一种确定分类标签的方法及装置制造方法及图纸

本发明专利技术实施例提供一种确定分类标签的方法及装置，所述方法包括：获取用于训练预设模型的样本图片；所述预设模型为根据异常特征的区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；所述异常特征包括隆起特征和/或指定颜色特征；对所有样本图片进行分类；其中，分类类型是基于所述异常特征进行划分的。所述装置执行上述方法。本发明专利技术实施例提供的确定分类标签的方法及装置，通过对用于训练预设模型的所有样本图片进行分类，且分类类型是基于异常特征进行划分的，能够提高样本图片的分类标签选择的合理性和准确度。

A Method and Device for Determining Classification Labels

【技术实现步骤摘要】
一种确定分类标签的方法及装置
本专利技术实施例涉及图片处理
，尤其涉及一种确定分类标签的方法及装置。
技术介绍
胶囊内镜具有无痛、无伤、拍摄图像信息量大等优点，具备广泛的应用价值。现有技术采用人工方式识别通过胶囊内镜拍摄的原始图片、并对原始图片进行分类，为了更加准确、高效地识别原始图片，需要构建模型，但是模型在使用之前通常需要进行训练，针对上述原始图片的训练样本(可以是样本图片)的选择、以及对样本图片的分类标签的确定，尚没有有效的方法。因此，如何避免上述缺陷，提高样本图片的分类标签选择的合理性和准确度，成为亟须解决的问题。
技术实现思路
针对现有技术存在的问题，本专利技术实施例提供一种确定分类标签的方法及装置。本专利技术实施例提供一种确定分类标签的方法，包括：获取用于训练预设模型的样本图片；所述预设模型为根据异常特征的区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；所述异常特征包括隆起特征和/或指定颜色特征；对所有样本图片进行分类；其中，分类类型是基于所述异常特征进行划分的。本专利技术实施例提供一种确定分类标签的装置，包括：获取单元，用于获取用于训练预设模型的样本图片；所述预设模型为根据异常特征的区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；所述异常特征包括隆起特征和/或指定颜色特征；分类单元，用于对所有样本图片进行分类；其中，分类类型是基于所述异常特征进行划分的。本专利技术实施例提供一种电子设备，包括：处理器、存储器和总线，其中，所述处理器和所述存储器通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：获取用于训练预设模型的样本图片；所述预设模型为根据异常特征的区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；所述异常特征包括隆起特征和/或指定颜色特征；对所有样本图片进行分类；其中，分类类型是基于所述异常特征进行划分的。本专利技术实施例提供一种非暂态计算机可读存储介质，包括：所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：获取用于训练预设模型的样本图片；所述预设模型为根据异常特征的区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；所述异常特征包括隆起特征和/或指定颜色特征；对所有样本图片进行分类；其中，分类类型是基于所述异常特征进行划分的。本专利技术实施例提供的确定分类标签的方法及装置，通过对用于训练预设模型的所有样本图片进行分类，且分类类型是基于异常特征进行划分的，能够提高样本图片的分类标签选择的合理性和准确度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术确定分类标签的方法实施例流程图；图2(a)～图2(h)均为本专利技术实施例拍摄的胃小区肿胀图片的截图；图3(a)～图3(h)均为本专利技术实施例拍摄的隆起型糜烂图片的截图；图4(a)～图4(h)均为本专利技术实施例拍摄的息肉图片的截图；图5(a)～图5(h)均为本专利技术实施例拍摄的黏膜下肿物图片的截图；图6(a)～图6(h)均为本专利技术实施例拍摄的血管隆起物图片的截图；图7(a)～图7(h)均为本专利技术实施例拍摄的弥漫性发红图片的截图；图8(a)～图8(h)均为本专利技术实施例拍摄的片状发红图片的截图；图9(a)～图9(h)均为本专利技术实施例拍摄的长条状发红图片的截图；图10(a)～图10(h)均为本专利技术实施例拍摄的溃疡图片的截图；图11(a)～图11(h)均为本专利技术实施例拍摄的黄色隆起物图片的截图；图12为本专利技术确定分类标签的装置实施例结构示意图；图13为本专利技术实施例提供的电子设备实体结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1为本专利技术确定分类标签的方法实施例流程图，如图1所示，本专利技术实施例提供的一种确定分类标签的方法，包括以下步骤：S101：获取用于训练预设模型的样本图片；所述预设模型为根据异常特征的区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；所述异常特征包括隆起特征和/或指定颜色特征。具体的，装置获取用于训练预设模型的样本图片；所述预设模型为根据异常特征的区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；所述异常特征包括隆起特征和/或指定颜色特征。需要说明的是：样本图片是从原始图片中选取到的包含有所述异常特征的图片，该原始图片是通过胶囊内镜拍摄的，对胶囊内镜的工作过程作如下说明：·胶囊内镜从口腔进入消化道，再从肛门自然排出体外。·胶囊内镜的电池续航力有限，其有效工作区间为口腔、食道、胃、十二指肠、小肠和大肠一部分。·胶囊内镜的每次活动都产生域内检查图片和域外检查图片。·域内检查图片是对消化道某一段所进行的拍摄结果。·域外检查图片是除了域内检查图片以外，胶囊内镜顺便拍到的图片。·全部图片均可自动识别，无需任何人工介入(包括图像预处理)。·识别图像后，将胶囊内镜拍摄的图片分为六个大类(125个小类)，自动保存于125个图片文件夹中，其中，六个大类可以为：第一大类：一类域外分类标签(10个类别)。第二大类：二类域外分类标签(13个类别)。第三大类：基于局部结构特征的第一目标图片分类标签(10个类别)。第四大类：洞状结构第一目标图片分类标签(8个类别)。第五大类：基于全局结构特征的第一目标图片分类标签(24个类别)。第六大类：第二目标图片(即异常特征图片)分类标签(56个类别)。·能够自动识别口腔、食道、胃、十二指肠、小肠和大肠等消化道的不同部位。每粒胶囊内镜每次可以拍摄的原始图片的数量可以为2000～3000张，即胶囊内镜获取到的图片集中的图片数量。可以从医院信息系统中导出、未经任何处理的胶囊内镜拍摄的原始图片(JPG格式)。即上述样本图片可以是上述的六个大类(125个小类)对应的所有图片，本专利技术实施例着重对上述第六大类进行说明。隆起特征(即凸起特征)可以包括肿胀、颗粒状物凸起。指定颜色特征可以包括红色、白色，不作具体限定。异常特征可以作为某些疾病诊断过程中的中间参考特征，仅仅依赖该异常特征还不足以诊断出疾病。预设模型可以先确定异常特征的区域面积的数值大小，将该数值与预设面积进行比较，如果该数值大于预设面积，则将对应的异常特征确定为面状异常特征；如果该数值小于预设面积，则将对应的异常特征确定为点状异常特征，预设面积可以根据实际情况自主设置，点状异常特征可以为息肉等，不作具体限定。面状异常特征可以为片状发红等，不作具体限定。该预设模型可以为卷积神经网络Resnet，即残差神经网络ResidualN本文档来自技高网...

【技术保护点】
1.一种确定分类标签的方法，其特征在于，包括：获取用于训练预设模型的样本图片；所述预设模型为根据异常特征的区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；所述异常特征包括隆起特征和/或指定颜色特征；对所有样本图片进行分类；其中，分类类型是基于所述异常特征进行划分的。

【技术特征摘要】
1.一种确定分类标签的方法，其特征在于，包括：获取用于训练预设模型的样本图片；所述预设模型为根据异常特征的区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；所述异常特征包括隆起特征和/或指定颜色特征；对所有样本图片进行分类；其中，分类类型是基于所述异常特征进行划分的。2.根据权利要求1所述的方法，其特征在于，基于所述隆起特征进行划分的分类类型，包括：胃小区肿胀、隆起型糜烂、息肉、黏膜下肿物、血管隆起物。3.根据权利要求2所述的方法，其特征在于，基于所述指定颜色特征进行划分的分类类型，包括：弥漫性发红、片状发红、长条状发红、溃疡。4.根据权利要求3所述的方法，其特征在于，基于所述隆起特征和指定颜色特征进行划分的分类类型，包括：黄色隆起物。5.根据权利要求1所述的方法，其特征在于，所述样本图片是从原始图片中选取到的包含有所述异常特征的图片。6.根据权利要求1所述的方法，其特征在于，所...

【专利技术属性】
技术研发人员：朱喻，
申请(专利权)人：广州思德医疗科技有限公司，
类型：发明
国别省市：广东,44