网络模型的训练方法及装置、识别方法及装置、电子设备制造方法及图纸

本申请公开了一种网络模型的训练方法及装置、识别方法及装置、电子设备。所述网络模型的训练方法包括：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影像学特征的征象类别。利用本申请实施例提供的网络模型的训练方法训练生成的网络模型，能够减少识别脑血肿的影像学特征的征象类别所花费的时间，同时提高识别脑血肿的影像学特征的征象类别的准确率和效率。

【技术实现步骤摘要】
网络模型的训练方法及装置、识别方法及装置、电子设备
本申请涉及图像处理
，具体涉及一种网络模型的训练方法及装置、识别方法及装置、电子设备。
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网络模型的训练方法及装置、识别方法及装置、电子设备，能够减少识别脑血肿的影像学特征的征象类别所花费的时间，同时提高识别脑血肿的影像学特征的征象类别的准确率和效率。根据本申请实施例的第一方面，提供了一种网络模型的训练方法，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影像学特征的征象类别。根据本申请实施例的第二方面，提供了一种识别方法，包括：获取包含脑部的血肿区域的图像；根据包含脑部的血肿区域的图像，通过网络模型，识别所述血肿区域的影像学特征的征象类别。根据本申请实施例的第三方面，提供了一种网络模型的训练装置，包括：第一获取模块，配置为获取包含脑部的血肿区域的样本图像；训练模块，配置为根据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影像学特征的征象类别。根据本申请实施例的第四方面，提供了一种识别装置，包括：第二获取模块，配置为获取包含脑部的血肿区域的图像；识别模块，配置为根据包含脑部的血肿区域的图像，通过网络模型，识别所述血肿区域的影像学特征的征象类别。根据本申请实施例的第五方面，提供了一种电子设备，包括：处理器，用于执行上述实施例所提及的网络模型的训练方法，或执行上述实施例所提及的识别方法；以及用于存储所述处理器可执行指令的存储器。根据本申请实施例的第六方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述实施例所提及的网络模型的训练方法，或执行上述实施例所提及的识别方法。本申请的实施例所提供的一种网络模型的训练方法，通过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影像学特征的征象类别。这样所获得的网络模型能够减少识别脑血肿的影像学特征的征象类别所花费的时间，同时提高识别脑血肿的影像学特征的征象类别的准确率和效率。附图说明通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。图1是本申请实施例所提供的一种实施环境的示意图。图2是本申请一个实施例提供的识别系统的框图。图3是本申请一个实施例提供的识别方法的流程示意图。图4是本申请另一个实施例提供的识别方法的流程示意图。图5是本申请一个实施例提供的网络模型的训练方法的流程示意图。图6是本申请另一个实施例提供的网络模型的训练方法的流程示意图。图7所示为本申请一个实施例提供的识别装置的框图。图8所示为本申请一个实施例提供的网络模型的训练装置的框图。图9所示为本申请一个实施例提供的电子设备的结构框图。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，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。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。申请概述CT(ComputedTomography)就是指电子计算机断层扫描，脑出血(cerebralhemorrhage)是指非外伤性脑实质内血管破裂引起的出血，占全部脑卒中的20％～30％，虽然在脑卒中患者中的比例不高，但是脑出血急性期病死率为30％～40％，大部分死亡发生在发病两周内，幸存者中多数留有不同程度的运动障碍、认知障碍、言语吞咽障碍等后遗症。CT平扫作为脑卒中检查的必备技术，除了鉴别缺血性脑卒中和出血性脑卒中之外，还有一些细微征象可以预测脑出血是否会扩大，对于治疗方案确定和预后判断都有帮助。深度学习通过建立具有阶层结构的人工神经网络，在计算系统中实现人工智能。由于阶层结构的人工神经网络能够对输入信息进行逐层提取和筛选，因此深度学习具有表征学习能力，可以实现端到端的监督学习和非监督学习。深度学习所使用的阶层结构的人工神经网络具有多种形态，其阶层的复杂度被通称为“深度”，按构筑类型，深度学习的形式包括多层感知器、卷积神经网络、循环神经网络、深度置信网络和其它混合构筑。深度学习使用数据对其构筑中的参数进行更新以达成训练目标，该过程被通称为“学习”，深度学习提出了一种让计算机自动学习出模式特征的方法，并将特征学习融入到了建立模型的过程中，从而减少了人为设计特征造成的不完备性。神经网络是一种运算模型，由大量的节点(或称神经元)之间相互连接构成，每个节点对应一个策略函数，每两个节点间的连接代表一个对于通过该连接信号的加权值，称之为权重。神经网络一般包括多个神经网络层，上下网络层之间相互级联，第i个神经网络层的输出与第i+1个神经网络层的输入相连，第i+1个神经网络层的输出与第i+2个神经网络层的输入相连，以此类推。训练样本输入级联的神经网络层后，通过每个神经网络层输出一个输出结果，该输出结果作为下一个神经网络层的输入，由此，通过多个神经网络层计算获得输出，比较输出层的输出的预测结果与真正的目标值，再根据预测结果与目标值之间的差异情况来调整每一层的权重矩阵和策略函数，神经网络利用训练样本不断地经过上述调整过程，使得神经网络的权重等参数得到调整，直到神经网络输出的预测结果与真正的目标结果相符，该过程就被称为神经网络的训练过程。神经网络经过训练后，可得到神经网络模型。三维神经网络主要运用在视频分类、动作识别等领域，它是在二维神经网络的基础上改变而来。由于二维神经网络不能很好的捕获时序上的信息，因此可以采用三维神经网络，这样就能将视频中时序信息进行很好的利用。对于多通道图像输入到二维神经网络中的情况(多通道图像可以指同一张图片的3个颜色通本文档来自技高网...

【技术保护点】
1.一种网络模型的训练方法，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影像学特征的征象类别。/n

【技术特征摘要】
1.一种网络模型的训练方法，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影像学特征的征象类别。


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，训练预设网络模型，以生成所述网络模型，包括：
根据所述包含脑部的血肿区域的样本图像，确定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，训练所述预设网络模型，以生成所述网络模型。


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，确定所述血肿区域的样本连通域，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。


4.根据权利要求2或3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，训练预设网络模型，以生成所述网络模型，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，训练所述预设网络模型，以生成所述网络模型。


5.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，训练预设网络模型，以生成所述网络模型，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，训练所述预设网络模型，以生成所述网络模型。


6.根据权利要求5所述的训练方法，其特征在于，还包括：
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进行下采样；
将经过下采样后的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进行堆叠组合，获得整合后的特征图。


7.根据权利要求6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...

【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