一种图像识别模型训练和图像识别方法、装置及系统制造方法及图纸

本申请涉及计算机技术领域，尤其涉及一种图像识别模型训练和图像识别方法、装置及系统，根据初始图像识别模型对各影像图像进行识别，分别获得各影像图像的预测病变类别，并根据各影像图像关联的影像报告，对预测病变类别进行判断，根据判断结果标注各影像图像的病变类别，根据标注后的各影像图像和初始训练图像样本集，迭代训练获得图像识别模型，进而可以基于训练的图像识别模型对待识别图像进行病变类别识别，可以确定出待识别图像的病变类别识别结果，这样，利用影像报告进行迭代训练，不需要增加额外标注成本，提高迭代速率，还可以随着不断迭代更新，提高识别准确性。

A method, device and system of image recognition model training and image recognition

【技术实现步骤摘要】
一种图像识别模型训练和图像识别方法、装置及系统
本申请涉及计算机
，尤其涉及一种图像识别模型训练和图像识别方法、装置及系统。
技术介绍
目前，内镜影像诊断系统中采用的训练方法，在迭代过程中所使用的都是预先标注的数据，需要大量的有标注的数据，而这些有标注的数据需要医生或者专家进行标注，成本较高，且耗时较长，针对此还未有相关解决方案。
技术实现思路
本申请实施例提供一种图像识别模型训练和图像识别方法、装置及系统，以提高病变识别的模型训练的迭代速率，降低成本。本申请实施例提供的具体技术方案如下：本申请一个实施例提供了一种图像识别方法，包括：获取待识别图像；提取所述待识别图像的图像特征信息；基于预先训练的图像识别模型，以所述待识别图像的图像特征信息为输入参数，获得所述待识别图像的病变类别识别结果，其中，所述图像识别模型为根据标注后的各影像图像和初始训练图像样本集进行迭代训练，以确定病变类别识别结果，所述标注后的各影像图像是基于初始图像识别模型和关联的影像报告对所述各影像图像进行病变类别标注后的获得的，所述初始图像识别模型是根据初始训练图像样本集训练获得的，所述初始训练图像样本为有病变类别标注的图像样本。本申请另一个实施例提供了一种图像识别模型训练方法，包括：获取各影像图像，根据初始图像识别模型对所述各影像图像进行识别，分别获得所述各影像图像的预测病变类别，其中，所述初始图像识别模型是根据初始训练图像样本集训练获得的，所述初始训练图像样本为有病变类别标注的图像样本；获取所述各影像图像关联的影像报告，并根据所述影像报告对所述各影像图像的预测病变类别进行判断，根据判断结果标注所述各影像图像的病变类别，其中，所述影像报告中包括影像图像对应的病变诊断结果的描述信息；根据标注后的各影像图像和所述初始训练图像样本集，迭代训练获得图像识别模型。本申请另一个实施例提供了一种图像识别系统，至少包括：图像采集设备、图像处理设备和输出设备，具体地：图像采集设备，用于获取待识别图像；处理设备，用于提取所述待识别图像的图像特征信息，基于预先训练的图像识别模型，以所述待识别图像的图像特征信息为输入参数，获得所述待识别图像的病变类别识别结果，其中，所述图像识别模型为根据标注后的各影像图像和初始训练图像样本集进行迭代训练，以确定病变类别识别结果，所述标注后的各影像图像是基于初始图像识别模型和关联的影像报告对所述各影像图像进行病变类别标注后的获得的，所述初始图像识别模型是根据初始训练图像样本集训练获得的，所述初始训练图像样本为有病变类别标注的图像样本；输出设备，用于输出所述待识别图像的病变类别识别结果。本申请另一个实施例提供了一种图像识别装置，包括：获取模块，用于获取待识别图像；提取模块，用于提取所述待识别图像的图像特征信息；识别模块，用于基于预先训练的图像识别模型，以所述待识别图像的图像特征信息为输入参数，获得所述待识别图像的病变类别识别结果，其中，所述图像识别模型为根据标注后的各影像图像和初始训练图像样本集进行迭代训练，以确定病变类别识别结果，所述标注后的各影像图像是基于初始图像识别模型和关联的影像报告对所述各影像图像进行病变类别标注后的获得的，所述初始图像识别模型是根据初始训练图像样本集训练获得的，所述初始训练图像样本为有病变类别标注的图像样本。本申请另一个实施例提供了一种图像识别模型训练装置，包括：获取模块，用于获取各影像图像，根据初始图像识别模型对所述各影像图像进行识别，分别获得所述各影像图像的预测病变类别，其中，所述初始图像识别模型是根据初始训练图像样本集训练获得的，所述初始训练图像样本为有病变类别标注的图像样本；处理模块，用于获取所述各影像图像关联的影像报告，并根据所述影像报告对所述各影像图像的预测病变类别进行判断，根据判断结果标注所述各影像图像的病变类别，其中，所述影像报告中包括影像图像对应的病变诊断结果的描述信息；迭代训练模块，用于根据标注后的各影像图像和所述初始训练图像样本集，迭代训练获得图像识别模型。本申请另一个实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一种图像识别模型训练方法或图像识别方法的步骤。本申请另一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种图像识别模型训练方法或图像识别方法的步骤。本申请实施例中，根据初始图像识别模型对各影像图像进行识别，分别获得各影像图像的预测病变类别，并根据各影像图像关联的影像报告，对预测病变类别进行判断，根据判断结果标注各影像图像的病变类别，根据标注后的各影像图像和初始训练图像样本集，迭代训练获得图像识别模型，这样，可以利用影像报告对图像识别模型进行迭代训练，不需要增加额外标注成本，降低成本，并且能够对图像识别模型进行快速迭代，提高效率，加快产品的升级速度，从而随着图像识别模型的不断迭代更新，还可以提高图像识别模型的准确性，进而基于训练的图像识别模型对待识别图像进行病变类别识别，可以确定出待识别图像的病变类别识别结果，提高识别准确性。附图说明图1为本申请实施例中图像识别模型训练及图像识别方法的应用架构示意图；图2为本申请实施例中图像识别方法流程图；图3为本申请实施例中图像识别模型训练方法流程图；图4为本申请实施例中训练时mini-batch的拼接结构示意图；图5为本申请实施例中图像识别模型训练方法原理图；图6为本申请实施例中训练初始化阶段分类深度网络的网络结构示意图；图7为本申请实施例中一种图像识别系统的结构示意图；图8为本申请实施例中图像识别装置结构示意图；图9为本申请实施例中图像识别模型训练装置结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，并不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。为便于对本申请实施例的理解，下面先对几个概念进行简单介绍：医疗影像视频：表示医疗诊断时扫描的影像视频，例如，内镜影像视频，包括各种消化道内镜、耳鼻喉等内镜影像视频。影像图像：本申请实施例中表示从医疗影像视频中提取出的一帧的图像，例如，消化道内镜图像，包括胃镜、肠镜的内窥镜采集到的图像。影像报告：为医生在进行内镜检查后会输出的检查报告，影像报告中包括病变诊断结果的描述信息。弱监督学习：表示一种利用弱于任务要求的标注信息的训练方法。人工智能(ArtificialIntelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，本文档来自技高网...

【技术保护点】
1.一种图像识别方法，其特征在于，包括：/n获取待识别图像；/n提取所述待识别图像的图像特征信息；/n基于预先训练的图像识别模型，以所述待识别图像的图像特征信息为输入参数，获得所述待识别图像的病变类别识别结果，其中，所述图像识别模型为根据标注后的各影像图像和初始训练图像样本集进行迭代训练，以确定病变类别识别结果，所述标注后的各影像图像是基于初始图像识别模型和关联的影像报告对所述各影像图像进行病变类别标注后的获得的，所述初始图像识别模型是根据初始训练图像样本集训练获得的，所述初始训练图像样本为有病变类别标注的图像样本。/n

【技术特征摘要】
1.一种图像识别方法，其特征在于，包括：
获取待识别图像；
提取所述待识别图像的图像特征信息；
基于预先训练的图像识别模型，以所述待识别图像的图像特征信息为输入参数，获得所述待识别图像的病变类别识别结果，其中，所述图像识别模型为根据标注后的各影像图像和初始训练图像样本集进行迭代训练，以确定病变类别识别结果，所述标注后的各影像图像是基于初始图像识别模型和关联的影像报告对所述各影像图像进行病变类别标注后的获得的，所述初始图像识别模型是根据初始训练图像样本集训练获得的，所述初始训练图像样本为有病变类别标注的图像样本。


2.如权利要求1所述的方法，其特征在于，所述图像识别模型的训练方式，包括：
获取各影像图像，根据初始图像识别模型对所述各影像图像进行识别，分别获得所述各影像图像的预测病变类别；
获取所述各影像图像关联的影像报告，并根据所述影像报告对所述各影像图像的预测病变类别进行判断，根据判断结果标注所述各影像图像的病变类别，其中，所述影像报告中包括影像图像对应的病变诊断结果的描述信息；
根据标注后的各影像图像和所述初始训练图像样本集，迭代训练获得图像识别模型。


3.如权利要求2所述的方法，其特征在于，根据所述影像报告对所述各影像图像的预测病变类别进行判断，根据判断结果标注所述各影像图像的病变类别，具体包括：
从所述影像报告中提取与病变类别关联的关键词；
根据提取出的关键词，确定所述各影像图像的病变诊断结果；
将所述各影像图像的病变诊断结果与预测病变类别进行比对，若确定一致，则将所述各影像图像的病变类别标记为所述预测病变类别，若确定不一致，则将所述各影像图像的病变类别标注为所述病变诊断结果表示的类别。


4.如权利要求2所述的方法，其特征在于，根据标注后的各影像图像和所述初始训练图像样本集，迭代训练获得图像识别模型，具体包括：
根据标注后的各影像图像和所述初始训练图像样本集，重新训练获得图像识别模型。


5.如权利要求2所述的方法，其特征在于，根据标注后的各影像图像和所述初始训练图像样本集，迭代训练获得图像识别模型，具体包括：
根据标注后的各影像图像和所述初始训练图像样本集，更新训练所述初始图像识别模型。


6.如权利要求4或5所述的方法，其特征在于，迭代训练获得图像识别模型之后，进一步包括：
获取测试图像样本集；
根据迭代训练后的图像识别模型，对所述测试图像样本集中各测试图像样本进行病变类别识别，根据识别结果，确定所述迭代训练后的图像识别模型的准确率；
若确定所述迭代训练后的图像识别模型的准确率大于所述初始图像识别模型的准确率，则将标注后的各影像图像和所述初始训练图像样本集合并，并作为下一次迭代训练的初始训练图像样本集，将迭代训练后的图像识别模型作为下一次迭代训练的初始图像识别模型；
若确定所述迭代训练后的图像识别模型的准确率不大于所述初始图像识别模型的准确率，则仍将所述初始训练图像样本集作为下一次迭代训练的初始训练图像样本集，并仍将所述初始图像识别模型作为下一次迭代训练的初始图像识别模型。


7.一种图像识别模型训练方法，其特征在于，包括：
获取各影像图像，根据初始图像识别模型对所述各影像图像进行识别，分别获得所述各影像图像的预测病变类别，其中，所述初始图像识别模型是根据初始训练图像样本集训练获得的...

【专利技术属性】
技术研发人员：郑瀚，尚鸿，孙钟前，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44