一种图像处理模型的确定方法及其相关装置制造方法及图纸

本发明专利技术公开了一种图像处理模型的确定方法及其相关装置，首先，采用训练样本数据对深度学习卷积网络训练，得到初始的图像处理模型；之后，根据初始的图像处理模型确定训练样本数据中的稀有样本数据，并在训练样本数据中提升稀有样本数据的出现频率；最后，采用提升稀有样本数据的出现频率后的训练样本数据，对深度学习卷积网络重新训练，得到第一优化的图像处理模型。通过筛选出稀有样本数据并对其样本量进行扩充，使训练样本数据涵盖更多的数据变化条件，可以提高最后形成的图像处理模型对于稀有样本数据的分析精度。

【技术实现步骤摘要】
一种图像处理模型的确定方法及其相关装置
本专利技术涉及数据处理
，尤其涉及一种图像处理模型的确定方法及其相关装置。
技术介绍
近些年计算机视觉、机器学习和人工智能在图像处理领域，尤其是医学图像处理领域已取得令人瞩目的成果。其中，深度学习领域是机器学习领域中最新且有影响力的前沿领域。传统的医学图像处理方法需要人工选取特征，这不仅需要相关医学经验，还需要消耗人力资源，而拍照环境、光照、拍摄角度等因素都会对检测精度造成影响。与传统的方法相比，使用深度学习进行医学图像处理可以自动选取特征，深度学习网络在迭代过程中可以不断学习提取特征。深度学习在医学图像处理上的研究虽然不久，但近几年发展迅速，取得惊人的效果。随着深度学习研究的不断深入和发展，深度学习将会广泛地应用到医学图像分割领域，为医生提供决策支持。一般的基于深度学习的图像特征分析的基本方法和处理流程，如图1所示，包括以下主要步骤：1、数据预处理步骤：调整输入图像的维度，使之为诸如150*150的标准维度，接着对图像进行归一化(/255)，使图像中所有的像素值都在[0，1]。2、数据提升步骤：在深度学习的过程中，为了避免出现过拟合问题，通常需要输入充足的数据量，用已有的输入图像随机生成相似图像，具体简单地随机选择和平移已有的输入图像就能取得很大的数据提升。3、训练深度学习卷积网络(CNN)步骤：CNN的网络结构如下：卷积层(3*3)、激活层(激活函数为relu)、汇聚(Pooling)层；卷积层(2*2)、激活层(激活函数为relu)、Pooling层；卷积层(2*2)、激活层(激活函数为relu)、Pooling层；全连接层，激活层(激活函数为relu)；全连接层，激活层(激活函数为sigmoid)。采用上述训练CNN网络的过程经过大量实验和分析发现：训练集的常见样本(出现次数较多的样本)类似的照片基本不会被分类错误即分析精度较高，而训练数据集里的那些不长出现的样本即稀有样本容易被分类错误即分析精度较低。以眼前节图像为例，晶体混浊从晶状体中心部位即胚胎核位置开始出现密度增加，逐渐加重并缓慢向周围扩展，早期呈淡黄色，随着混浊加重，色泽渐加深如深黄色，深棕黄色。晶体混浊程度高的图像容易区分，但是晶体混浊程度轻的图像难以获得好的分类效果，即晶体混浊程度轻的图像为稀有样本。因此，如何提高图像处理模型对于稀有样本的分析精度，是急需解决的技术问题。
技术实现思路
有鉴于此，本专利技术实施例提供了一种图像处理模型的确定方法及其相关装置，用以解决现有的图像处理模型对于稀有样本的分析精度不高的问题。因此，本专利技术实施例提供了一种图像处理模型的确定方法，包括：采用训练样本数据对深度学习卷积网络训练，得到初始的图像处理模型；根据所述初始的图像处理模型确定所述训练样本数据中的稀有样本数据；在所述训练样本数据中提升所述稀有样本数据的出现频率；采用提升所述稀有样本数据的出现频率后的训练样本数据，对所述深度学习卷积网络重新训练，得到第一优化的图像处理模型。在一种可能实现的方式中，在本专利技术实施例提供的上述图像处理模型的确定方法中，还包括：根据所述第一优化的图像处理模型更新所述训练样本数据中的稀有样本数据；在所述训练样本数据中提升更新的所述稀有样本数据的出现频率；采用提升更新的所述稀有样本数据的出现频率后的训练样本数据，对所述深度学习卷积网络重新训练，得到第二优化的图像处理模型；直到更新的所述稀有样本数据与上次更新的所述稀有样本数据之差在预设范围内为止，确定得到最终优化图像处理模型。在一种可能实现的方式中，在本专利技术实施例提供的上述图像处理模型的确定方法中，根据图像处理模型确定所述训练样本数据中的稀有样本数据，具体包括：利用所述图像处理模型确定所述训练样本数据中各样本图像的概率值；根据确定出的各所述样本图像的概率值和各所述样本图像所包含的标签值，确定各所述样本图像经过所述图像处理模型后的误差值；根据各所述样本图像经过所述图像处理模型后的误差值，确定所述训练样本数据中的稀有样本数据。在一种可能实现的方式中，在本专利技术实施例提供的上述图像处理模型的确定方法中，所述根据各所述样本图像经过所述图像处理模型后的误差值，确定所述训练样本数据中的稀有样本数据，具体包括：对各所述样本图像经过所述图像处理模型后的误差值进行排序；将误差值大于预设值的各所述样本图像确定为所述训练样本数据中的稀有样本数据。在一种可能实现的方式中，在本专利技术实施例提供的上述图像处理模型的确定方法中，在所述训练样本数据中提升所述稀有样本数据的出现频率，具体包括：对所述稀有样本数据进行数据提升；将数据提升后的所述稀有样本数据加入至所述训练样本数据中。在一种可能实现的方式中，在本专利技术实施例提供的上述图像处理模型的确定方法中，采用训练样本数据对深度学习卷积网络训练，或，采用提升更新的所述稀有样本数据的出现频率后的训练样本数据，具体包括：对所述训练样本数据进行归一化预处理；对归一化处理后的训练样本数据进行数据提升；采用数据提升后的训练样本数据对深度学习卷积网络训练。在一种可能实现的方式中，在本专利技术实施例提供的上述图像处理模型的确定方法中，所述训练样本数据为眼前节图像的训练样本数据。另一方面，本专利技术实施例还提供了一种图像处理模型的确定装置，包括：训练样本数据模块，用于存储训练样本数据；训练模块，用于采用训练样本数据对深度学习卷积网络训练，得到初始的图像处理模型；确定模块，用于根据所述初始的图像处理模型确定所述训练样本数据中的稀有样本数据；更新模块，用于在所述训练样本数据中提升所述稀有样本数据的出现频率；所述训练模块，还用于采用提升所述稀有样本数据的出现频率后的训练样本数据，对所述深度学习卷积网络重新训练，得到第一优化的图像处理模型。在一种可能实现的方式中，在本专利技术实施例提供的上述图像处理模型的确定装置中：所述确定模块，还用于根据所述第一优化的图像处理模型更新所述训练样本数据中的稀有样本数据；所述更新模块，还用于在所述训练样本数据中提升更新的所述稀有样本数据的出现频率；所述训练模块，还用于采用提升更新的所述稀有样本数据的出现频率后的训练样本数据，对所述深度学习卷积网络重新训练，得到第二优化的图像处理模型；直到更新的所述稀有样本数据与上次更新的所述稀有样本数据之差在预设范围内为止，确定得到最终优化图像处理模型。在一种可能实现的方式中，在本专利技术实施例提供的上述图像处理模型的确定装置中，所述确定模块，具体包括：概率计算单元，用于利用所述图像处理模型确定所述训练样本数据中各样本图像的概率值；误差计算单元，用于根据确定出的各所述样本图像的概率值和各所述样本图像所包含的标签值，确定各所述样本图像经过所述图像处理模型后的误差值；稀有样本确定单元，用于根据各所述样本图像经过所述图像处理模型后的误差值，确定所述训练样本数据中的稀有样本数据。在一种可能实现的方式中，在本专利技术实施例提供的上述图像处理模型的确定装置中，所述误差计算单元，具体用于对各所述样本图像经过所述图像处理模型后的误差值进行排序；将误差值大于预设值的各所述样本图像确定为所述训练样本数据中的稀有样本数据。在一种可能实现的方式中，在本专利技术实施例提供的上述图像处理模型的确定装置中，所述更新模块，具体用于对本文档来自技高网...

【技术保护点】
1.一种图像处理模型的确定方法，其特征在于，包括：采用训练样本数据对深度学习卷积网络训练，得到初始的图像处理模型；根据所述初始的图像处理模型确定所述训练样本数据中的稀有样本数据；在所述训练样本数据中提升所述稀有样本数据的出现频率；采用提升所述稀有样本数据的出现频率后的训练样本数据，对所述深度学习卷积网络重新训练，得到第一优化的图像处理模型。

【技术特征摘要】
1.一种图像处理模型的确定方法，其特征在于，包括：采用训练样本数据对深度学习卷积网络训练，得到初始的图像处理模型；根据所述初始的图像处理模型确定所述训练样本数据中的稀有样本数据；在所述训练样本数据中提升所述稀有样本数据的出现频率；采用提升所述稀有样本数据的出现频率后的训练样本数据，对所述深度学习卷积网络重新训练，得到第一优化的图像处理模型。2.如权利要求1所述的确定方法，其特征在于，还包括：根据所述第一优化的图像处理模型更新所述训练样本数据中的稀有样本数据；在所述训练样本数据中提升更新的所述稀有样本数据的出现频率；采用提升更新的所述稀有样本数据的出现频率后的训练样本数据，对所述深度学习卷积网络重新训练，得到第二优化的图像处理模型；直到更新的所述稀有样本数据与上次更新的所述稀有样本数据之差在预设范围内为止，确定得到最终优化图像处理模型。3.如权利要求1或2所述的确定方法，其特征在于，根据图像处理模型确定所述训练样本数据中的稀有样本数据，具体包括：利用所述图像处理模型确定所述训练样本数据中各样本图像的概率值；根据确定出的各所述样本图像的概率值和各所述样本图像所包含的标签值，确定各所述样本图像经过所述图像处理模型后的误差值；根据各所述样本图像经过所述图像处理模型后的误差值，确定所述训练样本数据中的稀有样本数据。4.如权利要求3所述的确定方法，其特征在于，所述根据各所述样本图像经过所述图像处理模型后的误差值，确定所述训练样本数据中的稀有样本数据，具体包括：对各所述样本图像经过所述图像处理模型后的误差值进行排序；将误差值大于预设值的各所述样本图像确定为所述训练样本数据中的稀有样本数据。5.如权利要求1或2所述的确定方法，其特征在于，在所述训练样本数据中提升所述稀有样本数据的出现频率，具体包括：对所述稀有样本数据进行数据提升；将数据提升后的所述稀有样本数据加入至所述训练样本数据中。6.如权利要求1或2所述的确定方法，其特征在于，采用训练样本数据对深度学习卷积网络训练，或，采用提升更新的所述稀有样本数据的出现频率后的训练样本数据，具体包括：对所述训练样本数据进行归一化预处理；对归一化处理后的训练样本数据进行数据提升；采用数据提升后的训练样本数据对深度学习卷积网络训练。7.如权利要求1所述的确定方法，其特征在于，所述训练样本数据为眼前节图像的训练样本数据。8.一种图像处理模型的确定装置，其特征在于，包括：训练样本数据模块，用于存储训练样本数据；训练模块，用于采用训练样本数据对深度学习卷积网络训练，得到初始的图像处理模型；确定模块，用于根据所述初始的...

【专利技术属性】
技术研发人员：张志鹏，寿文卉，许利群，徐青青，
申请(专利权)人：中国移动通信有限公司研究院，中国移动通信集团公司，沈阳何氏眼科医院有限公司，
类型：发明
国别省市：北京,11