CN113159147A - 基于神经网络的图像识别方法、装置、电子设备 - Google Patents
基于神经网络的图像识别方法、装置、电子设备 Download PDFInfo
- Publication number
- CN113159147A CN113159147A CN202110378729.2A CN202110378729A CN113159147A CN 113159147 A CN113159147 A CN 113159147A CN 202110378729 A CN202110378729 A CN 202110378729A CN 113159147 A CN113159147 A CN 113159147A
- Authority
- CN
- China
- Prior art keywords
- image
- target object
- loss function
- neural network
- trained
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.
Abstract
本发明涉及图像检测的技术领域,揭露了一种基于神经网络的图像识别方法,包括:利用Dice损失函数和Tversky损失函数构建距离感知损失函数;利用距离感知损失函数、预构建的图像检测算法及神经网络模型框架构建待训练目标物检测模型,神经网络模型框架包括输入层、隐藏层和输出层;获取目标物图像样本集,并利用所述目标物图像样本集训练所述待训练目标物检测模型,得到训练完成的目标物检测模型;获取待检测CT图像,并对待检测CT图像进行量化、去噪处理,得到去噪图像数据;利用目标物检测模型对去噪图像数据进行图像识别,得到目标物识别结果。本发明还提出了图像识别装置、设备及计算机可读存储介质。本发明目的在于提高目标物图像识别的精确度。
Description
技术领域
本发明涉及图像检测技术领域,尤其涉及一种基于神经网络的图像识别方法、装置、电子设备及计算机可读存储介质。
背景技术
随着科技的发展,人们对于人体、自然的探索逐渐加深,使得人们对于图像解读的精度也越来越严格,例如为保证更加准确高效的识别出医学图像中的肿瘤,现有技术中可以通过卷积神经网络分析CT图像,判断肿瘤大小、类别。但目前常用的图像检测算法中通常使用焦点损失函数,这种方法会对小肿瘤及低对比度的肿瘤忽视,即不容易检测到小肿瘤,存在检测不精确的问题。因此,增加图像识别的精确度成为亟待解决的问题。
发明内容
本发明提供一种基于神经网络的图像识别方法、装置、电子设备及计算机可读存储介质,目的在于提高图像识别的精确度。
为实现上述目的,本发明提供的一种基于神经网络的图像识别方法,包括:
利用预构建的Dice损失函数和Tversky损失函数构建距离感知损失函数;
利用所述距离感知损失函数、预构建的图像检测算法及神经网络模型框架构建待训练目标物检测模型,所述神经网络模型框架包括输入层、隐藏层和输出层;
获取目标物图像样本集,并利用所述目标物图像样本集训练所述待训练目标物检测模型,得到训练完成的目标物检测模型;
获取待检测CT图像,并对所述待检测CT图像进行量化、去噪处理,得到去噪图像数据;
利用所述目标物检测模型对所述去噪图像数据进行图像识别,得到目标物识别结果。
可选的,所述利用预构建的Dice损失函数和Tversky损失函数构建距离感知损失函数,包括:
对所述Dice损失函数和所述Tversky损失函数进行加权求和,得到所述距离感知损失函数,其中,所述距离感知损失函数为:
L=LTversky+λ×Ldtis
其中,LTversky为所述Tversky损失函数,Ldis为所述Dice损失函数,pk和yk分别表示输入的CT图像中每个分割区域内出现目标物的概率值和对应的目标物的标注,λ1及λ2分别为召唤率∑pk(1-yk)及精确度∑(1-pk)yk的两个参数,dk表示每个分割区域到标注为最近的存在目标物的分割区域的距离,Ω表示所述输入的CT图像中所有像素点的个数,λ为加权系数。
可选的,所述利用所述距离感知损失函数、预构建的检测算法及神经网络模型框架构建待训练目标物检测模型,所述神经网络模型框架包括输入层、隐藏层和输出层,包括:
获取预构建的神经网络模型框架,所述神经网络模型框架包括输入层、隐藏层、输出层;
将所述距离感知函数和所述图像检测算法作为隐藏层激活函数添加至所述隐藏层;
获取预构建的Softmax函数;
将所述Softmax函数作为输出层激活函数添加至所述输出层,得到所述待训练目标物检测模型。
可选的,所述利用所述目标物图像样本集训练所述待训练目标物检测模型,得到训练完成的目标物检测模型,包括:
将所述目标物图像样本集导入所述待训练目标物检测模型的输入层中,利用所述输入层中权重配置函数对所述目标物图像样本集中各个目标物图像特征进行权重分配;
根据权重分配结果,对所述目标物图像特征进行权重计算,得到权重特征值,并将所述权重特征值导入所述隐藏层;
通过所述权重特征值触发所述激活函数的激活条件,使得所述距离感知损失函数根据所述权重特征值进行损失运算,得到最小化损失值,判断所述最小化损失值是否收敛,当判定所述最小化损失值为收敛时,得到最终损失值;
根据所述最终损失值配置所述隐藏层中激活函数的目标物检测算法,完成训练的过程,得到训练完成的所述目标物检测模型。
可选的,所述判断所述最小化损失值是否收敛,当判定所述最小化损失值为收敛时,得到最终损失值,包括:
对产生的多个所述最小化损失值依次进行二维映射,得到损失值波动图,对所述损失值波动图中图线进行求导计算,得到求导结果;
当所述求导结果小于预构建的预设数值时,判定小于所述预设数值的求导结果对应最小化损失值达到收敛,得到所述最终损失值。
可选的,所述获取待检测CT图像,并对所述待检测CT图像进行量化、去噪处理,得到去噪图像数据,包括:
对所述待检测CT图像中各像素进行区域划分,并将划分好的像素块进行向量化处理,得到量化图像数据;
利用预构建的高斯滤波器将所述量化图像数据进行二维邻域的高斯卷积运算,得到去噪图像数据。
可选的,所述利用所述目标物检测模型对所述去噪图像数据进行图像识别,得到目标物识别结果,包括:
对所述去噪图像数据进行特征提取,得到特征值;
将所述特征值导入所述隐藏层进行图像识别,得到目标物识别结果;
将所述目标物识别结果导入所述输出层,使得所述输出层激活函数根据预构建的目标物分类标签,判定所述待检测CT图像中存在目标物的概率及对应类别的概率。
为了解决上述问题,本发明还提供一种基于神经网络的图像识别装置,所述装置包括:
模型构建模块,用于利用预构建的Dice损失函数及Tversky损失函数构建距离感知损失函数,及利用所述距离感知损失函数、预构建的图像检测算法及神经网络模型框架,构建待训练目标物检测模型,所述神经网络模型框架包括数据输入层、隐藏层、输出层;
模型训练模块,用于获取预构建的目标物图像样本集,并利用所述目标物图像样本集训练所述待训练目标物检测模型,得到训练完成的目标物检测模型;
目标物预测模块,用于获取待检测CT图像,并对所述待检测CT图像进行量化、去噪处理,得到去噪图像数据,及利用所述目标物检测模型对所述去噪图像数据进行图像识别,得到目标物识别结果。
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基于神经网络的图像识别方法。
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,包括存储数据区和存储程序区,存储数据区存储创建的数据,存储程序区存储有计算机程序;其中,所述计算机程序被处理器执行时实现上述所述的基于神经网络的图像识别方法。
本发明实施例通过对Dice损失函数和Tversky损失函数构建距离感知损失函数,由于Dice损失函数训练的模型容易导致忽视微小特征,而Tversky函数容易训练训练过度,导致将一些其他东西错认为目标物。将Dice损失函数和Tversky损失函数进行结合,有利于增加模型的训练效果。因此,通过Dice损失函数和Tversky损失函数构建距离感知损失函数,并利用该感知损失函数、图像检测算法及神经网络模型框架构建待训练目标物检测模型,并对该待训练目标物检测模型进行训练,可以更准确地进行目标物的识别,通过训练完成的目标物检测模型处理待检测的CT图像,能够准确地对待检测的CT图像进行图像识别。因此,本发明实施例能够实现提高目标物图像识别的精确度的目的。
附图说明
图1为本发明一实施例提供的基于神经网络的图像识别方法的流程示意图;
图2为图1提供的基于神经网络的图像识别方法中的一个步骤的详细实施流程图;
图3为图1提供的基于神经网络的图像识别方法中的另一个步骤的详细实施流程图;
图4为本发明一实施例提供的基于神经网络的图像识别装置的模块示意图;
图5为本发明一实施例提供的基于神经网络的图像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。
本申请实施例提供一种基于神经网络的图像识别方法。所述基于神经网络的图像识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于神经网络的图像识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的基于神经网络的图像识别方法的流程示意图。在本实施例中,所述基于神经网络的图像识别方法包括:
S1、利用预构建的Dice损失函数和Tversky损失函数构建距离感知损失函数。
具体的,所述Dice损失函数及所述Tversky损失函数是为图像检测算法进行回归计算的损失函数。
其中,所述Dice损失算法可以分析目标物图像内每个区域中是否含有目标物的特征,但是常常忽视较小特征,造成目标物遗漏;所述Tversky损失函数对于模型的训练过程会出现过度训练的情况,对于图像检测过程中容易出现过拟合现象,导致出现将其他东西识别为目标物等假阳性现象。
本发明其中一个实施例中,所述目标物为肿瘤。
本发明实施例中,将所述Dice损失函数及所述Tversky损失函数进行权重分配,构建所述距离感知损失函数,增加目标物图像识别的准确性。
详细地,本发明实施例中,所述利用预构建的Dice损失函数和Tversky损失函数构建距离感知损失函数,包括:
对所述Dice损失函数和所述Tversky损失函数进行加权求和,得到所述距离感知损失函数,其中,所述距离感知损失函数为:
L=LTversky+λ×Ldis
其中,LTversky为所述Tversky损失函数,Ldis为所述Dice损失函数,pk和yk分别表示输入的CT图像中每个分割区域内出现目标物的概率值和对应的目标物的标注,λ1及λ2分别为召唤率∑pk(1-yk)及精确度∑(1-pk)yk的两个参数,dk表示每个分割区域到标注为最近的存在目标物的分割区域的距离,Ω表示所述输入的CT图像中所有像素点的个数,λ为加权系数。
本发明实施例中加权系数λ,可以通过下述训练过程中输入层与隐藏层之间权重分析来得到,此处不加以赘述。
S2、利用所述距离感知损失函数、预构建的图像检测算法及神经网络模型框架构建待训练目标物检测模型,所述神经网络模型框架包括输入层、隐藏层和输出层。
详细地,本发明实施例中,所述利用所述距离感知损失函数、预构建的图像检测算法及神经网络模型框架构建待训练目标物检测模型,所述神经网络模型框架包括输入层、隐藏层和输出层,包括:
获取预构建的神经网络模型框架,所述神经网络模型框架包括输入层、隐藏层、输出层;
将所述距离感知函数和所述图像检测算法作为隐藏层激活函数添加至所述隐藏层;
获取预构建的Softmax函数;
将所述Softmax函数作为输出层激活函数添加至所述输出层,得到所述待训练目标物检测模型。
具体的,本发明实施例中,所述神经网络模型框架为TransForm模型框架,其中所述TransForm模型框架包括所述输入层、所述隐藏层、所述输出层,且输入层、隐藏层和输出层都是由多个神经元构成,激活神经元便可进行数据传输、运算、处理等操作。
具体的,所述输入层用于将数据进行权重配置,使得当不同数量级的特征值输入所述隐藏层时,不同数量级的特征值都能起到相同级别的作用。所述隐藏层包括由所述图像检测算法及所述距离感知函数组成的激活函数,用于对所述输入层输入的数据进行处理。
本发明实施例中,所述输出层对检测到的目标物进行分类,并得到各个分类结果对应的概率。
本发明实施例利用所述距离感知损失函数及所述图像检测算法修改隐藏层的损失函数及运算函数,利用Softmax函数修改所述输出层的激活函数,得到所述待训练目标物检测模型。
S3、获取目标物图像样本集,并利用所述目标物图像样本集训练所述待训练目标物检测模型,得到训练完成的目标物检测模型。
本发明实施例中所述目标物图像样本集中包括各种目标物或普通组织的CT图像、磁共振图像等医学图像及与所述医学图像对应的图像分析标签。
详细地,如下图2所示,本发明实施例中,所述利用所述目标物图像样本集训练所述待训练目标物检测模型,得到训练完成的目标物检测模型,包括:
S31、将所述目标物图像样本集导入所述待训练目标物检测模型的输入层中,利用所述输入层中权重配置函数对所述目标物图像样本集中各个目标物图像特征进行权重分配。
本发明实施例中,所述权重配置函数是一种逆向参数调整函数,即通过训练过后的计算结果的准确性,改变数值输入比例,重新进行训练,直至计算结果接近标准答案的运算函数。
S32、根据权重分配结果,对所述目标物图像特征进行权重计算,得到权重特征值,并将所述权重特征值导入所述隐藏层。
S33、通过所述权重特征值触发所述激活函数的激活条件,使得所述距离感知损失函数根据所述权重特征值进行损失运算,得到最小化损失值,判断所述最小化损失值是否收敛,当判定所述最小化损失值为收敛时,得到最终损失值。
本发明实施例中所述激活函数为分段函数,当所述权重特征值得数值小于预设标准值,函数不激活,运算结果为0,当所述权重特征值得数值大于或等于所述预设标准值,函数激活对所述权重特征值进行目标物检测。
进一步,本发明实施例中,所述判断所述最小化损失值是否收敛,当判定所述最小化损失值为收敛时,得到最终损失值,包括:
对产生的多个所述最小化损失值依次进行二维映射,得到损失值波动图,对所述损失值波动图中图线进行求导计算,得到求导结果;当所述求导结果小于预构建的预设数值时,判定小于所述预设数值的求导结果对应最小化损失值达到收敛,得到所述最终损失值。
本发明实施例中,在训练过程中,每次利用新的样本进行一次训练,都会产生一个最小化损失值。随着训练样本的逐渐增多,所述最小化损失值会随着训练过程逐渐变小,利用所述最小化损失值使得所述图像检测算法的准确度逐渐增加,且所述最小化损失值的求导结果会逐渐减小,当所述求导结果未达到所述预设数值时,利用目标物图像样本继续对所述目标物检测模型进行再一次训练,直至所述求导结果达到所述预设数值,表明所述最小化损失值的下降趋势消失,所述最小化损失值达到收敛状态,训练完成。
S34、根据所述最终损失值配置所述隐藏层中激活函数的图像检测算法,完成训练的过程,得到训练完成的所述目标物检测模型。
本发明实施例通过所述S31至所述S34的训练过程,得到所述目标物检测模型。
S4、获取待检测CT图像,并对所述待检测CT图像进行量化、去噪处理,得到去噪图像数据。
详细地,本发明实施例中,所述获取待检测CT图像,并对所述待检测CT图像进行量化、去噪处理,得到去噪图像数据,包括:
对所述待检测CT图像中各像素进行区域划分,并将划分好的像素块进行向量化处理,得到量化图像数据;
利用预构建的高斯滤波器将所述量化图像数据进行二维邻域的高斯卷积运算,得到去噪图像数据。
本发明实施例以预设像素大小,如2*2个像素为基本单位对所述待检测CT图像进行分割,得到多个像素快,并对所述像素快进行向量化处理,得到所述量化图像数据,通过预构建的高斯滤波器,对方形范围内量化图像数据,如3*3的矩阵块进行运算,利用得到的运算结果代表所述3*3矩阵的收缩值,通过所述高斯滤波器中的卷积器对相邻3*3矩阵进行运算直至所述待检测CT图像遍历完成,得到所述去噪图像数据。
S5、利用所述目标物检测模型对所述去噪图像数据进行图像识别,得到目标物识别结果。
详细地,本发明实施例中,如下图4所示,所述利用所述目标物检测模型对所述去噪图像数据进行图像检测,得到目标物检测结果,包括:
S51、对所述去噪图像数据进行特征提取,得到特征值;
S52、将所述特征值导入所述隐藏层进行图像识别,得到目标物识别结果;
S53、将所述目标物识别结果导入所述输出层,使得所述输出层激活函数根据预构建的目标物分类标签,判定所述待检测CT图像中存在有目标物的概率及对应类别的概率。
本发明实施例中的目标物为肿瘤,将所述去噪图像数据导入所述目标物检测模型中,所述输入层中的特征提取网络对所述去噪图像数据进行特征提取,并将提取结果通过神经网络与各种肿瘤细胞进行匹配,判断所述待检测CT图像中是否存在肿瘤,当存在肿瘤时,通过所述输出层对肿瘤的特征进行纹理分析及类别预测,准确判断出肿瘤类别/或各个类别的概率。
本发明实施例通过对Dice损失函数和Tversky损失函数构建距离感知损失函数,由于Dice损失函数训练的模型容易导致忽视微小特征,而Tversky函数容易训练训练过度,导致将一些其他东西错认为目标物。将Dice损失函数和Tversky损失函数进行结合,有利于增加模型的训练效果。因此,通过Dice损失函数和Tversky损失函数构建距离感知损失函数,并利用该感知损失函数、图像检测算法及神经网络模型框架构建待训练目标物检测模型,并对该待训练目标物检测模型进行训练,可以更准确地进行目标物的识别,通过训练完成的目标物检测模型处理待检测的CT图像,能够准确地对待检测的CT图像进行目标物识别。因此,本发明实施例能够实现提高目标物图像识别的精确度的目的。
如图4所示,是本发明实施例提供的一种基于神经网络的图像识别装置的模块示意图。
本发明所述基于神经网络的图像识别装置100可以安装于电子设备中。根据实现的功能,所述基于神经网络的图像识别装置可以包括模型构建模块101、模型训练模块102、目标物预测模块103。本发明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:
所述模型构建模块101,用于利用预构建的Dice损失函数和Tversky损失函数构建距离感知损失函数,及利用所述距离感知损失函数、预构建的图像检测算法及神经网络模型框架构建待训练目标物检测模型,所述神经网络模型框架包括输入层、隐藏层和输出层。
本发明装置项中,所述模型构建模块101包括:算法构建单元及模型构建单元。
所述算法构建单元,用于利用预构建的Dice损失函数和Tversky损失函数构建距离感知损失函数。
具体的,所述Dice损失函数及所述Tversky损失函数是为图像检测算法进行回归计算的损失函数。
其中,所述Dice损失算法可以分析目标物图像内每个区域中是否含有目标物的特征,但是常常忽视较小特征,造成目标物遗漏;所述Tversky损失函数对于模型的训练过程会出现过度训练的情况,对于图像检测过程中容易出现过拟合现象,导致出现将其他东西识别为目标物等假阳性现象。
本发明其中一个实施例中,所述目标物为肿瘤。
本发明实施例中,将所述Dice损失函数及所述Tversky损失函数进行权重分配,构建所述距离感知损失函数,增加目标物图像识别的准确性。
详细地,本发明实施例中,所述利用预构建的Dice损失函数和Tversky损失函数构建距离感知损失函数,所述算法构建单元详细用于:
对所述Dice损失函数和所述Tversky损失函数进行加权求和,得到所述距离感知损失函数,其中,所述距离感知损失函数为:
L=LTversky+λ×Ldis
其中,LTversky为所述Tversky损失函数,Ldis为所述Dice损失函数,pk和yk分别表示输入的CT图像中每个分割区域内出现目标物的概率值和对应的目标物的标注,λ1及λ2分别为召唤率∑pk(1-yk)及精确度∑(1-pk)yk的两个参数,dk表示每个分割区域到标注为最近的存在目标物的分割区域的距离,Ω表示所述输入的CT图像中所有像素点的个数,λ为加权系数。
本发明实施例中加权系数λ,可以通过下述训练过程中输入层与隐藏层之间权重分析来得到,此处不加以赘述。
所述模型构建单元,用于利用所述距离感知损失函数、预构建的图像检测算法及神经网络模型框架构建待训练目标物检测模型,所述神经网络模型框架包括输入层、隐藏层和输出层。
详细地,本发明实施例中,所述利用所述距离感知损失函数、预构建的图像检测算法及神经网络模型框架构建待训练目标物检测模型,所述神经网络模型框架包括输入层、隐藏层和输出层,所述模型构建单元具体用于:
获取预构建的神经网络模型框架,所述神经网络模型框架包括输入层、隐藏层、输出层;
将所述距离感知函数和所述图像检测算法作为隐藏层激活函数添加至所述隐藏层;
获取预构建的Softmax函数;
将所述Softmax函数作为输出层激活函数添加至所述输出层,得到所述待训练目标物检测模型。
具体的,本发明实施例中,所述神经网络模型框架为TransForm模型框架,其中所述TransForm模型框架包括所述输入层、所述隐藏层、所述输出层,且输入层、隐藏层和输出层都是由多个神经元构成,激活神经元便可进行数据传输、运算、处理等操作。
具体的,所述输入层用于将数据进行权重配置,使得当不同数量级的特征值输入所述隐藏层时,不同数量级的特征值都能起到相同级别的作用。所述隐藏层包括由所述图像检测算法及所述距离感知函数组成的激活函数,用于对所述输入层输入的数据进行处理。
本发明实施例中,所述输出层对检测到的目标物进行分类,并得到各个分类结果对应的概率。
本发明实施例利用所述距离感知损失函数及所述图像检测算法修改隐藏层的损失函数及运算函数,利用Softmax函数修改所述输出层的激活函数,得到所述待训练目标物检测模型。
所述模型训练模块102,用于获取目标物图像样本集,并利用所述目标物图像样本集训练所述待训练目标物检测模型,得到训练完成的目标物检测模型。
本发明实施例中所述目标物图像样本集中包括各种目标物或普通组织的CT图像、磁共振图像等医学图像及与所述医学图像对应的图像分析标签。
详细地,如下图2所示,本发明实施例中,所述利用所述目标物图像样本集训练所述待训练目标物检测模型,得到训练完成的目标物检测模型,所述模型训练模块102具体用于:
将所述目标物图像样本集导入所述待训练目标物检测模型的输入层中,利用所述输入层中权重配置函数对所述目标物图像样本集中各个目标物图像特征进行权重分配。
本发明实施例中,所述权重配置函数是一种逆向参数调整函数,即通过训练过后的计算结果的准确性,改变数值输入比例,重新进行训练,直至计算结果接近标准答案的运算函数。
根据权重分配结果,对所述肿瘤图像特征进行权重计算,得到权重特征值,并将所述权重特征值导入所述隐藏层。
通过所述权重特征值触发所述激活函数的激活条件,使得所述距离感知损失函数根据所述权重特征值进行损失运算,得到最小化损失值,判断所述最小化损失值是否收敛,当判定所述最小化损失值为收敛时,得到最终损失值。
本发明实施例中所述激活函数为分段函数,当所述权重特征值得数值小于预设标准值,函数不激活,运算结果为0,当所述权重特征值得数值大于或等于所述预设标准值,函数激活对所述权重特征值进行目标物检测。
进一步,本发明实施例中,所述判断所述最小化损失值是否收敛,当判定所述最小化损失值为收敛时,得到最终损失值,包括:
对产生的多个所述最小化损失值依次进行二维映射,得到损失值波动图,对所述损失值波动图中图线进行求导计算,得到求导结果;当所述求导结果小于预构建的预设数值时,判定小于所述预设数值的求导结果对应最小化损失值达到收敛,得到所述最终损失值。
本发明实施例中,在训练过程中,每次利用新的样本进行一次训练,都会产生一个最小化损失值。随着训练样本的逐渐增多,所述最小化损失值会随着训练过程逐渐变小,利用所述最小化损失值使得所述图像检测算法的准确度逐渐增加,且所述最小化损失值的求导结果会逐渐减小,当所述求导结果未达到所述预设数值时,利用目标物图像样本继续对所述目标物检测模型进行再一次训练,直至所述求导结果达到所述预设数值,表明所述最小化损失值的下降趋势消失,所述最小化损失值达到收敛状态,训练完成。
根据所述最终损失值配置所述隐藏层中激活函数的图像检测算法,完成训练的过程,得到训练完成的所述目标物检测模型。
所述目标物预测模块103,用于获取待检测CT图像,并对所述待检测CT图像进行量化、去噪处理,得到去噪图像数据,及利用所述目标物检测模型对所述去噪图像数据进行图像识别,得到目标物识别结果。
其中,本发明装置项中,所述目标物预测模块103,包括:检测单元、判断单元。
所述检测单元,用于获取待检测CT图像,并对所述待检测CT图像进行量化、去噪处理,得到去噪图像数据。
详细地,本发明实施例中,所述获取待检测CT图像,并对所述待检测CT图像进行量化、去噪处理,得到去噪图像数据,所述检测单元具体用于:
对所述待检测CT图像中各像素进行区域划分,并将划分好的像素块进行向量化处理,得到量化图像数据;
利用预构建的高斯滤波器将所述量化图像数据进行二维邻域的高斯卷积运算,得到去噪图像数据。
本发明实施例以预设像素大小,如2*2个像素为基本单位对所述待检测CT图像进行分割,得到多个像素快,并对所述像素快进行向量化处理,得到所述量化图像数据,通过预构建的高斯滤波器,对方形范围内量化图像数据,如3*3的矩阵块进行运算,利用得到的运算结果代表所述3*3矩阵的收缩值,通过所述高斯滤波器中的卷积器对相邻3*3矩阵进行运算直至所述待检测CT图像遍历完成,得到所述去噪图像数据。
所述判断单元,用于利用所述目标物检测模型对所述去噪图像数据进行图像识别,得到目标物识别结果。
详细地,本发明实施例中,如下图4所示,所述利用所述目标物检测模型对所述去噪图像数据进行检测,得到目标物检测结果,所述判断单元具体用于:
对所述去噪图像数据进行特征提取,得到特征值;
将所述特征值导入所述隐藏层进行目标物图像识别,得到识别结果;
将所述识别结果导入所述输出层,使得所述输出层激活函数根据预构建的目标物的分类标签,判定所述待检测CT图像中存在有目标物的概率及对应类别的概率。
本发明实施例将所述去噪图像数据导入所述目标物检测模型中,所述输入层中的特征提取网络对所述去噪图像数据进行特征提取,并将提取结果通过神经网络与各种肿瘤细胞进行匹配,判断所述待检测CT图像中是否存在肿瘤,当存在肿瘤时,通过所述输出层对肿瘤的特征进行纹理分析及类别预测,准确判断出肿瘤类别/或各个类别的概率。
本发明实施例通过对Dice损失函数和Tversky损失函数构建距离感知损失函数,由于Dice损失函数训练的模型容易导致忽视微小特征,而Tversky函数容易训练训练过度,导致将一些其他东西错认为目标物。将Dice损失函数和Tversky损失函数进行结合,有利于增加模型的训练效果。因此,通过Dice损失函数和Tversky损失函数构建距离感知损失函数,并利用该感知损失函数、图像检测算法及神经网络模型框架构建待训练目标物检测模型,并对该待训练目标物检测模型进行训练,可以更准确地进行目标物的识别,通过训练完成的目标物检测模型处理待检测的CT图像,能够准确地对待检测的CT图像进行目标物识别。因此,本发明实施例能够实现提高目标物图像识别的精确度的目的。
如图5所示,是本发明实施例提供的实现基于神经网络的图像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,如基于神经网络的图像识别方法程序12。
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,例如基于神经网络的图像识别方法程序12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(例如执行基于神经网络的图像识别方法程序等),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5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5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存储的基于神经网络的图像识别方法程序12是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
利用预构建的Dice损失函数和Tversky损失函数构建距离感知损失函数;
利用所述距离感知损失函数、预构建的图像检测算法及神经网络模型框架构建待训练目标物检测模型,所述神经网络模型框架包括输入层、隐藏层和输出层;
获取目标物图像样本集,并利用所述目标物图像样本集训练所述待训练目标物检测模型,得到训练完成的目标物检测模型;
获取待检测CT图像,并对所述待检测CT图像进行量化、去噪处理,得到去噪图像数据;
利用所述目标物检测模型对所述去噪图像数据进行图像识别,得到目标物识别结果。
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。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,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。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
利用预构建的Dice损失函数和Tversky损失函数构建距离感知损失函数;
利用所述距离感知损失函数、预构建的图像检测算法及神经网络模型框架构建待训练目标物检测模型,所述神经网络模型框架包括输入层、隐藏层和输出层;
获取目标物图像样本集,并利用所述目标物图像样本集训练所述待训练目标物检测模型,得到训练完成的目标物检测模型;
获取待检测CT图像,并对所述待检测CT图像进行量化、去噪处理,得到去噪图像数据;
利用所述目标物检测模型对所述去噪图像数据进行图像识别,得到目标物识别结果。
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表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)
1.一种基于神经网络的图像识别方法,其特征在于,所述方法包括:
利用预构建的Dice损失函数和Tversky损失函数构建距离感知损失函数;
利用所述距离感知损失函数、预构建的图像检测算法及神经网络模型框架构建待训练目标物检测模型,所述神经网络模型框架包括输入层、隐藏层和输出层;
获取目标物图像样本集,并利用所述目标物图像样本集训练所述待训练目标物检测模型,得到训练完成的目标物检测模型;
获取待检测CT图像,并对所述待检测CT图像进行量化、去噪处理,得到去噪图像数据;
利用所述目标物检测模型对所述去噪图像数据进行图像识别,得到目标物识别结果。
2.如权利要求1所述的基于神经网络的图像识别方法,其特征在于,所述利用预构建的Dice损失函数和Tversky损失函数构建距离感知损失函数,包括:
对所述Dice损失函数和所述Tversky损失函数进行加权求和,得到所述距离感知损失函数,其中,所述距离感知损失函数为:
L=LTversky+λ×Ldis
其中,LTversky为所述Tversky损失函数,Ldis为所述Dice损失函数,pk和yk分别表示输入的CT图像中每个分割区域内出现目标物的概率值和对应的目标物的标注,λ1及λ2分别为召唤率∑pk(1-yk)及精确度∑(1-pk)yk的两个参数,dk表示每个分割区域到标注为最近的存在目标物的分割区域的距离,Ω表示所述输入的CT图像中所有像素点的个数,λ为加权系数。
3.如权利要求1所述的基于神经网络的图像识别方法,其特征在于,所述利用所述距离感知损失函数、预构建的图像检测算法及神经网络模型框架构建待训练目标物检测模型,所述神经网络模型框架包括输入层、隐藏层和输出层,包括:
获取预构建的神经网络模型框架,所述神经网络模型框架包括输入层、隐藏层、输出层;
将所述距离感知函数和所述图像检测算法作为隐藏层激活函数添加至所述隐藏层;
获取预构建的Softmax函数;
将所述Softmax函数作为输出层激活函数添加至所述输出层,得到所述待训练目标物检测模型。
4.如权利要求1至3中任意一项所述的基于神经网络的图像识别方法,其特征在于,所述利用所述目标物图像样本集训练所述待训练目标物检测模型,得到训练完成的目标物检测模型,包括:
将所述目标物图像样本集导入所述待训练目标物检测模型的输入层中,利用所述输入层中权重配置函数对所述目标物图像样本集中各个目标物图像特征进行权重分配;
根据权重分配结果,对所述目标物图像特征进行权重计算,得到权重特征值,并将所述权重特征值导入所述隐藏层;
通过所述权重特征值触发所述激活函数的激活条件,使得所述距离感知损失函数根据所述权重特征值进行损失运算,得到最小化损失值,判断所述最小化损失值是否收敛,当判定所述最小化损失值为收敛时,得到最终损失值;
根据所述最终损失值配置所述隐藏层中激活函数的图像检测算法,完成训练的过程,得到训练完成的所述目标物检测模型。
5.如权利要求4所述的基于神经网络的图像识别方法,其特征在于,所述判断所述最小化损失值是否收敛,当判定所述最小化损失值为收敛时,得到最终损失值,包括:
对产生的多个所述最小化损失值依次进行二维映射,得到损失值波动图,对所述损失值波动图中图线进行求导计算,得到求导结果;
当所述求导结果小于预构建的预设数值时,判定小于所述预设数值的求导结果对应最小化损失值达到收敛,得到所述最终损失值。
6.如权利要求1所述的基于神经网络的图像识别方法,其特征在于,所述获取待检测CT图像,并对所述待检测CT图像进行量化、去噪处理,得到去噪图像数据,包括:
对所述待检测CT图像中各像素进行区域划分,并将划分好的像素块进行向量化处理,得到量化图像数据;
利用预构建的高斯滤波器将所述量化图像数据进行二维邻域的高斯卷积运算,得到去噪图像数据。
7.如权利要求1所述的基于神经网络的图像识别方法,其特征在于,所述利用所述目标物检测模型对所述去噪图像数据进行图像识别,得到目标物识别结果,包括:
对所述去噪图像数据进行特征提取,得到特征值;
将所述特征值导入所述隐藏层进行图像识别,得到目标物识别结果;
将所述目标物识别结果导入所述输出层,使得所述输出层激活函数根据预构建的目标物分类标签,判定所述待检测CT图像中存在目标物的概率及对应类别的概率。
8.一种基于神经网络的图像识别装置,其特征在于,所述装置包括:
模型构建模块,用于利用预构建的Dice损失函数和Tversky损失函数构建距离感知损失函数,及利用所述距离感知损失函数、预构建的图像检测算法及神经网络模型框架构建待训练目标物检测模型,所述神经网络模型框架包括输入层、隐藏层和输出层;
模型训练模块,用于获取目标物图像样本集,并利用所述目标物图像样本集训练所述待训练目标物检测模型,得到训练完成的目标物检测模型;
目标物预测模块,用于获取待检测CT图像,并对所述待检测CT图像进行量化、去噪处理,得到去噪图像数据,及利用所述目标物检测模型对所述去噪图像数据进行图像识别,得到目标物识别结果。
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中任一项所述的基于神经网络的图像识别方法。
10.一种计算机可读存储介质,包括存储数据区和存储程序区,存储数据区存储创建的数据,存储程序区存储有计算机程序;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中任一项所述的基于神经网络的图像识别方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110378729.2A CN113159147B (zh) | 2021-04-08 | 2021-04-08 | 基于神经网络的图像识别方法、装置、电子设备 |
PCT/CN2021/097073 WO2022213465A1 (zh) | 2021-04-08 | 2021-05-30 | 基于神经网络的图像识别方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110378729.2A CN113159147B (zh) | 2021-04-08 | 2021-04-08 | 基于神经网络的图像识别方法、装置、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113159147A true CN113159147A (zh) | 2021-07-23 |
CN113159147B CN113159147B (zh) | 2023-09-26 |
Family
ID=76889200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110378729.2A Active CN113159147B (zh) | 2021-04-08 | 2021-04-08 | 基于神经网络的图像识别方法、装置、电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113159147B (zh) |
WO (1) | WO2022213465A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113674142A (zh) * | 2021-08-30 | 2021-11-19 | 国家计算机网络与信息安全管理中心 | 图像中目标物的消融方法、装置、计算机设备及介质 |
CN114445410A (zh) * | 2022-04-11 | 2022-05-06 | 武汉飞恩微电子有限公司 | 基于图像识别的电路板检测方法、计算机及可读存储介质 |
CN114676396A (zh) * | 2022-05-30 | 2022-06-28 | 山东极视角科技有限公司 | 深度神经网络模型的保护方法、装置、电子设备和介质 |
CN115439699A (zh) * | 2022-10-25 | 2022-12-06 | 北京鹰瞳科技发展股份有限公司 | 目标检测模型的训练方法、目标检测的方法及相关产品 |
CN116740218A (zh) * | 2023-08-11 | 2023-09-12 | 南京安科医疗科技有限公司 | 一种心脏ct成像图像质量优化方法、设备及介质 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116008911B (zh) * | 2022-12-02 | 2023-08-22 | 南昌工程学院 | 一种基于新型原子匹配准则的正交匹配追踪声源识别方法 |
CN116281479B (zh) * | 2023-04-04 | 2023-10-17 | 南京枫火网络科技有限公司 | 一种基于物联网的电梯故障监测方法及系统 |
CN117168863B (zh) * | 2023-10-31 | 2024-01-26 | 苏州市产品质量监督检验院(苏州市质量技术监督综合检验检测中心、苏州市质量认证中心) | 基于人工智能的坐便器防虹吸测试方法、系统及存储介质 |
CN117372791B (zh) * | 2023-12-08 | 2024-03-22 | 齐鲁空天信息研究院 | 细粒度定向能毁伤区域检测方法、装置及存储介质 |
CN117671395B (zh) * | 2024-02-02 | 2024-04-26 | 南昌康德莱医疗科技有限公司 | 一种癌细胞种类识别装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190015059A1 (en) * | 2017-07-17 | 2019-01-17 | Siemens Healthcare Gmbh | Semantic segmentation for cancer detection in digital breast tomosynthesis |
CN110232721A (zh) * | 2019-05-16 | 2019-09-13 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 一种危机器官自动勾画模型的训练方法及装置 |
CN111402268A (zh) * | 2020-03-16 | 2020-07-10 | 苏州科技大学 | 一种医学图像中肝脏及其病灶分割的方法 |
CN111932482A (zh) * | 2020-09-25 | 2020-11-13 | 平安科技(深圳)有限公司 | 图像中目标物的检测方法、装置、电子设备及存储介质 |
WO2021027571A1 (zh) * | 2019-08-15 | 2021-02-18 | 腾讯科技(深圳)有限公司 | 基于人工智能的医学图像处理方法、医学设备和存储介质 |
US20210065360A1 (en) * | 2019-08-29 | 2021-03-04 | Varian Medical Systems International Ag | Systems and methods for image cropping and anatomical structure segmentation in medical imaging |
CN112465071A (zh) * | 2020-12-18 | 2021-03-09 | 深圳赛安特技术服务有限公司 | 图像多标签分类方法、装置、电子设备及介质 |
ES2813777A1 (es) * | 2019-09-23 | 2021-03-24 | Quibim S L | Metodo y sistema para la segmentacion automatica de hiperintensidades de sustancia blanca en imagenes de resonancia magnetica cerebral |
-
2021
- 2021-04-08 CN CN202110378729.2A patent/CN113159147B/zh active Active
- 2021-05-30 WO PCT/CN2021/097073 patent/WO2022213465A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190015059A1 (en) * | 2017-07-17 | 2019-01-17 | Siemens Healthcare Gmbh | Semantic segmentation for cancer detection in digital breast tomosynthesis |
CN110232721A (zh) * | 2019-05-16 | 2019-09-13 | 福建自贸试验区厦门片区Manteia数据科技有限公司 | 一种危机器官自动勾画模型的训练方法及装置 |
WO2021027571A1 (zh) * | 2019-08-15 | 2021-02-18 | 腾讯科技(深圳)有限公司 | 基于人工智能的医学图像处理方法、医学设备和存储介质 |
US20210065360A1 (en) * | 2019-08-29 | 2021-03-04 | Varian Medical Systems International Ag | Systems and methods for image cropping and anatomical structure segmentation in medical imaging |
ES2813777A1 (es) * | 2019-09-23 | 2021-03-24 | Quibim S L | Metodo y sistema para la segmentacion automatica de hiperintensidades de sustancia blanca en imagenes de resonancia magnetica cerebral |
CN111402268A (zh) * | 2020-03-16 | 2020-07-10 | 苏州科技大学 | 一种医学图像中肝脏及其病灶分割的方法 |
CN111932482A (zh) * | 2020-09-25 | 2020-11-13 | 平安科技(深圳)有限公司 | 图像中目标物的检测方法、装置、电子设备及存储介质 |
CN112465071A (zh) * | 2020-12-18 | 2021-03-09 | 深圳赛安特技术服务有限公司 | 图像多标签分类方法、装置、电子设备及介质 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113674142A (zh) * | 2021-08-30 | 2021-11-19 | 国家计算机网络与信息安全管理中心 | 图像中目标物的消融方法、装置、计算机设备及介质 |
CN113674142B (zh) * | 2021-08-30 | 2023-10-17 | 国家计算机网络与信息安全管理中心 | 图像中目标物的消融方法、装置、计算机设备及介质 |
CN114445410A (zh) * | 2022-04-11 | 2022-05-06 | 武汉飞恩微电子有限公司 | 基于图像识别的电路板检测方法、计算机及可读存储介质 |
CN114676396A (zh) * | 2022-05-30 | 2022-06-28 | 山东极视角科技有限公司 | 深度神经网络模型的保护方法、装置、电子设备和介质 |
CN114676396B (zh) * | 2022-05-30 | 2022-08-30 | 山东极视角科技有限公司 | 深度神经网络模型的保护方法、装置、电子设备和介质 |
CN115439699A (zh) * | 2022-10-25 | 2022-12-06 | 北京鹰瞳科技发展股份有限公司 | 目标检测模型的训练方法、目标检测的方法及相关产品 |
CN116740218A (zh) * | 2023-08-11 | 2023-09-12 | 南京安科医疗科技有限公司 | 一种心脏ct成像图像质量优化方法、设备及介质 |
CN116740218B (zh) * | 2023-08-11 | 2023-10-27 | 南京安科医疗科技有限公司 | 一种心脏ct成像图像质量优化方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113159147B (zh) | 2023-09-26 |
WO2022213465A1 (zh) | 2022-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113159147B (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
Kannojia et al. | Effects of varying resolution on performance of CNN based image classification: An experimental study | |
EP3396625A1 (en) | Image tampering detection method and system, electronic apparatus and storage medium | |
CN112465071A (zh) | 图像多标签分类方法、装置、电子设备及介质 | |
CN111932547B (zh) | 图像中目标物的分割方法、装置、电子设备及存储介质 | |
CN112257578B (zh) | 人脸关键点检测方法、装置、电子设备及存储介质 | |
CN112465060A (zh) | 图像中目标物检测方法、装置、电子设备及可读存储介质 | |
CN112581227A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN112749653A (zh) | 行人检测方法、装置、电子设备及存储介质 | |
CN113705462A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN112465141A (zh) | 模型压缩方法、装置、电子设备及介质 | |
CN115034315A (zh) | 基于人工智能的业务处理方法、装置、计算机设备及介质 | |
CN117036947A (zh) | 基于图像识别的农险出险预警方法、装置、设备及介质 | |
CN111429388B (zh) | 一种图像处理方法、装置和终端设备 | |
CN113705686B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
CN116029760A (zh) | 消息推送方法、装置、计算机设备和存储介质 | |
CN114066664A (zh) | 基于行为画像的风险等级评估方法、装置、设备及介质 | |
CN114049676A (zh) | 疲劳状态检测方法、装置、设备及存储介质 | |
CN113515591A (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
CN113343882A (zh) | 人群计数方法、装置、电子设备及存储介质 | |
CN112561893A (zh) | 图片匹配方法、装置、电子设备及存储介质 | |
CN111178630A (zh) | 一种负荷预测方法及装置 | |
CN115937145B (zh) | 基于大数据分析的肌肤健康可视化方法、装置及设备 | |
CN117373580B (zh) | 基于时序网络实现钛合金产品的性能分析方法及系统 | |
CN109740671B (zh) | 一种图像识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |