CN113808068A - 图像检测方法及装置 - Google Patents
图像检测方法及装置 Download PDFInfo
- Publication number
- CN113808068A CN113808068A CN202011241166.4A CN202011241166A CN113808068A CN 113808068 A CN113808068 A CN 113808068A CN 202011241166 A CN202011241166 A CN 202011241166A CN 113808068 A CN113808068 A CN 113808068A
- Authority
- CN
- China
- Prior art keywords
- image
- disease
- detected
- category
- sparse
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 120
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 193
- 201000010099 disease Diseases 0.000 claims abstract description 170
- 238000012545 processing Methods 0.000 claims description 71
- 238000000034 method Methods 0.000 claims description 38
- 230000015654 memory Effects 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000003745 diagnosis Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000001965 increasing effect Effects 0.000 description 7
- 230000002349 favourable effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003902 lesion Effects 0.000 description 4
- 230000037380 skin damage Effects 0.000 description 4
- 206010040882 skin lesion Diseases 0.000 description 4
- 231100000444 skin lesion Toxicity 0.000 description 4
- 230000001788 irregular Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000007170 pathology Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 235000019580 granularity Nutrition 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 206010048768 Dermatosis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 208000017520 skin disease Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种图像检测方法,本方法包括:获取待检测图像;将所述待检测图像输入预设的检测模型,得到图像检测结果,其中,所述图像检测结果指示预测病症类别,以及指示所述待检测图像中的至少一个图像区域基于所述预测病症类别的预测概率;根据与各所述图像区域关联的预测概率,显示所述待检测图像中的病症区域,并输出所述图像检测结果。本公开还提供了一种图像检测装置、一种电子设备及一种计算机可读存储介质。
Description
技术领域
本公开涉及计算机技术领域,更具体地,涉及一种图像检测方法、一种图像检测装置、一种电子设备以及一种计算机可读存储介质。
背景技术
随着计算机技术的日益成熟,图像检测技术得以迅速发展。图像检测在医学图像领域有着广泛的应用,由图像检测实现的计算机辅助诊断在当前医学图像领域发挥着重要作用。
在实现本公开发明构思的过程中,发明人发现相关技术中在利用图像检测技术进行病症识别时,多采用定位框形式标记待检测图像中的病症区域,这存在病症区域的标记可读性弱、标记效果不佳的缺陷。
发明内容
有鉴于此,本公开提供了一种病症区域的标记可读性强、标记效果得以有效改善的图像检测方法及装置。
本公开的一个方面提供了一种图像检测方法,包括:获取待检测图像;将上述待检测图像输入预设的检测模型,得到图像检测结果,其中,上述图像检测结果指示预测病症类别,以及指示上述待检测图像中的至少一个图像区域基于上述预测病症类别的预测概率;根据与各上述图像区域关联的预测概率,显示上述待检测图像中的病症区域,并输出上述图像检测结果。
可选地,上述根据与各上述图像区域关联的预测概率,显示上述待检测图像中的病症区域,包括:根据与各上述图像区域关联的预测概率,确定针对各上述图像区域的显示参数;根据针对各上述图像区域的显示参数,对各上述图像区域进行显示,以实现显示上述待检测图像中的病症区域。
可选地,上述根据与各上述图像区域关联的预测概率,确定针对各上述图像区域的显示参数,包括:根据与各上述图像区域关联的预测概率,确定针对各上述图像区域的显示亮度,其中,与上述图像区域关联的预测概率越高,针对上述图像区域的显示亮度越大。
可选地,上述将上述待检测图像输入预设的检测模型,得到图像检测结果,包括:通过上述检测模型的可分离卷积层,对上述待检测图像进行特征提取,得到与上述待检测图像关联的至少一个图像特征;对上述至少一个图像特征进行拼接处理,得到拼接后的图像特征;对上述拼接后的图像特征进行识别处理,得到上述图像检测结果。
可选地,本方法还包括:利用不同平滑系数对上述病症区域进行平滑处理,以实现显示不同病症等级的预测病症。
可选地,上述检测模型的训练方法包括:获取具有病症类别标签的原始图像样本;根据上述病症类别标签,确定样本数量低于预设阈值的稀疏病症类别;对与上述稀疏病症类别关联的原始图像样本进行增强处理,得到增强后的图像样本;利用与稀疏病症类别关联的增强后的图像样本,以及与非稀疏病症类别关联的原始图像样本,进行模型训练,得到上述检测模型。
可选地,上述对与上述稀疏病症类别关联的原始图像样本进行增强处理,包括以下至少之一:对与上述稀疏病症类别关联的病症区域进行随机值填充处理;对与上述稀疏病症类别关联的病症区域进行仿射变换处理;将与上述稀疏病症类别关联的原始图像样本与其他原始图像样本进行融合处理。
本公开的另一个方面提供了一种图像检测装置,包括:获取模块,用于获取待检测图像;第一处理模块,用于将上述待检测图像输入预设的检测模型,得到图像检测结果,其中,上述图像检测结果指示预测病症类别,以及指示上述待检测图像中的至少一个图像区域基于上述预测病症类别的预测概率;第二处理模块,用于根据与各上述图像区域关联的预测概率,显示上述待检测图像中的病症区域,并输出上述图像检测结果。
可选地,上述第二处理模块包括:第一处理子模块,用于根据与各上述图像区域关联的预测概率,确定针对各上述图像区域的显示参数;第二处理子模块,用于根据针对各上述图像区域的显示参数,对各上述图像区域进行显示,以实现显示上述待检测图像中的病症区域。
可选地,上述第一处理子模块包括:第一处理单元,用于根据与各上述图像区域关联的预测概率,确定针对各上述图像区域的显示亮度,其中,与上述图像区域关联的预测概率越高,针对上述图像区域的显示亮度越大。
可选地,上述第一处理模块包括:第三处理子模块,用于通过上述检测模型的可分离卷积层,对上述待检测图像进行特征提取,得到与上述待检测图像关联的至少一个图像特征;第四处理子模块,用于对上述至少一个图像特征进行拼接处理,得到拼接后的图像特征;第五处理子模块,用于对上述拼接后的图像特征进行识别处理,得到上述图像检测结果。
可选地,上述第二处理模块包还包括:第六处理子模块,用于利用不同平滑系数对上述病症区域进行平滑处理,以实现显示不同病症等级的预测病症。
可选地,上述检测模型的训练过程包括:获取具有病症类别标签的原始图像样本;根据上述病症类别标签,确定样本数量低于预设阈值的稀疏病症类别;对与上述稀疏病症类别关联的原始图像样本进行增强处理,得到增强后的图像样本;利用与稀疏病症类别关联的增强后的图像样本,以及与非稀疏病症类别关联的原始图像样本,进行模型训练,得到上述检测模型。
可选地,对与上述稀疏病症类别关联的原始图像样本进行增强处理,包括以下至少之一:对与上述稀疏病症类别关联的病症区域进行随机值填充处理;对与上述稀疏病症类别关联的病症区域进行仿射变换处理;将与上述稀疏病症类别关联的原始图像样本与其他原始图像样本进行融合处理。
本公开的另一个方面提供了一种电子设备。上述电子设备包括至少一个处理器,以及与上述至少一个处理器通信连接的存储器。其中,上述存储器存储有可被上述至少一个处理器执行的指令,上述指令被上述至少一个处理器执行,以使上述至少一个处理器实现本公开实施例的方法。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,上述指令在被执行时用于实现本公开实施例的方法。
本公开的另一方面提供了一种计算机程序,上述计算机程序包括计算机可执行指令,上述指令在被执行时用于实现本公开实施例的方法。
通过本公开实施例,因为采用了获取待检测图像;将待检测图像输入预设的检测模型,得到图像检测结果,其中,图像检测结果指示预测病症类别,以及指示待检测图像中的至少一个图像区域基于预测病症类别的预测概率;根据与各图像区域关联的预测概率,显示待检测图像中的病症区域,并输出图像检测结果的技术方案,所以至少部分地克服了相关技术中存在的病症区域的标记可读性弱、标记效果不佳的技术问题,进而达到有效提高了病症区域的标记可读性、有效提升了图像检测结果作为辅助诊断的置信度的技术效果。
附图说明
为了更完整地理解本公开及其优势,现在将参考结合附图的以下描述,其中:
图1示意性示出了根据本公开实施例的图像检测***架构;
图2示意性示出了根据本公开实施例的一种图像检测方法的流程图;
图3示意性示出了根据本公开实施例的利用检测模型进行图像特征提取的示意图;
图4示意性示出了根据本公开实施例的另一图像检测方法的流程图;
图5示意性示出了根据本公开实施例的图像检测装置的框图;
图6示意性示出了根据本公开实施例的适于实现图像检测方法和装置的电子设备的框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性地,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、操步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。
本公开的各个实施例提供了一种图像检测方法以及能够应用该方法的检测装置。其中,该方法可以包括获取待检测图像,和将待检测图像输入预设的检测模型,得到图像检测结果,其中,图像检测结果指示预测病症类别,以及指示待检测图像中的至少一个图像区域基于预测病症类别的预测概率,然后根据与各图像区域关联的预测概率,显示待检测图像中的病症区域,并输出图像检测结果。
如图1所示,该***架构100包括至少一个终端(图中示出了多个,如终端101、102、103,终端例如可以包括用户终端和诊疗设备)和服务器104(具体可以是进行图像检测的业务服务器,也可以是业务服务器集群,图中未示出)。在该***架构100中,服务器104获取来自终端(如终端101、102、103)的待检测图像,并将待检测图像输入预设的检测模型,得到图像检测结果,其中,图像检测结果指示预测病症类别,以及指示待检测图像中的至少一个图像区域基于预测病症类别的预测概率,然后,根据与各图像区域关联的预测概率,在终端(如终端101、102、103)中显示待检测图像中的病症区域,并输出图像检测结果
以下将结合附图和具体实施例详细阐述本公开。
图2示意性示出了根据本公开实施例的一种图像检测方法的流程图,本方法应用测试平台。
如图2所示,该方法例如可以包括操作S210~S230。
在操作S210,获取待检测图像。
在本公开实施例中,具体地,获取来自终端的待检测图像,终端可以包括用户终端和诊疗设备。用户终端例如可以包括智能手机、平板电脑、笔记本电脑、桌上型电脑等具有数据处理和显示功能的终端设备。待检测图像可以是一张也可以是多张,待检测图像中可以包括用户的皮肤病损区域。用户可以通过终端中的应用程序拍摄身体部位作为待检测图像,然后通过图像上传页面进行待检测图像上传,实现将待检测图像上传至业务服务器(进行图像检测的服务器)。
业务服务器通过用户终端或诊疗设备对应的后台服务器,获取并收集用户上传的待检测图像。业务服务器确定针对待检测图像的图像检测结果,并将图像检测结果返回至后台服务器,以供用户通过用户终端或诊疗设备的显示页面查看图像检测结果指示的预测病症类别,以及查看与预测病症类别关联的病症区域。
接下来,在操作S220,将待检测图像输入预设的检测模型,得到图像检测结果,其中,图像检测结果指示预测病症类别,以及指示待检测图像中的至少一个图像区域基于预测病症类别的预测概率。
在本公开实施例中,具体地,利用预设的检测模型进行针对待检测图像的识别处理,具体进行待检测图像中的皮肤病损区域的识别与定位处理,得到针对待检测图像的图像检测结果,图像检测结果指示预测病症类别,以及指示待检测图像中的至少一个图像区域基于预测病症类别的预测概率。检测模型具体可以是卷积神经网络模型,例如可以是Xception神经网络模型,Xception神经网络模型在残差学习神经网络模型(ResidualNeural Network,ResNet)的基础上,将其中的卷积层替换为可分离卷积层,以此实现提高检测模型的分类精度和模型性能。
具体地,将待检测图像输入预设的检测模型,利用检测模型对待检测图像进行特征提取与特征识别处理,提取的图像特征具体可以是皮肤病损区域的初始皮损特征。通过将初始皮损特征转换成不同粒度的皮损特征信息,根据不同粒度的皮损特征信息确定针对皮肤病损区域的的预测病症类别,以及确定检测图像中的不同图像区域基于预测病症类别的预测概率。
可选地,通过检测模型的可分离卷积层,对待检测图像进行特征提取,得到与待检测图像关联的至少一个图像特征。图3示意性示出了根据本公开实施例的利用检测模型进行图像特征提取的示意图,如图3所示的300中,将输入图像特征经过1×1卷积核(如图3中的301)进行通道拆解处理,将1×1卷积核输出结果中的每一通道经3×3卷积核(如图3中的302~306)进行特征提取,最后对一系列3×3卷积核输出的图像特征进行拼接,拼接后的图像特征构成输出图像特征。
此外,可以将前述操作得到的输出图像特征作为输入图像特征,再次输入1×1卷积核(如图3中的301),重复300中操作再次得到拼接后的图像特征。然后,将再次得到的拼接后的图像特征通过池化层降采样处理,将降采样处理结果与前一轮300操作中的输入图像特征进行叠加,得到此轮300操作中的输出图像特征。可选地,将前一轮300操作得到的输出图像特征作为后一轮300操作的输入图像特征,重复进行特征提取,然后基于最后得到的图像特征进行识别处理,得到图像检测结果。
图像检测结果包括待检测图像指示的预测病症类别,以及不同图像区域基于预测病症类别的预测概率。不同图像区域基于预测病症类别的预测概率,可由不同图像特征基于预测病症类别的权重值确定,不同图像特征基于预测病症类别的权重值可由对检测模型的分类结果反向求导得到,权重值表征图像特征对识别出预测病症类别所做的贡献,也即指示图像特征针对预测病症类别的预测概率。由于待检测图像中的不同图像区域的图像特征可能不同,因此,可以根据不同图像特征针对预测病症类别的权重值,确定与不同图像区域关联的预测概率。
接下来,在操作S230,根据与各图像区域关联的预测概率,显示待检测图像中的病症区域,并输出图像检测结果。
在本公开实施例中,具体地,根据与各图像区域关联的预测概率,确定针对各图像区域的显示参数,以实现基于预测概率的显示不同图像区域。基于预测病症类别的预测概率越大,图像区域与预测病症类别的病变区域的相似度越高,图像区域为病变区域的可能性也越高。根据与各图像区域关联的预测概率,确定针对不同图像区域的显示参数,以实现显示待检测图像中的病症区域,这有利于提高病症区域显示的准确性和可读性,有利于提升图像检测作为辅助诊断的置信度。
在本公开实施例中,通过获取待检测图像;将待检测图像输入预设的检测模型,得到图像检测结果,其中,图像检测结果指示预测病症类别,以及指示待检测图像中的至少一个图像区域基于预测病症类别的预测概率;根据与各图像区域关联的预测概率,显示待检测图像中的病症区域,并输出图像检测结果。基于预测概率显示待检测图像中的不同图像区域,一方面有利于通过显示参数直观呈现不同图像区域与预测病症类别的相关程度,有利于增强病症区域标记的可读性;另一方面相比于相关技术中通过定位框方式框选待检测图像中的病症区域,本方案能够有效实现显示不规则病症区域,这有利于提高病症区域显示的准确性,有利于提升辅助诊断的置信度。
上述检测模型的训练方法包括:获取具有病症类别标签的原始图像样本,并根据病症类别标签,确定样本数量低于预设阈值的稀疏病症类别,然后对与稀疏病症类别关联的原始图像样本进行增强处理,得到增强后的图像样本,最后利用与稀疏病症类别关联的增强后的图像样本,以及与非稀疏病症类别关联的原始图像样本,进行模型训练,得到检测模型。由于不同病症类别的发病率不同,与不同病症类别关联的图像样本可能分布不均匀。为缓解样本分布不均匀造成模型预测偏移的问题,可以通过对与稀疏病症类别关联的原始图像样本进行增强处理,以实现增加针对稀疏病症类别的图像样本数量。
其中,对与稀疏病症类别关联的原始图像样本进行增强处理,例如可以包括:对与稀疏病症类别关联的病症区域进行随机值填充处理、对与稀疏病症类别关联的病症区域进行仿射变换处理、将与稀疏病症类别关联的原始图像样本与其他原始图像样本进行融合处理等。具体地,通过利用随机值对与稀疏病症类别关联的病症区域进行填充,增加模型通过不同图像特征识别病症类别的能力。或者,通过对与稀疏病症类别关联的病症区域进行翻转、缩放、旋转、放射变换、明暗变化、投影变化等处理,提高与稀疏病症类别关联的图像样本数量。
再或者,对不同图像样本进行融合,并将融合后的图像作为新的训练样本。进行融合的不同图像样本可以包含相同或不同的病症类别,不同病症类别可以包括稀疏病症类别和非稀疏病症类别。融合前的不同图像样本中分别包含对应的病症类别的病损区域,图像样本针对其对应的病症类别的权重为1,在对不同图像样本进行融合后,融合后的图像样本中可能包含不同病症类别的病损区域,融合后的图像样本针对不同病症类别的权重发生改变,但针对所有病症类别的权重之和为1。对不同图像样本进行融合,一方面有利于提高图像样本的多样性,另一方面有利于增加不同病症程度的图像样本,这有利于提高训练的检测模型的鲁棒性。针对图像样本的多样化的增强处理方法有效增加了图像样本的样本量,尤其是大大增加了与稀疏病症类别关联的图像样本数量。针对不同病症类别的足够数量的图像样本使训练得到多种病症分类模型成为可能。
图4示意性示出了根据本公开实施例的另一图像检测方法的流程图。
如图4所示,操作S230例如可以包括操作S410~S420。
在操作S410,根据与各图像区域关联的预测概率,确定针对各图像区域的显示参数。
在本公开实施例中,具体地,根据待检测图像中的至少一个图像区域基于预测病症类别的预测概率,确定针对各图像区域的显示参数,以实现显示待检测图像中的病症区域。显示参数不同,图像区域的显示效果不同,该种设计有利于实现将不同图像区域的显示效果与预测概率相关联,一方面有利于提高病症区域显示的可读性,另一方面有利于提高病症区域显示的准确性和置信度。
可选地,可以根据与各图像区域关联的预测概率,确定针对各图像区域的显示亮度,其中,与图像区域关联的预测概率越高,针对图像区域的显示亮度越大。通过将病症区域显示置亮,将非病症区域显示置暗,有利于实现在准确定位病症区域的同时,实现对不规则皮肤病区域进行显著效果的提取。
不同图像区域可能具有不同图像特征,在确定与各图像区域关联的预测概率时,可根据与不同图像特征关联的预测概率确定,即根据不同图像特征针对预测病症类别的权重值确定。不同图像特征针对预测病症类别的权重值由对检测模型的分类结果反向求导得到,其用于表征各图像特征对获得预测结果的贡献比重,对检测模型的分类结果反向求导可采用现有方法实现(例如可采用Grad-CAM++算法实现),本申请在此不做赘述。将不同图像区域按对应的权重值进行融合,实现以热力图的形式显示待检测图像中的病症区域。
接下来,在操作S420,根据针对各图像区域的显示参数,对各图像区域进行显示,以实现显示待检测图像中的病症区域。
在本公开实施例中,具体地,根据确定出的针对各图像区域的显示参数,显示各图像区域以实现显示待检测图像中的病症区域。可选地,在显示待检测图像中的病症区域时,利用不同平滑系数对病症区域进行平滑处理,以实现显示不同病症等级的预测病症。具体地,当需要显示预测病症好转的病症区域变化时,利用图像平滑技术逐渐淡化显示病症区域,具体地,可通过按时间增大平滑系数,实现好转方向发展的病症区域显示。当需要显示预测病症恶化的病症区域变化时,利用图像滤波技术逐渐锐化显示病症区域,具体地,可通过按时间增大锐化系数实现恶化方向发展的病症区域显示。该种设计通过可视化病症区域的演变过程,有利于提高病症区域显示的可读性,有助于提升辅助诊断的参考价值。
图5示意性示出了根据本公开实施例的图像检测装置的框图。
如图5所示,该装置可以包括获取模块501、第一处理模块502和第二处理模块503。
具体地,获取模块501,用于获取待检测图像;第一处理模块502,用于将待检测图像输入预设的检测模型,得到图像检测结果,其中,图像检测结果指示预测病症类别,以及指示待检测图像中的至少一个图像区域基于预测病症类别的预测概率;第二处理模块503,用于根据与各图像区域关联的预测概率,显示待检测图像中的病症区域,并输出图像检测结果。
在本公开实施例中,通过获取待检测图像;将待检测图像输入预设的检测模型,得到图像检测结果,其中,图像检测结果指示预测病症类别,以及指示待检测图像中的至少一个图像区域基于预测病症类别的预测概率;根据与各图像区域关联的预测概率,显示待检测图像中的病症区域,并输出图像检测结果。基于预测概率显示待检测图像中的不同图像区域,一方面有利于通过显示参数直观呈现不同图像区域与预测病症类别的相关程度,有利于增强病症区域标记的可读性;另一方面相比于相关技术中通过定位框方式框选待检测图像中的病症区域,本方案能够有效实现显示不规则病症区域,这有利于提高病症区域显示的准确性,有利于提升辅助诊断的置信度。
作为一种可选的实施例,第二处理模块包括:第一处理子模块,用于根据与各图像区域关联的预测概率,确定针对各图像区域的显示参数;第二处理子模块,用于根据针对各图像区域的显示参数,对各图像区域进行显示,以实现显示待检测图像中的病症区域。
作为一种可选的实施例,第一处理子模块包括:第一处理单元,用于根据与各图像区域关联的预测概率,确定针对各图像区域的显示亮度,其中,与图像区域关联的预测概率越高,针对图像区域的显示亮度越大。
作为一种可选的实施例,第一处理模块包括:第三处理子模块,用于通过检测模型的可分离卷积层,对待检测图像进行特征提取,得到与待检测图像关联的至少一个图像特征;第四处理子模块,用于对至少一个图像特征进行拼接处理,得到拼接后的图像特征;第五处理子模块,用于对拼接后的图像特征进行识别处理,得到图像检测结果。
作为一种可选的实施例,第二处理模块包还包括:第六处理子模块,用于利用不同平滑系数对病症区域进行平滑处理,以实现显示不同病症等级的预测病症。
作为一种可选的实施例,检测模型的训练过程包括:获取具有病症类别标签的原始图像样本;根据病症类别标签,确定样本数量低于预设阈值的稀疏病症类别;对与稀疏病症类别关联的原始图像样本进行增强处理,得到增强后的图像样本;利用与稀疏病症类别关联的增强后的图像样本,以及与非稀疏病症类别关联的原始图像样本,进行模型训练,得到检测模型。
作为一种可选的实施例,对与稀疏病症类别关联的原始图像样本进行增强处理,包括以下至少之一:对与稀疏病症类别关联的病症区域进行随机值填充处理;对与稀疏病症类别关联的病症区域进行仿射变换处理;将与稀疏病症类别关联的原始图像样本与其他原始图像样本进行融合处理。
可选地,获取模块501、第一处理模块502和第二处理模块503中的模块、子模块中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上***、基板上的***、封装上的***、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者根据本公开实施例的模块中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,获取模块501、第一处理模块502和第二处理模块503中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。可选地,获取模块501、第一处理模块502和第二处理模块503中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上***、基板上的***、封装上的***、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块501、第一处理模块502和第二处理模块503中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图6示意性示出了根据本公开实施例的适于实现图像检测方法和装置的电子设备的框图。图6示出的计算机***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6所示,根据本公开实施例的计算机***600包括处理器601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 603中,存储有***600操作所需的各种程序和数据。处理器601、ROM 602以及RAM 603通过总线604彼此相连。处理器601通过执行ROM 602和/或RAM 603中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 602和RAM 603以外的一个或多个存储器中。处理器601也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
可选地,***600还可以包括输入/输出(I/O)接口605,输入/输出(I/O)接口605也连接至总线604。***600还可以包括连接至I/O接口605的以下部件中的一项或多项:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口606。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
可选地,根据本公开实施例的方法流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,其包括承载在计算机可读存储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部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时,执行本公开实施例的***中限定的上述功能。可选地,上文描述的***、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/***中所包含的;也可以是单独存在,而未装配入该设备/装置/***中。上述计算机可读存储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执行时,实现根据本公开实施例的方法。
可选地,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于: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)、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***、装置或者器件使用或者与其结合使用。例如,可选地,计算机可读存储介质可以包括上文描述的ROM 602和/或RAM 603和/或ROM 602和RAM 603以外的一个或多个存储器。
附图中的流程图和框图,图示了按照本公开各种实施例的***、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,上述模块、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,框图或流程图中的每个方框、以及框图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***来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (10)
1.一种图像检测方法,包括:
获取待检测图像;
将所述待检测图像输入预设的检测模型,得到图像检测结果,其中,所述图像检测结果指示预测病症类别,以及指示所述待检测图像中的至少一个图像区域基于所述预测病症类别的预测概率;
根据与各所述图像区域关联的预测概率,显示所述待检测图像中的病症区域,并输出所述图像检测结果。
2.根据权利要求1所述的方法,其中,所述根据与各所述图像区域关联的预测概率,显示所述待检测图像中的病症区域,包括:
根据与各所述图像区域关联的预测概率,确定针对各所述图像区域的显示参数;
根据针对各所述图像区域的显示参数,对各所述图像区域进行显示,以实现显示所述待检测图像中的病症区域。
3.根据权利要求2所述的方法,其中,所述根据与各所述图像区域关联的预测概率,确定针对各所述图像区域的显示参数,包括:
根据与各所述图像区域关联的预测概率,确定针对各所述图像区域的显示亮度,其中,与所述图像区域关联的预测概率越高,针对所述图像区域的显示亮度越大。
4.根据权利要求1所述的方法,所述将所述待检测图像输入预设的检测模型,得到图像检测结果,包括:
通过所述检测模型的可分离卷积层,对所述待检测图像进行特征提取,得到与所述待检测图像关联的至少一个图像特征;
对所述至少一个图像特征进行拼接处理,得到拼接后的图像特征;
对所述拼接后的图像特征进行识别处理,得到所述图像检测结果。
5.根据权利要求1所述的方法,还包括:
利用不同平滑系数对所述病症区域进行平滑处理,以实现显示不同病症等级的预测病症。
6.根据权利要求1至5中任一项所述的方法,其中,所述检测模型的训练方法包括:
获取具有病症类别标签的原始图像样本;
根据所述病症类别标签,确定样本数量低于预设阈值的稀疏病症类别;
对与所述稀疏病症类别关联的原始图像样本进行增强处理,得到增强后的图像样本;
利用与稀疏病症类别关联的增强后的图像样本,以及与非稀疏病症类别关联的原始图像样本,进行模型训练,得到所述检测模型。
7.根据权利要求6所述的方法,其中,所述对与所述稀疏病症类别关联的原始图像样本进行增强处理,包括以下至少之一:
对与所述稀疏病症类别关联的病症区域进行随机值填充处理;
对与所述稀疏病症类别关联的病症区域进行仿射变换处理;
将与所述稀疏病症类别关联的原始图像样本与其他原始图像样本进行融合处理。
8.一种图像检测装置,包括:
获取模块,用于获取待检测图像;
第一处理模块,用于将所述待检测图像输入预设的检测模型,得到图像检测结果,其中,所述图像检测结果指示预测病症类别,以及指示所述待检测图像中的至少一个图像区域基于所述预测病症类别的预测概率;
第二处理模块,用于根据与各所述图像区域关联的预测概率,显示所述待检测图像中的病症区域,并输出所述图像检测结果。
9.一种电子设备,包括:
一个或多个处理器;以及
存储器,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011241166.4A CN113808068A (zh) | 2020-11-09 | 2020-11-09 | 图像检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011241166.4A CN113808068A (zh) | 2020-11-09 | 2020-11-09 | 图像检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113808068A true CN113808068A (zh) | 2021-12-17 |
Family
ID=78943497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011241166.4A Pending CN113808068A (zh) | 2020-11-09 | 2020-11-09 | 图像检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113808068A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190540A (zh) * | 2018-06-06 | 2019-01-11 | 腾讯科技(深圳)有限公司 | 活检区域预测方法、图像识别方法、装置和存储介质 |
CN110148192A (zh) * | 2019-04-18 | 2019-08-20 | 上海联影智能医疗科技有限公司 | 医学影像成像方法、装置、计算机设备和存储介质 |
CN110689525A (zh) * | 2019-09-09 | 2020-01-14 | 上海中医药大学附属龙华医院 | 基于神经网络识别***的方法及装置 |
WO2020215557A1 (zh) * | 2019-04-24 | 2020-10-29 | 平安科技(深圳)有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
-
2020
- 2020-11-09 CN CN202011241166.4A patent/CN113808068A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190540A (zh) * | 2018-06-06 | 2019-01-11 | 腾讯科技(深圳)有限公司 | 活检区域预测方法、图像识别方法、装置和存储介质 |
CN110148192A (zh) * | 2019-04-18 | 2019-08-20 | 上海联影智能医疗科技有限公司 | 医学影像成像方法、装置、计算机设备和存储介质 |
WO2020215557A1 (zh) * | 2019-04-24 | 2020-10-29 | 平安科技(深圳)有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
CN110689525A (zh) * | 2019-09-09 | 2020-01-14 | 上海中医药大学附属龙华医院 | 基于神经网络识别***的方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10769487B2 (en) | Method and device for extracting information from pie chart | |
CN111160335B (zh) | 基于人工智能的图像水印处理方法、装置及电子设备 | |
US9349076B1 (en) | Template-based target object detection in an image | |
WO2021217857A1 (zh) | 切片缺陷检测方法、装置、电子设备及可读存储介质 | |
CN113139543B (zh) | 目标对象检测模型的训练方法、目标对象检测方法和设备 | |
CN111695609B (zh) | 目标物损伤程度判定方法、装置、电子设备及存储介质 | |
CN109977191B (zh) | 问题地图检测方法、装置、电子设备和介质 | |
US20240233313A1 (en) | Model training method, image processing method, computing and processing device and non-transient computer-readable medium | |
CN111369581A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN109165645A (zh) | 一种图像处理方法、装置以及相关设备 | |
CN113065609B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
CN110781980A (zh) | 目标检测模型的训练方法、目标检测方法及装置 | |
CN111523558A (zh) | 一种基于电子围网的船只遮挡检测方法、装置及电子设备 | |
CN113569852A (zh) | 语义分割模型的训练方法、装置、电子设备及存储介质 | |
CN116670687A (zh) | 用于调整训练后的物体检测模型以适应域偏移的方法和*** | |
CN111401309B (zh) | 基于小波变换的cnn训练和遥感图像目标识别方法 | |
CN114821551A (zh) | 遗留物检测以及模型训练方法、装置和存储介质 | |
CN111209856B (zh) | ***信息的识别方法、装置、电子设备及存储介质 | |
CN116433704A (zh) | 一种基于中心点的细胞核分割方法及相关设备 | |
CN115100469A (zh) | 一种基于分割算法的目标属性识别方法、训练方法和装置 | |
CN110210314B (zh) | 人脸检测方法、装置、计算机设备及存储介质 | |
CN112287905A (zh) | 车辆损伤识别方法、装置、设备及存储介质 | |
CN108765399B (zh) | 病变部位识别装置、计算机装置及可读存储介质 | |
CN112749293A (zh) | 一种图像分类方法、装置及存储介质 |
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 |