图像检测模型的生成方法及装置、应用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图像检测模型的生成方法及装置、应用方法及装置。本发明专利技术实施例中，通过设置深度学习网络模型，深度学习网络模型包括降维网络和密度估计网络，降维网络包括降维子网络和重建子网络，重建子网络的输入为降维子网络输出的低维特征，密度估计网络的输入为根据降维网络产生的关联参数生成的数据，以及设置深度学习网络模型的初始参数值，获取若干幅样本图像，利用样本图像对深度学习网络模型进行训练，得到图像检测模型，结合相互关联的降维网络和密度估计网络两种方式共同检测，提高了异常图像的检测准确率。

Generation method and device, application method and device of image detection model

【技术实现步骤摘要】
图像检测模型的生成方法及装置、应用方法及装置
本专利技术涉及图像处理
，尤其涉及一种图像检测模型的生成方法及装置、应用方法及装置。
技术介绍
随着医学影像技术的不断进步，临床医学图像的质量和数量也在不断的提高。如果在扫描时不能实时检测出质量不符合要求的医学图像，就需要对受检者重新扫描，浪费受检者的时间。因此，对于医学图像的异常检测尤其是对数据量大的高维医学图像的异常检测十分重要。相关技术中，利用重建误差对图像进行检测。其依据是：正常图像的重建误差小，异常图像的重建误差大。相关技术的检测过程是：对待检测图像进行降维处理，得到低维特征，利用低维特征进行图像重建，得到重建图像，根据重建图像与待检测图像求出重建误差，基于重建误差的大小确定待检测图像是否为异常图像。这种技术对于较复杂的待检测图像或者降维算法的复杂度较高时，容易发生异常图像的重建误差也很低的情况，导致检测准确率降低。
技术实现思路
为克服相关技术中存在的问题，本专利技术提供了一种图像检测模型的生成方法及装置、应用方法及装置，提高异常图像的检测准确率本文档来自技高网...

【技术保护点】
1.一种图像检测模型的生成方法，其特征在于，所述方法包括：/n设置深度学习网络模型，所述深度学习网络模型包括降维网络和密度估计网络，所述降维网络包括降维子网络和重建子网络，所述重建子网络的输入为所述降维子网络输出的低维特征，所述密度估计网络的输入为根据所述降维网络产生的关联参数生成的数据；以及设置所述深度学习网络模型的初始参数值；/n获取样本图像集，所述样本图像集中包括多幅样本图像；/n利用所述样本图像对所述深度学习网络模型进行训练，得到训练完毕的深度学习网络模型，以所述训练完毕的深度学习网络模型作为图像检测模型。/n

【技术特征摘要】
1.一种图像检测模型的生成方法，其特征在于，所述方法包括：
设置深度学习网络模型，所述深度学习网络模型包括降维网络和密度估计网络，所述降维网络包括降维子网络和重建子网络，所述重建子网络的输入为所述降维子网络输出的低维特征，所述密度估计网络的输入为根据所述降维网络产生的关联参数生成的数据；以及设置所述深度学习网络模型的初始参数值；
获取样本图像集，所述样本图像集中包括多幅样本图像；
利用所述样本图像对所述深度学习网络模型进行训练，得到训练完毕的深度学习网络模型，以所述训练完毕的深度学习网络模型作为图像检测模型。


2.根据权利要求1所述的方法，其特征在于，
利用所述样本图像对所述深度学习网络模型进行训练，得到训练完毕的深度学习网络模型，包括：
从样本图像集中选取若干组样本图像；第1组样本图像对应的深度学习网络模型的参数值为所述初始参数值，第j组样本图像对应的深度学习网络模型的参数值为经第j-1组样本图像训练后调整的参数值，j为自然数，且j≥2；对于每组样本图像，执行如下操作：
对于该组样本图像中的每一幅样本图像，将该样本图像输入该组样本图像对应的深度学习网络模型，获得所述深度学习网络模型中降维网络输出的重建图像和密度估计网络输出的概率值；根据所述重建图像和所述概率值，确定所述深度学习网络模型的损失函数的函数值，作为该样本图像对应的损失函数值；
获取该组样本图像中样本图像的损失函数值的平均值，并根据所述平均值调整所述深度学习网络模型的各参数值；
若满足预设的训练停止条件，停止训练，以该组样本图像训练后调整的参数值作为训练完毕的深度学习网络模型的参数值。


3.根据权利要求2所述的方法，其特征在于，将该样本图像输入该组样本图像对应的深度学习网络模型，获得所述深度学习网络模型中降维网络输出的重建图像，包括：
将该样本图像输入该组样本图像对应的深度学习网络模型，获取降维子网络输出的第一低维特征；
将所述第一低维特征输入该组样本图像对应的深度学习网络模型中的重建子网络，获取所述重建子网络输出的重建图像。


4.根据权利要求2所述的方法，其特征在于，将该样本图像输入该组样本图像对应的深度学习网络模型，获得所述深度学习网络模型中密度估计网络输出的概率值，包括：
将该样本图像输入该组样本图像对应的深度学习网络模型，获取降维子网络输出的第一低维特征；
根据所述第一低维特征，确定关联参数值，所述关联参数值为所述关联参数的参数值；
根据所述关联参数值，确定所述密度估计网络的输入数据；
将所述输入数据输入所述密度估计网络，得到密度估计网络输出的概率值。


5.根据权利要求4所述的方法，其特征在于，所述关联参数包括第一低维特征集合中的至少一个元素，所述第一低维特征集合中的每个元素均是根据所述第一低维特征生成的；
根据所述第一低维特征，确定关联参数值，包括：
获取关联参数与所述第一低维特征的第一对应关系；
根据所述第一对应关系和所述第一低维特征，确定关联参数值。


6.根据权利要求4所述的方法，其特征在于，所述关联参数值包括重建误差集合中的至少一个元素，所述重建误差集合中的每个元素均是根据所述重建误差生成的；
根据所述第一低维特征，确定关联参数值，包括：
将所述第一低维特征输入该组样本图像对应的深度学习网络模型，获取重建子网络输出的重建图像；
根据所述重建图像和所述样本图像，确定重建误差值；
获取关联参数与重建误差的第二对应关系；
根据所述第二对应关系和所述重建误差值，确定关联参数值。


7.根据权利要求4所述的方法，其特征在于，所述关联参数包括低维特征误差集合中的至少一个元素，所述低维特征误差集合中的每个元素均是根据所述低维特征误差生成的；
根据所述第一低维特征，确定关联参数值，包括：
将所述第一低维特征输入该组样本图像对应的深度学习网络模型，获取重建子网络输出的重建图像；
将所述重建图像输入该组样本图像对应的深度学习网络模型，获得降维子网络输出的第二低维特征；
根据所述第二低维特征和所述第一低维特征，确定低维特征误差值；
获取关联参数与低维特征误差的第三对应关系；
根据所述第三对应关系和所述低维特征误差值，确定关联参数值。


8.根据权利要求4所述...

【专利技术属性】
技术研发人员：杨越淇，韩冬，
申请(专利权)人：沈阳先进医疗设备技术孵化中心有限公司，
类型：发明
国别省市：辽宁;21