CN112233194A - 医学图片优化方法、装置、设备及计算机可读存储介质 - Google Patents

医学图片优化方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN112233194A
CN112233194A CN202011103243.XA CN202011103243A CN112233194A CN 112233194 A CN112233194 A CN 112233194A CN 202011103243 A CN202011103243 A CN 202011103243A CN 112233194 A CN112233194 A CN 112233194A
Authority
CN
China
Prior art keywords
picture
medical
sample
script
copy
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
CN202011103243.XA
Other languages
English (en)
Other versions
CN112233194B (zh
Inventor
王俊
高鹏
谢国彤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011103243.XA priority Critical patent/CN112233194B/zh
Publication of CN112233194A publication Critical patent/CN112233194A/zh
Priority to PCT/CN2021/096529 priority patent/WO2022077914A1/zh
Application granted granted Critical
Publication of CN112233194B publication Critical patent/CN112233194B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及图片处理技术，揭露了一种医学图片优化方法，包括：获取医学样本图片集，根据所述医学样本图片集生成变换扰动脚本集，利用所述变换扰动脚本集对所述医学样本图片集进行变换扰动，得到多个医学副本图片集，利用预构建的目标检测模型，分别识别所述医学样本图片集及多个所述医学副本图片集，得到样本检测框集及副本检测框集医学样本图片集医学副本图片集；根据所述样本检测框集及所述副本检测框集，优化得到优化图片集。此外，本发明还涉及区块链技术，模型文件可存储于区块链节点中。本发明还提出一种医学图片优化装置、电子设备以及计算机可读存储介质。本发明可以解决医学图片特征浪费、优化准确率较低的现象。

Description

医学图片优化方法、装置、设备及计算机可读存储介质
技术领域
本发明涉及图片处理技术领域，尤其涉及一种医学图片优化方法、装置、设备及计算机可读存储介质。
背景技术
目前常用的图片目标检测手段是基于深度学习模型，但利用深度学习模型进行检测之前需要训练模型，由于深度学习模型训练时需要大量的高质量样本图片，如何从海量样本图片中优化得到高质量样本图片是极其重要的。
当前医学图片优化主要使用分类算法，通过分类算法判断每张图片是否是高质量的样本图片，从而剔除质量较差的图片，达到优化目的。但是分类算法无法自动扩充样本图片的图片数据，只能根据已有样本图片进行优化，因此无法充分利用样本图片数据，造成图片特征浪费严重，且计算方法稍显简单，进而出现优化准确率较低的现象。
发明内容
本发明提供一种医学图片优化方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决图片特征浪费、优化准确率较低的现象。
为实现上述目的，本发明提供的一种医学图片优化方法，包括：
获取医学样本图片集，根据所述医学样本图片集生成变换扰动脚本集；
利用所述变换扰动脚本集，对所述医学样本图片集进行变换扰动，得到多个医学副本图片集；
利用预构建的目标检测模型，分别识别所述医学样本图片集及多个所述医学副本图片集，得到样本识别准确率集及副本识别准确率集；
根据所述样本识别准确率集及副本识别准确率集，筛选所述医学样本图片集的样本图片，及筛选多个所述医学副本图片集内的副本图片，得到优化图片集。
可选地，所述变换扰动脚本集包括图片尺寸变化脚本集及图片颜色变化脚本集。
可选地，所述根据所述医学样本图片集生成变换扰动脚本集，包括：
利用所述医学样本图片集内每张图片的曝光度、饱和度及色调，生成颜色抖动脚本；
判断所述医学样本图片集内每张图片是否为HSV颜色空间图片，若每张图片均为HSV颜色空间图片，则生成对比度变换脚本；
汇集所述颜色抖动脚本及所述对比度变换脚本，得到所述图片颜色变化脚本集。
可选地，所述尺寸变化脚本集包括：旋转变换脚本、翻转变换脚本、缩放变换脚本、平移变换脚本、尺度变换脚本、区域裁剪脚本及/或随机掩盖脚本。
可选地，所述利用所述变换扰动脚本集，对所述医学样本图片集进行变换扰动，得到多个医学副本图片集，包括：
利用所述图片尺寸变化脚本集，分别对所述医学样本图片集进行旋转、翻转、缩放、平移、尺度变换及区域裁剪，得到多尺寸图片副本集；
利用所述图片颜色变化脚本集，对所述医学样本图片集进行颜色抖动及对比度变换，得到多颜色图片副本集；
汇总所述多尺寸图片副本集及所述多颜色图片副本集，得到多个所述医学副本图片集。
可选地，所述利用所述图片颜色变化脚本集，对所述医学样本图片集进行颜色抖动及对比度变换，得到多颜色图片副本集，包括：
利用所述对比度变换脚本，改变所述医学样本图片集内每个样本图片的饱和度值和亮度值；
将改变后的所述饱和度值和亮度值进行指数运算得到光照值，利用所述光照值改变所述样本图片的对比度，得到多对比度图片副本集；
利用所述颜色抖动脚本，随机变换所述多对比度图片副本集内每张图片的曝光度及色调，得到所述多颜色图片副本集。
可选地，根据所述样本检测框集及所述副本检测框集，筛选所述医学样本图片集的样本图片，及筛选多个所述医学副本图片集内的副本图片，得到优化图片集，包括：
计算所述样本检测框集及所述副本检测框集的重合度；
计算所述医学样本图片集及多个所述医学副本图片集的相似度；
基于所述相似度和重合度，计算得到图片评分集，利用所述图片评分集，筛选所述医学样本图片集的样本图片，及多个所述医学副本图片集内的副本图片，得到优化图片集。
为了解决上述问题，本发明还提供一种医学图片优化装置，所述装置包括：
变换扰动脚本生成模块，用于获取医学样本图片集，根据所述医学样本图片集生成变换扰动脚本集；
副本图片生成模块，用于利用所述变换扰动脚本集，对所述医学样本图片集进行变换扰动，得到多个医学副本图片集；
图片识别模块，用于利用预构建的目标检测模型，分别识别所述医学样本图片集及多个所述医学副本图片集，得到样本检测框集及副本检测框集；
图片优化模块，用于根据所述样本检测框集及所述副本检测框集，筛选所述医学样本图片集的样本图片，及筛选多个所述医学副本图片集内的副本图片，得到优化图片集。
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：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述中任意一项所述的医学图片优化方法。
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中任意一项所述的医学图片优化方法。
本发明实施例利用医学样本图片集生成变换扰动脚本集，通过变换扰动脚本集，对所述医学样本图片集进行变换扰动，得到多个医学副本图片集，由于变换扰动脚本集包括多个变换扰动脚本，每个变换扰动脚本均可对样本图片变换扰动，从而生成的医学副本图片集数量庞大，故本发明实施例可利用样本图片完成自动扩充图片的目的，不会造成样本图片浪费的现象，其次本发明实施例基于预构建的目标检测模型，不仅识别医学样本图片集的准确率，同时识别医学副本图片集的准确率，相比于仅单一识别样本图片来说，本发明添加了对副本图片的识别过程，可进一步提高目标检测模型的识别能力，提高准确率。因此本发明提出的医学图片优化方法、装置及计算机可读存储介质，可以解决图片特征浪费、优化准确率较低的现象。
附图说明
图1为本发明一实施例提供的医学图片优化方法的流程示意图；
图2为本发明一实施例提供的医学图片优化方法的其中一个步骤的流程示意图；
图3为本发明一实施例提供的医学图片优化方法的另一个步骤的流程示意图；
图4为本发明一实施例提供的医学图片优化装置的模块示意图；
图5为本发明一实施例提供的实现医学图片优化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医学图片优化方法。所述医学图片优化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，所述医学图片优化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。
本发明提供一种医学图片优化方法。参照图1所示，为本发明一实施例提供的医学图片优化方法的流程示意图。在本实施例中，所述医学图片优化方法包括：
S1、获取医学样本图片集，根据所述医学样本图片集生成变换扰动脚本集。
本发明较佳实施例中，所述医学样本图片集包括人、动物、物体在医学领域中的图像，如医学领域中，可从医院的医学图像数据库中得到医学类的医学样本图片集，也可利用当今已知的java、Python等编程语言中的爬虫技术来获取该医学图像集，如医学图像集中包含人的器官图像、病灶图像等。
进一步的，本发明实施例可获取每张医学样本图片，并将每张医学样本图片先上传到redis缓存中，然后将redis缓存中的每张医学样本图片均上传至数据库中，得到所述医学样本图片集。
较佳的，所述变换扰动脚本是对所述医学样本图片集进行变换扰动操作，以来实现所述医学样本图片集扩增的技术手段，具有快速丰富所述医学样本图片集的多样性及泛化能力的优点。优选地，本发明实施例中，所述变换扰动脚本集包括图片尺寸变化脚本集及图片颜色变化脚本集。
详细地，参阅图2所示，所述根据所述医学样本图片集生成变换扰动脚本集，包括：
S11、利用所述医学样本图片集的曝光度、饱和度及色调，生成颜色抖动脚本；
本发明较佳实施例中，可预先编辑好颜色抖动脚本的模板，将曝光度、饱和度及色调作为参数值填入所述模板内，得到所述颜色抖动脚本。
S12、判断所述医学样本图片集内每张图片是否为HSV颜色空间图片，若每张图片均为HSV颜色空间图片，则生成对比度变换脚本；
同样地，可预先编辑好生成对比度变换脚本的模板。
S13、汇集所述颜色抖动脚本及所述对比度变换脚本，得到所述图片颜色变化脚本集。
进一步地，所述图片尺寸变化脚本集包括：旋转变换脚本、翻转变脚本、缩放变换脚本、平移变换脚本、尺度变换脚本、区域裁剪脚本及随机掩盖脚本。
本发明实施例中，所述变换扰动脚本集中每种变换扰动脚本均是通过java、Python等编程语言自动构建的脚本程序，将医学样本图片集作为该脚本程序输入参数并运行脚本程序，可自动进行对比度变换、颜色抖动等变换操作。
S2、利用所述变换扰动脚本集，对所述医学样本图片集进行变换扰动，得到多个医学副本图片集。
详细地，参阅图3所示，所述S2包括：
S21、利用所述图片尺寸变化脚本集，分别对所述医学样本图片集进行旋转、翻转、缩放、平移、尺度变换及区域裁剪，得到多尺寸图片副本集；
如按照平移变换脚本，将样本图片内部分内容沿x或y轴方向进行移动，从而得到副本图片。
S22、利用所述图片颜色变化脚本集，对所述医学样本图片集进行颜色抖动及对比度变换，得到多颜色图片副本集；
详细地，所述利用所述图片颜色变化脚本集，对所述医学样本图片集进行颜色抖动及对比度变换，得到多颜色图片副本集，包括：利用所述对比度变换程序，改变所述医学样本图片集内每个样本图片的饱和度值和亮度值；将改变后的所述饱和度值和亮度值进行指数运算得到光照值，利用所述光照值改变所述样本图片的对比度，得到多对比度图片副本集；利用所述颜色抖动脚本，随机变换所述多对比度图片副本集内每张图片的曝光度及色调，得到所述多颜色图片副本集。
本发明较佳实施例中，如使用预先构建的指数函数，改变所述医学样本图片集内每个样本图片的饱和度值和亮度值，x表示的是每个样本图片的饱和度值或亮度值，s数值设置在0.25到4之间，从而计算得到改变后的饱和度值和亮度值。
S23、汇总所述多尺寸图片副本集及所述多颜色图片副本集，得到多个所述医学副本图片集。
S3、利用预构建的目标检测模型，分别识别所述医学样本图片集及多个所述医学副本图片集，得到样本检测框集及副本检测框集。医学样本图片集医学副本图片集。
本发明较佳实施例中，所述S3可以被替换为：利用预构建的目标概率预测模型，分别识别所述医学样本图片集及多个所述医学副本图片集，得到样本图片类别概率集及副本图片类别概率集。
详细地，所述目标概率预测模型可以预测出样本图片或副本图片的类别概率，如向所述目标概率预测模型中输入某个样本图片及多个副本图片，输出的类别概率分别为样本图片0.9，对应的副本图片为0.95、0.89、0.92、…、0.97，可见样本图片与副本图片的类别概率差值较小，从而表示一致性较高，输出的类别概率分别为样本图片0.9，对应的副本图片为0.5、0.3、0.7、…、0.8，可见样本图片与副本图片的类别概率差值较大，从而表示一致性较低。
本发明较佳实施例中，所述目标检测模型或所述目标概率预测模型都可用以卷积申请网络为基础构建得到。
S4、根据所述样本检测框集及所述副本检测框集，筛选所述医学样本图片集的样本图片，及筛选多个所述医学副本图片集内的副本图片，得到优化图片集。
详细地，所述S4包括：计算所述样本检测框集及所述副本检测框集的重合度；计算所述医学样本图片集及多个所述医学副本图片集的相似度，基于所述相似度和重合度，计算得到图片评分集，利用所述图片评分集，筛选所述医学样本图片集的样本图片，及多个所述医学副本图片集内的副本图片，得到优化图片集。
本发明较佳实施例中，利用如下公式计算所述样本检测框集及所述副本检测框集的重合度：
Figure BDA0002726106890000071
其中，IOU表示样本图片与副本图片的重合度，A表示样本样本的检测框，B表示A通过变换扰动生成的任意一个副本图片的检测框，∩表示数学公式中的交集，∪表示数学公式中的并集。
所述相似度的计算方法为：
Figure BDA0002726106890000072
其中，J(A,B)表示任意样本图片与副本图片的相似度，A表示样本图片的检测框，B表示样本图片A通过变换扰动生成的副本图片的检测框，∩表示数学公式中的交集。
本发明较佳实施例中，利用如下方法计算所述图片评分集：
Figure BDA0002726106890000081
其中，Si表示所述图片评分集，ci表示利用所述重合度计算出的类别一致评分集集，bi表示所述重合度，mi表示所述相似度集。
较佳地，本发明实施例利用预设的阈值与所述图片评分集中的评分进行比较，若所述评分大于预设的阈值，则为所需样本，若所述评分小于等于预设的阈值，则为无需样本，从而得到筛选后的所述优化图片集。
如图4所示，是本发明医学图片优化装置的模块示意图。
本发明所述医学图片优化装置100可以安装于电子设备中。根据实现的功能，所述医学图片优化装置100可以包括变换扰动脚本生成模块101、副本图片生成模块102、图片识别模块103及图片优化模块104。本发明实施例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：
所述变换扰动脚本生成模块101，用于获取医学样本图片集，根据所述医学样本图片集生成变换扰动脚本集；
本发明较佳实施例中，所述医学样本图片集包括人、动物、物体、医学等各个类型的图像，如医学领域中，可从医院的医学图像数据库中得到医学类的医学样本图片集，也可利用当今已知的java、Python等编程语言中的爬虫技术来获取该医学图像集，如医学图像集中包含人的器官图像、病灶图像等。
进一步的，所述变换扰动脚本生成模块101可获取每张样本图片，并将每张样本图片先上传到redis缓存中，然后将redis缓存中的每张样本图片均上传至数据库中，得到所述医学样本图片集。
较佳的，所述变换扰动脚本是对所述医学样本图片集进行变换扰动操作，以来实现所述医学样本图片集扩增的技术手段，具有快速丰富所述医学样本图片集的多样性及泛化能力的优点。优选地，本发明实施例中，所述变换扰动脚本集包括图片尺寸变化脚本集及图片颜色变化脚本集。
详细地，所述变换扰动脚本生成模块101根据所述医学样本图片集生成变换扰动脚本集，包括：利用所述医学样本图片集的曝光度、饱和度及色调，生成颜色抖动脚本；判断所述医学样本图片集内每张图片是否为HSV颜色空间图片，若每张图片均为HSV颜色空间图片，则生成对比度变换脚本；汇集所述颜色抖动脚本及所述对比度变换脚本，得到所述图片颜色变化脚本集。
本发明较佳实施例中，所述变换扰动脚本生成模块101可预先编辑好颜色抖动脚本的模板，将曝光度、饱和度及色调作为参数值填入所述模板内，得到所述颜色抖动脚本。
同样地，所述变换扰动脚本生成模块101可预先编辑好生成对比度变换脚本的模板。
进一步地，所述图片尺寸变化脚本集包括：旋转变换脚本、翻转变脚本、缩放变换脚本、平移变换脚本、尺度变换脚本、区域裁剪脚本及随机掩盖脚本。
本发明实施例中，所述变换扰动脚本集中每种变换扰动脚本均是通过java、Python等编程语言自动构建的脚本程序，将医学样本图片集作为该脚本程序输入参数并运行脚本程序，可自动进行对比度变换、颜色抖动等变换操作。
所述副本图片生成模块102用于利用所述变换扰动脚本集，对所述医学样本图片集进行变换扰动，得到多个医学副本图片集。
详细地，所述副本图片生成模块102采用下述操作对所述医学样本图片集进行变换扰动，得到多个医学副本图片集：利用所述图片尺寸变化脚本集，分别对所述医学样本图片集进行旋转、翻转、缩放、平移、尺度变换及区域裁剪，得到多尺寸图片副本集；利用所述图片颜色变化脚本集，对所述医学样本图片集进行颜色抖动及对比度变换，得到多颜色图片副本集；汇总所述多尺寸图片副本集及所述多颜色图片副本集，得到多个所述医学副本图片集。
本发明其中一个实施例可以按照平移变换脚本，将样本图片内部分内容沿x或y轴方向进行移动，从而得到副本图片。
详细地，所述利用所述图片颜色变化脚本集，对所述医学样本图片集进行颜色抖动及对比度变换，得到多颜色图片副本集，包括：利用所述对比度变换程序，改变所述医学样本图片集内每个样本图片的饱和度值和亮度值；将改变后的所述饱和度值和亮度值进行指数运算得到光照值，利用所述光照值改变所述样本图片的对比度，得到多对比度图片副本集；利用所述颜色抖动脚本，随机变换所述多对比度图片副本集内每张图片的曝光度及色调，得到所述多颜色图片副本集。
本发明较佳实施例中，如使用预先构建的指数函数sx，将s数值设置在0.25到4之间，x表示的是每个样本图片的饱和度值或亮度值。
所述图片识别模块103用于利用预构建的目标检测模型，分别识别所述医学样本图片集及多个所述医学副本图片集，得到样本检测框集及副本检测框集。
本发明较佳实施例中，所述利用预构建的目标检测模型，分别识别所述医学样本图片集及多个所述医学副本图片集，得到样本检测框集及副本检测框集，可以被替换为：利用预构建的目标概率预测模型，分别识别所述医学样本图片集及多个所述医学副本图片集，得到样本图片类别概率集及副本图片类别概率集。
详细地，所述目标概率预测模型可以预测出样本图片或副本图片的类别概率，如向所述目标概率预测模型中输入某个样本图片及多个副本图片，输出的类别概率分别为样本图片0.9，对应的副本图片为0.95、0.89、0.92、…、0.97，可见样本图片与副本图片的类别概率差值较小，从而表示一致性较高，输出的类别概率分别为样本图片0.9，对应的副本图片为0.5、0.3、0.7、…、0.8，可见样本图片与副本图片的类别概率差值较大，从而表示一致性较低。
本发明较佳实施例中，所述目标检测模型或所述目标概率预测模型都可用以卷积申请网络为基础构建得到。
所述图片优化模块104用于根据所述样本检测框集及所述副本检测框集，筛选所述医学样本图片集的样本图片，及筛选多个所述医学副本图片集内的副本图片，得到优化图片集。
详细地，所述根据所述样本检测框集及所述副本检测框集，筛选所述医学样本图片集的样本图片，及筛选多个所述医学副本图片集内的副本图片，得到优化图片集，包括：计算所述样本检测框集及所述副本检测框集的重合度；计算所述医学样本图片集及多个所述医学副本图片集的相似度；基于所述相似度和重合度，计算得到图片评分集，利用所述图片评分集，筛选所述医学样本图片集的样本图片，及多个所述医学副本图片集内的副本图片，得到优化图片集。
本发明较佳实施例中，利用如下公式计算所述样本检测框集及所述副本检测框集的重合度：
Figure BDA0002726106890000111
其中，IOU表示样本图片与副本图片的重合度，A表示样本样本的检测框，B表示A通过变换扰动生成的任意一个副本图片的检测框，∩表示数学公式中的交集，∪表示数学公式中的并集。
所述相似度的计算方法为：
Figure BDA0002726106890000112
其中，J(A,B)表示任意样本图片与副本图片的相似度，A表示样本图片的检测框，B表示样本图片A通过变换扰动生成的副本图片的检测框，∩表示数学公式中的交集。
本发明较佳实施例中，利用如下方法计算所述图片评分集：
Figure BDA0002726106890000113
其中，Si表示所述图片评分集，ci表示利用所述重合度计算出的类别一致评分集集，bi表示所述重合度，mi表示所述相似度集。
较佳地，本发明实施例利用预设的阈值与所述图片评分集中的评分进行比较，若所述评分大于预设的阈值，则为所需样本，若所述评分小于等于预设的阈值，则为无需样本，从而得到筛选后的所述优化图片集。
本发明实施例利用医学样本图片集生成变换扰动脚本集，通过变换扰动脚本集，对所述医学样本图片集进行变换扰动，得到多个医学副本图片集，由于变换扰动脚本集包括多个变换扰动脚本，每个变换扰动脚本均可对样本图片变换扰动，从而生成的医学副本图片集数量庞大，故本发明实施例可利用样本图片完成自动扩充图片的目的，不会造成样本图片浪费的现象，其次本发明实施例基于预构建的目标检测模型，不仅识别医学样本图片集的准确率，同时识别医学副本图片集的准确率，相比于仅单一识别样本图片来说，本发明添加了对副本图片的识别过程，可进一步提高目标检测模型的识别能力，提高准确率。因此本发明提出的医学图片优化方法、装置及计算机可读存储介质，可以解决图片特征浪费、优化准确率较低的现象。
如图5所示，是本发明实现医学图片优化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，如医学图片优化程序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，例如医学图片优化程序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(例如执行医学图片优化程序等)，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存储的医学图片优化程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取医学样本图片集，根据所述医学样本图片集生成变换扰动脚本集；
利用所述变换扰动脚本集，对所述医学样本图片集进行变换扰动，得到多个医学副本图片集；
利用预构建的目标检测模型，分别识别所述医学样本图片集及多个所述医学副本图片集，得到样本检测框集及副本检测框集医学样本图片集医学副本图片集；
根据所述样本检测框集及所述副本检测框集，筛选所述医学样本图片集的样本图片，及筛选多个所述医学副本图片集内的副本图片，得到优化图片集医学样本图片集医学副本图片集。
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***、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。
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。***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)

1.一种医学图片优化方法，其特征在于，所述方法包括：
获取医学样本图片集，根据所述医学样本图片集生成变换扰动脚本集；
利用所述变换扰动脚本集，对所述医学样本图片集进行变换扰动，得到多个医学副本图片集；
利用预构建的目标检测模型，分别识别所述医学样本图片集及多个所述医学副本图片集，得到样本检测框集及副本检测框集医学样本图片集医学副本图片集；
根据所述样本检测框集及所述副本检测框集，筛选所述医学样本图片集的样本图片，及筛选多个所述医学副本图片集内的副本图片，得到优化图片集医学样本图片集医学副本图片集。
2.如权利要求1所述的医学图片优化方法，其特征在于，所述变换扰动脚本集包括图片尺寸变化脚本集及图片颜色变化脚本集。
3.如权利要求2所述的医学图片优化方法，其特征在于，所述根据所述医学样本图片集生成变换扰动脚本集，包括：
利用所述医学样本图片集内每张图片的曝光度、饱和度及色调，生成颜色抖动脚本；
判断所述医学样本图片集内每张图片是否为HSV颜色空间图片，若每张图片均为HSV颜色空间图片，则生成对比度变换脚本；
汇集所述颜色抖动脚本及所述对比度变换脚本，得到所述图片颜色变化脚本集。
4.如权利要求2所述的医学图片优化方法，其特征在于，所述尺寸变化脚本集包括：旋转变换脚本、翻转变换脚本、缩放变换脚本、平移变换脚本、尺度变换脚本、区域裁剪脚本及/或随机掩盖脚本。
5.如权利要求2所述的医学图片优化方法，其特征在于，所述利用所述变换扰动脚本集，对所述医学样本图片集进行变换扰动，得到多个医学副本图片集，包括：
利用所述图片尺寸变化脚本集，分别对所述医学样本图片集进行旋转、翻转、缩放、平移、尺度变换及区域裁剪，得到多尺寸图片副本集；
利用所述图片颜色变化脚本集，对所述医学样本图片集进行颜色抖动及对比度变换，得到多颜色图片副本集；
汇总所述多尺寸图片副本集及所述多颜色图片副本集，得到多个所述医学副本图片集。
6.如权利要求3所述的医学图片优化方法，其特征在于，所述利用所述图片颜色变化脚本集，对所述医学样本图片集进行颜色抖动及对比度变换，得到多颜色图片副本集，包括：
利用所述对比度变换脚本，改变所述医学样本图片集内每个样本图片的饱和度值和亮度值；
将改变后的所述饱和度值和亮度值进行指数运算得到光照值，利用所述光照值改变所述样本图片的对比度，得到多对比度图片副本集；
利用所述颜色抖动脚本，随机变换所述多对比度图片副本集内每张图片的曝光度及色调，得到所述多颜色图片副本集。
7.如权利要求1至6中任意一项所述的医学图片优化方法，其特征在于，所述根据所述样本检测框集及所述副本检测框集，筛选所述医学样本图片集的样本图片，及筛选多个所述医学副本图片集内的副本图片，得到优化图片集，包括：
计算所述样本检测框集及所述副本检测框集的重合度；
计算所述医学样本图片集及多个所述医学副本图片集的相似度；
基于所述相似度和重合度，计算得到图片评分集，利用所述图片评分集，筛选所述医学样本图片集的样本图片，及多个所述医学副本图片集内的副本图片，得到优化图片集。
8.一种医学图片优化装置，其特征在于，所述装置包括：
变换扰动脚本生成模块，用于获取医学样本图片集，根据所述医学样本图片集生成变换扰动脚本集；
副本图片生成模块，用于利用所述变换扰动脚本集，对所述医学样本图片集进行变换扰动，得到多个医学副本图片集；
图片识别模块，用于利用预构建的目标检测模型，分别识别所述医学样本图片集及多个所述医学副本图片集，得到样本检测框集及副本检测框集；
图片优化模块，用于根据所述样本检测框集及所述副本检测框集，筛选所述医学样本图片集的样本图片，及筛选多个所述医学副本图片集内的副本图片，得到优化图片集。
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指令，所述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中任一所述的医学图片优化方法。
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；其中，所述计算机程序被处理器执行时实现如权利要求1至7中任一所述的医学图片优化方法。
CN202011103243.XA 2020-10-15 2020-10-15 医学图片优化方法、装置、设备及计算机可读存储介质 Active CN112233194B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011103243.XA CN112233194B (zh) 2020-10-15 2020-10-15 医学图片优化方法、装置、设备及计算机可读存储介质
PCT/CN2021/096529 WO2022077914A1 (zh) 2020-10-15 2021-05-27 医学图片优化方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011103243.XA CN112233194B (zh) 2020-10-15 2020-10-15 医学图片优化方法、装置、设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112233194A true CN112233194A (zh) 2021-01-15
CN112233194B CN112233194B (zh) 2023-06-02

Family

ID=74113638

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011103243.XA Active CN112233194B (zh) 2020-10-15 2020-10-15 医学图片优化方法、装置、设备及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN112233194B (zh)
WO (1) WO2022077914A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022077914A1 (zh) * 2020-10-15 2022-04-21 平安科技（深圳）有限公司 医学图片优化方法、装置、设备及计算机可读存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109801275A (zh) * 2019-01-11 2019-05-24 北京邮电大学 基于图像识别的马铃薯病害检测方法和***
CN109829920A (zh) * 2019-02-25 2019-05-31 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质
CN109978886A (zh) * 2019-04-01 2019-07-05 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN110298829A (zh) * 2019-06-19 2019-10-01 上海国民集团健康科技有限公司 一种舌诊方法、装置、***、计算机设备和存储介质
WO2019233355A1 (en) * 2018-06-08 2019-12-12 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method and apparatus for training, classification model, mobile terminal, and readable storage medium
WO2020087960A1 (zh) * 2018-10-30 2020-05-07 腾讯科技（深圳）有限公司 一种影像识别的方法、装置、终端设备和医疗***
CN111275129A (zh) * 2020-02-17 2020-06-12 平安科技（深圳）有限公司 一种图像数据的增广策略选取方法及***
CN111476760A (zh) * 2020-03-17 2020-07-31 平安科技（深圳）有限公司 医学图像的生成方法、装置、电子设备及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112233194B (zh) * 2020-10-15 2023-06-02 平安科技（深圳）有限公司 医学图片优化方法、装置、设备及计算机可读存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019233355A1 (en) * 2018-06-08 2019-12-12 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method and apparatus for training, classification model, mobile terminal, and readable storage medium
WO2020087960A1 (zh) * 2018-10-30 2020-05-07 腾讯科技（深圳）有限公司 一种影像识别的方法、装置、终端设备和医疗***
CN109801275A (zh) * 2019-01-11 2019-05-24 北京邮电大学 基于图像识别的马铃薯病害检测方法和***
CN109829920A (zh) * 2019-02-25 2019-05-31 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质
CN109978886A (zh) * 2019-04-01 2019-07-05 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备和存储介质
CN110298829A (zh) * 2019-06-19 2019-10-01 上海国民集团健康科技有限公司 一种舌诊方法、装置、***、计算机设备和存储介质
CN111275129A (zh) * 2020-02-17 2020-06-12 平安科技（深圳）有限公司 一种图像数据的增广策略选取方法及***
CN111476760A (zh) * 2020-03-17 2020-07-31 平安科技（深圳）有限公司 医学图像的生成方法、装置、电子设备及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022077914A1 (zh) * 2020-10-15 2022-04-21 平安科技（深圳）有限公司 医学图片优化方法、装置、设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN112233194B (zh) 2023-06-02
WO2022077914A1 (zh) 2022-04-21

Similar Documents

Publication Publication Date Title
CN111932564B (zh) 图片识别方法、装置、电子设备及计算机可读存储介质
CN111932534B (zh) 医学影像图片分析方法、装置、电子设备及可读存储介质
CN111652845A (zh) 异常细胞自动标注方法、装置、电子设备及存储介质
CN113283446A (zh) 图像中目标物识别方法、装置、电子设备及存储介质
CN112137591B (zh) 基于视频流的目标物位置检测方法、装置、设备及介质
WO2022227192A1 (zh) 图像分类方法、装置、电子设备及介质
CN112528013A (zh) 文本摘要提取方法、装置、电子设备及存储介质
CN112580684A (zh) 基于半监督学习的目标检测方法、装置及存储介质
CN113327136A (zh) 归因分析方法、装置、电子设备及存储介质
CN112579621A (zh) 数据展示方法、装置、电子设备及计算机存储介质
CN112885423A (zh) 疾病标签检测方法、装置、电子设备及存储介质
CN114708461A (zh) 基于多模态学习模型的分类方法、装置、设备及存储介质
CN111984822A (zh) 图像生成方法、装置、电子设备及计算机可读存储介质
CN112233194B (zh) 医学图片优化方法、装置、设备及计算机可读存储介质
CN113157739A (zh) 跨模态检索方法、装置、电子设备及存储介质
CN112101481A (zh) 目标物的影响因子筛选方法、装置、设备及存储介质
CN113705686B (zh) 图像分类方法、装置、电子设备及可读存储介质
WO2022227191A1 (zh) 非主动活体检测方法、装置、电子设备及存储介质
CN114490666A (zh) 基于数据需求的图表生成方法、装置、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
CN113360155A (zh) 前端界面背景配色方法、装置、设备及存储介质
CN113010129A (zh) 虚拟演播厅全流程多终端板书提取方法和装置
CN111738005A (zh) 命名实体对齐方法、装置、电子设备及可读存储介质
CN111652741A (zh) 用户偏好分析方法、装置及可读存储介质
CN112215336A (zh) 基于用户行为的数据标注方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40041535

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant