[發(fā)明專(zhuān)利]圖像目標(biāo)分類(lèi)方法及相關(guān)裝置、設(shè)備、存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011212261.1
• 申請(qǐng)日: 2020-11-03
• 公開(kāi)（公告）號(hào): CN112329844A
• 公開(kāi)（公告）日: 2021-02-05
• 發(fā)明（設(shè)計(jì)）人: 朱雅靖;陳翼男;羅祥德;任家敏
• 申請(qǐng)（專(zhuān)利權(quán)）人: 上海商湯智能科技有限公司
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62
• 代理公司: 深圳市威世博知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44280
• 代理人: 何倚雯

本申請(qǐng)公開(kāi)了一種圖像目標(biāo)分類(lèi)方法及相關(guān)裝置、設(shè)備、存儲(chǔ)介質(zhì)，其中，圖像目標(biāo)分類(lèi)方法包括：獲取包含目標(biāo)對(duì)象的至少一張待分類(lèi)圖像后，利用分類(lèi)模型對(duì)至少一張待分類(lèi)圖像進(jìn)行目標(biāo)分類(lèi)，得到目標(biāo)對(duì)象的類(lèi)型。上述方案可以應(yīng)用于包含腫瘤的至少一種期像醫(yī)學(xué)圖像中，以確定醫(yī)學(xué)圖像中的腫瘤的類(lèi)型，即能夠?qū)崿F(xiàn)智能化目標(biāo)分類(lèi)，提高目標(biāo)分類(lèi)效率。

技術(shù)領(lǐng)域

本申請(qǐng)涉及圖像處理技術(shù)領(lǐng)域，特別是涉及一種圖像目標(biāo)分類(lèi)方法及相關(guān)裝置、設(shè)備、存儲(chǔ)介質(zhì)。

背景技術(shù)

CT(Computed Tomography，計(jì)算機(jī)斷層掃描)和MRI(Magnetic ResonanceImaging，核磁共振掃描)等醫(yī)學(xué)圖像在臨床具有重要意義。以與肝臟相關(guān)的臨床為例，掃描圖像類(lèi)別往往包括與時(shí)序有關(guān)的造影前平掃、動(dòng)脈早期、動(dòng)脈晚期、門(mén)脈期、延遲期等等，此外，掃描圖像類(lèi)別還可以包含與掃描參數(shù)有關(guān)的T1加權(quán)反相成像、T1加權(quán)同相成像、T2加權(quán)成像、擴(kuò)散加權(quán)成像、表面擴(kuò)散系數(shù)成像等等。通過(guò)對(duì)醫(yī)學(xué)圖像的判別，有助于臨床醫(yī)生對(duì)疾病的了解。

目前，在疾病診療過(guò)程中，通常需要醫(yī)生反復(fù)查看腫瘤等目標(biāo)對(duì)象在醫(yī)學(xué)圖像上的征象，進(jìn)而得出腫瘤所屬類(lèi)型，因此對(duì)醫(yī)生依賴(lài)性很大，而且效率低下。

發(fā)明內(nèi)容

本申請(qǐng)至少提供一種圖像目標(biāo)分類(lèi)方法及相關(guān)裝置、設(shè)備、存儲(chǔ)介質(zhì)。

本申請(qǐng)第一方面提供了一種圖像目標(biāo)分類(lèi)方法，該圖像目標(biāo)分類(lèi)方法包括獲取包含目標(biāo)對(duì)象的至少一張待分類(lèi)圖像，其中，所述至少一張待分類(lèi)圖像為屬于至少一種掃描圖像類(lèi)別的醫(yī)學(xué)圖像；利用分類(lèi)模型對(duì)所述至少一張待分類(lèi)圖像進(jìn)行目標(biāo)分類(lèi)，得到所述目標(biāo)對(duì)象的類(lèi)型。

因此，獲取包含目標(biāo)對(duì)象的至少一張待分類(lèi)圖像后，利用分類(lèi)模型對(duì)至少一張待分類(lèi)圖像進(jìn)行目標(biāo)分類(lèi)，得到目標(biāo)對(duì)象的類(lèi)型，由于利用分類(lèi)模型對(duì)待分類(lèi)圖像進(jìn)行目標(biāo)分類(lèi)，實(shí)現(xiàn)了智能化目標(biāo)分類(lèi)，且無(wú)需人工進(jìn)行目標(biāo)分類(lèi)，可減小對(duì)人工依賴(lài)，提高目標(biāo)分類(lèi)效率。

其中，所述對(duì)所述至少一張待分類(lèi)圖像進(jìn)行目標(biāo)分類(lèi)，得到所述目標(biāo)對(duì)象的類(lèi)型，包括：對(duì)所述至少一張待分類(lèi)圖像進(jìn)行若干層特征提取，對(duì)應(yīng)得到若干組初始特征信息；其中，每組所述初始特征信息的尺寸不同；基于所述若干組初始特征信息中的至少一組初始特征信息，得到最終特征信息；對(duì)所述最終特征信息進(jìn)行分類(lèi)，得到所述目標(biāo)對(duì)象的類(lèi)型。

因此，通過(guò)特征提取得到初始特征信息，從而基于初始特征信息得到最終特征信息后，則可對(duì)最終特征信息進(jìn)行分類(lèi)，得到目標(biāo)對(duì)象的類(lèi)型，故實(shí)現(xiàn)了利用目標(biāo)對(duì)象的特征信息進(jìn)行目標(biāo)分類(lèi)。

其中，在所述利用分類(lèi)模型對(duì)所述至少一張待分類(lèi)圖像進(jìn)行目標(biāo)分類(lèi)，得到所述目標(biāo)對(duì)象的類(lèi)型之前，所述方法還包括：基于所述待分類(lèi)圖像中所述目標(biāo)對(duì)象對(duì)應(yīng)的初始區(qū)域，得到所述目標(biāo)對(duì)象的最終區(qū)域；所述對(duì)所述至少一張待分類(lèi)圖像進(jìn)行若干層特征提取，對(duì)應(yīng)得到若干組初始特征信息，包括：利用所述最終區(qū)域?qū)λ鲋辽僖粡埓诸?lèi)圖像進(jìn)行若干層特征提取，對(duì)應(yīng)得到若干組初始特征信息；其中，在特征提取過(guò)程中，所述待分類(lèi)圖像中對(duì)應(yīng)所述最終區(qū)域的權(quán)重高于所述待分類(lèi)圖像中其他區(qū)域的權(quán)重；和/或，所述初始特征信息中對(duì)應(yīng)所述最終區(qū)域的特征比其他區(qū)域的特征更豐富。

因此，利用最終區(qū)域?qū)Υ诸?lèi)圖像進(jìn)行特征提取時(shí)，待分類(lèi)圖像中對(duì)應(yīng)最終區(qū)域的權(quán)重高于待分類(lèi)圖像中其他區(qū)域的權(quán)重，故使得分類(lèi)模型趨向于對(duì)最終區(qū)域提取細(xì)節(jié)更豐富的特征；和/或，初始特征信息中對(duì)應(yīng)最終區(qū)域的特征比其他區(qū)域的特征更豐富；由此使得分類(lèi)模型利用待分類(lèi)圖像的初始特征信息，能夠更能學(xué)習(xí)到目標(biāo)對(duì)象本身的特征信息，在一定程度上減小目標(biāo)對(duì)象周?chē)肼暩蓴_對(duì)目標(biāo)分類(lèi)的影響。

其中，所述基于所述待分類(lèi)圖像中所述目標(biāo)對(duì)象對(duì)應(yīng)的初始區(qū)域，得到所述目標(biāo)對(duì)象的最終區(qū)域，包括：獲取所述至少一張待分類(lèi)圖像中所述目標(biāo)對(duì)象對(duì)應(yīng)的初始區(qū)域的并集，以作為所述目標(biāo)對(duì)象的最終區(qū)域。