CN118072925A - 一种图像的检测方的确定方法、装置和系统 - Google Patents

Abstract

本公开实施例提供一种图像的检测方的确定方法、装置和系统，涉及自动化检测技术领域。该方法的具体实施方式包括：接收一个或多个待检测图像；将所述待检测图像输入人机分流模型；根据所述人机分流模型的输出，确定所述待检测图像的检测方。该实施方式利用人机分流模型确定待检测图像的检测方，实现待检测图像检测的自动化判别和导流，将待检测图像分配至最适宜的检测方进行目标识别，大大降低了人工成本，同时保证识别目标的准确检测，使得识别目标得以精准识别，提高各种场景下检测结果的可靠性和参考价值。

Description

一种图像的检测方的确定方法、装置和系统

技术领域

本公开涉及自动化检测技术领域，尤其涉及一种图像的检测方的确定方法、装置和系统。

背景技术

随着人工智能的广泛普及，深度学习模型在图像识别、语音识别、自然语言处理等众多领域已经被普遍应用，比如，通过深度学习构建病灶检测模型，并应用于医学影像的病灶检测，已经属于医疗场景中常见的生产模式。

现有的医疗诊断过程中，医疗影像通常采用以下几种模式用于病灶检测：AI模型智能预测、人工评判、在AI模型智能预测的基础上进行人工修改。

然而，智能预测成本虽低，但是训练数据和真实数据差异较大，导致模型泛化能力差、适用性不强，预测准确性较差，对于精度要求高的场合会出现严重偏差，容易出现诊断失误；人工评判成本高昂，而且评判人员的评判水平、经验、状态不一，使得评判结果参差不齐；智能预测与人工修改相结合，智能预测虽提供了一定参考，但仍需专业人员修改，人工成本依然较高。因此，现有的检测模式检测成本高昂、抑或检测精度无法保证，导致诊断可靠性低下。

发明内容

有鉴于此，本公开实施例提供一种图像的检测方的确定方法、装置和系统，能够解决现有的检测模式成本高昂、检测精度无法保证，导致诊断可靠性低下的问题。

为实现上述目的，根据本公开的一方面，提供了一种图像的检测方的确定方法，包括：

接收一个或多个待检测图像；

将所述待检测图像输入人机分流模型；

根据所述人机分流模型的输出，确定所述待检测图像的检测方。

根据本公开的另一方面，提供了一种图像的检测方的确定装置，包括：

接收模块，用于接收一个或多个待检测图像；

输入模块，用于将所述待检测图像输入人机分流模型；

输出模块，用于根据所述人机分流模型的输出，确定所述待检测图像的检测方。

根据本公开的再一方面，提供了一种图像的检测方的确定系统，包括：人机分流模型，其中：

所述人机分流模型，用于接收一个或多个待检测图像；

所述人机分流模型，用于将所述待检测图像输入人机分流模型；

所述人机分流模型，用于根据所述人机分流模型的输出，确定所述待检测图像的检测方。

根据本公开实施例的还一个方面，提供了一种电子设备，包括：

处理器；以及

存储程序的存储器，

其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行所述图像的检测方的确定方法。

根据本公开实施例的还一个方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行所述图像的检测方的确定方法。

本申请实施例中提供的一个或多个技术方案，通过人机分流模型确定待检测图像适宜的检测方为智能检测模型或者检测人员，可以实现利用人机分流模型确定待检测图像的检测方，实现待检测图像检测的自动化判别和导流，将待检测图像分配至最适宜的检测方进行目标识别，大大降低了人工成本，同时保证识别目标的准确检测，使得识别目标得以精准识别，提高诊断可靠性、充分利用高价值数据的技术效果。

附图说明

在下面结合附图对于示例性实施例的描述中，本公开的更多细节、特征和优点被公开，在附图中：

图1示出了根据本公开示例性实施例的图像的检测方的确定方法的流程图；

图2示出了根据本公开示例性实施例的人机分流模型的确定方法的流程图；

图3示出了根据本公开示例性实施例的样本分流输出的确定方法的流程图；

图4示出了根据本公开示例性实施例的模型偏移度的确定方法的流程图；

图5示出了根据本公开示例性实施例的智能检测模型的确定方法的流程图；

图6示出了根据本公开示例性实施例的智能检测模型的优化方法的流程图；

图7示出了根据本公开示例性实施例的图像的检测方的确定装置的示意性框图；

图8示出了根据本公开示例性实施例的图像的检测方的确定系统的示意性框图；

图9示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

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“在本公开实施例中”表示“至少一个实施例”；术语“另一示例性实施例”表示“至少一个另外的实施例”。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。

现有的医疗诊断过程中，人工评判模式下，评判人员的任务繁重，而且评判准确度与工作者的经验水平、状态等相关度极高，导致人工评判不仅成本高昂而且部分图像的准确度无法保证；AI预测与人工修改相结合模式下，虽然降低了一定的人工成本，但专业人员的任务依然繁重，人工成本消耗依然居高不下；AI模型智能预测模式下，由于训练数据和真实环境中的特征差异较大，导致模型的训练结果不佳，泛化能力较差明显，而且病灶种类纷繁复杂，虽然预测成本降低了，但同样使得智能预测的准确度较差，无法应用于精度要求较高的场合。综上，现有的多种诊断模式下，低廉的检测成本和预测精度无法兼得，导致诊断可靠性低下。

通过本公开的图像的检测方的确定方法，利用人机分流模型确定适宜的检测方，实现AI模型智能预测精度高的流向AI模型、AI模型智能预测精度低无法满足精度要求的流向评判人员的自动化判别和引导，可以将医疗图像分配至适宜的检测方进行病灶识别，分配给评判人员的检测任务少而精，有效降低人工的任务量，从而大大降低人工成本；并且，由于人机分流模型的训练数据为AI模型智能预测、人工修改和人工评判的高精度图像深度整合而得，使得医疗图像中病灶的测定精度得到保证，可以精准定位医疗图像中的病灶，保证了病灶的检测精度，同时可以充分利用AI模型智能预测、人工修改和人工评判的高价值数据，形成低成本、高效的可迭代的系统闭环。综上，本公开的图像的检测方的确定方法可以实现低廉成本和高检测精度的兼得，提高诊断的可靠性。

HU：Hounsfield Unit，即亨氏单位，是CT图像中各个组织结构相对密度的量度单位，用于衡量被测组织对各种射线的吸收程度，数值通常位于-1000HU至+1000HU之间，共2000个密度等级。

以下参照附图描述本公开的方案。

图1示出了根据本公开示例性实施例的图像的检测方的确定方法的流程图，如图1所示，本公开的图像的检测方的确定方法包括如下步骤：

在本公开实施例中，本公开的样本医疗输出的确定方法由分流服务器执行。

步骤101，接收一个或多个待检测图像。

在本公开实施例中，待检测图像是实际生产中任意业务场景下的图像，业务场景可以根据实际需要进行选择，比如，业务场景可以是医疗场景下的病灶检测等；安全场景下的异常监控、识别解锁等；交通场景下的异常流量分析、事故定位等；自动驾驶场景下的目标识别、异常流量分析、复杂路势判断等；农业场景下的病虫检测、生长趋势监测等；艺术场景下的文物状况监测等；游戏场景下的目标识别、故障分析等。

进一步地，本公开的图像的检测方的确定方法以医疗场景下的病灶检测为例，分析医疗图像中病灶的检测方，相应地，分流服务器接收的待检测图像为实际生产应用中、经过合规处理后的真实患者的各个身体部位的医疗图像。

更进一步地，医疗图像为3D图像，各个图像以像素点矩阵的形式进行存储，每个矩阵元素为像素点的HU值。其中，每个3D图像由多张2D图像组成，每张2D图像为被测组织的一层断面。

步骤102，将所述待检测图像输入人机分流模型。

由于在不同的精度要求、检测场景、病灶类型、图像参考价值等方面，所需的识别精度、识别效果、识别目的等各有不同，故而为了保证病灶定位及识别的准确度，部分图像可能更适于利用深度学习模型进行检测、另一部分图像可能更适于利用人工进行检测，在本公开实施例中，本公开的人机分流模型即用于区分待检测图像的适宜检测方，判断待检测图像的检测方是智能检测模型更合适、还是检测人员更合适。

进一步地，本公开的分流服务器利用模型的识别结果和人工评判结果综合进行训练，以开发出可以判断待检测图像的最适宜检测方的人机分流模型，实现待检测图像的自动导流，提升病灶识别效率的同时保证识别准确度，如图2所示，本公开的人机分流模型的确定方法包括如下步骤：

步骤201，获取多个样本分流图像及其对应的样本图像标签。

在本公开实施例中，以医疗场景的病灶检测为例，样本分流图像为样本医疗图像，样本医疗图像是由多位医疗经验资深的工作人员利用统计学方法筛选的1000个具有代表性的、分布合理的图像数据，样本图像标签是综合了多位医疗经验资深的工作人员对样本医疗图像标记的标签结果得到的，保证了样本图像标签的准确性。其中，样本医疗图像和样本图像标签存储于并预先存储至医疗系统数据库，标记的方式可以利用图像处理软件进行。

进一步地，样本图像标签标记了样本医疗图像中目标病灶对应的各个像素点的标签值，标签值根据病灶检测模型的检测类型进行区分，对于单一病灶类型的病灶检测模型，标签值为1；对于全病灶类型的病灶检测模型，标签值为病灶类型对应的编码值，比如，1、2、3、……。

更进一步地，分流服务器从医疗系统数据库中采集样本医疗图像及其对应的样本图像标签。

步骤202，分别将智能检测模型对所述样本分流图像的模型识别结果、检测人员对所述样本分流图像的人工识别结果与所述样本图像标签进行对比，确定所述样本分流图像的样本分流输出。

在本公开实施例中，以医疗场景的病灶检测为例，智能检测模型为病灶检测模型，分流服务器将病灶检测模型和检测人员对样本医疗图像的识别结果与样本图像标签进行对比，确定各个识别结果与样本图像标签的偏移度，将偏移度更小的识别结果对应的检测方作为样本医疗输出。

进一步地，如图3所示，本公开的样本分流输出的确定方法包括如下步骤：

步骤301，分别将所述样本分流图像发送给智能检测模型的检测服务器和检测人员的检测终端，接收所述检测服务器返回的模型识别结果和所述检测终端返回的人工识别结果。

在本公开实施例中，以医疗场景的病灶检测为例，智能检测模型为病灶检测模型，分流服务器分别将样本医疗图像发送给训练后的病灶检测模型所在的检测服务器和检测人员的检测终端，由检测服务器利用病灶检测模型对样本医疗图像进行检测，得到模型识别结果后返回分流服务器；同时由检测人员对样本医疗图像进行评判，得到人工识别结果后返回分流服务器。其中，模型识别结果和人工识别结果标识了样本医疗图像中目标病灶的各个像素点的类型值。

进一步地，分流服务器接收检测服务器返回的病灶检测模型针对样本医疗图像的模型识别结果和检测终端返回的检测人员针对样本医疗图像的人工识别结果。

步骤302，将所述模型识别结果和所述人工识别结果与所述样本图像标签进行对比，分别计算所述模型识别结果和所述人工识别结果与所述样本图像标签的模型偏移度和人工偏移度。

在本公开实施例中，模型识别结果和样本图像标签的模型偏移度的计算方式与人工识别结果和样本图像标签的人工偏移度的计算方式相同，下面以模型识别结果和样本图像标签的模型偏移度的计算为例，说明本公开的偏移度的确定方法，如图4所示，本公开的模型偏移度的确定方法包括如下步骤：

步骤401，遍历各个像素点，对比所述模型识别结果的像素值和所述样本图像标签的标签值是否相同。

在本公开实施例中，针对每个像素点，分流服务器判断模型识别结果的像素值和样本图像标签的标签值是否相同。

步骤402，统计所述像素值和所述标签值不同的像素点的个数。

在本公开实施例中，分流服务器统计模型识别结果的像素值和样本图像标签的标签值不同的像素点的个数。

步骤403，计算统计出的像素点的个数与所述模型识别结果的像素点总个数的比值，确定所述模型识别结果的模型偏移度。

在本公开实施例中，模型识别结果的偏移度等于模型识别结果的像素值和样本图像标签的标签值不同的像素点的个数与像素点总个数的比值。

在本公开实施例中，通过本公开的模型偏移度的确定方法，将智能检测模型的模型识别结果的像素值和样本图像标签的标签值进行对比，统计两者不同的像素点的个数与像素点总个数的比值，作为模型偏移度，以便于后续根据模式识别结果和人工识别结果的偏移度的对比确定样本分流图像更适宜的检测方，得到人机分流模型的训练样本。

步骤303，判断所述模型偏移度是否大于所述人工偏移度，如果是，转至步骤304；如果否，转至步骤305。

步骤304，将检测人员的人员标识作为所述样本分流图像的样本分流输出。

在本公开实施例中，以医疗场景的病灶检测为例，智能检测模型为病灶检测模型，在模型偏移度大于人工偏移度的情况下，表示样本医疗图像适宜人工检测，故而将检测人员的人员标识作为样本医疗图像的样本医疗输出。

步骤305，将智能检测模型的模型标识作为所述样本分流图像的样本分流输出。

在本公开实施例中，以医疗场景的病灶检测为例，智能检测模型为病灶检测模型，在模型偏移度小于等于人工偏移度的情况下，表示样本医疗图像适宜模型检测，故而将病灶检测模型的模型标识作为样本医疗图像的样本医疗输出。

进一步地，检测人员的人员标识和病灶检测模型的模型标识可以根据病灶检测模型可检测的病灶类型进行选择性设置，在病灶检测模型为全病灶类型的检测模型的情况下，不同病灶类型的检测模型可以设置不同的模型标识，按照病灶类型按序编码即可，比如，设置人员标识为0、肺结节检测模型的模型标识为1、肺炎检测模型的模型标识为2、肺结核检测模型的模型标识为3、……、心包钙化检测模型的模型标识为26、主动脉壁钙化检测模型的模型标识为27、主动脉夹层动脉瘤检测模型的模型标识为28、纵膈淋巴结肿大检测模型的模型标识为29、……、肝硬化检测模型的模型标识为42、肝囊性肿瘤检测模型的模型标识为43、肝实性肿瘤检测模型的模型标识为44、……；在病灶检测模型为单一病灶类型的检测模型的情况下，可以设置人员标识为0、模型标识为m。

在本公开实施例中，通过本公开的样本分流输出的确定方法，分别将样本分流图像发送给智能检测模型和检测人员进行检测，对比两者的检测偏移度，将偏移度小的作为适宜的检测方，确定样本分流图像对应的样本分流输出，从而得到人机分流模型的训练样本，以在后续的训练过程中，利用训练样本对人机分流模型进行训练，使得人机分流模型实现图像的自动化分流，同时提高检测效率和检测准确度。

步骤203，将所述样本分流图像作为输入、所述样本分流输出作为输出，对人工分流待训练模型进行迭代训练。

在本公开实施例中，人工分流待训练模型的模型算法和损失函数可以根据需要进行选择性设置。

进一步地，人工分流待训练模型的模型参数的初始化可以根据经验进行选择性设置，模型参数包括各层网络结构的权重和偏置、损失函数的权重等。以迭代训练的训练次数达到次数阈值、损失函数值小于损失阈值、和/或损失函数值最小为训练目标，对人工分流待训练模型进行迭代训练。

步骤204，根据所述人工分流待训练模型的迭代训练的训练结果，确定所述人工分流模型。

在本公开实施例中，训练目标达成后，根据达成训练目标的人工分流待训练模型的模型参数，确定训练后的人工分流模型。

在本公开实施例中，通过本公开的人工分流模型的确定方法，深度整合模型预测、人工修改和人工评判的高精度图像，先对比样本分流图像的模型识别结果和人工识别结果，选择偏移度小的检测方作为样本分流输出，构建训练样本；再利用训练样本对人工分流待训练模型进行迭代训练，直至确定最终的模型参数，得到人工分流模型，后续即可利用训练后的人工分流模型对待检测图像进行导流，确定待检测方最适宜的检测方，充分利用高价值数据的同时实现图像检测的自动化分流，提高检测效率和检测精度。

更进一步地，智能检测模型由模型服务器训练而得，如图5所示，本公开的智能检测模型的确定方法包括如下步骤：

步骤501，筛选多个样本原始图像作为样本智能检测输入。

在本公开实施例中，以医疗场景的病灶检测为例，智能检测模型为病灶检测模型，根据病灶检测模型检测的病灶类型，由工作人员挑选可以表征病灶类型的多个样本原始图像，在病灶检测模型为单一病灶类型的检测模型的情况下，挑选的样本原始图像中必须包括多个病灶检测模型针对的病灶类型的图像；在病灶检测模型为全病灶类型的检测模型的情况下，挑选的样本原始图像中必须包括全部病灶类型的多个图像。其中，样本原始图像为3D图像。

步骤502，对所述样本智能检测输入的各个像素点的像素值进行标记，得到样本智能检测输出。

在本公开实施例中，以医疗场景的病灶检测为例，智能检测模型为病灶检测模型，在病灶检测模型为单一病灶类型的检测模型的情况下，病灶类型的类型值包括1和0，1表示属于对应的病灶类型、0表示不属于对应的病灶类型，相应地，样本病灶输入的各个像素点的像素值可以是0或者1，像素值为1表示对应的像素点为目标病灶所在的像素点、像素值为0表示对应的像素点不是目标病灶所在的像素点，比如，病灶检测模型为肾囊肿检测模型，第一个样本医疗图像的病灶类型为肝硬化、第二个样本医疗图像的病灶类型为肾囊肿，则第一个样本医疗图像的全部像素点的像素值为0，第二个样本医疗图像中与肾囊肿对应的像素点的像素值为1、其余像素点的像素值为0。

或者，在病灶检测模型为全病灶类型的检测模型的情况下，病灶类型的类型值按顺序编码，比如，肺结节、肺炎、肺结核、……、心包钙化、主动脉壁钙化、主动脉夹层动脉瘤、纵膈淋巴结肿大、……、肝硬化、肝囊性肿瘤、肝实性肿瘤、……的类型值分别编码为1、2、3、……、26、27、28、29、……、42、43、44、……，相应地，全病灶类型的病灶检测模型标记的病灶类型的类型值为1、2、3、……、26、27、28、……、42、43、44、……，1表示病灶类型是肺结节、2表示病灶类型是肺炎、3表示病灶类型是肺结核、以此类推。相应地，样本病灶输入的各个像素点的像素值可以是0或者对应的类型值，像素值为1、2、……等类型值表示像素点是对应的病灶类型的目标病灶所在的像素点、像素值为0表示像素点不是对应的病灶类型的目标病灶所在的像素点，比如，第一个样本医疗图像的病灶类型为主动脉壁钙化、第二个样本医疗图像的病灶类型为肝囊性肿瘤、第三个样本医疗图像的病灶类型为肺结核，则第一个样本医疗图像标记后与主动脉壁钙化对应的像素点的像素值为27、其余像素点的像素值为0，第二个样本医疗图像标记后与肝囊性肿瘤对应的像素点的像素值为43、其余像素点的像素值为0，第三个样本医疗图像标记后与肺结核对应的像素点的像素值为3、其余像素点的像素值为0。

步骤503，利用所述样本智能检测输入和所述样本智能检测输出，对智能检测待训练模型进行迭代训练。

在本公开实施例中，以医疗场景的病灶检测为例，智能检测模型为病灶检测模型，病灶检测待训练模型采用不同的深度学习算法，比如，深度学习算法的网络结构可以是unet网络、简单基线网络、沙漏网络、高分辨率网络、特征金字塔网络、密集卷积网络、残差网络等；不同的深度学习算法可以选取适宜的损失函数，比如，unet算法的损失函数为diceloss、和/或交叉熵损失函数，密集卷积网络的损失函数为focal loss等。

进一步地，病灶检测待训练模型的模型参数的初始化可以根据经验进行选择性设置，模型参数包括各层网络结构的权重和偏置、损失函数的权重等。以迭代训练的训练次数达到次数阈值、损失函数值小于损失阈值、和/或损失函数值最小为训练目标，对病灶检测待训练模型进行迭代训练。

步骤504，根据所述智能检测待训练模型的迭代训练的训练结果，确定所述智能检测模型。

在本公开实施例中，以医疗场景的病灶检测为例，智能检测模型为病灶检测模型，训练目标达成后，根据达成训练目标的病灶检测待训练模型的模型参数，确定训练后的病灶检测模型，作为检测方中的病灶检测模型。

在本公开实施例中，通过本公开的智能检测模型的确定方法，先对输入样本进行标记得到输出样本，再利用输入、输出样本对智能检测待训练模型进行迭代训练，直至确定最终的模型参数，得到智能检测模型，用于各种场景下的目标检测，后续使用过程中，智能检测模型即可作为人机分流模型的检测方之一，实现待检测图像的最优检测方的自动化选取。

步骤103，根据所述人机分流模型的输出，确定所述待检测图像的检测方。

在本公开实施例中，将待检测图像输入人机分流模型后，人机分流模型可以输出待检测图像的检测方，检测方可以是病灶检测模型或者检测人员。其中，以医疗场景的病灶检测为例，智能检测模型为病灶检测模型，人机分流模型的输出为0、m或者正整数，输出为m或者正整数表示检测方为病灶检测模型、输出为0表示检测方为检测人员，检测人员为医疗经验资深的工作人员。

在本公开实施例中，通过本公开的图像的检测方的确定方法，利用人机分流模型确定待检测图像的检测方，实现待检测图像检测的自动化判别和导流，将待检测图像分配至最适宜的检测方进行目标识别，大大降低了人工成本，同时保证识别目标的准确检测，使得识别目标得以精准识别，提高各种场景下检测结果的可靠性和参考价值。

在本公开实施例中，还可以对分流至智能检测模型的待检测图像的检测结果进行校正，以保证智能检测模型的识别精度，同时利用校正数据重新对智能检测模型进行训练，不断优化智能检测模型，实现数据更新和利用的闭环，如图6所示，本公开的智能检测模型的优化方法包括如下步骤：

步骤601，获取所述智能检测模型的检测结果，并对所述检测结果进行展示。

在本公开实施例中，可以将检测结果展示于质检人员的质检终端，质检人员可以包括多个等级，比如，质检人员的人员等级包括初级质检和高级质检，初级质检用于对所有的检测结果进行校正，高级质检用于对抽样的初级质检进行校正。

进一步地，以医疗场景的病灶检测为例，智能检测模型为病灶检测模型，可以将病灶检测模型检测的各个病灶以表格形式进行展示，表格包括病灶序号、病灶类型的类型值、病灶类型的名称，表格可以与检测结果中的病灶像素点进行关联、实现校正操作与病灶像素点的联动。

步骤602，接收对所述检测结果的校正指令。

在本公开实施例中，校正指令可以是初级质检或者高级质检通过质检终端触发的，校正指令包括校正目标和校正操作，校正目标可以是表格中的病灶标识、病灶类型的类型值、病灶类型的名称，或者，校正目标还可以是加测结果中的病灶像素点等；校正操作可以是增加、删除或者修改等。

进一步地，校正操作可以通过表格编辑软件、和/或图像处理软件进行，删除操作可以是打勾、打叉等形式；增加操作可以是点圈、矩形圈等形式，并利用图像处理软件中的自动化生长工具填充病灶像素点。

步骤603，响应于所述校正指令，对所述检测结果进行校正，得到校正结果。

在本公开实施例中，质检终端校正检测结果，得到校正结果，将校正结果发送至检测服务器。

进一步地，将校正结果作为待检测图像的最终检测结果，为诊断提供参考。

步骤604，利用所述校正结果对所述智能检测模型进行更新迭代训练，得到更新后的智能检测模型。

在本公开实施例中，检测服务器利用校正结果对应的待检测图像对病灶检测模型进行更新迭代训练，得到更新后的病灶检测模型。

在本公开实施例中，通过本公开的智能检测模型的优化方法，对分流后的检测结果进行再次校正，提升检测结果准确性的同时可以实现校正结果的再次利用，进一步提升智能检测模型的检测精度，形成低成本、高效的可迭代的系统闭环，提升目标识别的效率和准确性。

图7是根据本公开实施例的图像的检测方的确定装置的主要模块的示意图，如图9所示，本公开的图像的检测方的确定装置700包括：

接收模块701，用于接收一个或多个待检测图像。

输入模块702，用于将所述待检测图像输入人机分流模型。

输出模块703，用于根据所述人机分流模型的输出，确定所述待检测图像的检测方。

图8是根据本公开实施例的图像的检测方的确定系统的示意图，如图8所示，本公开的图像的检测方的确定系统800包括：

检测数据库801、智能检测模型802、分流数据库803、检测人员804、人机分流模型805、质检终端806、质检人员807，图像的检测方的确定系统800的交互过程如下所述：

检测数据库801存储了筛选后的多个样本原始图像，作为样本智能检测输入；

对样本智能检测输入的各个像素点的像素值进行标记，得到样本智能检测输出；

利用样本智能检测输入和样本智能检测输出，对智能检测待训练模型进行迭代训练，确定智能检测模型802；

分流数据库803存储了多个样本分流图像及其对应的样本图像标签，分别将样本分流图像发送给智能检测模型802和检测人员804，接收智能检测模型802返回的模型识别结果和检测人员804返回的人工识别结果，将模型识别结果和人工识别结果与样本图像标签进行对比，计算模型识别结果和人工识别结果与样本图像标签的模型偏移度和人工偏移度；

在模型偏移度大于人工偏移度的情况下，将检测人员的人员标识作为样本分流图像的样本分流输出；

在模型偏移度小于等于人工偏移度的情况下，将智能检测模型的模型标识作为样本分流图像的样本分流输出；

将样本分流图像作为输入、样本分流输出作为输出，对人工分流待训练模型进行迭代训练，确定人机分流模型805；

人机分流模型805接收一个或多个待检测图像，输出待检测图像的检测方；

在检测方为的智能检测模型的情况下，质检终端806获取智能检测模型802的检测结果，并对检测结果进行展示；

质检终端806接收质检人员807对检测结果的校正指令；

质检终端806响应于校正指令，对检测结果进行校正，得到校正结果并发送至检测数据库801；

利用检测数据库801的校正结果对智能检测模型进行更新迭代训练，得到更新后的智能检测模型。

在本发明实施例中，通过本公开的图像的检测方的确定系统，实现低成本、高质量、能自我迭代的人工智能影像系统，提高检测效率的同时提升检测精度，提高诊断的可靠性。

本公开示例性实施例还提供一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器。所述存储器存储有能够被所述至少一个处理器执行的计算机程序，所述计算机程序在被所述至少一个处理器执行时用于使所述电子设备执行根据本公开实施例的方法。

本公开示例性实施例还提供一种存储有计算机程序的非瞬时计算机可读存储介质，其中，所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。

本公开示例性实施例还提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被计算机的处理器执行时用于使所述计算机执行根据本公开实施例的方法。

参考图9，现将描述可以作为本公开的服务器或客户端的电子设备900的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图9所示，电子设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM902以及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

电子设备900中的多个部件连接至I/O接口905，包括：输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向电子设备900输入信息的任何类型的设备，输入单元906可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元907可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元908可以包括但不限于磁盘、光盘。通信单元909允许电子设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理。例如，在一些实施例中，图1至图6的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM902和/或通信单元909而被载入和/或安装到电子设备900上。在一些实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图1至图6的方法。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

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。

如本公开使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

Claims (13)

1.一种图像的检测方的确定方法，其特征在于，包括：

接收一个或多个待检测图像；

将所述待检测图像输入人机分流模型；

根据所述人机分流模型的输出，确定所述待检测图像的检测方。

2.如权利要求1所述的图像的检测方的确定方法，其特征在于，所述检测方包括智能检测模型和检测人员；确定所述人机分流模型，包括：

获取多个样本分流图像及其对应的样本图像标签；

分别将智能检测模型对所述样本分流图像的模型识别结果、检测人员对所述样本分流图像的人工识别结果与所述样本图像标签进行对比，确定所述样本分流图像的样本分流输出；

将所述样本分流图像作为输入、所述样本分流输出作为输出，对人工分流待训练模型进行迭代训练；

根据所述人工分流待训练模型的迭代训练的训练结果，确定所述人工分流模型。

3.如权利要求2所述的图像的检测方的确定方法，其特征在于，所述分别将智能检测模型对所述样本分流图像的模型识别结果、检测人员对所述样本分流图像的人工识别结果与所述样本图像标签进行对比，确定所述样本分流图像的样本分流输出，包括：

分别将所述样本分流图像发送给智能检测模型的检测服务器和检测人员的检测终端，接收所述检测服务器返回的模型识别结果和所述检测终端返回的人工识别结果；

将所述模型识别结果和所述人工识别结果与所述样本图像标签进行对比，分别计算所述模型识别结果和所述人工识别结果与所述样本图像标签的模型偏移度和人工偏移度；

判断所述模型偏移度是否大于所述人工偏移度；

在所述模型偏移度大于所述人工偏移度的情况下，将检测人员的人员标识作为所述样本分流图像的样本分流输出。

4.如权利要求3所述的图像的检测方的确定方法，其特征在于，在所述模型偏移度不大于所述人工偏移度的情况下，将智能检测模型的模型标识作为所述样本分流图像的样本分流输出。

5.如权利要求3所述的图像的检测方的确定方法，其特征在于，所述计算所述模型识别结果与所述样本图像标签的模型偏移度，包括：

遍历各个像素点，对比所述模型识别结果的像素值和所述样本图像标签的标签值是否相同；

统计所述像素值和所述标签值不同的像素点的第一个数；

计算统计出的所述第一个数与所述模型识别结果的像素点总个数的比值，确定所述模型识别结果的模型偏移度。

6.如权利要求3所述的图像的检测方的确定方法，其特征在于，所述计算所述人工识别结果与所述样本图像标签的人工偏移度，包括：

遍历各个像素点，对比所述人工识别结果的像素值和所述样本图像标签的标签值是否相同；

统计所述像素值和所述标签值不同的像素点的第二个数；

计算统计出的所述第二个数与所述人工识别结果的像素点总个数的比值，确定所述人工识别结果的人工偏移度。

7.如权利要求2所述的图像的检测方的确定方法，其特征在于，在所述待检测图像的检测方为智能检测模型的情况下，还包括：

将所述待检测图像输入所述智能检测模型，得到所述智能检测模型的检测结果，并对所述检测结果进行展示；

接收对所述检测结果的校正指令；

响应于所述校正指令，对所述检测结果进行校正，得到校正结果；

利用所述校正结果对所述智能检测模型进行更新迭代训练，得到更新后的智能检测模型。

8.如权利要求7所述的图像的检测方的确定方法，其特征在于，所述智能检测模型的确定，包括：

筛选多个样本原始图像作为样本智能检测输入；

对所述样本智能检测输入的各个像素点的像素值进行标记，得到样本智能检测输出；

利用所述样本智能检测输入和所述样本智能检测输出，对智能检测待训练模型进行迭代训练；

根据所述智能检测待训练模型的迭代训练的训练结果，确定所述智能检测模型。

9.一种图像的检测方的确定装置，其特征在于，包括：

接收模块，用于接收一个或多个待检测图像；

输入模块，用于将所述待检测图像输入人机分流模型；

输出模块，用于根据所述人机分流模型的输出，确定所述待检测图像的检测方。

10.一种图像的检测方的确定系统，其特征在于，包括：人机分流模型，其中：

所述人机分流模型，用于接收一个或多个待检测图像；

所述人机分流模型，用于将所述待检测图像输入人机分流模型；

所述人机分流模型，用于根据所述人机分流模型的输出，确定所述待检测图像的检测方。

11.如权利要求10所述的图像的检测方的确定系统，其特征在于，还包括：检测数据库、智能检测模型、分流数据库、检测人员、质检终端、质检人员，其中：

检测数据库存储了筛选后的多个样本原始图像，作为样本智能检测输入；

对所述样本智能检测输入的各个像素点的像素值进行标记，得到样本智能检测输出；

利用所述样本智能检测输入和所述样本智能检测输出，对智能检测待训练模型进行迭代训练，确定所述智能检测模型；

分流数据库存储了多个样本分流图像及其对应的样本图像标签，分别将所述样本分流图像发送给智能检测模型和检测人员，接收所述智能检测模型返回的模型识别结果和所述检测人员返回的人工识别结果，将所述模型识别结果和所述人工识别结果与所述样本图像标签进行对比，计算所述模型识别结果和所述人工识别结果与所述样本图像标签的模型偏移度和人工偏移度；

在模型偏移度大于人工偏移度的情况下，将检测人员的人员标识作为所述样本分流图像的样本分流输出；

在模型偏移度小于等于人工偏移度的情况下，将智能检测模型的模型标识作为所述样本分流图像的样本分流输出；

将所述样本分流图像作为输入、所述样本分流输出作为输出，对人工分流待训练模型进行迭代训练，确定所述人机分流模型；

人机分流模型接收一个或多个待检测图像，输出所述待检测图像的检测方；

在检测方为的智能检测模型的情况下，质检终端获取所述智能检测模型的检测结果，并对所述检测结果进行展示；

质检终端接收质检人员对所述检测结果的校正指令；

质检终端响应于所述校正指令，对所述检测结果进行校正，得到校正结果并发送至检测数据库；

利用所述检测数据库的校正结果对所述智能检测模型进行更新迭代训练，得到更新后的智能检测模型。

12.一种电子设备，包括：

处理器；以及

存储程序的存储器，

其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行根据权利要求1-8中任一项所述的图像的检测方的确定方法。

13.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的图像的检测方的确定方法。