[發明專利]圖像處理方法、裝置、電子設備及存儲介質

有效

• 申請號: 202010589818.7
• 申請日: 2020-06-24
• 公開（公告）號: CN111754486B
• 公開（公告）日: 2023-08-15
• 發明（設計）人: 尚方信;楊葉輝;王磊;許言午
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G16H30/40;G16H50/20
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 朱穎;臧建明

本申請公開了一種圖像處理方法、裝置、電子設備及存儲介質，涉及人工智能技術深度學習、圖像處理領域，具體可用于眼底影像分析方面。具體實現方案為：獲取待處理圖像；根據待處理圖像和分級網絡模型，獲得分級數組，分級網絡模型為根據混合樣本預先訓練得到的模型，分級數組包含的元素個數為C?1，C為病變等級個數，C個病變等級包括1個不存在病變的病變等級和C?1個存在病變的病變等級，分級數組中第k個元素為待處理圖像對應的病變等級大于或等于第k級病變等級的概率，1≤k≤C?1，且k為整數；根據分級數組，確定待處理圖像對應的病變等級。以在有限的訓練樣本量下，實現分級網絡模型對醫學圖像對應病變等級的準確判斷。

技術領域

本申請實施例涉及計算機領域中的人工智能技術深度學習、圖像處理領域，具體可用于眼底影像分析方面，尤其涉及一種圖像處理方法、裝置、電子設備及存儲介質。

背景技術

隨著醫學成像技術和計算機技術的不斷發展和進步，醫學圖像分析已成為醫學研究、臨床疾病診斷和治療中一個不可或缺的工具和技術手段。

近年來，深度學習(Deep?Learning，DL)已經迅速發展成為自動化醫學圖像分析的研究熱點。由于深度學習和卷積神經網絡依賴大量直接相關的標注數據，使得應用它們需要高昂的數據采集和標注成本。同時，在特定場景下，特定類型數據的大量采集本身就是不可行的。以疾病嚴重程度分級任務為例，現有方法要求有大量醫學圖像數據分別被包含于每一個病變等級；另一方面，病變等級較高的病人在人群中較為罕見，極難獲取大量高病變等級的訓練樣本。

發明內容

本申請提供了一種圖像處理方法、裝置、電子設備及存儲介質。

根據本申請第一方面，提供了一種圖像處理方法，此方法包括：

獲取待處理圖像；

根據待處理圖像和分級網絡模型，獲得分級數組，其中，分級網絡模型為根據混合樣本預先訓練得到的模型，分級數組包含的元素個數為C-1，C為病變等級個數，C個病變等級包括1個不存在病變的病變等級和C-1個存在病變的病變等級，分級數組中第k個元素為待處理圖像對應的病變等級大于或等于第k級病變等級的概率，1≤k≤C-1，且k為整數；

輸出分級數組。

根據本申請第二方面，提供了一種圖像處理裝置，此裝置包括：

獲取模塊，用于獲取待處理圖像；

處理模塊，用于根據待處理圖像和分級網絡模型，獲得分級數組，其中，分級網絡模型為根據混合樣本預先訓練得到的模型，分級數組包含的元素個數為C-1，C為病變等級個數，C個病變等級包括1個不存在病變的病變等級和C-1個存在病變的病變等級，分級數組中第k個元素為待處理圖像對應的病變等級大于或等于第k級病變等級的概率，1≤k≤C-1，且k為整數；

輸出模塊，用于輸出分級數組。

根據本申請第三方面，提供了一種電子設備，包括：

至少一個處理器；以及

與至少一個處理器通信連接的存儲器；其中，

存儲器存儲有可被至少一個處理器執行的指令，該指令被至少一個處理器執行，以使至少一個處理器能夠執行如第一方面中任一項所述的方法。

根據本申請第四方面，提供了一種存儲有計算機指令的非瞬時計算機可讀存儲介質，該計算機指令用于使計算機執行如第一方面中任一項所述的方法。

根據本申請的技術可以在有限的訓練樣本量下，實現分級網絡模型對醫學圖像對應病變等級的準確判斷。

應當理解，本部分所描述的內容并非旨在標識本申請的實施例的關鍵或重要特征，也不用于限制本申請的范圍。本申請的其它特征將通過以下的說明書而變得容易理解。

附圖說明