CN116152246B - 一种图像识别方法、装置、设备及存储介质 - Google Patents
一种图像识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116152246B CN116152246B CN202310422220.2A CN202310422220A CN116152246B CN 116152246 B CN116152246 B CN 116152246B CN 202310422220 A CN202310422220 A CN 202310422220A CN 116152246 B CN116152246 B CN 116152246B
- Authority
- CN
- China
- Prior art keywords
- image
- identified
- identification
- training
- representation
- 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
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本说明书公开了一种图像识别方法、装置、设备及存储介质,可以基于待识别CT图像中包含的每个体素对应的CT值,提取出待识别CT图像的统计数据,进而可以通过识别模型根据待识别CT图像的统计数据,确定出待识别CT图像的第一特征表示,以及根据待识别CT图像,确定出待识别CT图像的第二特征表示,进而可以根据待识别CT图像的统计数据以及待识别CT图像的图像信息,对待识别CT图像进行识别,进而可以提高识别的准确性。
Description
技术领域
本说明书涉及数据处理技术领域,尤其涉及一种图像识别方法、装置、设备及存储介质。
背景技术
目前,计算机断层扫描(Computed Tomography,CT)图像在影像学诊断中得到广泛应用,例如:根据患者的肺部CT图像进行慢阻肺等疾病的诊断。
在现有技术中,可以通过深度学习模型,从CT图像中提取特征,以根据CT图像中包含的患者身体的指定部位的图像,识别出患者身体的指定部位是否存在病变,但是,这种方法识别的准确率较低。
因此,如何能够进一步地提升对CT图像进行识别的准确率,则是一个亟待解决的问题。
发明内容
本说明书提供一种图像识别方法、装置、设备及存储介质,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种图像识别方法,所述方法包括:
获取用户的待识别计算机断层扫描CT图像;
根据所述待识别CT图像中包含的每个体素对应的CT值,确定所述待识别CT图像对应的图像直方图,所述图像直方图用于表示所述待识别CT图像中涉及的每个CT值所对应的体素的数量;
根据所述图像直方图,确定针对所述待识别CT图像的至少一种统计数据,所述统计数据包括:所述待识别CT图像中包含的指定体素对应的CT值、对应的CT值属于指定范围内的体素的数量占所有体素的总数量的百分比;
将所述统计数据输入到预先训练的识别模型中的第一特征提取层中,得到第一特征表示,以及将所述待识别CT图像输入到所述识别模型中的第二特征提取层中,得到第二特征表示;
根据所述第一特征表示和所述第二特征表示,得到针对所述待识别CT图像的识别结果。
可选地,获取用户的待识别CT图像,具体包括:
获取用户的原始计算机断层扫描CT图像;
对所述原始CT图像进行分割,得到所述用户身体的指定部位对应的CT图像;
对所述用户身体的指定部位对应的CT图像进行重采样,得到待识别CT图像。
可选地,将所述统计数据输入到预先训练的识别模型中的第一特征提取层中,得到第一特征表示,具体包括:
对所述统计数据中的至少部分统计数据进行归一化处理,得到处理后统计数据;
将所述处理后统计数据输入到预先训练的识别模型中的第一特征提取层中,得到第一特征表示。
可选地,将所述待识别CT图像输入到所述识别模型中的第二特征提取层中,得到第二特征表示,具体包括:
对所述待识别CT图像中包含的每个体素对应的CT值进行归一化处理,得到处理后待识别CT图像;
将所述处理后待识别CT图像输入到所述识别模型中的第二特征提取层中,得到第二特征表示。
可选地,根据所述第一特征表示和所述第二特征表示,得到针对所述待识别CT图像的识别结果,具体包括:
将所述待识别CT图像的第一特征表示和第二特征表示进行融合,得到融合特征表示;
根据所述融合特征表示,得到针对所述待识别CT图像的识别结果。
可选地,训练所述识别模型,具体包括:
获取各样本用户的待识别CT图像,所述样本用户包含至少部分身体的指定部位存在病情的患者以及至少部分身体的指定部位未患病的非患者;
将其中的至少部分样本用户的待识别CT图像,作为训练集,将其他样本用户的待识别CT图像作为测试集;
通过所述训练集中的待识别CT图像,对所述识别模型进行初始训练,得到初始训练后的识别模型;
针对测试集中的每个待识别CT图像,将该待识别CT图像输入到所述初始训练后的识别模型中,以通过所述初始训练后的识别模型,得到针对该待识别CT图像的识别结果;
以最小化通过所述初始训练后的识别模型得到的针对该待识别CT图像的识别结果和该待识别CT图像的实际识别结果之间的偏差为优化目标,对所述识别模型进行训练。
本说明书提供了一种图像识别装置,包括:
获取模块,用于获取用户的待识别计算机断层扫描CT图像;
确定模块,用于根据所述待识别CT图像中包含的每个体素对应的CT值,确定所述待识别CT图像对应的图像直方图,所述图像直方图用于表示所述待识别CT图像中涉及的每个CT值所对应的体素的数量;
统计模块,用于根据所述图像直方图,确定针对所述待识别CT图像的至少一种统计数据,所述统计数据包括:所述待识别CT图像中包含的指定体素对应的CT值、对应的CT值属于指定范围内的体素的数量占所有体素的总数量的百分比;
特征提取模块,用于将所述统计数据输入到预先训练的识别模型中的第一特征提取层中,得到第一特征表示,以及将所述待识别CT图像输入到所述识别模型中的第二特征提取层中,得到第二特征表示将所述统计数据输入到预先训练的识别模型中的第一特征提取层中,得到第一特征表示,以及将所述待识别CT图像输入到所述识别模型中的第二特征提取层中,得到第二特征表示;
识别模块,用于根据所述第一特征表示和所述第二特征表示,得到针对所述待识别CT图像的识别结果。
可选地,所述获取模块具体用于,获取用户的原始计算机断层扫描CT图像;对所述原始CT图像进行分割,得到所述用户身体的指定部位对应的CT图像;对所述用户身体的指定部位对应的CT图像进行重采样,得到待识别CT图像。
可选地,所述特征提取模块具体用于,对所述统计数据中的至少部分统计数据进行归一化处理,得到处理后统计数据;将所述处理后统计数据输入到预先训练的识别模型中的第一特征提取层中,得到第一特征表示。
可选地,所述识别模块具体用于,对所述待识别CT图像中包含的每个体素对应的CT值进行归一化处理,得到处理后待识别CT图像;将所述处理后待识别CT图像输入到所述识别模型中的第二特征提取层中,得到第二特征表示。
可选地,所述识别模块具体用于,将所述待识别CT图像的第一特征表示和第二特征表示进行融合,得到融合特征表示;根据所述融合特征表示,得到针对所述待识别CT图像的识别结果。
可选地,所述装置还包括:训练模块;
所述训练模块具体用于,获取各样本用户的待识别CT图像,所述样本用户包含至少部分身体的指定部位存在病情的患者以及至少部分身体的指定部位未患病的非患者;将其中的至少部分样本用户的待识别CT图像,作为训练集,将其他样本用户的待识别CT图像作为测试集;通过所述训练集中的待识别CT图像,对所述识别模型进行初始训练,得到初始训练后的识别模型;针对测试集中的每个待识别CT图像,将该待识别CT图像输入到所述初始训练后的识别模型中,以通过所述初始训练后的识别模型,得到针对该待识别CT图像的识别结果;以最小化通过所述初始训练后的识别模型得到的针对该待识别CT图像的识别结果和该待识别CT图像的实际识别结果之间的偏差为优化目标,对所述识别模型进行训练。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述图像识别方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述图像识别方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的图像识别方法,首先获取用户的待识别计算机断层扫描CT图像,根据待识别CT图像中包含的每个体素对应的CT值,确定待识别CT图像对应的图像直方图,图像直方图用于表示待识别CT图像中涉及的每个CT值所对应的体素的数量,根据图像直方图,确定针对待识别CT图像的至少一种统计数据,并根据至少一种统计数据,其中,统计数据包括:待识别CT图像中包含的指定体素对应的CT值、对应的CT值属于指定范围内的体素的数量占所有体素的总数量的百分比,将统计数据输入到预先训练的识别模型中的第一特征提取层中,得到第一特征表示,以及将待识别CT图像输入到识别模型中的第二特征提取层中,得到第二特征表示,根据第一特征表示和第二特征表示,得到针对待识别CT图像的识别结果。
从上述方法中可以看出,可以基于待识别CT图像中包含的每个体素对应的CT值,提取出待识别CT图像的统计数据,进而可以通过识别模型根据待识别CT图像的统计数据,确定出待识别CT图像的第一特征表示,以及根据待识别CT图像,确定出待识别CT图像的第二特征表示,进而可以根据待识别CT图像的统计数据以及待识别CT图像的图像信息,对待识别CT图像进行识别,进而可以提高识别的准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中提供的一种图像识别方法的流程示意图;
图2为本说明书提供的待识别CT图像对应的图像直方图;
图3为本说明书中提供的待识别CT图像的识别过程的示意图;
图4为本说明书提供的一种图像识别装置的示意图;
图5为本说明书提供的一种对应于图1的电子设备的示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种图像识别方法的流程示意图,包括以下步骤:
S101:获取用户的待识别计算机断层扫描CT图像。
在本说明书中,业务平台可以获取用户的原始计算机断层扫描CT图像,进而可以对获取到的用户的原始CT图像进行分割,以将用户的原始CT图像中用户身体的指定部位对应的CT图像分割出来,从而得到用户身体的指定部位对应的CT图像。
上述内容中,业务平台对获取到的用户的原始CT图像进行分割的方法可以为将用户的原始CT图像输入到预设的分割模型中,以通过预设的分割模型,得到用户身体的指定部位对应的CT图像,这里的分割模型可以为诸如:UNet、UNet++等神经网络模型。
进一步地,可以对用户身体的指定部位对应的CT图像进行重采样,得到待识别CT图像,其中,通过重采样可以对待识别CT图像中的体素大小进行归一化处理。
需要说明的是,重采样得到的待识别CT图像的大小可能与原始图像的大小存在差异,因此,还可以对重采样得到的待识别图像进行裁剪等操作,以使重采样得到的待识别CT图像的大小与分割前的用户的原始CT图像大小相同。
上述内容中用户身体的指定部位可以是诸如:肺部、肝部等部位,上述内容中的体素即为体积元素,是三维空间分割上的最小单位,与二维空间中的像素类似,可以理解为三维空间中的三维图像可以由若干个小正方体组成,而这些小正方体即为体素。
需要说明的是,由于不同用户身体的指定部位对应的CT图像大小可能不同(这是因为每个用户的指定部位的体积不同,身体中的占比也不同,从而导致分割出的用户身体的指定部位对应的CT图像大小可能不同),并且不同用户身体的指定部位对应的CT图像中包含的体素的大小也不同,例如:部分用户身体的指定部位对应的CT图像中包含的体素的大小可以为(0.878906,0.878906,0.625),而其他用户身体的指定部位对应的CT图像中包含的体素的大小可以为(1,1,1),因此,还需要通过重采样对待识别CT图像中的体素大小进行归一化处理,以避免因不同待识别CT图像中包含的体素的大小不同对识别模型输出的识别结果造成的影响,并使分割出的用户身体的指定部位对应的CT图像与分割前的用户的原始CT图像大小相同。
在本说明书中,用于实现图像识别方法的执行主体,可以是指诸如服务器、等设置于业务平台的指定设备,也可以是指诸如笔记本电脑、台式电脑等设备,为了便于描述,下面仅以服务器是执行主体为例,对本说明书提供的图像识别方法进行说明。
S102:根据所述待识别CT图像中包含的每个体素对应的CT值,确定所述待识别CT图像对应的图像直方图,所述图像直方图用于表示所述待识别CT图像中涉及的每个CT值所对应的体素的数量。
进一步地,服务器在获取到待识别CT图像后,可以确定出待识别CT图像中包含的每个体素对应的CT值,进而可以根据待识别CT图像中包含的每个体素对应的CT值,确定待识别CT图像对应的图像直方图,具体如图2所示。
图2为本说明书提供的待识别CT图像对应的图像直方图。
从图2中可以看出,待识别CT图像对应的图像直方图用于表示每个CT值对应的体素的数量,例如:在图2中对应的CT值为-950HU的体素数量为5100,需要说明的是,这里的5100即为CT值-950HU对应的频率值,也就是指待识别CT图像中对应的CT值为-950HU的体素的个数。
上述的CT值,即亨氏单位(Hounsfield Unit, HU)值,是指X射线在穿过不同组织时的衰减系数对应的值。
在实际应用场景中,待识别CT图像中还可能包含对应的CT值小于-1024HU的体素,以及大于190HU的体素,而服务器可以针对这部份体素进行阈值处理。
具体地,服务器可以针对对应的CT值小于-1024HU的体素,可以将该体素对应的CT值设置为-1024HU,针对对应的CT值大于190HU的体素,可以将该体素对应的CT值设置为190HU。
S103:根据所述图像直方图,确定针对所述待识别CT图像的至少一种统计数据,所述统计数据包括:所述待识别CT图像中包含的指定体素对应的CT值、对应的CT值属于指定范围内的体素的数量占所有体素的总数量的百分比。
进一步地,服务器可以根据图像直方图,确定待识别CT图像中包含的至少一种统计数据,这里的统计数据包括:待识别CT图像中包含的指定体素对应的CT值、对应的CT值属于指定范围内的体素的数量占所有体素的总数量的百分比,这里的所有体素是指待识别CT图像中包含的用户身体的指定部位对应的所有体素。
其中,待识别CT图像中包含的指定体素可以是指在图像直方图中处于指定百分位的体素,例如:可以将处于图像直方图中第15个百分位的体素作为指定体素,换句话说,这里的第15个百分位即为所有体素按照对应的CT值大小进行排序后,处于所有体素中的第百分之15这个位置上的体素。
除此之外,待识别CT图像中包含的指定体素还可以是指各CT值中,对应的频率值最大的CT值对应的体素。
另外,上述内容中的指定范围可以是指预设的第一指定范围和各第二指定范围,这里的第一指定范围可以是对应的CT值小于等于-950HU、这里的各第二指定范围可以是对应的CT值处于[-1024, -920],对应的CT值处于(-920, -720)、对应的CT值处于[-720,190]中的至少一种。
需要说明的是,上述的对应的CT值属于指定范围中的第一指定范围内的体素占所有体素的总数量的百分比,可以从整体上反映用户身体的指定部位的患病情况,上述的各第二指定范围可以反映出用户身体的指定部位中的不同区域的患病情况。
S104:将所述统计数据输入到预先训练的识别模型中的第一特征提取层中,得到第一特征表示,以及将所述待识别CT图像输入到所述识别模型中的第二特征提取层中,得到第二特征表示。
S105:根据所述第一特征表示和所述第二特征表示,得到针对所述待识别CT图像的识别结果。
进一步地,服务器在确定出统计数据后,可以对确定出的统计数据中的至少部分统计数据进行归一化处理,得到处理后统计数据,进而可以将处理后统计数据输入到预先训练的识别模型中的第一特征提取层中,得到第一特征表示。
以及,服务器可以对待识别CT图像中包含的每个体素对应的CT值进行归一化处理,得到处理后待识别CT图像,进而可以将处理后待识别CT图像输入到识别模型中的第二特征提取层中,得到第二特征表示。
进一步地,服务器可以根据第一特征表示和第二特征表示,得到针对待识别CT图像的识别结果。
具体地,服务器可以通过识别模型中的全连接层,将待识别CT图像的第一特征表示和第二特征表示进行融合,得到融合特征表示,进而可以将得到的融合特征表示,输入到识别模型的决策层中,以得到针对待识别CT图像的识别结果。
需要说明的是,上述的第一特征提取层和上述的第二特征提取层可以根据实际需求选用,例如:上述的第一特征提取模型可以为线性层,上述的第二特征提取层可以为ResNet18网络层。
另外,在实际应用中,需要事先对识别模型进行训练,方可将其部署在服务器中来对待识别CT图像进行识别。
其中,对识别模型进行训练的方法可以为,获取各样本用户的待识别CT图像,样本用户包含至少部分身体的指定部位存在病情的患者以及至少部分身体的指定部位未患病的非患者,将其中的至少部分样本用户的待识别CT图像,作为训练集,将其他样本用户的待识别CT图像作为测试集,通过训练集中的待识别CT图像,对识别模型进行初始训练,得到初始训练后的识别模型,针对测试集中的每个待识别CT图像,将该待识别CT图像输入到初始训练后的识别模型中,以通过初始训练后的识别模型,得到针对该待识别CT图像的识别结果,以最小化通过初始训练后的识别模型得到的针对该待识别CT图像的识别结果和该待识别CT图像的实际识别结果之间的偏差为优化目标,对识别模型进行训练。
为了进一步地对上述内容进行详细说明,在本说明书中还提供的通过所述识别模型进行图像识别的过程的示意图,具体如图3所示。
图3为本说明书中提供的待识别CT图像的识别过程的示意图。
从图3中可以看出,服务器可以将待识别CT图像以及待识别CT图像中包含的至少一种统计数据输入到预先训练的识别模型中,以通过识别模型中的第一特征提取层,得到待识别CT图像的第一特征表示,以及通过识别模型中的第二特征提取层,得到待识别CT图像的第二特征表示。
进一步地,识别模型可以通过全连接层将待识别CT图像的第一特征表示和第二特征表示进行融合,得到融合特征表示,进而可以通过决策层根据融合特征表示,对待识别CT图像进行识别,得到针对待识别CT图像的识别结果。
从上述内容中可以看出,服务器可以基于待识别CT图像中包含的每个体素对应的CT值,提取出待识别CT图像的统计数据,进而可以通过识别模型根据待识别CT图像的统计数据,确定出待识别CT图像的第一特征表示,以及根据待识别CT图像,确定出待识别CT图像的第二特征表示,进而可以根据待识别CT图像的统计数据以及待识别CT图像的图像信息,对待识别CT图像进行识别,进而可以提高识别的准确性。
以上为本说明书的一个或多个实施例提供的图像识别方法,基于同样的思路,本说明书还提供了相应的图像识别装置,如图4所示。
图4为本说明书提供的一种图像识别装置的示意图,包括:
获取模块401,用于获取用户的待识别计算机断层扫描CT图像;
确定模块402,用于根据所述待识别CT图像中包含的每个体素对应的CT值,确定所述待识别CT图像对应的图像直方图,所述图像直方图用于表示所述待识别CT图像中涉及的每个CT值所对应的体素的数量;
统计模块403,用于根据所述图像直方图,确定针对所述待识别CT图像的至少一种统计数据,所述统计数据包括:所述待识别CT图像中包含的指定体素对应的CT值、对应的CT值属于指定范围内的体素的数量占所有体素的总数量的百分比;
特征提取模块404,用于将所述统计数据输入到预先训练的识别模型中的第一特征提取层中,得到第一特征表示,以及将所述待识别CT图像输入到所述识别模型中的第二特征提取层中,得到第二特征表示将所述统计数据输入到预先训练的识别模型中的第一特征提取层中,得到第一特征表示,以及将所述待识别CT图像输入到所述识别模型中的第二特征提取层中,得到第二特征表示;
识别模块405,用于根据所述第一特征表示和所述第二特征表示,得到针对所述待识别CT图像的识别结果。
可选地,所述获取模块401具体用于,获取用户的原始计算机断层扫描CT图像;对所述原始CT图像进行分割,得到所述用户身体的指定部位对应的CT图像;对所述用户身体的指定部位对应的CT图像进行重采样,得到待识别CT图像。
可选地,所述特征提取模块404具体用于,对所述统计数据中的至少部分统计数据进行归一化处理,得到处理后统计数据;将所述处理后统计数据输入到预先训练的识别模型中的第一特征提取层中,得到第一特征表示。
可选地,所述识别模块405具体用于,对所述待识别CT图像中包含的每个体素对应的CT值进行归一化处理,得到处理后待识别CT图像;将所述处理后待识别CT图像输入到所述识别模型中的第二特征提取层中,得到第二特征表示。
可选地,所述识别模块405具体用于,将所述待识别CT图像的第一特征表示和第二特征表示进行融合,得到融合特征表示;根据所述融合特征表示,得到针对所述待识别CT图像的识别结果。
可选地,所述装置还包括:训练模块406;
所述训练模块具体用于,获取各样本用户的待识别CT图像,所述样本用户包含至少部分身体的指定部位存在病情的患者以及至少部分身体的指定部位未患病的非患者;将其中的至少部分样本用户的待识别CT图像,作为训练集,将其他样本用户的待识别CT图像作为测试集;通过所述训练集中的待识别CT图像,对所述识别模型进行初始训练,得到初始训练后的识别模型;针对测试集中的每个待识别CT图像,将该待识别CT图像输入到所述初始训练后的识别模型中,以通过所述初始训练后的识别模型,得到针对该待识别CT图像的识别结果;以最小化通过所述初始训练后的识别模型得到的针对该待识别CT图像的识别结果和该待识别CT图像的实际识别结果之间的偏差为优化目标,对所述识别模型进行训练。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的一种的方法。
本说明书还提供了图5所示的一种对应于图1的电子设备的示意结构图。如图5所示,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他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、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (14)
1.一种图像识别方法,其特征在于,所述方法包括:
获取用户的待识别计算机断层扫描CT图像;
根据所述待识别CT图像中包含的每个体素对应的CT值,确定所述待识别CT图像对应的图像直方图,所述图像直方图用于表示所述待识别CT图像中涉及的每个CT值所对应的体素的数量;
根据所述图像直方图,确定针对所述待识别CT图像的至少一种统计数据,所述统计数据包括:所述待识别CT图像中包含的指定体素对应的CT值、对应的CT值属于指定范围内的体素的数量占所有体素的总数量的百分比;
将所述统计数据输入到预先训练的识别模型中的第一特征提取层中,得到第一特征表示,以及将所述待识别CT图像输入到所述识别模型中的第二特征提取层中,得到第二特征表示;
根据所述第一特征表示和所述第二特征表示,得到针对所述待识别CT图像的识别结果;
其中,采用的样本用户的待识别CT图像作为训练所述识别模型的样本,所述样本用户包含至少部分身体的指定部位存在病情的患者以及至少部分身体的指定部位未患病的非患者;以最小化所述识别模型得到的针对所述待识别CT图像的识别结果和所述待识别CT图像的实际识别结果之间的偏差为优化目标,对所述识别模型进行训练。
2.如权利要求1所述的方法,其特征在于,获取用户的待识别CT图像,具体包括:
获取用户的原始计算机断层扫描CT图像;
对所述原始CT图像进行分割,得到所述用户身体的指定部位对应的CT图像;
对所述用户身体的指定部位对应的CT图像进行重采样,得到待识别CT图像。
3.如权利要求1所述的方法,其特征在于,将所述统计数据输入到预先训练的识别模型中的第一特征提取层中,得到第一特征表示,具体包括:
对所述统计数据中的至少部分统计数据进行归一化处理,得到处理后统计数据;
将所述处理后统计数据输入到预先训练的识别模型中的第一特征提取层中,得到第一特征表示。
4.如权利要求1所述的方法,其特征在于,将所述待识别CT图像输入到所述识别模型中的第二特征提取层中,得到第二特征表示,具体包括:
对所述待识别CT图像中包含的每个体素对应的CT值进行归一化处理,得到处理后待识别CT图像;
将所述处理后待识别CT图像输入到所述识别模型中的第二特征提取层中,得到第二特征表示。
5.如权利要求1所述的方法,其特征在于,根据所述第一特征表示和所述第二特征表示,得到针对所述待识别CT图像的识别结果,具体包括:
将所述待识别CT图像的第一特征表示和第二特征表示进行融合,得到融合特征表示;
根据所述融合特征表示,得到针对所述待识别CT图像的识别结果。
6.如权利要求1所述的方法,其特征在于,训练所述识别模型,具体包括:
将其中的至少部分样本用户的待识别CT图像,作为训练集,将其他样本用户的待识别CT图像作为测试集;
通过所述训练集中的待识别CT图像,对所述识别模型进行初始训练,得到初始训练后的识别模型;
针对测试集中的每个待识别CT图像,将该待识别CT图像输入到所述初始训练后的识别模型中,以通过所述初始训练后的识别模型,得到针对该待识别CT图像的识别结果;
以最小化通过所述初始训练后的识别模型得到的针对该待识别CT图像的识别结果和该待识别CT图像的实际识别结果之间的偏差为优化目标,对所述识别模型进行训练。
7.一种图像识别装置,其特征在于,包括:
获取模块,用于获取用户的待识别计算机断层扫描CT图像;
确定模块,用于根据所述待识别CT图像中包含的每个体素对应的CT值,确定所述待识别CT图像对应的图像直方图,所述图像直方图用于表示所述待识别CT图像中涉及的每个CT值所对应的体素的数量;
统计模块,用于根据所述图像直方图,确定针对所述待识别CT图像的至少一种统计数据,所述统计数据包括:所述待识别CT图像中包含的指定体素对应的CT值、对应的CT值属于指定范围内的体素的数量占所有体素的总数量的百分比;
特征提取模块,用于将所述统计数据输入到预先训练的识别模型中的第一特征提取层中,得到第一特征表示,以及将所述待识别CT图像输入到所述识别模型中的第二特征提取层中,得到第二特征表示将所述统计数据输入到预先训练的识别模型中的第一特征提取层中,得到第一特征表示,以及将所述待识别CT图像输入到所述识别模型中的第二特征提取层中,得到第二特征表示;
识别模块,用于根据所述第一特征表示和所述第二特征表示,得到针对所述待识别CT图像的识别结果;
其中,采用的样本用户的待识别CT图像作为训练所述识别模型的样本,所述样本用户包含至少部分身体的指定部位存在病情的患者以及至少部分身体的指定部位未患病的非患者;以最小化所述识别模型得到的针对所述待识别CT图像的识别结果和所述待识别CT图像的实际识别结果之间的偏差为优化目标,对所述识别模型进行训练。
8.如权利要求7所述的装置,其特征在于,所述获取模块具体用于,获取用户的原始计算机断层扫描CT图像;对所述原始CT图像进行分割,得到所述用户身体的指定部位对应的CT图像;对所述用户身体的指定部位对应的CT图像进行重采样,得到待识别CT图像。
9.如权利要求7所述的装置,其特征在于,所述特征提取模块具体用于,对所述统计数据中的至少部分统计数据进行归一化处理,得到处理后统计数据;将所述处理后统计数据输入到预先训练的识别模型中的第一特征提取层中,得到第一特征表示。
10.如权利要求7所述的装置,其特征在于,所述识别模块具体用于,对所述待识别CT图像中包含的每个体素对应的CT值进行归一化处理,得到处理后待识别CT图像;将所述处理后待识别CT图像输入到所述识别模型中的第二特征提取层中,得到第二特征表示。
11.如权利要求7所述的装置,其特征在于,所述识别模块具体用于,将所述待识别CT图像的第一特征表示和第二特征表示进行融合,得到融合特征表示;根据所述融合特征表示,得到针对所述待识别CT图像的识别结果。
12.如权利要求7所述的装置,其特征在于,所述装置还包括:训练模块;
所述训练模块具体用于,获取各样本用户的待识别CT图像,所述样本用户包含至少部分身体的指定部位存在病情的患者以及至少部分身体的指定部位未患病的非患者;将其中的至少部分样本用户的待识别CT图像,作为训练集,将其他样本用户的待识别CT图像作为测试集;通过所述训练集中的待识别CT图像,对所述识别模型进行初始训练,得到初始训练后的识别模型;针对测试集中的每个待识别CT图像,将该待识别CT图像输入到所述初始训练后的识别模型中,以通过所述初始训练后的识别模型,得到针对该待识别CT图像的识别结果;以最小化通过所述初始训练后的识别模型得到的针对该待识别CT图像的识别结果和该待识别CT图像的实际识别结果之间的偏差为优化目标,对所述识别模型进行训练。
13.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~6任一项所述的方法。
14.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~6任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310422220.2A CN116152246B (zh) | 2023-04-19 | 2023-04-19 | 一种图像识别方法、装置、设备及存储介质 |
JP2023119935A JP7459357B1 (ja) | 2023-04-19 | 2023-07-24 | 画像認識方法、装置、デバイスおよび記憶媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310422220.2A CN116152246B (zh) | 2023-04-19 | 2023-04-19 | 一种图像识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116152246A CN116152246A (zh) | 2023-05-23 |
CN116152246B true CN116152246B (zh) | 2023-07-25 |
Family
ID=86362173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310422220.2A Active CN116152246B (zh) | 2023-04-19 | 2023-04-19 | 一种图像识别方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7459357B1 (zh) |
CN (1) | CN116152246B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861831A (zh) * | 2021-04-25 | 2021-05-28 | 北京三快在线科技有限公司 | 一种目标物的识别方法、装置、存储介质及电子设备 |
CN113988162A (zh) * | 2021-10-20 | 2022-01-28 | 北京三快在线科技有限公司 | 模型训练及图像识别方法、装置、存储介质及电子设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005165965A (ja) * | 2003-12-05 | 2005-06-23 | Canon Inc | 画像認識システムおよび画像認識方法 |
CN109461495B (zh) * | 2018-11-01 | 2023-04-14 | 腾讯科技(深圳)有限公司 | 一种医学图像的识别方法、模型训练的方法及服务器 |
CN111368893B (zh) * | 2020-02-27 | 2023-07-25 | Oppo广东移动通信有限公司 | 图像识别方法、装置、电子设备及存储介质 |
CN113516210B (zh) | 2021-09-14 | 2021-12-17 | 之江实验室 | 一种基于pet/ct的肺腺癌鳞癌诊断模型训练方法及装置 |
CN114758032B (zh) * | 2022-06-15 | 2022-09-16 | 之江实验室 | 基于时空注意力模型的多相期ct图像分类系统及构建方法 |
CN115131500A (zh) * | 2022-06-24 | 2022-09-30 | 沈阳东软智能医疗科技研究院有限公司 | 图像标注方法、装置、可读存储介质及电子设备 |
-
2023
- 2023-04-19 CN CN202310422220.2A patent/CN116152246B/zh active Active
- 2023-07-24 JP JP2023119935A patent/JP7459357B1/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861831A (zh) * | 2021-04-25 | 2021-05-28 | 北京三快在线科技有限公司 | 一种目标物的识别方法、装置、存储介质及电子设备 |
CN113988162A (zh) * | 2021-10-20 | 2022-01-28 | 北京三快在线科技有限公司 | 模型训练及图像识别方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
JP7459357B1 (ja) | 2024-04-01 |
CN116152246A (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
CN116030247B (zh) | 一种医学图像样本生成方法、装置、存储介质及电子设备 | |
CN116342888B (zh) | 一种基于稀疏标注训练分割模型的方法及装置 | |
CN116524295A (zh) | 一种图像处理方法、装置、设备及可读存储介质 | |
CN116152246B (zh) | 一种图像识别方法、装置、设备及存储介质 | |
CN116258679A (zh) | 一种信息推荐方法、装置、存储介质及电子设备 | |
CN112734726B (zh) | 一种血管造影的分型方法、装置以及设备 | |
CN113538463A (zh) | 一种动脉瘤分割方法、装置以及设备 | |
CN115546094A (zh) | 一种模型的训练方法、ct图像的优化方法及装置 | |
CN116229218B (zh) | 一种模型训练、图像配准方法及装置 | |
CN117252831A (zh) | 一种病灶转移预测方法、装置、存储介质及电子设备 | |
CN116363070A (zh) | 一种血管异常的分析方法、装置、存储介质和电子设备 | |
CN117876610B (zh) | 针对三维构建模型的模型训练方法、装置、存储介质 | |
CN117788953A (zh) | 一种感兴趣区域的识别方法、装置、存储介质及电子设备 | |
CN116309430A (zh) | 一种管状器官的检测方法、装置、存储介质及设备 | |
CN117788955A (zh) | 一种影像的识别方法、装置、存储介质及电子设备 | |
CN118037745A (zh) | 一种血栓图像的生成方法、装置、存储介质及电子设备 | |
CN116309582B (zh) | 一种便携式超声扫描图像的识别方法、装置及电子设备 | |
CN116188469A (zh) | 一种病灶检测方法、装置、可读存储介质及电子设备 | |
CN117133019A (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
CN117974503A (zh) | 一种图像处理的方法、装置、存储介质及电子设备 | |
CN116912224A (zh) | 一种病灶的检测方法、装置、存储介质及电子设备 | |
CN116309428A (zh) | 一种感兴趣区域确定方法、装置、存储介质及电子设备 | |
CN116864064A (zh) | 一种医学影像报告的生成方法、装置及存储介质 | |
CN117934933A (zh) | 一种图像识别模型的训练方法、目标检测的方法以及装置 |
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 |