设大小，得到第二全局图片集；对所述第二全局图片集中的每张图片中的每个像素值进行归一化处理，得到所述第一标准图片集。
本发明实施例中，所述第一深度学习模型可以为卷积神经网络模型、残差网络模型。
进一步地，本发明实施例中所述全局模型生成模块101利用如下手段对预构建的第一深度学习模型进行训练，包括：
步骤A：根据预设的卷积池化次数，对所述第一标准图片集进行卷积池化操作，得到特征集；
步骤B：利用预设的激活函数对所述特征集进行计算得到预测值，获取所述标准图片集中每张图片对应的所述初始标签的标签值，根据所述预测值及所述标签值，利用预构建的第一损失函数进行计算，得到第一损失值；
本发明实施例中所述标签值与所述初始标签是一一对应的，例如：所述初始标签共有肺结核与非肺结核两种标签，肺结核标签对应的标签值为1，非肺结核标签对应的标签值为0。
步骤C：对比所述第一损失值与第一预设阈值的大小，当所述第一损失值大于或等于所述第一预设阈值时，返回所述步骤A；当所述第一损失值小于所述第一预设阈值时，停止训练，得到所述第一识别模型。
详细地，本发明实施例中所述全局模型生成模块101对所述第一标准图片集进行卷积池化操作得到第一特征集，包括：对所述第一标准图片集进行卷积操作得到第一卷积数据集；对所述第一卷积数据集进行最大池化操作得到所述第一特征集。
进一步地，所述卷积操作为：
Figure 846353DEST_PATH_IMAGE004
其中，
Figure 644545DEST_PATH_IMAGE005
表示所述第一卷积数据集的通道数，
Figure 640183DEST_PATH_IMAGE007
表示所述第一标准图片集的通道数，
Figure 325373DEST_PATH_IMAGE008
为预设卷积核的大小，
Figure 318737DEST_PATH_IMAGE009
为预设卷积操作的步幅，
Figure 604225DEST_PATH_IMAGE010
为预设数据补零矩阵。
进一步地，本发明较佳实施例所述激活函数包括：
Figure 872395DEST_PATH_IMAGE011
其中，
Figure 192518DEST_PATH_IMAGE012
表示所述预测值，s表示所述特征集中的数据。
详细地，本发明较佳实施例所述第一损失函数包括：
Figure 356783DEST_PATH_IMAGE013
其中，
Figure 411458DEST_PATH_IMAGE014
表示所述第一损失值，
Figure 686582DEST_PATH_IMAGE016
为所述第一标准图片集的数据数目，
Figure 861211DEST_PATH_IMAGE017
为正整数，
Figure 275006DEST_PATH_IMAGE018
为所述标签值，
Figure 535086DEST_PATH_IMAGE019
为所述预测值。
所述局部模型生成模块102用于对所述初始图片集进行局部目标区域裁剪转换、数据增强及像素归一化处理，得到第二标准图片集；利用所述第二标准图片集对预构建的第二深度学习模型进行训练，得到第二识别模型。
本发明实施例中，所述第一标准图片集中的图片是全局图片，所以所述第一识别模型为全局识别模型，但是实际应用所述全局识别模型通常会忽略对应局部位置的细微特征导致漏检，因此，需要利用局部位置图片集合再训练一个局部识别的模型作为对所述第一识别模型的补充，例如：所述第一识别模型为对全肺进行识别的全局识别的模型，但是上肺部有轻微的病灶的情形（如纤维化、多发性小斑点）容易漏掉，因此，利用上肺部图片训练对上肺部分类的局部识别模型作为对所述第一识别模型的补充；所以对所述初始图片集进行局部目标区域裁剪转换、数据增强及像素归一化处理，得到第二标准图片集，其中，所述第二标准图片集中的图片为局部位置图片，例如：所述第一标准图片集中的图片为全肺区域图片，所述第二标准图片集中的图片为上肺部区域图片。
详细地，本发明实施例中所述局部模型生成模块102利用如下手段对所述初始图片集进行局部目标区域裁剪转换、数据增强及像素归一化处理，包括：
裁剪所述初始图片集中每张图片的第二感兴趣区域，得到初始局部图片集；
较佳地，本发明实施例中，所述第二感兴趣区域为上肺部区域。
根据所述初始图片集中每张图片对应的所述初始标签对所述初始局部图片集中对应的图片进行标记，得到第一局部图片集；
例如：所述初始图片集中的图片A标签为肺结核，标签位置为左上肺，经过上述处理，通过图片A得到左上肺图片a及右上肺图片b，根据图片A的标签将图片a标记为肺结核标签，将图片b标记为非肺结核标签。
本发明实施例中，下述图片处理过程只是对第一局部图片集中的图片进行处理，不会影响图片对应的标签。
将所述第一局部图片集中的图片填充插值为预设大小，得到第二局部图片集；
对所述第二局部图片集中的每张图片中的每个像素值进行归一化处理，得到第三局部图片集；
对所述第三局部图片集中的每张图片进行预设角度旋转，以对应的旋转角度进行标签标记，得到所述第二标准图片集；
本发明实施例中，为了提高后续模型的泛化能力，利用本领域技术人员熟知的自监督学习模型训练的数据处理方法对所述第三局部图片集中的每张图片进行角度调整及对应的角度标签标记，例如：对所述第三局部图片集中的图片进行随机0°、90°、180°、270°旋转，且进行旋转角度标签标记，得到所述第二标准图片集。
详细地，所述第二标准图片集中的图片具有双重标签，分别为所述初始标签及所述旋转角度标签，例如：图片A的初始标签为肺结核，旋转角度标签为90°。
本发明实施例中，所述第二深度学习模型可以为卷积神经网络模型、残差网络模型。
详细地，本发明实施例中，所述局部模型生成模块102利用如下手段对预构建的第二深度学习模型进行训练包括：
根据预设的第二损失函数及预设的第三损失函数进行权重计算，得到目标损失函数；
详细地，本发明实施例中，所述第二标准图片集中的图片具有双重标签分别为所述初始标签与所述旋转角度标签，因此模型训练过程中会产生两种类别的预测结果，为了对所述两种类别的预测结果分别进行衡量，需要两个损失函数，分别为所述第二损失函数及所述第三损失函数，所述第二损失函数为所述初始标签对应的损失函数，所述第三损失函数为所述旋转角度标签对应的损失函数。
进一步地，为了很好的衡量模型的训练进度，根据预设的第二损失函数及预设的第三损失函数进行权重计算，所述权重计算可用以下公式表示：
所述权重计算可用以下公式表示：
Figure 348321DEST_PATH_IMAGE020
其中，
Figure 377457DEST_PATH_IMAGE022
为所述目标损失函数，
Figure 680262DEST_PATH_IMAGE023
为所述第二损失函数；
Figure 178371DEST_PATH_IMAGE024
为所述第三损失函数，
Figure 592035DEST_PATH_IMAGE025
为预设权重系数。
较佳地，所述权重系数为0.1。
根据所述目标损失函数，利用所述第二标准图片集对所述第二深度学习模型进行训练；当所述目标损失函数的值小于第二预设阈值时，停止训练，得到所述第二识别模型。
所述图片识别模块103用于当接收到待识别图片时，利用所述第一识别模型及所述第二识别模型对所述待识别图片进行识别及结果判断，得到识别结果。
本发明实施例中所述待识别图片与所述初始图片集中图片格式相同，较佳地，本发明实施例中所述待识别图片为医疗科技中的医学影像图片，如：病人胸部X光片。
进一步地，本发明实施例所述图片识别模块103分别利用所述第一识别模型及所述第二识别模型对所述待识别图片进行识别，利用所述第一识别模型对所述待识别图片进行识别得到第一识别结果；利用所述第二识别模型对所述待识别图片进行识别得到第二识别结果，其中，所述第二识别结果中包括疾病识别结果及图片旋转角度结果，较佳地，本发明实施例中所述疾病识别结果为肺结核识别结果。
进一步地，本发明实施例中所述图片识别模块103利用如下手段根据所述第一识别结果及所述第二识别结果进行逻辑运算，得到所述目标识别结果，其中，本发明实施例中所述逻辑运算为或、与两种逻辑运算，例如：所述第一识别结果为肺结核阳性，所述第二识别结果中的疾病识别结果中的疾病识别结果为肺结核阴性，或所述第一识别结果为肺结核阴性，所述第二识别结果中的疾病识别结果为肺结核阳性，则所述目标识别结果为肺结核阳性；当所述第一识别结果与所述第二识别结果中的疾病识别结果均为肺结核阴性，则所述目标识别结果为肺结核阴性；当所述当所述第一识别结果与所述第二识别结果中的疾病识别结果均为肺结核阳性，则所述目标识别结果为肺结核阳性。
本发明的另一实施例中，为了保证数据的隐私性，所述待识别图片可以存储在区块链中。
如图4所示，是本发明实现图片识别方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如图片识别程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如图片识别程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如图片识别程序等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的图片识别程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取初始图片集，对所述初始图片集进行全局目标区域裁剪转换及像素归一化处理，得到第一标准图片集；
利用所述第一标准图片集对预构建的第一深度学习模型进行训练，得到第一识别模型；
对所述初始图片集进行局部目标区域裁剪转换、数据增强及像素归一化处理，得到第二标准图片集；
利用所述第二标准图片集对预构建的第二深度学习模型进行训练，得到第二识别模型；
当接收到待识别图片时，利用所述第一识别模型及所述第二识别模型对所述待识别图片进行识别及结果判断，得到识别结果。
具体地，所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
进一步地，所述计算机可用存储介质可主要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、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
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，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置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。
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标。
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，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集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模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种图片识别方法，其特征在于，所述方法包括：
获取初始图片集，对所述初始图片集进行全局目标区域裁剪转换及像素归一化处理，得到第一标准图片集；
利用所述第一标准图片集对预构建的第一深度学习模型进行训练，得到第一识别模型；
对所述初始图片集进行局部目标区域裁剪转换、数据增强及像素归一化处理，得到第二标准图片集；
利用所述第二标准图片集对预构建的第二深度学习模型进行训练，得到第二识别模型；
当接收到待识别图片时，利用所述第一识别模型及所述第二识别模型对所述待识别图片进行识别及结果判断，得到识别结果。
2.如权利要求1所述的图片识别方法，其特征在于，所述对所述初始图片集进行全局目标区域裁剪转换及像素归一化处理，得到第一标准图片集，包括：
裁剪所述初始图片集中每张图片的第一感兴趣区域，得到第一全局图片集；
将所述第一全局图片集中的每张图片填充插值为预设大小，得到第二全局图片集；
对所述第二全局图片集中的每张图片中的每个像素值进行归一化处理，得到所述第一标准图片集。
3.如权利要求1所述的图片识别方法，其特征在于，所述对所述初始图片集进行局部目标区域裁剪转换、数据增强及像素归一化处理，得到第二标准图片集，包括：
裁剪所述初始图片集中每张图片的第二感兴趣区域，得到初始局部图片集；
根据所述初始图片集中每张图片对应的初始标签对所述初始局部图片集中对应的图片进行标记，得到第一局部图片集；
将所述第一局部图片集中的图片填充插值为预设大小，得到第二局部图片集；
对所述第二局部图片集中的每张图片中的每个像素值进行归一化处理，得到第三局部图片集；
对所述第三局部图片集中的每张图片进行预设角度旋转，以对应的旋转角度进行标签标记，得到所述第二标准图片集。
4.如权利要求3所述的图片识别方法，其特征在于，所述利用所述第一标准图片集对预构建的第一深度学习模型进行训练，得到第一识别模型，包括：
步骤A：根据预设的卷积池化次数，对所述第一标准图片集进行卷积池化操作，得到特征集；
步骤B：利用预设的激活函数对所述特征集进行计算，得到预测值，获取所述第一标准图片集中每张图片对应的所述初始标签的标签值，根据所述预测值及所述标签值，利用预构建的第一损失函数进行计算，得到第一损失值；
步骤C：对比所述第一损失值与第一预设阈值的大小，当所述第一损失值大于或等于所述第一预设阈值时，返回所述步骤A；当所述第一损失值小于所述第一预设阈值时，停止训练，得到所述第一识别模型。
5.如权利要求1所述的图片识别方法，其特征在于，所述利用所述第二标准图片集对预构建的第二深度学习模型进行训练，得到第二识别模型，包括：
根据预设的第二损失函数及预设的第三损失函数进行权重计算，得到目标损失函数；
根据所述目标损失函数，利用所述第二标准图片集对所述第二深度学习模型进行训练；
当所述目标损失函数的值小于第二预设阈值时，停止训练，得到所述第二识别模型。
6.如权利要求1所述的图片识别方法，其特征在于，所述利用所述第一识别模型及所述第二识别模型对所述待识别图片进行识别及结果判断，得到目标识别结果，包括：
利用所述第一识别模型对所述待识别图片进行识别，得到第一识别结果；
利用所述第二识别模型对所述待识别图片进行识别，得到第二识别结果；
根据所述第一识别结果及所述第二识别结果进行逻辑运算，得到所述目标识别结果。
7.如权利要求1至6中任何一项所述的图片识别方法，其特征在于，所述初始图片集为病人胸部X光图片集合，所述第一标准图片集为全肺区域图片集合，所述第二标准图片集为上肺部区域图片集合。
8.一种图片识别装置，其特征在于，所述装置包括：
全局模型生成模块，用于获取初始图片集，对所述初始图片集进行全局目标区域裁剪转换及像素归一化处理，得到第一标准图片集；利用所述第一标准图片集对预构建的第一深度学习模型进行训练，得到第一识别模型；
局部模型生成模块，用于对所述初始图片集进行局部目标区域裁剪转换、数据增强及像素归一化处理，得到第二标准图片集；利用所述第二标准图片集对预构建的第二深度学习模型进行训练，得到第二识别模型；
图片识别模块，用于当接收到待识别图片时，利用所述第一识别模型及所述第二识别模型对所述待识别图片进行识别及结果判断，得到识别结果。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序指令，所述计算机程序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如权利要求1至7中任一所述的图片识别方法。
10.一种计算机可读存储介质，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如权利要求1至7中任一所述的图片识别方法。
CN202011015349.4A 2020-09-24 2020-09-24 图片识别方法、装置、电子设备及计算机可读存储介质 Active CN111932564B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011015349.4A CN111932564B (zh) 2020-09-24 2020-09-24 图片识别方法、装置、电子设备及计算机可读存储介质
PCT/CN2020/131990 WO2021189910A1 (zh) 2020-09-24 2020-11-27 图片识别方法、装置、电子设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011015349.4A CN111932564B (zh) 2020-09-24 2020-09-24 图片识别方法、装置、电子设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111932564A true CN111932564A (zh) 2020-11-13
CN111932564B CN111932564B (zh) 2021-03-02

Family

ID=73334154

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011015349.4A Active CN111932564B (zh) 2020-09-24 2020-09-24 图片识别方法、装置、电子设备及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN111932564B (zh)
WO (1) WO2021189910A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112951233A (zh) * 2021-03-30 2021-06-11 平安科技（深圳）有限公司 语音问答方法、装置、电子设备及可读存储介质
WO2021189910A1 (zh) * 2020-09-24 2021-09-30 平安科技（深圳）有限公司 图片识别方法、装置、电子设备及计算机可读存储介质
CN113469296A (zh) * 2021-09-03 2021-10-01 广东众聚人工智能科技有限公司 基于少量标签数据自监督联合学习的图像分类方法及系统
CN113961067A (zh) * 2021-09-28 2022-01-21 广东新王牌智能信息技术有限公司 基于深度学习的非接触式涂鸦绘制方法与识别交互系统
CN114511569A (zh) * 2022-04-20 2022-05-17 中南大学湘雅医院 基于肿瘤标志物的医学图像识别方法、装置、设备及介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115564656B (zh) * 2022-11-11 2023-04-28 成都智元汇信息技术股份有限公司 一种基于调度的多图合并识图方法及装置
CN116129206B (zh) * 2023-04-14 2023-06-23 吉林大学 图像解耦表征学习的处理方法、装置及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105139390A (zh) * 2015-08-14 2015-12-09 四川大学 一种检测胸透dr片中肺结核病灶的图像处理方法
CN107729911A (zh) * 2017-07-26 2018-02-23 江西中科九峰智慧医疗科技有限公司 一种基于dr的肺结核智能识别方法及系统
CN109961423A (zh) * 2019-02-15 2019-07-02 平安科技（深圳）有限公司 一种基于分类模型的肺结节检测方法、服务器及存储介质
CN110738235A (zh) * 2019-09-16 2020-01-31 平安科技（深圳）有限公司 肺结核判定方法、装置、计算机设备及存储介质
CN110838103A (zh) * 2019-10-29 2020-02-25 重庆金山医疗技术研究院有限公司 一种图像处理方法、装置、诊断设备及计算机存储介质
CN111598867A (zh) * 2020-05-14 2020-08-28 国家卫生健康委科学技术研究所 用于检测特定面部综合征的方法、装置及计算机可读存储介质
CN111695522A (zh) * 2020-06-15 2020-09-22 重庆邮电大学 一种平面内的旋转不变人脸检测方法、装置及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10650286B2 (en) * 2017-09-07 2020-05-12 International Business Machines Corporation Classifying medical images using deep convolution neural network (CNN) architecture
CN111932564B (zh) * 2020-09-24 2021-03-02 平安科技（深圳）有限公司 图片识别方法、装置、电子设备及计算机可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105139390A (zh) * 2015-08-14 2015-12-09 四川大学 一种检测胸透dr片中肺结核病灶的图像处理方法
CN107729911A (zh) * 2017-07-26 2018-02-23 江西中科九峰智慧医疗科技有限公司 一种基于dr的肺结核智能识别方法及系统
CN109961423A (zh) * 2019-02-15 2019-07-02 平安科技（深圳）有限公司 一种基于分类模型的肺结节检测方法、服务器及存储介质
CN110738235A (zh) * 2019-09-16 2020-01-31 平安科技（深圳）有限公司 肺结核判定方法、装置、计算机设备及存储介质
CN110838103A (zh) * 2019-10-29 2020-02-25 重庆金山医疗技术研究院有限公司 一种图像处理方法、装置、诊断设备及计算机存储介质
CN111598867A (zh) * 2020-05-14 2020-08-28 国家卫生健康委科学技术研究所 用于检测特定面部综合征的方法、装置及计算机可读存储介质
CN111695522A (zh) * 2020-06-15 2020-09-22 重庆邮电大学 一种平面内的旋转不变人脸检测方法、装置及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LANJUAN LI ET AL: "AE-CNN Classification of Pulmonary Tuberculosis Based on CT images", 《2018 9TH INTERNATIONAL CONFERENCE ON INFORMATION TECHNOLOGY IN MEDICINE AND EDUCATION》 *
刘洋: "肺结核病灶自动检测方法研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021189910A1 (zh) * 2020-09-24 2021-09-30 平安科技（深圳）有限公司 图片识别方法、装置、电子设备及计算机可读存储介质
CN112951233A (zh) * 2021-03-30 2021-06-11 平安科技（深圳）有限公司 语音问答方法、装置、电子设备及可读存储介质
CN113469296A (zh) * 2021-09-03 2021-10-01 广东众聚人工智能科技有限公司 基于少量标签数据自监督联合学习的图像分类方法及系统
CN113961067A (zh) * 2021-09-28 2022-01-21 广东新王牌智能信息技术有限公司 基于深度学习的非接触式涂鸦绘制方法与识别交互系统
CN113961067B (zh) * 2021-09-28 2024-04-05 广东新王牌智能信息技术有限公司 基于深度学习的非接触式涂鸦绘制方法与识别交互系统
CN114511569A (zh) * 2022-04-20 2022-05-17 中南大学湘雅医院 基于肿瘤标志物的医学图像识别方法、装置、设备及介质

Also Published As

Publication number Publication date
CN111932564B (zh) 2021-03-02
WO2021189910A1 (zh) 2021-09-30

Similar Documents

Publication Publication Date Title
CN111932564B (zh) 图片识别方法、装置、电子设备及计算机可读存储介质
CN111652845A (zh) 异常细胞自动标注方法、装置、电子设备及存储介质
CN111932534B (zh) 医学影像图片分析方法、装置、电子设备及可读存储介质
CN111932547B (zh) 图像中目标物的分割方法、装置、电子设备及存储介质
CN111932562B (zh) 基于ct序列的图像识别方法、装置、电子设备及介质
CN112699775A (zh) 基于深度学习的证件识别方法、装置、设备及存储介质
CN112052850A (zh) 车牌识别方法、装置、电子设备及存储介质
CN111738212B (zh) 基于人工智能的交通信号灯识别方法、装置、设备及介质
CN112137591B (zh) 基于视频流的目标物位置检测方法、装置、设备及介质
CN112580684A (zh) 基于半监督学习的目标检测方法、装置及存储介质
CN111476760B (zh) 医学图像的生成方法、装置、电子设备及介质
CN112885423A (zh) 疾病标签检测方法、装置、电子设备及存储介质
CN114708461A (zh) 基于多模态学习模型的分类方法、装置、设备及存储介质
CN111985449A (zh) 救援现场图像的识别方法、装置、设备及计算机介质
CN111932563B (zh) 图片区域分割方法、装置、电子设备及存储介质
CN112990374A (zh) 图像分类方法、装置、电子设备及介质
CN114511569B (zh) 基于肿瘤标志物的医学图像识别方法、装置、设备及介质
CN113487621A (zh) 医学图像分级方法、装置、电子设备及可读存储介质
CN111933274A (zh) 疾病分类诊断方法、装置、电子设备及存储介质
CN112862703A (zh) 基于移动拍照的图像校正方法、装置、电子设备及介质
CN113065607A (zh) 图像检测方法、装置、电子设备及介质
CN112528903A (zh) 人脸图像获取方法、装置、电子设备及介质
CN111814743A (zh) 笔迹识别方法、装置及计算机可读存储介质
CN112580505B (zh) 网点开关门状态识别方法、装置、电子设备及存储介质
CN112233194B (zh) 医学图片优化方法、装置、设备及计算机可读存储介质

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