[發明專利]基于神經網絡的圖像分類方法、裝置、設備及介質

在審

• 申請號: 202310254543.5
• 申請日: 2023-03-10
• 公開（公告）號: CN116342941A
• 公開（公告）日: 2023-06-27
• 發明（設計）人: 鄭喜民;王穎妮;舒暢;陳又新
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06V10/40;G06V40/10;G06N3/0464;G06N3/08
• 代理公司: 深圳市明日今典知識產權代理事務所(普通合伙) 44343
• 代理人: 王杰輝;石良武

本申請涉及人工智能領域，具體涉及一種基于神經網絡的圖像分類方法、裝置、設備及介質，可應用于數字醫療，對醫學影像圖片中的病征進行分類識別；通過對樣本圖像進行顯著性映射，可以得到樣本圖像的特征圖像，從而根據特征圖像進行初步分類，并計算出初始分類結果的評分從而來確定分類結果的準確性，可以排除圖像背景或其他因素的影響，提供更加精確的分類結果，可以解決現有技術中使用的分類解釋結果方法，受醫學影像圖片的背景或其他相關醫學概念的影響較大，同時還是需要基于實例級別的標簽進行分類，分類效果不理想的問題。

技術領域

本申請涉及人工智能領域，具體涉及一種基于神經網絡的圖像分類方法、裝置、設備及介質。

背景技術

現代醫學中，醫學病灶、病征基本上都是基于病灶處的醫學影像圖像進行的診斷和定位的，對醫學影像圖片進行醫學分析和診斷需要非常豐富的專業知識和臨床經驗，然而，對醫學影像圖片進行實力級別的定位診斷需要耗費醫生大量的時間，且根據醫生的診斷結論對對應的醫學影像圖進行標注的成本也較高；而醫學疾病種類繁多，讓醫生為每一種疾病都提供實力級別的標注信息顯然是不現實的，因此，利用神經網絡對醫學影像圖片進行分類標注成為現代醫學的發展趨勢；

然而，目前的使用的分類解釋結果方法，受醫學影像圖片的背景或其他相關醫學概念的影響較大，同時還是需要基于實例級別的標簽進行分類，分類效果并不理想。

發明內容

本申請提供一種基于神經網絡的圖像分類方法、裝置、設備及介質，旨在解決現有技術中使用的分類解釋結果方法，受醫學影像圖片的背景或其他相關醫學概念的影響較大，同時還是需要基于實例級別的標簽進行分類，分類效果并不理想問題。

為了解決上述技術問題，第一方面，本申請提供了一種基于神經網絡的圖像分類方法，包括：

獲取樣本圖像；

對所述樣本圖像進行顯著性映射，得到特征圖像；

將特征圖像進行歸一化處理，得到所述特征圖像的初始分類結果；

將初始分類結果輸入到訓練好的神經網絡分類模型中，得到所述初始分類結果的分類評分；

當使所述分類評分大于預設值時，則將所述初始分類結果作為最終分類結果輸出。

優選的，所述對所述樣本圖像進行顯著性映射，得到特征圖像的步驟包括：

獲取所述樣本圖像與圖像類型對應的特征映射；

根據所述特征映射，并基于積分梯度算法生成顯著性映射關系；

根據所述顯著性映射關系對所述樣本圖像進行顯著性映射，得到特征圖像。

優選的，所述特征映射為：

Z∈i^D×H×W；

其中，Z為圖像的特征映射，i為圖像中的元素，D為神經元的個數；H為圖像高度方向上像素的個數；W為圖像寬度方向上像素的個數。

優選的，所述顯著性映射關系為：

其中，x為輸入圖像，為基準圖像，α為積分變量；取值范圍為[0,1]，Z為圖像的特征映射，f為非線性映射函數。

優選的，所述將特征圖像進行歸一化處理，得到所述特征圖像的初始分類結果的步驟包括：

基于聚合函數將所述顯著性映射沿所述特征圖像的通道維數進行聚合，得到聚合圖像；

將所述聚合圖像歸一化處理，得到所述初始分類結果；

其中，所述聚合函數為：

β＝║s0，s║。