CN112950569B - 黑色素瘤图像识别方法、装置、计算机设备及存储介质 - Google Patents

黑色素瘤图像识别方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN112950569B
CN112950569B CN202110212289.3A CN202110212289A CN112950569B CN 112950569 B CN112950569 B CN 112950569B CN 202110212289 A CN202110212289 A CN 202110212289A CN 112950569 B CN112950569 B CN 112950569B
Authority
CN
China
Prior art keywords
image
melanoma
network
model
training
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
CN202110212289.3A
Other languages
English (en)
Other versions
CN112950569A (zh
Inventor
刘杰
王健宗
瞿晓阳
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 CN202110212289.3A priority Critical patent/CN112950569B/zh
Priority to PCT/CN2021/084535 priority patent/WO2022178946A1/zh
Publication of CN112950569A publication Critical patent/CN112950569A/zh
Application granted granted Critical
Publication of CN112950569B publication Critical patent/CN112950569B/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
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T2207/30096—Tumor; Lesion
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

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)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及人工智能领域，公开了一种基于神经网络的黑色素瘤图像识别方法，包括：基于全卷积神经网络分别构建生成式对抗网络模型的图像分割网络和评判网络；获取多个黑色素瘤图像样本，并将所述黑色素瘤图像样本输入到所述生成式对抗网络模型中进行训练，所述图像分割网络用于生成所述黑色素瘤图像样本对应的图像预测结果；所述评判网络用于将所述图像预测结果和图像真实结果进行对抗训练；将训练完成的所述生成式对抗网络模型作为黑色素瘤图像识别模型。本申请还涉及区块链技术领域，本申请还公开了一种基于神经网络的黑色素瘤图像识别装置、计算机设备以及计算机可读存储介质。本申请得到了对黑色素瘤图像识别准确率高的黑色素瘤图像识别模型。

Description

黑色素瘤图像识别方法、装置、计算机设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种基于神经网络的黑色素瘤图像识别方法、基于神经网络的黑色素瘤图像识别装置、计算机设备以及计算机可读存储介质。
背景技术
黑色素瘤通常是指恶性黑色素瘤，由黑色素细胞恶变而来的一种高度恶性的肿瘤。目前，只有很少的深度学习算法被用于辨识其特征来检测黑色素瘤。主要是因为黑色素瘤皮肤癌图像样本相对少，而深度学习算法的训练往往是需要在海量数据样本的基础上实现的，如果使用的黑色素瘤皮肤癌图像的训练样本不够的话，就会导致训练得到的深度学习模型识别黑色素瘤的准确率低下。
上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。
发明内容
本申请的主要目的在于提供一种基于神经网络的黑色素瘤图像识别方法、基于神经网络的黑色素瘤图像识别装置、计算机设备以及计算机可读存储介质，旨在解决如何基于有限数量的训练样本，得到对黑色素瘤图像识别准确率高的黑色素瘤图像识别模型的问题。
为实现上述目的，本申请提供一种基于神经网络的黑色素瘤图像识别方法，包括以下步骤：
基于全卷积神经网络分别构建生成式对抗网络模型的图像分割网络和评判网络，并将所述评判网络对应的全卷积神经网络中的反卷积层替换为全连接层；
获取多个黑色素瘤图像样本，并将所述黑色素瘤图像样本输入到所述图像分割网络中进行训练，以生成所述黑色素瘤图像样本对应的图像预测结果，其中，所述黑色素瘤图像样本标注有图像真实结果；
将所述黑色素瘤图像对应的所述图像预测结果和所述图像真实结果输入到所述评判网络中进行对抗训练，以对所述图像分割网络和所述评判网络对应的模型参数进行优化，并利用所述评判网络的训练结果优化所述全连接层，其中，所述全连接层用于识别所述生成式对抗网络模型的输入图像属于黑色素瘤图像的概率；
在对所述模型参数进行优化的过程中，检测连续生成的所述图像预测结果与所述图像真实结果之间的相似度是否均大于或等于预设相似度；
若是，则判定所述生成式对抗网络模型训练完成，并将训练完成的所述生成式对抗网络模型作为黑色素瘤图像识别模型；
接收到目标图像时，将所述目标图像输入到所述黑色素瘤图像识别模型进行分析，以得到所述目标图像属于黑色素瘤图像的概率。
进一步地，所述将所述黑色素瘤图像对应的所述图像预测结果和所述图像真实结果输入到所述评判网络中进行对抗训练，以对所述图像分割网络和所述评判网络对应的模型参数进行优化的步骤包括：
将所述黑色素瘤图像对应的所述图像预测结果和所述图像真实结果输入到所述评判网络中，利用联合优化公式对所述图像预测结果和所述图像真实结果进行对抗训练，以提高所述图像预测结果与所述图像真实结果之间的相似度；
在得到所述对抗训练对应的训练结果时，根据所述训练结果对所述图像分割网络和所述评判网络对应的模型参数进行优化。
进一步地，所述将训练完成的所述生成式对抗网络模型作为黑色素瘤图像识别模型的步骤之后，还包括：
将所述黑色素瘤图像识别模型存储至区块链网络。
进一步地，所述将所述黑色素瘤图像识别模型存储至区块链网络的步骤之后，还包括：
检测到所述区块链网络上存储的黑色素瘤图像识别模型更新时，从所述区块链网络获取更新后的黑色素瘤图像识别模型对应的模型参数；
根据获取到的模型参数更新本地存储的黑色素瘤图像识别模型。
进一步地，所述接收到目标图像时，将所述目标图像输入到所述黑色素瘤图像识别模型进行分析，以得到所述目标图像属于黑色素瘤图像的概率的步骤包括：
接收到目标图像时，检测所述目标图像的图像质量是否满足预设条件；
若是，则将所述目标图像输入到所述黑色素瘤图像识别模型进行分析，以得到所述目标图像属于黑色素瘤图像的概率；
若否，则输出提示信息，所述提示信息用于提示重新采集目标图像。
进一步地，所述接收到目标图像时，将所述目标图像输入到所述黑色素瘤图像识别模型进行分析，以得到所述目标图像属于黑色素瘤图像的概率的步骤之后，还包括：
检测所述目标图像属于黑色素瘤图像的概率是否大于预设阈值；
若是，则输出所述目标图像对应的告警信息。
进一步地，所述输出所述目标图像对应的告警信息的步骤之后，还包括：
接收到所述告警信息的确定响应时，将所述目标图像作为所述黑色素瘤图像样本，并基于所述目标图像更新所述黑色素瘤图像识别模型。
为实现上述目的，本申请还提供一种基于神经网络的黑色素瘤图像识别装置，所述基于神经网络的黑色素瘤图像识别装置包括：
模型构建模块，用于基于全卷积神经网络分别构建生成式对抗网络模型的图像分割网络和评判网络，并将所述评判网络对应的全卷积神经网络中的反卷积层替换为全连接层；
第一训练模块，用于获取多个黑色素瘤图像样本，并将所述黑色素瘤图像样本输入到所述图像分割网络中进行训练，以生成所述黑色素瘤图像样本对应的图像预测结果，其中，所述黑色素瘤图像样本标注有图像真实结果；
第二训练模块，用于将所述黑色素瘤图像对应的所述图像预测结果和所述图像真实结果输入到所述评判网络中进行对抗训练，以对所述图像分割网络和所述评判网络对应的模型参数进行优化，并利用所述评判网络的训练结果优化所述全连接层，其中，所述全连接层用于识别所述生成式对抗网络模型的输入图像属于黑色素瘤图像的概率；
检测模块，用于在对所述模型参数进行优化的过程中，检测连续生成的所述图像预测结果与所述图像真实结果之间的相似度是否均大于或等于预设相似度；
判定模块，用于若是，则判定所述生成式对抗网络模型训练完成，并将训练完成的所述生成式对抗网络模型作为黑色素瘤图像识别模型；
分析模块，用于接收到目标图像时，将所述目标图像输入到所述黑色素瘤图像识别模型进行分析，以得到所述目标图像属于黑色素瘤图像的概率。
为实现上述目的，本申请还提供一种计算机设备，所述计算机设备包括：
所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述基于神经网络的黑色素瘤图像识别方法的步骤。
为实现上述目的，本申请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上存储有计算机程序，所述计算机程序被处理器执行时实现如上述基于神经网络的黑色素瘤图像识别方法的步骤。
本申请提供的基于神经网络的黑色素瘤图像识别方法、基于神经网络的黑色素瘤图像识别装置、计算机设备以及计算机可读存储介质，通过基于全卷积神经网络构建的生成式对抗网络模型来训练黑色素瘤图像识别模型，以优化模型生成的黑色素瘤图像的预测结果与真实结果之间的相似度，使得模型在对抗式训练过程中可以学习丰富的相似度来区分真假数据，从而降低了对显示像素级目标函数建模的需求，进而减少了训练模型所需的样本数量，以实现基于有限数量的训练样本得到对黑色素瘤图像识别准确率高的黑色素瘤图像识别模型。
附图说明
图1为本申请一实施例中基于神经网络的黑色素瘤图像识别方法步骤示意图；
图2为本申请一实施例的基于神经网络的黑色素瘤图像识别装置示意框图；
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、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
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，在一实施例中，所述基于神经网络的黑色素瘤图像识别方法包括：
步骤S10、基于全卷积神经网络分别构建生成式对抗网络模型的图像分割网络和评判网络，并将所述评判网络对应的全卷积神经网络中的反卷积层替换为全连接层；
步骤S20、获取多个黑色素瘤图像样本，并将所述黑色素瘤图像样本输入到所述图像分割网络中进行训练，以生成所述黑色素瘤图像样本对应的图像预测结果，其中，所述黑色素瘤图像样本标注有图像真实结果；
步骤S30、将所述黑色素瘤图像对应的所述图像预测结果和所述图像真实结果输入到所述评判网络中进行对抗训练，以对所述图像分割网络和所述评判网络对应的模型参数进行优化，并利用所述评判网络的训练结果优化所述全连接层，其中，所述全连接层用于识别所述生成式对抗网络模型的输入图像属于黑色素瘤图像的概率；
步骤S40、在对所述模型参数进行优化的过程中，检测连续生成的所述图像预测结果与所述图像真实结果之间的相似度是否均大于或等于预设相似度；
步骤S50、若是，则判定所述生成式对抗网络模型训练完成，并将训练完成的所述生成式对抗网络模型作为黑色素瘤图像识别模型；
步骤S60、接收到目标图像时，将所述目标图像输入到所述黑色素瘤图像识别模型进行分析，以得到所述目标图像属于黑色素瘤图像的概率。
本实施例中，实施例终端可以是一种计算机设备，也可以是一种基于神经网络的黑色素瘤图像识别装置。
如步骤S10所述：终端利用人工智能和图像识别技术，基于全卷积神经网络(FCN，Fully Convolutional Networks for Semantic Segmentation)构建生成式对抗网络模型(GAN,Generative Adversarial Networks)。
其中，构建得到的生成式对抗网络模型包括图像分割网络和评判网络(或称对抗网络)，所述图像分割网络和所述评判网络均基于原始的全卷积神经网络构建。这样，可以增强图像分割网络分割图像的效果。
进一步地，终端在构建评判网络时，还将评判网络对应的全卷积神经网络中的反卷积层替换为全连接层，以使评判网络具备分类功能，从而使得后续训练完成的评判网络可以识别输入图像属于黑色素瘤图像的概率。
如步骤S20所述：可选的，黑色素瘤图像样本可来源于医院系统保存的临床采集的黑色素瘤图像(例如黑色素瘤皮肤癌图像)，并由相关工程师预先对这些黑色素瘤图像进行标注后生成黑色素瘤图像样本，然后再将一定数量的黑色素瘤图像样本输入到终端。其中，每个黑色素瘤图像样本均标注有其对应的图像真实结果，图像真实结果包括图像属于黑色素瘤图像的概率，且当图像真实结果直接表示图像属于黑色素瘤图像时，则对应的概率应为100％。
当然，考虑到获取到黑色素瘤图像的数量可能比较少，因此也可以采用一部分非黑色素瘤图像(即正常生物器官图像)构建黑色素瘤图像样本，只需在标注其图像真实结果时，标注图像属于黑色素瘤图像的概率为0。
可选的，终端获取到多个黑色素瘤图像样本后，则将黑色素瘤图像样本逐个输入到生成式对抗网络模型中进行训练。
可选的，在生成式对抗网络模型训练的过程中，针对每个黑色素瘤图像样本，均会提取黑色素瘤图像样本中的图像依次输入到图像分割网络中，由图像分割网络对黑色素瘤图像进行图像分割。需要说明的是，在图像分割网络中只需输入黑色素瘤图像样本中的图像本身，而无需输入样本标注的图像真实结果；当然，也可以设置图像分割网络忽略样本中原始标注的图像真实结果。
其中，图像分割网络会基于其对应的全卷积神经网络的输入层的通道数，将输入图像xi转换为各个通道对应的特征图，获取多个通道对应的特征图，得到特征图集合作为多通道特征图：X∈RC×H×W；其中，R为实数集合，C为通道数(可选为红、绿、蓝三原色通道)，H为图像高度，W为图像宽度，即H×W为图像尺寸(可选为400×400)。然后图像分割网络再通过多层残差卷积模块和平均池化操作从多通道特征图中提取图像空间结构信息和图像语义信息，得到待输出的特征图(feature maps)，并在图像分割网络对应的全卷积神经网络的最后的反卷积层中将待输出的特征图反卷积到原始大小的图像尺寸(即H×W)，即可得到图像分割网络输出的对黑色素瘤图像样本进行分析预测的图像预测结果。
需要说明的是，空间信息可以是图中物体两者间的大小、位置关系等；语义信息可以是图像表达的意义，可能会有几层意思，比如描述某图像是一张脑CT图像，图中有一个肿瘤。
此时图像分割网络输出的图像预测结果，会与当前训练的黑色素瘤图像样本关联。应当理解的是，图像预测结果包括预测图像属于黑色素瘤图像的概率(可记为第一概率)。
如步骤S30所述：生成式对抗网络模型将当前训练的黑色素瘤图像样本中的原始图像，以及该黑色素瘤图像样本对应的图像真实结果和图像预测结果输入到评判网络中作进一步的对抗训练。其中，对抗训练是基于对抗学习(adversarial learning)的一种训练方法，对抗学习的过程可以看作是要使得模型的训练目标达到：可以使得模型在一个输入数据上得到的输出结果尽可能与真实的结果一致。
评判网络的输入包括两种情况：一是原始图像+图像预测结果，二是原始图像+图像真实结果；其中，第一种情况的训练目标为0，如果是第二种情况则训练目标为1。
其中，为了方便评判网络读取图像预测结果和图像真实结果，两者均可以掩码标签(或称特征图)的形式表示，其中，掩码标签高度为H，宽度为W，通道数为2，这是由于黑色素瘤皮肤癌图像分为前景和背景两类，而前景是病变区域的像素点集合，因此通道数设为2；将图像预测结果对应的掩码标签记为s(xi)(预测掩码)，将图像真实结果对应的掩码标签记为yi(真实掩码)。
而原始图像(即黑色素瘤图像)xi则其图像可以是高度为H＝400，宽度为W＝400，通道数为3(如红、绿、蓝三色原通道)。当然，掩码标签关联有其属于黑色素瘤皮肤癌图像的概率。
可选的，在评判网络中，主要采用联合优化公式进行对抗训练，公式如下：
其中，S表示图像分割网络在每个像素点的预测类概率，使得所述类概率在每个像素点上归一为1；D为D(xi，y)，表示其中y来自于yi(真实掩码)而不是来自s(xi)(预测掩码)的标量概率估计；xi为原始图像；Js是预测掩码中所有像素平均值的多类交叉熵损失；Jd是评判网络预测时产生的二元逻辑损失。λ是一个调优参数，用于平衡像素损失与对抗损失，通过优化S和D之间交替使用的各自损失函数。
这样，联合优化公式即是通过最小化S，而最大化D来进行联合优化，通过采用半监督学习的方式，提高图像预测结果与图像真实结果之间的相似度，从而达到使图像预测结果趋近于图像真实结果的目的(或者使图像预测结果达到图像真实结果)。
而联合优化对抗训练的结果(即训练结果)，会用于更新生成式对抗网络模型的模型参数，因此在整个生成式对抗网络模型的训练过程中，实质上是对其中的图像分割网络和评判网络进行交替训练的过程。
这样，通过这个对抗训练的过程，进行关键网络学习，可以有效地将这个全局信息转移回图像分割网络，以加强分割效果。
进一步地，在基于评判网络进行对抗训练后得到训练结果后，还可将训练结果输入到评判网络的全连接层中进行分类判别处理，以重新生成当次生成式对抗网络模型对应的输入图像(即黑色素瘤图像样本中的图像)属于黑色素瘤图像的概率(可记为第二概率，相当于对第一概率进行优化后得到的)。而这一过程同时也相当于是对全连接层进行训练优化的过程，通过提高全连接层识别图像特征的能力，以优化全连接层对图像进行分类，并识别出生成式对抗网络模型对应的输入图像(即黑色素瘤图像样本中的图像)属于黑色素瘤图像的概率的能力。
当然，终端获取到的黑色素瘤图像样本也可以是一部分是标记有图像真实结果的，一部分是未标记有图像真实结果的。生成式对抗网络模型在训练的过程中，将未标记有图像真实结果的样本输入到图像分割网络中得到图像预测结果，然后将标记有图像真实结果的样本对应的图像真实结果，以及未标记有图像真实结果的样本对应的图像预测结果，输入到评判网络中进行对抗训练。这样虽然训练过程更久，但比起全使用有标记的样本训练，可以节省人工准备样本的时间，以及最终得到的训练完成的模型的性能更好。
如步骤S40所述：在终端利用评判网络的训练结果对评判网络和图像分割网络对应的模型参数进行优化的过程中，终端在每次基于黑色素瘤图像样本得到相应的图像预测结果后，可以将该图像预测结果与该黑色素瘤图像样本对应的图像真实结果进行相似度校验，以得到图像预测结果与图像真实结果之间的相似度。其中，图像预测结果与图像真实结果之间的相似度越高，则生成两者进行对抗式训练后得到的训练结果属于黑色素瘤图像的概率时，所得到的预测概率的置信度越高。
进一步地，终端检测每个黑色素瘤图像样本对应的图像预测结果与图像真实结果之间的相似度，是否大于或等于预设相似度；其中，所述预设相似度的取值范围可选为90％-100％。
当终端检测到当前黑色素瘤图像样本对应的图像预测结果与图像真实结果之间的相似度大于或等于预设相似度时，则计数加一；当终端检测到当前黑色素瘤图像样本对应的图像预测结果与图像真实结果之间的相似度小于预设相似度时，则将计数清零，并再次基于新的黑色素瘤图像样本训练生成式对抗网络模型。
然后终端可以通过检测相似度大于或等于预设相似度的计数值是否大于预设次数，以此判断生成式对抗网络模型是否训练完成。其中，所述预设次数的实际取值可以根据实际情况需要设置，如设置为至少3次。
这样，只有当连续输入到生成式对抗网络模型进行训练的多个黑色素瘤图像样本，其图像预测结果与图像真实结果之间的相似度均大于预设相似度，则终端才会判定生成式对抗网络模型训练完成。
如步骤S50所述：当终端检测到计数值大于预设次数时，则判定连续生成的所述图像预测结果与所述图像真实结果之间的相似度均大于或等于预设相似度，并进一步判定生成式对抗网络模型训练完成。
这样，当生成式对抗网络模型基于多个黑色素瘤图像进行多次迭代训练后，当模型达到收敛时，就可以实现图像预测结果的分布与图像真实结果的分布重合，即使得图像预测结果与图像真实结果一致，从而使得最终对训练结果进行预测得到的输入图像属于黑色素瘤图像的概率对应的置信度达到最优值(即表示预测结果越可信)。
可选的，当终端判定生成式对抗网络模型训练完成时，则将训练完成的生成式对抗网络模型作为训练得到的黑色素瘤图像识别模型。此时黑色素瘤图像识别模型即可用于识别输入图像是否属于黑色素瘤图像，并输出输入图像属于黑色素瘤图像的概率。
而且，基于生成式对抗网络模型训练得到的黑色素瘤图像识别模型，还可以增强图像分割的整体一致性，并提取黑色素瘤图像中病变色块的轮廓。
如步骤S60所述：终端设有图像采集装置，或者终端与图像采集装置建立有通信连接。在黑色素瘤图像识别模型训练完成后，终端可利用图像采集装置实时采集被检查人员的目标图像。其中，目标图像即为待识别的图像。
可选的，终端接收到目标图像后，则将目标图像作为黑色素瘤图像识别模型的输入图像，将其输入到黑色素瘤图像识别模型进行分析。
在黑色素瘤图像识别模型对目标图像进行分析的过程中，模型中的图像分割网络会将目标图像分割为至少一个器官区域图像(若目标图像中显示有多个器官，则可分割为多个器官区域图像)，并预测得到每个器官区域图像对应的图像预测结果。应当理解的是，图像分割网络识别目标区域(即器官区域)的原理可基于图像识别技术实现。
然后，模型中的评判网络则会对图像分割网络输出的图像预测结果作进一步调整，最终得到目标图像对应的黑色素瘤图像预测结果(即优化图像分割网络输出的第一概率，以得到第二概率)，从而得到所述目标图像属于黑色素瘤图像的概率进行输出。
进一步地，终端获取黑色素瘤图像识别模型输出的黑色素瘤图像预测结果，并将获取得到的黑色素瘤图像预测结果与当前进行识别的目标图像进行关联。
若目标图像分为多个器官区域，则终端还可以在目标图像中各个器官区域的显示区域中标注出各器官对应的黑色素瘤图像预测结果，即标注出各器官区域图像属于黑色素瘤图像的概率，从而达到辅助医护人员快速识别黑色素瘤图像的目的。
这样，通过输出目标图像属于黑色素瘤图像的概率，使得医护人员基于此可以快速识别黑色素瘤图像，且无需对正常图像作进一步鉴别，可以在一定程度上节约医疗资源。
在一实施例中，通过基于全卷积神经网络构建的生成式对抗网络模型来训练黑色素瘤图像识别模型，以优化模型生成的黑色素瘤图像的预测结果与真实结果之间的相似度，使得模型在对抗式训练过程中可以学习丰富的相似度来区分真假数据，从而降低了对显示像素级目标函数建模的需求，减少了训练模型所需的样本数量，无需如传统的神经网络模型一般需要使用海量的数据样本进行模型的训练，只需使用少量的黑色素瘤图像样本即可，从而实现基于有限数量的训练样本得到对黑色素瘤图像识别准确率高的黑色素瘤图像识别模型。
在一实施例中，在上述实施例基础上，所述将训练完成的所述生成式对抗网络模型作为黑色素瘤图像识别模型的步骤之后，还包括：
步骤S70、将所述黑色素瘤图像识别模型存储至区块链网络。
本实施例中，终端与区块链网络(Blockchain Network)建立有通信连接。区块链网络是通过共识的方式将新区块纳入区块链的一系列的节点的集合。
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。
区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置(风控审计)；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理(接口适配)，然后通过共识算法将业务信息加密(共识管理)，在加密之后完整一致的传输至共享账本上(网络通信)，并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上(合约注册)，根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。
可选的，当终端得到训练完成的黑色素瘤图像识别模型后，则可以将黑色素瘤图像识别模型上传至区块链网络进行存储。
在终端将训练完成的黑色素瘤图像识别模型存储至区块链网络后，当终端利用图像采集装置采集到被检查人员的目标图像时，则可以将采集到的目标图像发送至区块链网络。
可选的，当区块链网络的任一区块链节点接收到终端发送的目标图像时，即可利用存储的黑色素瘤图像识别模型对目标图像进行分析，黑色素瘤图像识别模型在对目标图像分析完成后，即会输出目标图像对应的图像预测结果。
当区块链网络中的区块链节点得到黑色素瘤图像识别模型输出的分类结果后，即可将分类结果反馈至终端，此时终端即将接收到的图像预测结果作为该目标图像对应的图像预测结果，从而完成对目标图像进行识别的过程。
这样，不仅可以提高黑色素瘤图像识别模型存储的安全性和节约本地存储空间，而且还可以方便各医院系统从区块链模块中获取黑色素瘤图像识别模型，以快速将黑色素瘤图像识别模型投入到实际应用中。各医院系统只需接入到任一区块链网络节点，即可获取得到同一黑色素瘤图像识别模型，十分方便高效。
在一实施例中，在上述实施例基础上，所述将所述黑色素瘤图像识别模型存储至区块链网络的步骤之后，还包括：
步骤S80、检测到所述区块链网络上存储的黑色素瘤图像识别模型更新时，从所述区块链网络获取更新后的黑色素瘤图像识别模型对应的模型参数；
步骤S81、根据获取到的模型参数更新本地存储的黑色素瘤图像识别模型。
本实施例中，当任一医院系统检测到本地的黑色素瘤图像识别模型有更新时，则该医院系统可将更新后的黑色素瘤图像识别模型同步更新到区块链网络中(或者只上传更新部分的模型参数即可)。
可选的，当终端检测到区块链网络上存储的黑色素瘤图像识别模型有更新时，以及检测到该黑色素瘤图像识别模型在区块链网络上的更新操作并非是由本端触发时，则终端可以从所述区块链网络获取更新后的黑色素瘤图像识别模型对应的模型参数。
进一步地，终端基于获取到的模型参数更新本地存储的黑色素瘤图像识别模型，以对本地存储的黑色素瘤图像识别模型的性能进行优化。
这样，通过将黑色素瘤图像识别模型存储至区块链网络，不仅可以提高黑色素瘤图像识别模型存储的安全性和有效节约本地存储空间的同时，还可以基于此获取到更多医院系统上传的黑色素瘤图像样本进行模型更新，从而提高了对黑色素瘤图像识别模型识别黑色素瘤图像的准确率。
在一实施例中，在上述实施例基础上，所述接收到目标图像时，将所述目标图像输入到所述黑色素瘤图像识别模型进行分析，以得到所述目标图像属于黑色素瘤图像的概率的步骤包括：
步骤S90、接收到目标图像时，检测所述目标图像的图像质量是否满足预设条件；
步骤S91、若是，则将所述目标图像输入到所述黑色素瘤图像识别模型进行分析，以得到所述目标图像属于黑色素瘤图像的概率；
步骤S92、若否，则输出提示信息，所述提示信息用于提示重新采集目标图像。
本实施例中，终端接收到目标图像时，在将目标图像作为黑色素瘤图像识别模型的输入图像，将其输入到黑色素瘤图像识别模型进行分析前，可以先检测目标图像的图像质量是否满足预设条件。
可选的，所述图像质量可以是图像亮度、图像清晰度等，而对应的预设条件可以是预设亮度、预设清晰度等。其中，预设亮度、预设清晰度等预设条件的具体取值可以根据实际情况需要设置，本实施例对此不作限定。
可选的，终端可以是检测到目标图像的图像亮度大于或等于预设亮度时，和/或检测到目标图像的图像清晰度大于或等于预设清晰度时，则判定目标图像的图像质量满足预设条件；当终端检测到目标图像的图像亮度小于预设亮度时，或者检测到目标图像的图像清晰度小于预设清晰度时，则判定目标图像的图像质量不满足预设条件。
可选的，终端也可以是通过检测目标图像中是否具有人体器官图像，以此检测其图像质量是否满足预设条件。且若是，则判定满足预设条件，而若否则判定不满足预设条件。
可选的，当终端检测到目标图像的图像质量满足预设条件时，则将目标图像作为黑色素瘤图像识别模型的输入图像，将其输入到黑色素瘤图像识别模型进行分析，以利用黑色素瘤图像识别模型生成目标图像属于黑色素瘤图像的概率。
可选的，当终端检测到目标图像的图像质量不满足预设条件时，则输出提示信息，所述提示信息用于提示用户需重新采集被检查者的目标图像(即人体器官图像)。例如在相关检测仪器的显示界面提示当前采集的目标图像质量异常，需要重新采集。
这样，不仅可以避免因图像质量不合格而影响目标图像的检测结果的情况发生，而且当目标图像存在质量异常时，还能够及时反馈目标图像的采集质量不合格，从而保证采集的目标图片质量的稳定性。
在一实施例中，在上述实施例基础上，所述接收到目标图像时，将所述目标图像输入到所述黑色素瘤图像识别模型进行分析，以得到所述目标图像属于黑色素瘤图像的概率的步骤之后，还包括：
步骤S100、检测所述目标图像属于黑色素瘤图像的概率是否大于预设阈值；
步骤S101、若是，则输出所述目标图像对应的告警信息。
本实施例中，当终端获取到目标图像对应的黑色素瘤图像预测结果时，则基于此检测目标图像属于黑色素瘤图像的概率是否大于预设阈值。其中，所述预设阈值用于衡量目标图像属于黑色素瘤图像的程度，因此其具体的取值范围可根据实际情况需要设置，如可选取值为70％-99％之间。
可选的，当终端检测到目标图像属于黑色素瘤图像的概率大于预设阈值时，说明目标图像属于黑色素瘤图像的可能性很高，则终端根据目标图像和目标图像对应的图像预测结果生成目标图像对应的告警信息，并将告警信息输出至关联设备。其中，关联设备可以是目标图像对应的采集者的用户设备，也可以是相关医护人员的关联设备。
应当理解的是，当目标图像中存在多个器官区域图像时，则终端只需要检测到至少一个器官区域图像属于黑色素瘤图像的概率大于预设阈值时，则判定目标图像属于黑色素瘤图像的概率大于预设阈值。
这样，可以及时提醒有关人员关注目标图像对应的采集者的身体中黑色素瘤的病变情况。
可选的，当终端检测到目标图像属于黑色素瘤图像的概率小于或等于预设阈值时，则将所述目标图像标记为正常图像。
这样，可以使得医护人员无需再花费精力鉴别正常图像是否属于黑色素瘤图像。
在一实施例中，在上述实施例基础上，所述输出所述目标图像对应的告警信息的步骤之后，还包括：
步骤S110、接收到所述告警信息的确定响应时，将所述目标图像作为所述黑色素瘤图像样本，并基于所述目标图像更新所述黑色素瘤图像识别模型。
本实施例中，当终端检测到目标图像属于黑色素瘤图像的概率大于预设阈值时，则生成目标图像对应的告警信息，并将告警信息输出至相关医护人员的关联设备。
若医护人员确定黑色素瘤图像识别模型对目标图像的识别无误，确认目标图像即为黑色素瘤图像，则医护人员可以通过其关联设备向终端发送告警信息的确定响应；若医护人员确定黑色素瘤图像识别模型对目标图像的识别有误，确认目标图像不属于黑色素瘤图像时，则医护人员可以通过其关联设备向终端发送告警信息的否定响应。
可选的，当终端接收到告警信息的确定响应时，可以将目标图像更新为黑色素瘤图像样本，并将目标图像对应的图像预测结果更新为图像真实结果，以及基于图像真实结果对新生成的黑色素瘤图像样本进行标注。
进一步地，当终端检测到黑色素瘤图像识别模型空闲时，或者检测到新生成的黑色素瘤图像样本的数量大于预设数量时，则将新的黑色素瘤图像样本输入到黑色素瘤图像识别模型中，以对黑色素瘤图像识别模型进行迭代更新。其中，所述预设数量可以根据实际情况需要设置，本实施例对此不作限定。
这样，利用已认证的目标图像作为新的黑色素瘤图像样本，并基于此更新黑色素瘤图像识别模型，可以提高黑色素瘤图像识别模型识别黑色素瘤图像的准确率。
参照图2，本申请实施例中还提供一种基于神经网络的黑色素瘤图像识别装置10，包括：
模型构建模块11，用于基于全卷积神经网络分别构建生成式对抗网络模型的图像分割网络和评判网络，并将所述评判网络对应的全卷积神经网络中的反卷积层替换为全连接层；
第一训练模块12，用于获取多个黑色素瘤图像样本，并将所述黑色素瘤图像样本输入到所述图像分割网络中进行训练，以生成所述黑色素瘤图像样本对应的图像预测结果，其中，所述黑色素瘤图像样本标注有图像真实结果；
第二训练模块13，用于将所述黑色素瘤图像对应的所述图像预测结果和所述图像真实结果输入到所述评判网络中进行对抗训练，以对所述图像分割网络和所述评判网络对应的模型参数进行优化，并利用所述评判网络的训练结果优化所述全连接层，其中，所述全连接层用于识别所述生成式对抗网络模型的输入图像属于黑色素瘤图像的概率；
检测模块14，用于在对所述模型参数进行优化的过程中，检测连续生成的所述图像预测结果与所述图像真实结果之间的相似度是否均大于或等于预设相似度；
判定模块15，用于若是，则判定所述生成式对抗网络模型训练完成，并将训练完成的所述生成式对抗网络模型作为黑色素瘤图像识别模型；
分析模块16，用于接收到目标图像时，将所述目标图像输入到所述黑色素瘤图像识别模型进行分析，以得到所述目标图像属于黑色素瘤图像的概率。
在一实施例中，在上述实施例基础上，所述基于神经网络的黑色素瘤图像识别装置还包括存储模块，所述存储模块用于将所述黑色素瘤图像识别模型存储至区块链网络。
进一步地，所述基于神经网络的黑色素瘤图像识别装置还包括：
获取模块，用于检测到所述区块链网络上存储的黑色素瘤图像识别模型更新时，从所述区块链网络获取更新后的黑色素瘤图像识别模型对应的模型参数；
更新模块，用于根据获取到的模型参数更新本地存储的黑色素瘤图像识别模型。
进一步地，所述基于神经网络的黑色素瘤图像识别装置还包括：
判断模块，用于接收到目标图像时，检测所述目标图像的图像质量是否满足预设要求；
所述分析模块，还用于若是，则将所述目标图像输入到所述黑色素瘤图像识别模型进行分析，以得到所述目标图像属于黑色素瘤图像的概率；
提示模块，用于若否，则输出提示信息，所述提示信息用于提示重新采集目标图像。
进一步地，所述判断模块，还用于根据所述目标图像对应的图像预测结果，检测所述目标图像属于黑色素瘤图像的概率是否大于预设阈值；
所述第二判定模块，还用于若是，则输出所述目标图像对应的告警信息。
进一步地，所述更新模块，还用于接收到所述告警信息的确定响应时，将所述目标图像作为所述黑色素瘤图像样本，并基于所述目标图像更新所述黑色素瘤图像识别模型。
参照图3，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于神经网络的黑色素瘤图像识别方法的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于神经网络的黑色素瘤图像识别方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
此外，本申请还提出一种计算机可读存储介质，所述计算机可读存储介质包括计算机程序，所述计算机程序被处理器执行时实现如以上实施例所述的基于神经网络的黑色素瘤图像识别方法的步骤。可以理解的是，本实施例中的计算机可读存储介质可以是易失性可读存储介质，也可以为非易失性可读存储介质。
综上所述，为本申请实施例中提供的基于神经网络的黑色素瘤图像识别方法、基于神经网络的黑色素瘤图像识别方法、基于神经网络的黑色素瘤图像识别装置、计算机设备和存储介质，通过基于全卷积神经网络构建的生成式对抗网络模型来训练黑色素瘤图像识别模型，以优化模型生成的黑色素瘤图像的预测结果与真实结果之间的相似度，使得模型在对抗式训练过程中可以学习丰富的相似度来区分真假数据，从而降低了对显示像素级目标函数建模的需求，进而减少了训练模型所需的样本数量，以实现基于有限数量的训练样本得到对黑色素瘤图像识别准确率高的黑色素瘤图像识别模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它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、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种基于神经网络的黑色素瘤图像识别方法，其特征在于，包括：
基于全卷积神经网络分别构建生成式对抗网络模型的图像分割网络和评判网络，并将所述评判网络对应的全卷积神经网络中的反卷积层替换为全连接层；
获取多个黑色素瘤图像样本，并将所述黑色素瘤图像样本输入到所述图像分割网络中进行训练，以生成所述黑色素瘤图像样本对应的图像预测结果，其中，所述黑色素瘤图像样本标注有图像真实结果；
将所述黑色素瘤图像对应的所述图像预测结果和所述图像真实结果输入到所述评判网络中进行对抗训练，以对所述图像分割网络和所述评判网络对应的模型参数进行优化，并利用所述评判网络的训练结果优化所述全连接层，其中，所述全连接层用于识别所述生成式对抗网络模型的输入图像属于黑色素瘤图像的概率；
在对所述模型参数进行优化的过程中，检测连续生成的所述图像预测结果与所述图像真实结果之间的相似度是否均大于或等于预设相似度；
若是，则判定所述生成式对抗网络模型训练完成，并将训练完成的所述生成式对抗网络模型作为黑色素瘤图像识别模型；
接收到目标图像时，将所述目标图像输入到所述黑色素瘤图像识别模型进行分析，以得到所述目标图像属于黑色素瘤图像的概率。
2.如权利要求1所述的基于神经网络的黑色素瘤图像识别方法，其特征在于，所述将所述黑色素瘤图像对应的所述图像预测结果和所述图像真实结果输入到所述评判网络中进行对抗训练，以对所述图像分割网络和所述评判网络对应的模型参数进行优化的步骤包括：
将所述黑色素瘤图像对应的所述图像预测结果和所述图像真实结果输入到所述评判网络中，利用联合优化公式对所述图像预测结果和所述图像真实结果进行对抗训练，以提高所述图像预测结果与所述图像真实结果之间的相似度；
在得到所述对抗训练对应的训练结果时，根据所述训练结果对所述图像分割网络和所述评判网络对应的模型参数进行优化。
3.如权利要求1或2所述的基于神经网络的黑色素瘤图像识别方法，其特征在于，所述将训练完成的所述生成式对抗网络模型作为黑色素瘤图像识别模型的步骤之后，还包括：
将所述黑色素瘤图像识别模型存储至区块链网络。
4.如权利要求3所述的基于神经网络的黑色素瘤图像识别方法，其特征在于，所述将所述黑色素瘤图像识别模型存储至区块链网络的步骤之后，还包括：
检测到所述区块链网络上存储的黑色素瘤图像识别模型更新时，从所述区块链网络获取更新后的黑色素瘤图像识别模型对应的模型参数；
根据获取到的模型参数更新本地存储的黑色素瘤图像识别模型。
5.如权利要求1所述的基于神经网络的黑色素瘤图像识别方法，其特征在于，所述接收到目标图像时，将所述目标图像输入到所述黑色素瘤图像识别模型进行分析，以得到所述目标图像属于黑色素瘤图像的概率的步骤包括：
接收到目标图像时，检测所述目标图像的图像质量是否满足预设条件；
若是，则将所述目标图像输入到所述黑色素瘤图像识别模型进行分析，以得到所述目标图像属于黑色素瘤图像的概率；
若否，则输出提示信息，所述提示信息用于提示重新采集目标图像。
6.如权利要求1所述的基于神经网络的黑色素瘤图像识别方法，其特征在于，所述接收到目标图像时，将所述目标图像输入到所述黑色素瘤图像识别模型进行分析，以得到所述目标图像属于黑色素瘤图像的概率的步骤之后，还包括：
检测所述目标图像属于黑色素瘤图像的概率是否大于预设阈值；
若是，则输出所述目标图像对应的告警信息。
7.如权利要求6所述的基于神经网络的黑色素瘤图像识别方法，其特征在于，所述输出所述目标图像对应的告警信息的步骤之后，还包括：
接收到所述告警信息的确定响应时，将所述目标图像作为所述黑色素瘤图像样本，并基于所述目标图像更新所述黑色素瘤图像识别模型。
8.一种基于神经网络的黑色素瘤图像识别装置，其特征在于，包括：
模型构建模块，用于基于全卷积神经网络分别构建生成式对抗网络模型的图像分割网络和评判网络，并将所述评判网络对应的全卷积神经网络中的反卷积层替换为全连接层；以及，
第一训练模块，用于获取多个黑色素瘤图像样本，并将所述黑色素瘤图像样本输入到所述图像分割网络中进行训练，以生成所述黑色素瘤图像样本对应的图像预测结果，其中，所述黑色素瘤图像样本标注有图像真实结果；
第二训练模块，用于将所述黑色素瘤图像对应的所述图像预测结果和所述图像真实结果输入到所述评判网络中进行对抗训练，以对所述图像分割网络和所述评判网络对应的模型参数进行优化，并利用所述评判网络的训练结果优化所述全连接层，其中，所述全连接层用于识别所述生成式对抗网络模型的输入图像属于黑色素瘤图像的概率；
检测模块，用于在对所述模型参数进行优化的过程中，检测连续生成的所述图像预测结果与所述图像真实结果之间的相似度是否均大于或等于预设相似度；
判定模块，用于若是，则判定所述生成式对抗网络模型训练完成，并将训练完成的所述生成式对抗网络模型作为黑色素瘤图像识别模型；
分析模块，用于接收到目标图像时，将所述目标图像输入到所述黑色素瘤图像识别模型进行分析，以得到所述目标图像属于黑色素瘤图像的概率。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于神经网络的黑色素瘤图像识别方法的步骤。
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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于神经网络的黑色素瘤图像识别方法的步骤。
CN202110212289.3A 2021-02-25 2021-02-25 黑色素瘤图像识别方法、装置、计算机设备及存储介质 Active CN112950569B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110212289.3A CN112950569B (zh) 2021-02-25 2021-02-25 黑色素瘤图像识别方法、装置、计算机设备及存储介质
PCT/CN2021/084535 WO2022178946A1 (zh) 2021-02-25 2021-03-31 黑色素瘤图像识别方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110212289.3A CN112950569B (zh) 2021-02-25 2021-02-25 黑色素瘤图像识别方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN112950569A CN112950569A (zh) 2021-06-11
CN112950569B true CN112950569B (zh) 2023-07-25

Family

ID=76246208

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110212289.3A Active CN112950569B (zh) 2021-02-25 2021-02-25 黑色素瘤图像识别方法、装置、计算机设备及存储介质

Country Status (2)

Country Link
CN (1) CN112950569B (zh)
WO (1) WO2022178946A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379716B (zh) * 2021-06-24 2023-12-29 厦门美图宜肤科技有限公司 一种色斑预测方法、装置、设备及存储介质
CN114399710A (zh) * 2022-01-06 2022-04-26 昇辉控股有限公司 一种基于图像分割的标识检测方法、系统及可读存储介质
CN114451870A (zh) * 2022-04-12 2022-05-10 中南大学湘雅医院 色素痣恶变风险监测系统
CN116091874B (zh) * 2023-04-10 2023-07-18 成都数之联科技股份有限公司 图像校验方法、训练方法、装置、介质、设备及程序产品

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797976A (zh) * 2020-06-30 2020-10-20 北京灵汐科技有限公司 神经网络的训练方法、图像识别方法、装置、设备及介质
CN112132197A (zh) * 2020-09-15 2020-12-25 腾讯科技（深圳）有限公司 模型训练、图像处理方法、装置、计算机设备和存储介质
WO2021017372A1 (zh) * 2019-08-01 2021-02-04 中国科学院深圳先进技术研究院 一种基于生成对抗网络的医学图像分割方法、系统及电子设备

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113424222A (zh) * 2018-12-12 2021-09-21 皇家飞利浦有限公司 用于使用条件生成对抗网络提供中风病灶分割的系统和方法
CN110197716B (zh) * 2019-05-20 2022-05-20 广东技术师范大学 医学影像的处理方法、装置及计算机可读存储介质
CN111047594B (zh) * 2019-11-06 2023-04-07 安徽医科大学 肿瘤mri弱监督学习分析建模方法及其模型

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021017372A1 (zh) * 2019-08-01 2021-02-04 中国科学院深圳先进技术研究院 一种基于生成对抗网络的医学图像分割方法、系统及电子设备
CN111797976A (zh) * 2020-06-30 2020-10-20 北京灵汐科技有限公司 神经网络的训练方法、图像识别方法、装置、设备及介质
CN112132197A (zh) * 2020-09-15 2020-12-25 腾讯科技（深圳）有限公司 模型训练、图像处理方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN112950569A (zh) 2021-06-11
WO2022178946A1 (zh) 2022-09-01

Similar Documents

Publication Publication Date Title
CN112950569B (zh) 黑色素瘤图像识别方法、装置、计算机设备及存储介质
CN111275080B (zh) 基于人工智能的图像分类模型训练方法、分类方法及装置
CN111667011B (zh) 损伤检测模型训练、车损检测方法、装置、设备及介质
CN111860674B (zh) 样本类别识别方法、装置、计算机设备及存储介质
CN110956079A (zh) 人脸识别模型构建方法、装置、计算机设备和存储介质
CN112581438B (zh) 切片图像识别方法、装置和存储介质及电子设备
CN110139067A (zh) 一种野生动物监测数据管理信息系统
CN109063984B (zh) 风险旅客方法、装置、计算机设备和存储介质
CN112651938B (zh) 视盘图像分类模型的训练方法、装置、设备及存储介质
CN110245723B (zh) 一种安全可靠的图像分类半监督机器学习方法及装置
KR20190093799A (ko) Cctv를 통한 실시간 실종자 얼굴 인식 시스템 및 그 방법
KR102333143B1 (ko) 무인 계수 서비스 제공 시스템
CN113705685B (zh) 疾病特征识别模型训练、疾病特征识别方法、装置及设备
CN112949468A (zh) 人脸识别方法、装置、计算机设备和存储介质
CN112330624A (zh) 医学图像处理方法和装置
CN110929806A (zh) 基于人工智能的图片处理方法、装置及电子设备
CN116229560B (zh) 一种基于人体姿态的异常行为识别方法及系统
CN114648680A (zh) 图像识别模型的训练方法、装置、设备、介质及程序产品
CN111368911A (zh) 一种图像分类方法、装置和计算机可读存储介质
CN114565955A (zh) 人脸属性识别模型训练、社区人员监控方法、装置、设备
CN110659997A (zh) 数据聚类识别方法、装置、计算机系统及可读存储介质
CN114328942A (zh) 关系抽取方法、装置、设备、存储介质和计算机程序产品
Zhang et al. A semi-feature learning approach for tampered region localization across multi-format images
CN111275059B (zh) 一种图像处理方法、装置和计算机可读存储介质
WO2020156864A1 (en) Confidence measure for a deployed machine learning model

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