图像识别方法及装置制造方法及图纸

本发明专利技术是关于一种图像识别方法。该方法包括：获取三维成像图；通过特征提取模型分支对所述三维成像图进行处理，获得所述三维成像图的图像特征以及热度图，所述图像特征是用于指示所述三维成像图中的病源区域的特征；通过识别模型分支对所述图像特征以及所述热度图进行处理，获得所述三维成像图对应的疾病属性，所述疾病属性包括良性或者恶性；由于构建的热度图能够指示三维成像图的全局特性，能够携带的病理信息更多，因此基于热度图进行识别，能够提高图像识别的准确性。

Image recognition method and device

The present invention is about an image recognition method. The method comprises: acquiring 3D imaging model of the branch; 3D image processing through feature extraction, image feature of the 3D imaging and heat map, the image features are used to indicate the source region characteristics of 3D imaging in the graph; based on the image features and the heat map recognition model of branch processing, disease attributes obtain the 3D image corresponding to the attribute, including benign or malignant diseases; because the global characteristics of construction heat map to indicate the 3D image, to bring more information with pathology, therefore based on heat map recognition can improve the accuracy of image recognition.

【技术实现步骤摘要】
图像识别方法及装置
本专利技术实施例涉及机器学习
，特别涉及一种图像识别方法及装置。
技术介绍
随着机器学习算法的不断发展，机器学习算法在医疗领域的应用也越来越广泛，自动识别疾病的良恶性就是机器学习算法在医疗领域的一种具体应用。以肺癌为例，肺结节是一种病因未明的多系统多器官的肉芽肿性疾病，在相关技术中，通常通过肺结节的良恶性来识别肺癌的良恶性。具体的，在相关技术中，预先训练两个独立的机器学习模型，其中，第一个机器学习模型通过预先人工标注好肺结节的肺癌病灶区域的CT(ComputedTomography，电子计算机断层扫描)图样本进行学习获得，第二个机器学习模型通过预先人工标注好良恶性的肺结节的CT图样本进行学习获得。在识别肺癌的良恶性时，通过将患者的肺癌病灶区域的CT图输入第一个机器学习模型，以确定该CT图中的各个肺结节的位置，并根据肺结节的位置，从肺癌病灶区域的CT图中分割出各个肺结节的CT图，并将每个肺结节的CT图分别输入到第二个机器学习模型中，以确定各个肺结节的良恶性，最后根据各个肺结节的良恶性来判断肺癌的良恶性。由于肺结节并不包含患者肺部全部区域的病理信息，且人工标注肺结节的良恶性的误差较大，从而导致相关技术中训练出的模型的准确度不高，肺癌良恶性判断的准确性较低。
技术实现思路
本专利技术实施例提供了一种图像识别方法及装置，可以用于解决相关技术中训练出的模型的准确度不高，疾病良恶性判断的准确性较低的问题，技术方案如下：第一方面，提供了一种图像识别方法，所述方法包括：获取待识别的三维成像图；通过特征提取模型分支对所述三维成像图进行处理，获得所述三维成像图的图像特征以及热度图，所述图像特征是用于指示所述三维成像图中的病源区域的特征，所述热度图由所述特征提取模型分支根据所述图像特征构建生成，所述病源区域为引起疾病的病源所在的区域；通过识别模型分支对所述图像特征以及所述热度图进行处理，获得所述三维成像图对应的识别结果，所述识别结果中包含所述疾病的疾病属性，所述疾病属性包括良性或者恶性。第二方面，提供了一种图像识别装置，所述装置包括：第一获取模块，用于获取待识别的三维成像图，所述肺病的病灶区域为肺部产生病变的区域；第一处理模块，用于通过特征提取模型分支对所述三维成像图进行处理，获得所述三维成像图的图像特征以及热度图，所述图像特征是用于指示所述三维成像图中的病源区域的特征，所述热度图由所述特征提取模型分支根据所述图像特征构建生成，所述病源区域为引起疾病的病源所在的区域；第二处理模块，用于通过识别模型分支对所述图像特征以及所述热度图进行处理，获得所述三维成像图对应的识别结果，所述识别结果中包含所述疾病的疾病属性，所述疾病属性包括良性或者恶性。第三方面，提供了一种计算机设备，所述计算机设备包含处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如第一方面所述的图像识别方法。第四方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如第一方面所述的图像识别方法。本专利技术提供的技术方案可以包括以下有益效果：通过检测三维成像图中的病源区域来构建三维成像图的热度图，并基于构建的热度图和指示病源区域的属性特征来获得包含疾病的良恶性的识别结果，由于构建的热度图能够指示三维成像图的全局特性，能够携带的病理信息更多，因此基于热度图进行识别，能够提高图像识别的准确性。此外，由于不需要通过各个病源区域的良恶性来识别疾病的良恶性，也就不需要人工标注病源区域的良恶性，从而避免了病源区域人工标注准确性较低的问题，进一步提高识别准确性。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。图1是根据一示例性实施例示出的一种模型训练及图像识别框架图；图2是根据一示例性实施例示出的一种机器学习模型的模型架构图；图3是根据一示例性实施例示出的一种机器学习模型训练方法的流程图；图4是图3所示实施例涉及的一种模型训练流程示意图；图5是根据一示例性实施例示出的一种图像识别方法的流程图；图6是图5所示实施例涉及的一种图像识别流程示意图；图7是根据一示例性实施例示出的图像识别装置的结构方框图；图8是根据一示例性实施例示出的一种计算机设备的结构示意图；图9是根据一示例性实施例示出的一种计算机设备的结构示意图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本专利技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本专利技术的一些方面相一致的装置和方法的例子。本专利技术实施例提出了一种高效并且高准确率的识别疾病属性的方案，该方案能够通过对疾病的病灶区域的三维成像图进行识别处理，来帮助用户及其医生快速识别出疾病属性(比如良恶性)。为了便于理解，下面对本专利技术实施例涉及的几个名词进行解释。(1)病灶区域：通常指代机体上发生病变的部分区域，而肺病的病灶区域即为肺部产生病变的区域。比如，肺的一叶被结核菌破坏，那么这部分肺叶便是肺结核病的病灶区域；再比如，肺部的支气管粘膜上皮被癌细胞破坏，则支气管粘膜上皮对应的区域就是肺癌的病灶区域。(2)病源区域：病源指代引起疾病的症结。以肺癌为例，病源即指代肺结节，而病源区域指代引起疾病的病源所在的区域，针对肺癌来说，病源区域即指代在病灶区域内引起肺癌的肺结节所在的区域，又可将其称之为肺结节区域。其中，病源属性可分为良性或恶性。继续以病源为肺结节为例，则肺结节属性可分为良性和恶性。(3)三维成像图：通常是指对某个对象的三维空间成像。在本申请实施例中，三维成像图是指对患病器官的医学三维病理图像，该三维成像图可以由多个不同切片层的二维图像组成。具体比如，在本专利技术实施例中，该三维成像图可以是患者肺部的CT图或者核磁共振成像图等。可选的，该三维成像图既可以针对整个患病器官，也可仅针对患病器官的病灶区域。本专利技术实施例的方案包括模型训练阶段和识别阶段。图1是根据一示例性实施例示出的一种模型训练及图像识别框架图。如图1所示，在模型训练阶段，模型训练设备110通过预先标注好病源区域位置和疾病良恶性的疾病的病灶区域的三维成像图训练出端到端的机器学习模型，在识别阶段，识别设备120根据训练好的机器学习模型以及输入的病灶区域的三维成像图直接识别出疾病良恶性。其中，由于本专利技术实施例中只需要一个端到端的机器学习模型，相比于通过两个或者两个以上机器学习模型相互级联的方式，能够有效降低两个或者两个以上机器学习模型之间级联的累计误差，提高机器学习模型的准确性。其中，上述模型训练设备110和识别设备120可以是具有机器学习能力的计算机设备，比如，该计算机设备可以是个人电脑、服务器以及固定式医疗设备等固定式计算机设备，或者，该计算机设备也可以本文档来自技高网...

【技术保护点】
一种图像识别方法，其特征在于，所述方法包括：获取待识别的三维成像图；通过特征提取模型分支对所述三维成像图进行处理，获得所述三维成像图的图像特征以及热度图，所述图像特征是用于指示所述三维成像图中的病源区域的特征，所述热度图由所述特征提取模型分支根据所述图像特征构建生成，所述病源区域为引起疾病的病源所在的区域；通过识别模型分支对所述图像特征以及所述热度图进行识别处理，获得所述三维成像图对应的识别结果，所述识别结果中包含所述疾病的疾病属性，所述疾病属性包括良性或者恶性。

【技术特征摘要】
1.一种图像识别方法，其特征在于，所述方法包括：获取待识别的三维成像图；通过特征提取模型分支对所述三维成像图进行处理，获得所述三维成像图的图像特征以及热度图，所述图像特征是用于指示所述三维成像图中的病源区域的特征，所述热度图由所述特征提取模型分支根据所述图像特征构建生成，所述病源区域为引起疾病的病源所在的区域；通过识别模型分支对所述图像特征以及所述热度图进行识别处理，获得所述三维成像图对应的识别结果，所述识别结果中包含所述疾病的疾病属性，所述疾病属性包括良性或者恶性。2.根据权利要求1所述的方法，其特征在于，所述通过特征提取模型分支对所述三维成像图进行处理，获得所述三维成像图的图像特征以及根据所述图像特征构建的热度图，包括：通过所述特征提取模型分支对所述三维成像图进行处理，获得所述三维成像图的图像特征以及所述三维成像图与至少两个分辨率分别对应的热度图。3.根据权利要求1或2所述的方法，其特征在于，所述通过特征提取模型分支对所述三维成像图进行处理，获得所述三维成像图的图像特征以及根据所述图像特征构建的热度图，包括：将所述三维成像图分割为至少两个三维图像块；对于所述至少两个三维图像块中的每一个三维图像块，将所述三维图像块输入所述特征提取模型分支，获得所述三维图像块对应的子图像特征以及根据所述子图像特征构建的子热度图；将所述至少两个三维图像块各自对应的子图像特征组合成所述图像特征；将所述至少两个三维图像块各自对应的子热度图组合成所述热度图。4.根据权利要求2所述的方法，其特征在于，所述至少两个分辨率对应各自的权重，所述通过识别模型分支对所述图像特征以及所述热度图进行处理，获得所述三维成像图对应的识别结果，包括：对于所述三维成像图与至少两个分辨率分别对应的热度图中的每一个热度图，通过所述识别模型分支，将所述图像特征和所述热度图进行点乘，根据所述至少两个分辨率对应的各自的权重，对所述三维成像图与至少两个分辨率分别对应的热度图的点乘结果进行加权求和，并根据加权求和的结果获得所述三维成像图对应的识别结果。5.根据权利要求1至4任一所述的方法，其特征在于，所述方法还包括：在获取所述三维成像图之前，获取已标注有疾病属性和病源区域属性的三维成像图样本，所述病源区域属性包括所述三维成像图样本中的病源区域的坐标和尺寸；根据所述病源区域属性构建热度图样本；根据所述三维成像图样本和所述热度图样本进行模型训练，获得所述特征提取模型分支以及图像特征样本，所述图像特征样本是通过所述特征提取模型分支对所述三维成像图样本进行处理获得的图像特征；根据所述热度图样本、所述图像特征样本以及所述三维成像图样本对应的疾病属性进行模型训练，获得所述识别模型分支。6.根据权利要求5所述的方法，其特征在于，所述根据所述三维成像图样本和所述热度图样本进行模型训练，获得所述特征提取模型分支以及图像特征样本之前，还包括：对所述热度图样本进行正则化处理，获得正则化处理后的热度图样本；所述根据所述三维成像图样本和所述热度图样本进行模型训练，获得所述特征提取模型分支以及图像特征样本，包括：根据所述三维成像图样本和所述正则化处理后的热度图样本...

【专利技术属性】
技术研发人员：孙星，刘诗昆，郭晓威，
申请(专利权)人：腾讯科技深圳有限公司，腾讯云计算北京有限责任公司，
类型：发明
国别省市：广东,44