CN114511887A - 组织图像的识别方法、装置、可读介质和电子设备 - Google Patents

组织图像的识别方法、装置、可读介质和电子设备 Download PDF

Info

Publication number
CN114511887A
CN114511887A CN202210333207.5A CN202210333207A CN114511887A CN 114511887 A CN114511887 A CN 114511887A CN 202210333207 A CN202210333207 A CN 202210333207A CN 114511887 A CN114511887 A CN 114511887A
Authority
CN
China
Prior art keywords
tail
sample
sample image
head
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
Application number
CN202210333207.5A
Other languages
English (en)
Other versions
CN114511887B (zh
Inventor
边成
张志诚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN202210333207.5A priority Critical patent/CN114511887B/zh
Publication of CN114511887A publication Critical patent/CN114511887A/zh
Application granted granted Critical
Publication of CN114511887B publication Critical patent/CN114511887B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

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

Abstract

本公开涉及一种组织图像的识别方法、装置、可读介质和电子设备，涉及图像处理技术领域，该方法包括：获取内窥镜采集的组织图像，利用预先训练的识别模型对组织图像进行识别，以确定组织图像所属的目标类型，识别模型根据预设的样本图像集中的头部样本图像、头部样本图像的统计特征以及尾部样本图像训练得到，头部样本图像对应至少一种头部类型，尾部样本图像对应至少一种尾部类型，样本图像集包括第一数量个头部样本图像，和第二数量个尾部样本图像，第一数量大于第二数量。本公开中识别模型能够基于数量较多的头部样本图像的统计特征对数量较少的尾部样本图像进行学习，在不影响对头部类型识别的基础上，有效提高对尾部类型的识别准确度。

Description

组织图像的识别方法、装置、可读介质和电子设备
技术领域
本公开涉及图像处理技术领域，具体地，涉及一种组织图像的识别方法、装置、可读介质和电子设备。
背景技术
内窥镜检查作为能够进入人体内部的一种检查方式，由于能够直接观察到人体内部的情况，在医疗领域得到了广泛应用。在使用内窥镜进行检查的过程中，可以通过图像识别的方式，对人体内部的情况进行判断，例如识别图像中是否存在息肉、图像中息肉的类型等。要准确识别内窥镜采集的图像，需要预先获取大量的样本图像，以作为图像识别的参考基准。然而通常情况下，由于在自然条件下不同类型的组织出现的概率差别很大，大量的样本图像中，各种类型的样本图像在总量中的占比差别也较大，呈现出明显的长尾分布现象。导致对图像识别的有偏训练，降低了图像识别的准确度。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种组织图像的识别方法，所述方法包括：
获取内窥镜采集的组织图像；
利用预先训练的识别模型对所述组织图像进行识别，以确定所述组织图像所属的目标类型；
所述识别模型根据预设的样本图像集中的头部样本图像、头部样本图像的统计特征以及尾部样本图像训练得到，所述头部样本图像对应至少一种头部类型，所述尾部样本图像对应至少一种尾部类型，所述样本图像集包括第一数量个所述头部样本图像，和第二数量个所述尾部样本图像，所述第一数量大于所述第二数量。
第二方面，本公开提供一种组织图像的识别装置，所述装置包括：
获取模块，用于获取内窥镜采集的组织图像；
识别模块，用于利用预先训练的识别模型对所述组织图像进行识别，以确定所述组织图像所属的目标类型；
所述识别模型根据预设的样本图像集中的头部样本图像、头部样本图像的统计特征以及尾部样本图像训练得到，所述头部样本图像对应至少一种头部类型，所述尾部样本图像对应至少一种尾部类型，所述样本图像集包括第一数量个所述头部样本图像，和第二数量个所述尾部样本图像，所述第一数量大于所述第二数量。
第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现本公开第一方面所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现本公开第一方面所述方法的步骤。
通过上述技术方案，本公开首先获取内窥镜采集的组织图像，之后通过识别模型对组织图像进行识别，以确定组织图像所属的目标类型。其中，识别模型是根据预设的样本图像集中的头部样本图像、头部样本图像的统计特征以及尾部样本图像训练得到的。头部样本图像对应至少一种头部类型，尾部样本图像对应至少一种尾部类型，样本图像集包括第一数量个头部样本图像，和第二数量个尾部样本图像，并且第一数量大于第二数量。本公开中识别模型能够基于数量较多的头部样本图像的统计特征对数量较少的尾部样本图像进行学习，在不影响对头部类型识别的基础上，有效提高对尾部类型的识别准确度。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据一示例性实施例示出的一种组织图像的识别方法的流程图；
图2是根据一示例性实施例示出的一种识别模型的示意图；
图3是根据一示例性实施例示出的另一种组织图像的识别方法的流程图；
图4是根据一示例性实施例示出的一种训练识别模型的流程图；
图5是根据一示例性实施例示出的一种识别模型训练过程的示意图；
图6是根据一示例性实施例示出的另一种训练识别模型的流程图；
图7是根据一示例性实施例示出的另一种训练识别模型的流程图；
图8是根据一示例性实施例示出的一种组织图像的识别装置的框图；
图9是根据一示例性实施例示出的另一种组织图像的识别装置的框图；
图10是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1是根据一示例性实施例示出的一种组织图像的识别方法的流程图，如图1所示，该方法包括：
步骤101，获取内窥镜采集的组织图像。
举例来说，在进行内窥镜检查时，内窥镜会按照预设的采集周期不断地采集人体组织中的图像，即本实施例中的组织图像。组织图像可以为当前时刻内窥镜采集的图像，也可以是任一时刻内窥镜采集的图像。也就是说，组织图像可以是在内窥镜的进镜过程中采集的图像，也可以是在内窥镜的退镜过程中采集的图像，本公开对此不作具体限定。需要说明的是，本公开实施例中所述的内窥镜，例如可以是肠镜、胃镜等，若内窥镜为肠镜，那么上述组织图像即为肠道图像，本实施例中确定的是肠道图像所属的目标类型。若内窥镜为胃镜，那么上述组织图像可以为食道图像、胃部图像或者十二指肠图像，本实施例确定的是食道图像、胃部图像或者十二指肠图像所属的目标类型。内窥镜还可以用于采集其他组织的图像，本公开对此不作具体限定。
进一步的，内窥镜检查过程中，可能由于进镜手法不稳定，或者内窥镜所处位置不合适等原因，会采集到很多无效的图像，例如障碍物遮挡、曝光度过大、清晰度过低、体外等图像。这些无效的图像会对内窥镜的检查结果产生干扰。因此，在得到组织图像之后，可以先判断组织图像是否有效，以过滤掉无效的组织图像。若组织图像为无效的图像，可以直接丢弃该组织图像，继续获取下一采集周期采集的组织图像。这样能够减少不必要的数据处理，提高处理速度。例如，可以利用预先训练的过滤模型对组织图像进行过滤，以删除无效的组织图像。过滤模型的结构例如可以是CNN（英文：Convolutional Neural Networks，中文：卷积神经网络）或者LSTM（英文：Long Short-Term Memory，中文：长短期记忆网络），也可以是Transformer（例如Vision Transformer）中的Encoder等，本公开对此不作具体限定。进一步的，还可以对组织图像集中的每个组织图像进行预处理，可以理解为对每个组织图像中包括的数据进行增强处理。预处理可以包括：multi-crop处理、翻转处理（包括：左右翻转、上下翻转、旋转等）、随机仿射变换、尺寸变换（英文：Resize）等处理，最后得到的预处理后的组织图像可以是指定尺寸（例如可以是512*512）的图像。
步骤102，利用预先训练的识别模型对组织图像进行识别，以确定组织图像所属的目标类型。
其中，识别模型根据预设的样本图像集中的头部样本图像、头部样本图像的统计特征以及尾部样本图像训练得到，头部样本图像对应至少一种头部类型，尾部样本图像对应至少一种尾部类型，样本图像集包括第一数量个头部样本图像，和第二数量个尾部样本图像，第一数量大于第二数量。
示例的，可以将组织图像，输入预先训练的识别模型，以使识别模型对组织图像进行识别，识别模型输出组织图像所属的目标类型。具体的，识别模型能够确定组织图像与预设的多种类型的匹配概率，然后根据多个匹配概率来确定目标类型，例如可以将匹配概率最高的类型作为目标类型。多种类型，用于指示组织图像所反映的组织的状态，以内窥镜为肠镜，组织图像为肠道图像来举例，可以将组织图像划分为：有息肉类型和无息肉类型两种。也可以根据具体情况将组织图像划分为：腺瘤息肉类型、增生型息肉类型、炎症型息肉类型等。
识别模型可以根据预设的样本图像集训练得到。其中，样本图像集中包括大量的、多种类型的样本图像。可以根据每种类型的样本图像在样本图像集中所占的比例，将多种类型分为头部类型和尾部类型两个大类，属于头部类型的样本图像在样本图像集中所占的比例大于指定阈值（例如50%），属于尾部类型的样本图像在样本图像集中所占的比例小于指定阈值。头部类型中至少包括一种类型，尾部类型中至少包括一种类型。以将样本图像划分为：腺瘤息肉类型、增生型息肉类型、炎症型息肉类型为例，通常情况下，腺瘤息肉类型的肠道图像占比为80%，增生型息肉类型的肠道图像占比为2.32%，炎症型息肉类型的肠道图像占比为13.8%，那么可以将腺瘤息肉类型作为头部类型，将增生型息肉类型和炎症型息肉类型作为尾部类型。
然后可以将样本图像集划分为头部类型对应的头部样本图像和尾部类型对应的尾部样本图像，由于头部类型在样本图像集中的占比较大，尾部类型在样本图像集中的占比较小，因此头部样本图像的第一数量，要远远大于尾部样本图像的第二数量。也就是说，样本图像集中包括了大量的头部样本图像，和少量的尾部样本图像。例如，样本图像集中的头部样本图像可以为50万张，尾部样本图像可以为3.2万张。具体的，样本图像集可以采用Harvard Dataver数据集，例如MICCAI（英文：Medical Image Computing and ComputerAssisted Intervention）数据集、GLRC（英文：Gastrointestinal Lesions in RegularColonoscopy Dataset）数据集、KUMC（英文：University of Kansas Medical Center）数据集等，本公开对此不作限定。
可以利用样本图像集中的头部样本图像、头部样本图像的统计特征以及尾部样本图像对识别模型进行训练，头部样本图像的统计特征例如可以是头部样本图像的图像特征的均值、方差、标准差或者极值等，本公开对此不作具体限定。由于人体组织的相似性，头部类型的样本图像和尾部类型的样本图像实际上具有很高的相似度（例如：息肉的形状、息肉的大小等特征很相似）。因此，可以利用头部样本图像的统计特征对尾部样本图像的统计特征进行修正，以对样本图像集中的尾部样本图像进行增扩，从而修正样本图像集的长尾分布现象，实现对识别模型的无偏训练，达到提高识别模型的准确度的目的。可以理解为，将头部样本图像的统计特征迁移到尾部样本图像中，以对尾部样本图像的统计特征进行修正，从而丰富了样本图像集中尾部样本图像的多样性，修正了样本图像集的长尾分布现象。
由于识别模型能够基于数量较多的头部样本图像的统计特征对数量较少的尾部样本图像进行学习，实现了对识别模型的无偏训练。这样，不需要通过对头部样本图像进行欠采样或者对尾部样本图像进行过采样，导致头部类型的识别准确度的降低，同时，也不需要采用多个模型或者多阶段训练，导致模型规模的冗余以及训练效率的降低。因此，本公开中的识别模型既能够保证对头部类型的识别准确度，又能提高尾部类型的识别准确度。
在一种实现方式中，识别模型包括特征提取器和分类器，如图2所示，特征提取器与分类器依次相连，即特征提取器的输入作为识别模型的输入，特征提取器的输出作为分类器的输入，分类器得输出作为识别模型的输出。具体的，特征提取器的结构例如可以是CNN（英文：Convolutional Neural Networks，中文：卷积神经网络）或者VGG（英文：VisualGeometry Group）网络，也可以是Transformer（例如Vision Transformer）中的Encoder、ResNet、DenseNet等。分类器的结构例如可以是SoftMax模型、决策树模型或者SVM（英文：Support Vector Machine，中文：支持向量机）等，本公开对此不作具体限定。
图3是根据一示例性实施例示出的另一种组织图像的识别方法的流程图，如图3所示，识别模型包括特征提取器和分类器。步骤102可以通过以下步骤来实现：
步骤1021，将组织图像输入特征提取器，以得到用于表征组织图像的组织图像特征。
步骤1022，将组织图像特征输入分类器，以对组织图像特征进行分类，以得到目标类型。
示例的，以图2所示的识别模型为例，可以将组织图像作为特征提取器的输入，特征提取器可以对组织图像进行特征提取，以得到组织图像特征。组织图像特征用于表征组织图像，例如可以是特征图（英文：Feature Map），也可以是特征向量。之后可以将组织图像特征作为分类器的输入，分类器可以分别确定组织图像与预设的多种类型的匹配概率，然后将匹配概率最大的类型作为目标类型，并将目标类型作为分类器的输出。例如，预设的多种类型包括：腺瘤息肉类型、增生型息肉类型、炎症型息肉类型，那么分类器可以分别确定组织图像与腺瘤息肉类型、增生型息肉类型、炎症型息肉类型的匹配概率，若组织图像与腺瘤息肉类型的匹配概率最大，那么可以确定目标类型为腺瘤息肉类型。
图4是根据一示例性实施例示出的一种训练识别模型的流程图，如图4所示，识别模型是通过以下方式训练得到的：
步骤A，获取样本输入集和样本输出集，样本输入集包括：多个样本输入，每个样本输入包括样本图像集中的一个样本图像，样本图像为头部样本图像或尾部样本图像。样本输出集中包括与每个样本输入对应的样本输出，样本输出为对应的样本图像所属的真实类型。
举例来说，在对识别模型进行训练时，需要先获取用于训练识别模型的样本输入集和样本输出集。其中，样本输入集包括：多个样本输入，每个样本输入包括样本图像集中的一个样本图像，样本图像可以为头部样本图像，也可以为尾部样本图像。样本输出集中包括与每个样本输入对应的样本输出，样本输出为对应的样本图像所属的真实类型。其中，若样本图像为头部样本图像，那么对应的样本输出为一种头部类型。若样本图像为尾部样本图像，那么对应的样本输出为一种尾部类型。样本图像可以是之前执行内窥镜检查时采集到的大量的组织图像。
步骤B，从样本输入集中抽取多个训练批次，每个训练批次包括指定数量个样本图像。
步骤C，将每个训练批次作为特征提取器的输入，以得到该训练批次中每个样本图像对应的样本图像特征。
步骤D，根据该训练批次包括的头部样本图像对应的样本图像特征确定头部统计特征。
步骤E，根据头部统计特征对该训练批次包括的尾部样本图像对应的样本图像特征进行修正，得到该训练批次包括的尾部样本图像对应的修正样本图像特征。
示例的，可以按照预设规则从样本输入集中抽取多个训练批次（英文：batch），每个训练批次包括指定数量（即batch size）个样本图像。预设规则例如可以是在头部样本图像中随机抽取第三数量个样本图像，在尾部样本图像中随机抽取第四数量个样本图像，得到一个训练批次，第三数量+第四数量=指定数量，可以规定第三数量与第四数量的比值等。预设规则也可以在样本图像集中随机抽取指定数量个样本图像作为一个训练批次。
在得到多个训练批次之后，可以将每个训练批次输入特征提取器，特征提取器可以分别对该训练批次中的每个样本图像进行特征提取，以得到该训练批次中每个样本图像对应的样本图像特征。样本图像特征用于表征对应的样本图像。再根据该训练批次包括的头部样本图像对应的样本图像特征确定头部统计特征。头部统计特征能够表征该训练批次包括的头部样本图像对应的样本图像特征的分布，例如可以包括该训练批次包括的头部样本图像对应的样本图像特征的均值、方差、标准差或者极值等。最后，可以根据头部统计特征对该训练批次包括的尾部样本图像对应的样本图像特征进行修正，得到该训练批次包括的尾部样本图像对应的修正样本图像特征，得到修正样本图像特征的过程可以如图5所示，其中a表示特征提取器输出的头部样本图像对应的样本图像特征，c表示特征提取器输出的尾部样本图像对应的样本图像特征，b表示头部统计特征，d表示尾部样本图像对应的修正样本图像特征。可以理解为，将头部统计特征迁移到尾部样本图像对应的样本图像特征中，得到的修正样本图像特征是在原有样本图像特征的基础上的增扩。这样，能够丰富样本图像集中尾部样本图像的多样性，修正了样本图像集的长尾分布现象。
步骤F，将该训练批次包括的头部样本图像对应的样本图像特征，以及该训练批次包括的尾部样本图像对应的修正样本图像特征作为分类器的输入，将该训练批次包括的样本图像所属的真实类型作为分类器的输出，以训练识别模型。
示例的，在对识别模型训练时，可以将该训练批次包括的头部样本图像对应的样本图像特征，以及该训练批次包括的尾部样本图像对应的修正样本图像特征，输入识别模型，并将该训练批次包括的样本图像所属的真实类型作为分类器的输出，以训练识别模型。使得在输入该训练批次中的任一样本图像时，识别模型的输出能够和该样本图像所属的真实类型匹配。例如，可以根据识别模型的输出，与该训练批次中每个样本图像所属的真实类型确定识别模型的损失函数，再以降低损失函数为目标，利用反向传播算法来修正识别模型中的神经元参数，损失函数例如可以是交叉熵损失。神经元参数例如可以包括神经元的权重（英文：Weight）和偏置量（英文：Bias）。重复上述步骤，直至收敛，以达到训练识别模型的目的。
进一步的，训练识别模型的初始学习率可以设置为：1e-2，Batch size可以设置为：128，优化器可以选择：SGD，Epoch可以设置为：300，样本组织图像的大小可以为：512×512。
图6是根据一示例性实施例示出的另一种训练识别模型的流程图，如图6所示，步骤E可以包括：
步骤E1，根据该训练批次包括的尾部样本图像对应的样本图像特征确定尾部统计特征。
步骤E2，根据头部统计特征对尾部统计特征进行修正，得到修正尾部统计特征。
步骤E3，根据修正尾部统计特征对该训练批次包括的尾部样本图像对应的样本图像特征进行修正，得到该训练批次包括的尾部样本图像对应的修正样本图像特征。
示例的，在对尾部样本图像对应的样本图像特征进行修正的过程中，可以先根据该训练批次包括的尾部样本图像对应的样本图像特征确定尾部统计特征。尾部统计特征能够表征该训练批次包括的尾部样本图像对应的样本图像特征的分布，例如可以包括该训练批次包括的尾部样本图像对应的样本图像特征的均值、方差、标准差或者极值等。之后，可以根据步骤D中确定的头部统计特征对尾部统计特征进行修正，得到修正尾部统计特征。最后，可以根据修正尾部统计特征对该训练批次包括的尾部样本图像对应的样本图像特征进行修正，得到该训练批次包括的尾部样本图像对应的修正样本图像特征。
在一种实现方式中，步骤E3可以包括：
根据修正尾部统计特征和尾部统计特征，对该训练批次包括的尾部样本图像对应的样本图像特征进行修正，得到该训练批次包括的尾部样本图像对应的修正样本图像特征。
示例的，可以联合修正尾部统计特征以及尾部统计特征，对该训练批次包括的尾部样本图像对应的样本图像特征进行修正，得到该训练批次包括的尾部样本图像对应的修正样本图像特征。
在另一种实现方式中，步骤D可以包括：
将该训练批次包括的头部样本图像对应的样本图像特征的均值和方差，作为头部统计特征。
步骤E1包括：
将该训练批次包括的尾部样本图像对应的样本图像特征的均值和方差，作为尾部统计特征。
示例的，头部统计特征可以包括头部样本图像对应的样本图像特征的均值和方差，可以通过公式1确定头部统计特征：
Figure 652598DEST_PATH_IMAGE001
公式1
其中，v head 表示头部样本图像对应的样本图像特征的方差，u head 表示头部样本图像对应的样本图像特征的均值，n表示该训练批次中包括的头部样本图像的数量，
Figure 851498DEST_PATH_IMAGE002
表示该训练批次中第i个头部样本图像，
Figure 536689DEST_PATH_IMAGE003
表示该训练批次中第i个头部样本图像对应的样本图像特征。
相应的，尾部统计特征可以包括尾部样本图像对应的样本图像特征的均值和方差，可以通过公式2确定头部统计特征：
Figure 795632DEST_PATH_IMAGE004
公式2
其中，v tail 表示尾部样本图像对应的样本图像特征的方差，u tail 表示尾部样本图像对应的样本图像特征的均值，m表示该训练批次中包括的尾部样本图像的数量，
Figure 815540DEST_PATH_IMAGE005
表示该训练批次中第j个尾部样本图像，
Figure 552552DEST_PATH_IMAGE006
表示该训练批次中第j个尾部样本图像对应的样本图像特征。
图7是根据一示例性实施例示出的另一种训练识别模型的流程图，如图7所示，步骤E2可以通过以下步骤来实现：
步骤E21，将头部统计特征中的均值，与尾部统计特征中的均值进行加权求和，得到修正尾部统计特征中的均值。
步骤E22，将头部统计特征中的方差，与尾部统计特征中的方差进行加权求和，得到修正尾部统计特征中的方差。
示例的，可以利用头部统计特征中的均值，对尾部统计特征的均值进行修正，得到修正尾部统计特征的均值。同样的，可以利用头部统计特征中的方差，对尾部统计特征的方差进行修正，得到修正尾部统计特征的方差。具体的，可以通过公式3来确定修正尾部统计特征：
Figure 341516DEST_PATH_IMAGE007
公式3
其中，
Figure 36940DEST_PATH_IMAGE008
表示修正尾部统计特征中的方差，
Figure 544145DEST_PATH_IMAGE009
表示修正尾部统计特征中的均值，λ表示预设的权重。可以将λ作为超参数，在训练识别模型的过程中进行学习λ的值，也可以根据具体需求设置λ，例如可以将λ设置为样本图像集中头部样本图像的数量与尾部样本图像的数量的比值，也可以将λ设置为该训练批次中头部样本图像的数量与尾部样本图像的数量的比值。
在一种实现方式中，步骤E3可以包括：
步骤1）针对该训练批次包括的每个尾部样本图像，将该尾部样本图像对应的样本图像特征与尾部统计特征中的均值求差，并将求差结果与尾部统计特征中的方差求商。
步骤2）将求商结果与修正尾部统计特征中的均值求和。
步骤3）将求和结果与修正尾部统计特征中的方差求积，并将求积结果作为该尾部样本图像对应的修正样本图像特征。
示例的，针对该训练批次包括的每个尾部样本图像，可以将该尾部样本图像对应的样本图像特征减去尾部统计特征中的均值，之后除以尾部统计特征中的方差，再加上修正尾部统计特征中的均值，最后乘以修正尾部统计特征中的方差，得到该尾部样本图像对应的修正样本图像特征。具体的，可以通过公式4来确定修正样本图像特征：
Figure 84847DEST_PATH_IMAGE010
公式4
其中，
Figure 993898DEST_PATH_IMAGE011
表示该训练批次中第j个尾部样本图像对应的修正样本图像特征。这样，通过修正尾部统计特征对尾部样本图像对应的图像特征进行校准，使得该训练批次中尾部样本图像对应的修正样本图像特征的分布既能保持自身特性，又能与头部样本图像保持相似，从而丰富了样本图像集中尾部样本图像的多样性，实现对识别模型的无偏训练。
综上所述，本公开首先获取内窥镜采集的组织图像，之后通过识别模型对组织图像进行识别，以确定组织图像所属的目标类型。其中，识别模型是根据预设的样本图像集中的头部样本图像、头部样本图像的统计特征以及尾部样本图像训练得到的。头部样本图像对应至少一种头部类型，尾部样本图像对应至少一种尾部类型，样本图像集包括第一数量个头部样本图像，和第二数量个尾部样本图像，并且第一数量大于第二数量。本公开中识别模型能够基于数量较多的头部样本图像的统计特征对数量较少的尾部样本图像进行学习，在不影响对头部类型识别的基础上，有效提高对尾部类型的识别准确度。
图8是根据一示例性实施例示出的一种组织图像的识别装置的框图，如图8所示，该装置200可以包括：
获取模块201，用于获取内窥镜采集的组织图像。
识别模块202，用于利用预先训练的识别模型对组织图像进行识别，以确定组织图像所属的目标类型。
识别模型根据预设的样本图像集中的头部样本图像、头部样本图像的统计特征以及尾部样本图像训练得到，头部样本图像对应至少一种头部类型，尾部样本图像对应至少一种尾部类型，样本图像集包括第一数量个头部样本图像，和第二数量个尾部样本图像，第一数量大于第二数量。
图9是根据一示例性实施例示出的另一种组织图像的识别装置的框图，如图9所示，识别模型包括特征提取器和分类器。识别模块202可以包括：
提取子模块2021，用于将组织图像输入特征提取器，以得到用于表征组织图像的组织图像特征。
分类子模块2022，用于将组织图像特征输入分类器，以对组织图像特征进行分类，以得到目标类型。
在一种实现方式中，识别模型是通过以下方式训练得到的：
步骤A，获取样本输入集和样本输出集，样本输入集包括：多个样本输入，每个样本输入包括样本图像集中的一个样本图像，样本图像为头部样本图像或尾部样本图像。样本输出集中包括与每个样本输入对应的样本输出，样本输出为对应的样本图像所属的真实类型。
步骤B，从样本输入集中抽取多个训练批次，每个训练批次包括指定数量个样本图像。
步骤C，将每个训练批次作为特征提取器的输入，以得到该训练批次中每个样本图像对应的样本图像特征。
步骤D，根据该训练批次包括的头部样本图像对应的样本图像特征确定头部统计特征。
步骤E，根据头部统计特征对该训练批次包括的尾部样本图像对应的样本图像特征进行修正，得到该训练批次包括的尾部样本图像对应的修正样本图像特征。
步骤F，将该训练批次包括的头部样本图像对应的样本图像特征，以及该训练批次包括的尾部样本图像对应的修正样本图像特征作为分类器的输入，将该训练批次包括的样本图像所属的真实类型作为分类器的输出，以训练识别模型。
在另一种实现方式中，步骤E可以包括：
步骤E1，根据该训练批次包括的尾部样本图像对应的样本图像特征确定尾部统计特征。
步骤E2，根据头部统计特征对尾部统计特征进行修正，得到修正尾部统计特征。
步骤E3，根据修正尾部统计特征对该训练批次包括的尾部样本图像对应的样本图像特征进行修正，得到该训练批次包括的尾部样本图像对应的修正样本图像特征。
在又一种实现方式中，步骤E3可以包括：
根据修正尾部统计特征和尾部统计特征，对该训练批次包括的尾部样本图像对应的样本图像特征进行修正，得到该训练批次包括的尾部样本图像对应的修正样本图像特征。
在又一种实现方式中，步骤D可以包括：
将该训练批次包括的头部样本图像对应的样本图像特征的均值和方差，作为头部统计特征。
步骤E1包括：
将该训练批次包括的尾部样本图像对应的样本图像特征的均值和方差，作为尾部统计特征。
在另一种实现方式中，步骤E2可以通过以下步骤来实现：
步骤E21，将头部统计特征中的均值，与尾部统计特征中的均值进行加权求和，得到修正尾部统计特征中的均值。
步骤E22，将头部统计特征中的方差，与尾部统计特征中的方差进行加权求和，得到修正尾部统计特征中的方差。
在另一种实现方式中，步骤E3可以包括：
步骤1）针对该训练批次包括的每个尾部样本图像，将该尾部样本图像对应的样本图像特征与尾部统计特征中的均值求差，并将求差结果与尾部统计特征中的方差求商。
步骤2）将求商结果与修正尾部统计特征中的均值求和。
步骤3）将求和结果与修正尾部统计特征中的方差求积，并将求积结果作为该尾部样本图像对应的修正样本图像特征。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
综上所述，本公开首先获取内窥镜采集的组织图像，之后通过识别模型对组织图像进行识别，以确定组织图像所属的目标类型。其中，识别模型是根据预设的样本图像集中的头部样本图像、头部样本图像的统计特征以及尾部样本图像训练得到的。头部样本图像对应至少一种头部类型，尾部样本图像对应至少一种尾部类型，样本图像集包括第一数量个头部样本图像，和第二数量个尾部样本图像，并且第一数量大于第二数量。本公开中识别模型能够基于数量较多的头部样本图像的统计特征对数量较少的尾部样本图像进行学习，在不影响对头部类型识别的基础上，有效提高对尾部类型的识别准确度。
下面参考图10，其示出了适于用来实现本公开实施例的电子设备（例如可以上述实施例中的执行主体，可以是终端设备或服务器）300的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图10示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示，电子设备300可以包括处理装置（例如中央处理器、图形处理器等）301，其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，终端设备、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取内窥镜采集的组织图像；利用预先训练的识别模型对所述组织图像进行识别，以确定所述组织图像所属的目标类型；所述识别模型根据预设的样本图像集中的头部样本图像、头部样本图像的统计特征以及尾部样本图像训练得到，所述头部样本图像对应至少一种头部类型，所述尾部样本图像对应至少一种尾部类型，所述样本图像集包括第一数量个所述头部样本图像，和第二数量个所述尾部样本图像，所述第一数量大于所述第二数量。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，获取模块还可以被描述为“获取组织图像的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，示例1提供了一种组织图像的识别方法，包括：获取内窥镜采集的组织图像；利用预先训练的识别模型对所述组织图像进行识别，以确定所述组织图像所属的目标类型；所述识别模型根据预设的样本图像集中的头部样本图像、头部样本图像的统计特征以及尾部样本图像训练得到，所述头部样本图像对应至少一种头部类型，所述尾部样本图像对应至少一种尾部类型，所述样本图像集包括第一数量个所述头部样本图像，和第二数量个所述尾部样本图像，所述第一数量大于所述第二数量。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述识别模型包括特征提取器和分类器；所述利用预先训练的识别模型对所述组织图像进行识别，以确定所述组织图像所属的目标类型，包括：将所述组织图像输入所述特征提取器，以得到用于表征所述组织图像的组织图像特征；将所述组织图像特征输入所述分类器，以对所述组织图像特征进行分类，以得到所述目标类型。
根据本公开的一个或多个实施例，示例3提供了示例2的方法，所述识别模型是通过以下方式训练得到的：获取样本输入集和样本输出集，所述样本输入集包括：多个样本输入，每个所述样本输入包括所述样本图像集中的一个样本图像，所述样本图像为所述头部样本图像或所述尾部样本图像；所述样本输出集中包括与每个所述样本输入对应的样本输出，所述样本输出为对应的所述样本图像所属的真实类型；从所述样本输入集中抽取多个训练批次，每个所述训练批次包括指定数量个所述样本图像；将每个所述训练批次作为所述特征提取器的输入，以得到该训练批次中每个所述样本图像对应的样本图像特征；根据该训练批次包括的所述头部样本图像对应的样本图像特征确定头部统计特征；根据所述头部统计特征对该训练批次包括的所述尾部样本图像对应的样本图像特征进行修正，得到该训练批次包括的所述尾部样本图像对应的修正样本图像特征；将该训练批次包括的所述头部样本图像对应的样本图像特征，以及该训练批次包括的所述尾部样本图像对应的修正样本图像特征作为所述分类器的输入，将该训练批次包括的所述样本图像所属的真实类型作为所述分类器的输出，以训练所述识别模型。
根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述根据所述头部统计特征对该训练批次包括的所述尾部样本图像对应的样本图像特征进行修正，得到该训练批次包括的所述尾部样本图像对应的修正样本图像特征，包括：根据该训练批次包括的所述尾部样本图像对应的样本图像特征确定尾部统计特征；根据所述头部统计特征对所述尾部统计特征进行修正，得到修正尾部统计特征；根据所述修正尾部统计特征对该训练批次包括的所述尾部样本图像对应的样本图像特征进行修正，得到该训练批次包括的所述尾部样本图像对应的修正样本图像特征。
根据本公开的一个或多个实施例，示例5提供了示例4的方法，所述根据所述修正尾部统计特征对该训练批次包括的所述尾部样本图像对应的样本图像特征进行修正，包括：根据所述修正尾部统计特征和所述尾部统计特征，对该训练批次包括的所述尾部样本图像对应的样本图像特征进行修正，得到该训练批次包括的所述尾部样本图像对应的修正样本图像特征。
根据本公开的一个或多个实施例，示例6提供了示例4或示例5的方法，所述根据该训练批次包括的所述头部样本图像对应的样本图像特征确定头部统计特征，包括：将该训练批次包括的所述头部样本图像对应的样本图像特征的均值和方差，作为所述头部统计特征；所述根据该训练批次包括的所述尾部样本图像对应的样本图像特征确定尾部统计特征，包括：将该训练批次包括的所述尾部样本图像对应的样本图像特征的均值和方差，作为所述尾部统计特征。
根据本公开的一个或多个实施例，示例7提供了示例6的方法，所述根据所述头部统计特征对所述尾部统计特征进行修正，得到修正尾部统计特征，包括：将所述头部统计特征中的均值，与所述尾部统计特征中的均值进行加权求和，得到所述修正尾部统计特征中的均值；将所述头部统计特征中的方差，与所述尾部统计特征中的方差进行加权求和，得到所述修正尾部统计特征中的方差。
根据本公开的一个或多个实施例，示例8提供了示例7的方法，所述根据所述修正尾部统计特征对该训练批次包括的所述尾部样本图像对应的样本图像特征进行修正，包括：针对该训练批次包括的每个所述尾部样本图像，将该尾部样本图像对应的样本图像特征与所述尾部统计特征中的均值求差，并将求差结果与所述尾部统计特征中的方差求商；将求商结果与所述修正尾部统计特征中的均值求和；将求和结果与所述修正尾部统计特征中的方差求积，并将求积结果作为该尾部样本图像对应的修正样本图像特征。
根据本公开的一个或多个实施例，示例9提供了一种组织图像的识别装置，包括：获取模块，用于获取内窥镜采集的组织图像；识别模块，用于利用预先训练的识别模型对所述组织图像进行识别，以确定所述组织图像所属的目标类型；所述识别模型根据预设的样本图像集中的头部样本图像、头部样本图像的统计特征以及尾部样本图像训练得到，所述头部样本图像对应至少一种头部类型，所述尾部样本图像对应至少一种尾部类型，所述样本图像集包括第一数量个所述头部样本图像，和第二数量个所述尾部样本图像，所述第一数量大于所述第二数量。
根据本公开的一个或多个实施例，示例10提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1至示例8中所述方法的步骤。
根据本公开的一个或多个实施例，示例11提供了一种电子设备，包括：存储装置，其上存储有计算机程序；处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1至示例8中所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (11)

1.一种组织图像的识别方法，其特征在于，所述方法包括：
获取内窥镜采集的组织图像；
利用预先训练的识别模型对所述组织图像进行识别，以确定所述组织图像所属的目标类型；
所述识别模型根据预设的样本图像集中的头部样本图像、头部样本图像的统计特征以及尾部样本图像训练得到，所述头部样本图像对应至少一种头部类型，所述尾部样本图像对应至少一种尾部类型，所述样本图像集包括第一数量个所述头部样本图像，和第二数量个所述尾部样本图像，所述第一数量大于所述第二数量。
2.根据权利要求1所述的方法，其特征在于，所述识别模型包括特征提取器和分类器；所述利用预先训练的识别模型对所述组织图像进行识别，以确定所述组织图像所属的目标类型，包括：
将所述组织图像输入所述特征提取器，以得到用于表征所述组织图像的组织图像特征；
将所述组织图像特征输入所述分类器，以对所述组织图像特征进行分类，以得到所述目标类型。
3.根据权利要求2所述的方法，其特征在于，所述识别模型是通过以下方式训练得到的：
获取样本输入集和样本输出集，所述样本输入集包括：多个样本输入，每个所述样本输入包括所述样本图像集中的一个样本图像，所述样本图像为所述头部样本图像或所述尾部样本图像；所述样本输出集中包括与每个所述样本输入对应的样本输出，所述样本输出为对应的所述样本图像所属的真实类型；
从所述样本输入集中抽取多个训练批次，每个所述训练批次包括指定数量个所述样本图像；
将每个所述训练批次作为所述特征提取器的输入，以得到该训练批次中每个所述样本图像对应的样本图像特征；
根据该训练批次包括的所述头部样本图像对应的样本图像特征确定头部统计特征；
根据所述头部统计特征对该训练批次包括的所述尾部样本图像对应的样本图像特征进行修正，得到该训练批次包括的所述尾部样本图像对应的修正样本图像特征；
将该训练批次包括的所述头部样本图像对应的样本图像特征，以及该训练批次包括的所述尾部样本图像对应的修正样本图像特征作为所述分类器的输入，将该训练批次包括的所述样本图像所属的真实类型作为所述分类器的输出，以训练所述识别模型。
4.根据权利要求3所述的方法，其特征在于，所述根据所述头部统计特征对该训练批次包括的所述尾部样本图像对应的样本图像特征进行修正，得到该训练批次包括的所述尾部样本图像对应的修正样本图像特征，包括：
根据该训练批次包括的所述尾部样本图像对应的样本图像特征确定尾部统计特征；
根据所述头部统计特征对所述尾部统计特征进行修正，得到修正尾部统计特征；
根据所述修正尾部统计特征对该训练批次包括的所述尾部样本图像对应的样本图像特征进行修正，得到该训练批次包括的所述尾部样本图像对应的修正样本图像特征。
5.根据权利要求4所述的方法，其特征在于，所述根据所述修正尾部统计特征对该训练批次包括的所述尾部样本图像对应的样本图像特征进行修正，包括：
根据所述修正尾部统计特征和所述尾部统计特征，对该训练批次包括的所述尾部样本图像对应的样本图像特征进行修正，得到该训练批次包括的所述尾部样本图像对应的修正样本图像特征。
6.根据权利要求4或5所述的方法，其特征在于，所述根据该训练批次包括的所述头部样本图像对应的样本图像特征确定头部统计特征，包括：
将该训练批次包括的所述头部样本图像对应的样本图像特征的均值和方差，作为所述头部统计特征；
所述根据该训练批次包括的所述尾部样本图像对应的样本图像特征确定尾部统计特征，包括：
将该训练批次包括的所述尾部样本图像对应的样本图像特征的均值和方差，作为所述尾部统计特征。
7.根据权利要求6所述的方法，其特征在于，所述根据所述头部统计特征对所述尾部统计特征进行修正，得到修正尾部统计特征，包括：
将所述头部统计特征中的均值，与所述尾部统计特征中的均值进行加权求和，得到所述修正尾部统计特征中的均值；
将所述头部统计特征中的方差，与所述尾部统计特征中的方差进行加权求和，得到所述修正尾部统计特征中的方差。
8.根据权利要求7所述的方法，其特征在于，所述根据所述修正尾部统计特征对该训练批次包括的所述尾部样本图像对应的样本图像特征进行修正，包括：
针对该训练批次包括的每个所述尾部样本图像，将该尾部样本图像对应的样本图像特征与所述尾部统计特征中的均值求差，并将求差结果与所述尾部统计特征中的方差求商；
将求商结果与所述修正尾部统计特征中的均值求和；
将求和结果与所述修正尾部统计特征中的方差求积，并将求积结果作为该尾部样本图像对应的修正样本图像特征。
9.一种组织图像的识别装置，其特征在于，所述装置包括：
获取模块，用于获取内窥镜采集的组织图像；
识别模块，用于利用预先训练的识别模型对所述组织图像进行识别，以确定所述组织图像所属的目标类型；
所述识别模型根据预设的样本图像集中的头部样本图像、头部样本图像的统计特征以及尾部样本图像训练得到，所述头部样本图像对应至少一种头部类型，所述尾部样本图像对应至少一种尾部类型，所述样本图像集包括第一数量个所述头部样本图像，和第二数量个所述尾部样本图像，所述第一数量大于所述第二数量。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-8中任一项所述方法的步骤。
11.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-8中任一项所述方法的步骤。
CN202210333207.5A 2022-03-31 2022-03-31 组织图像的识别方法、装置、可读介质和电子设备 Active CN114511887B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210333207.5A CN114511887B (zh) 2022-03-31 2022-03-31 组织图像的识别方法、装置、可读介质和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210333207.5A CN114511887B (zh) 2022-03-31 2022-03-31 组织图像的识别方法、装置、可读介质和电子设备

Publications (2)

Publication Number Publication Date
CN114511887A true CN114511887A (zh) 2022-05-17
CN114511887B CN114511887B (zh) 2022-07-05

Family

ID=81554877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210333207.5A Active CN114511887B (zh) 2022-03-31 2022-03-31 组织图像的识别方法、装置、可读介质和电子设备

Country Status (1)

Country Link
CN (1) CN114511887B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111291841A (zh) * 2020-05-13 2020-06-16 腾讯科技（深圳）有限公司 图像识别模型训练方法、装置、计算机设备和存储介质
CN111738301A (zh) * 2020-05-28 2020-10-02 华南理工大学 一种基于双通道学习的长尾分布图像数据识别方法
CN112668675A (zh) * 2021-03-22 2021-04-16 腾讯科技（深圳）有限公司 一种图像处理方法、装置、计算机设备及存储介质
US20210343021A1 (en) * 2019-02-14 2021-11-04 Tencent Technology (Shenzhen) Company Limited Medical image region screening method and apparatus and storage medium
CN114140668A (zh) * 2021-12-09 2022-03-04 深圳市资福医疗技术有限公司 胃部部位识别模型训练方法、部位识别方法及装置
CN114155436A (zh) * 2021-12-06 2022-03-08 大连理工大学 长尾分布的遥感图像目标识别逐步蒸馏学习方法
CN114187465A (zh) * 2020-09-14 2022-03-15 顺丰科技有限公司 分类模型的训练方法、装置、电子设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210343021A1 (en) * 2019-02-14 2021-11-04 Tencent Technology (Shenzhen) Company Limited Medical image region screening method and apparatus and storage medium
CN111291841A (zh) * 2020-05-13 2020-06-16 腾讯科技（深圳）有限公司 图像识别模型训练方法、装置、计算机设备和存储介质
CN111738301A (zh) * 2020-05-28 2020-10-02 华南理工大学 一种基于双通道学习的长尾分布图像数据识别方法
CN114187465A (zh) * 2020-09-14 2022-03-15 顺丰科技有限公司 分类模型的训练方法、装置、电子设备及存储介质
CN112668675A (zh) * 2021-03-22 2021-04-16 腾讯科技（深圳）有限公司 一种图像处理方法、装置、计算机设备及存储介质
CN114155436A (zh) * 2021-12-06 2022-03-08 大连理工大学 长尾分布的遥感图像目标识别逐步蒸馏学习方法
CN114140668A (zh) * 2021-12-09 2022-03-04 深圳市资福医疗技术有限公司 胃部部位识别模型训练方法、部位识别方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHENG BIAN ET AL.: "Domain Adaptation Meets Zero-Shot Learning: An Annotation-Efficient Approach to Multi-Modality Medical Image Segmentation", 《IEEE》 *
陈彤: "基于改进深度学习的乳腺癌医学影像检测方法", 《现代计算机》 *

Also Published As

Publication number Publication date
CN114511887B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
WO2021098362A1 (zh) 视频分类模型构建、视频分类的方法、装置、设备及介质
CN113658178B (zh) 组织图像的识别方法、装置、可读介质和电子设备
CN110689025B (zh) 图像识别方法、装置、系统及内窥镜图像识别方法、装置
CN111275721B (zh) 一种图像分割方法、装置、电子设备及存储介质
CN113470030B (zh) 组织腔清洁度的确定方法、装置、可读介质和电子设备
WO2023030373A1 (zh) 组织腔体的定位方法、装置、可读介质和电子设备
CN113869282B (zh) 人脸识别方法、超分模型训练方法及相关设备
CN114419400B (zh) 图像识别模型的训练方法、识别方法、装置、介质和设备
CN114612987A (zh) 一种表情识别方法及装置
CN114782388A (zh) 基于图像识别的内窥镜进退镜时间确定方法及装置
CN111340213B (zh) 神经网络的训练方法、电子设备、存储介质
CN110826565A (zh) 基于跨连接的卷积神经网络齿痕舌象分类方法及系统
CN112668718B (zh) 神经网络训练方法、装置、电子设备以及存储介质
WO2023185497A1 (zh) 组织图像的识别方法、装置、可读介质和电子设备
CN114511887B (zh) 组织图像的识别方法、装置、可读介质和电子设备
CN112991281A (zh) 视觉检测方法、系统、电子设备及介质
CN112991280A (zh) 视觉检测方法、系统及电子设备
CN114332080B (zh) 组织腔体的定位方法、装置、可读介质和电子设备
CN110765304A (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN113302649A (zh) 用于自动诊断的方法、装置和系统
CN113470026B (zh) 息肉识别方法、装置、介质及设备
CN116012875A (zh) 一种人体姿态估计方法及相关装置
Rifai et al. Analysis for diagnosis of pneumonia symptoms using chest X-ray based on MobileNetV2 models with image enhancement using white balance and contrast limited adaptive histogram equalization (CLAHE)
CN115147871B (zh) 遮挡环境下行人再识别方法
CN118071982A (zh) 目标对象的图像确定方法及装置

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