【技术实现步骤摘要】
分类模型、网络模型的训练方法及装置、识别方法及装置
本申请涉及图像处理
，具体涉及一种分类模型、网络模型的训练方法及装置、识别方法及装置。
技术介绍
脑出血指由血管破裂引发的脑内出血，医学上所指的脑出血主要是自发性的非外伤性脑出血，即自发性脑出血，自发性脑出血通常是由高血压、高血糖、高血脂和抽烟等因素引起的。该疾病发病突然，病情凶险，治疗费用、复发率、致残率和死亡率都很高，超过40％的脑出血患者会在一个月内死亡，幸存的患者中80％的需要依靠他人的护理而活着。CT是脑出血检查的主要方式，在CT图像中识别易扩张性血肿主要根据血肿扩大的CT影像学征象，但是目前对征象的判断受限于人的经验水平。同时，脑出血是十分紧迫的发病症状，需要在尽量短的时间内做出判断，如果判定是否血肿扩大不够及时的话，这可能会导致患者病情恶化甚至死亡。
技术实现思路
有鉴于此，本申请的实施例致力于提供一种分类模型、网络模型的训练方法及装置、识别方法及装置，能够减少识别血肿是否易扩大所花费的时间，同时提高识别血肿是否易扩大的准确率...
【技术保护点】
1.一种分类模型的训练方法，其特征在于，包括：/n获取包含脑部的血肿区域的样本图像；/n根据所述包含脑部的血肿区域的样本图像，训练预设分类模型，以生成所述分类模型，所述分类模型用于确定所述血肿区域的征象类别。/n
【技术特征摘要】
1.一种分类模型的训练方法，其特征在于，包括：
获取包含脑部的血肿区域的样本图像；
根据所述包含脑部的血肿区域的样本图像，训练预设分类模型，以生成所述分类模型，所述分类模型用于确定所述血肿区域的征象类别。
2.根据权利要求1所述的训练方法，其特征在于，所述根据所述包含脑部的血肿区域的样本图像，训练预设分类模型，以生成所述分类模型，包括：
将所述包含脑部的血肿区域的样本图像进行第一形态学处理，获得分割后的血肿区域的样本图像；
将所述分割后的血肿区域的样本图像进行连通域提取，获得所述血肿区域的样本连通域；
根据所述血肿区域的样本连通域，训练所述预设分类模型，以生成所述分类模型。
3.根据权利要求2所述的训练方法，其特征在于，所述根据所述包含脑部的血肿区域的样本图像，训练预设分类模型，以生成所述分类模型，包括：
根据所述血肿区域的样本连通域和所述脑部的样本图像，训练所述预设分类模型，以生成所述分类模型。
4.根据权利要求2或3所述的训练方法，其特征在于，还包括：
对所述血肿区域的样本连通域进行第二形态学处理，获得所述血肿区域的样本孔洞填充连通域，
其中，所述根据所述包含脑部的血肿区域的样本图像，训练预设分类模型，以生成所述分类模型，包括：
根据所述血肿区域的样本连通域、所述脑部的样本图像和所述血肿区域的样本孔洞填充连通域，训练所述预设分类模型，以生成所述分类模型。
5.根据权利要求4所述的训练方法，其特征在于，还包括：
确定对所述包含脑部的血肿区域的样本图像进行标记后获得的所述血肿区域的第一征象类别数据，
其中，所述根据所述包含脑部的血肿区域的样本图像，训练预设分类模型，以生成所述分类模型，包括：
将所述血肿区域的样本连通域、所述脑部的样本图像和所述血肿区域的样本孔洞填充连通域输入至所述预设分类模型，得到与所述第一征象类别数据对应的所述血肿区域的第二征象类别数据；
基于所述第一征象类别数据和所述第二征象类别数据，调整所述预设分类模型；
迭代执行上述步骤，获得训练完成后的所述分类模型。
6.一种网络模型的训练方法，其特征在于，包括：
根据包含脑部的血肿区域的样本图像，通过分类模型，确定所述血肿区域的征象类别的第一分类结果；
根据所述第一分类结果和所述包含脑部的血肿区域的样本图像，训练预设网络模型，以生成所述网络模型，所述网络模型用于识别所述血肿区域的易扩张性。
7.根据权利要求6所述的训练方法，其特征在于，所述根据所述第一分类结果和所述包含脑部的血肿区域的样本图像，训练预设网络模型，以生成所述网络模型，包括：
根据所述第一分类结果、所述包含脑部的血肿区域的样本图像和所述脑部的样本图像，训练所述预设网络模型，以生成所述网络模型。
<...
【专利技术属性】
技术研发人员：陈伟导，吴双，宋晓媛，于荣震，李萌，王丹，赵朝炜，夏晨，张荣国，李新阳，王少康，陈宽，
申请(专利权)人：北京推想科技有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。