图像处理方法、装置、计算机设备及存储介质制造方法及图纸

本申请实施例公开了一种图像处理方法、装置、计算机设备及存储介质，属于计算机技术领域。该方法包括：从样本集中获取第一医学图像；按照第一医学图像中的目标区域的尺寸，对第一医学图像进行分割，以使第一医学图像分割得到的多个图像块中，包含目标区域的图像块的数量最小；交换多个图像块之间的位置，将交换位置后的多个图像块构成扰动医学图像；基于扰动医学图像和第一医学图像的状态标签，训练图像处理模型。基于该扰动医学图像与对应的状态标签来训练图像处理模型，不仅能够促使图像处理模型关注医学图像的局部信息，学习到细粒度的图像特征，还能够降低由于目标区域不完整所导致的误差，因此能够提高图像处理模型进行状态检测的准确率。

【技术实现步骤摘要】
图像处理方法、装置、计算机设备及存储介质
本申请实施例涉及计算机
，特别涉及一种图像处理方法、装置、计算机设备及存储介质。
技术介绍
随着图像处理技术的飞速发展，图像处理技术在医疗领域的应用越来越广泛。例如通过对医学图像进行状态检测，能够确定医学图像所属的状态，然后由医生根据医学图像所属的状态结合其他信息确定疾病的严重程度。相关技术中，使用深度学习模型来对医学图像进行状态检测。而训练深度学习模型时采用的样本集中包括不同状态的医学图像，但是由于不同医学图像的图像特征较为相似，导致深度学习模型根据图像特征进行状态检测的准确率不够高。
技术实现思路
本申请实施例提供了一种图像处理方法、装置、计算机设备及存储介质，能够提高状态检测的准确率。所述技术方案如下。一方面，提供了一种图像处理方法，所述方法包括：从样本集中获取第一医学图像，所述样本集包括多个医学图像和每个医学图像的状态标签，所述状态标签表示所述医学图像中的目标区域所属的状态；按照所述第一医学图像中的目标区域的尺寸，对所述第一医学图像进行分割，以使所述第一医学图像分割得到的多个图像块中，包含所述目标区域的图像块的数量最小；交换所述多个图像块之间的位置，将交换位置后的所述多个图像块构成扰动医学图像；基于所述扰动医学图像和所述第一医学图像的状态标签，训练图像处理模型，所述图像处理模型用于确定任一医学图像中的目标区域所属的状态。可选地，所述第二处理网络的数量为多个，所述调用所述第二处理网络，对所述任一医学图像进行状态检测，得到所述第三状态标签，包括：调用多个第二处理网络，分别对所述任一医学图像进行状态检测，得到多个第四状态标签；将得到的多个第四状态标签进行融合，得到所述第三状态标签。可选地，所述第四状态标签包括各个状态对应的概率，所述将得到的多个第四状态标签进行融合，得到所述第三状态标签，包括：将所述多个第四状态标签中相同状态对应的概率相加，将得到的每个状态对应的总概率构成所述第三状态标签。另一方面，提供了一种图像处理装置，所述装置包括：图像获取模块，用于从样本集中获取第一医学图像，所述样本集包括多个医学图像和每个医学图像的状态标签，所述状态标签表示所述医学图像中的目标区域所属的状态；图像扰动模块，用于按照所述第一医学图像中的目标区域的尺寸，对所述第一医学图像进行分割，以使所述第一医学图像分割得到的多个图像块中，包含所述目标区域的图像块的数量最小；所述图像扰动模块，还用于交换所述多个图像块之间的位置，将交换位置后的所述多个图像块构成扰动医学图像；模型训练模块，用于基于所述扰动医学图像和所述第一医学图像的状态标签，训练图像处理模型，所述图像处理模型用于确定任一医学图像中的目标区域所属的状态。可选地，所述图像扰动模块，包括：长宽确定单元，用于确定所述第一医学图像的第一长度和第一宽度，以及所述第一医学图像中的目标区域的第二长度和第二宽度；取整单元，用于对所述第一长度与所述第二长度之间的比值进行取整得到M；所述取整单元，还用于对所述第一宽度与所述第二宽度之间的比值进行取整得到N；图像分割单元，用于将所述第一医学图像在水平方向上分割成所述M份，在竖直方向上分割成所述N份，得到M*N个图像块。可选地，所述状态标签为状态级别标签，所述状态级别标签用于表示所述医学图像中的目标区域所属的状态级别。可选地，所述图像获取模块，还用于从所述样本集中获取第二医学图像；所述模型训练模块，包括：模型训练单元，用于基于所述扰动医学图像、所述第一医学图像的状态标签、所述第二医学图像和所述第二医学图像的状态标签，训练所述图像处理模型。可选地，所述模型训练单元，用于：调用所述图像处理模型，分别对所述扰动医学图像和所述第二医学图像进行状态检测，得到第一状态标签和第二状态标签；基于所述第一医学图像的状态标签与所述第一状态标签之间的第一误差参数，以及所述第二医学图像的状态标签与所述第二状态标签之间的第二误差参数，训练所述图像处理模型。可选地，所述图像处理模型包括第一处理网络，所述第一处理网络包括目标编码层、第一编码层和第一分类层，所述模型训练单元，用于：调用所述目标编码层，对所述扰动医学图像进行特征提取，得到第一图像特征；调用所述第一编码层，对所述第一图像特征进行特征提取，得到第二图像特征；调用所述第一分类层，对所述第二图像特征进行分类，得到所述第一状态标签。可选地，所述第一处理网络还包括解码层，所述图像扰动模块，还用于对所述第一医学图像中的目标区域进行扰动处理，得到扰动目标图像；所述模型训练单元，还用于：调用所述目标编码层，对所述扰动目标图像进行特征提取，得到第三图像特征；调用所述第一编码层，对所述第三图像特征进行特征提取，得到第四图像特征；调用所述解码层，对所述第四图像特征进行解码，得到预测医学图像；基于所述第一误差参数、所述第二误差参数以及所述扰动目标图像与所述预测医学图像之间的第三误差参数，训练所述图像处理模型。可选地，所述图像处理模型还包括至少一个第二处理网络，所述第二处理网络包括所述目标编码层、第二编码层和第二分类层，所述模型训练单元，用于：调用所述目标编码层，对所述第二医学图像进行特征提取，得到第五图像特征；调用所述第二编码层，对所述第五图像特征进行特征提取，得到第六图像特征；调用所述第二分类层，对所述第六图像特征进行分类，得到所述第二状态标签。可选地，所述第二医学图像的数量为多个，所述图像获取模块，包括：第一获取单元，用于随机从所述样本集中获取所述第二医学图像；第二获取单元，用于确定所述样本集中每个状态对应的采样概率，所述状态对应的采样概率与所述状态的医学图像在所述样本集中的数量占比负相关；所述第二获取单元，还用于按照每个状态对应的采样概率从所述样本集中获取所述第二医学图像。可选地，所述图像处理模型包括两个所述第二处理网络，其中一个所述第二处理网络用于对随机从所述样本集中获取的第二医学图像进行状态检测，另一个所述第二处理网络用于对按照每个级别对应的采样概率从所述样本集中获取的第二医学图像进行状态检测。可选地，所述第二状态标签的数量为两个，其中一个所述第二状态标签是对随机从所述样本集中获取的第二医学图像进行状态检测所得到的，另一个所述第二状态标签是对按照每个级别对应的采样概率从所述样本集中获取的第二医学图像进行状态检测所得到的；所述第二误差参数包括随机从所述样本集中获取的第二医学图像的状态标签与对应的所述第二状态标签之间的第一误差子参数，以及按照每个级别对应的采样概率从所述样本集中获取的第二医学图像的状态标签与对应的所述第二状态标签之间的第二误差子参数；所述模型训练单元，用于：基于所述第一误差子参数的权重以及所述第二误本文档来自技高网...

【技术保护点】
1.一种图像处理方法，其特征在于，所述方法包括：/n从样本集中获取第一医学图像，所述样本集包括多个医学图像和每个医学图像的状态标签，所述状态标签表示所述医学图像中的目标区域所属的状态；/n按照所述第一医学图像中的目标区域的尺寸，对所述第一医学图像进行分割，以使所述第一医学图像分割得到的多个图像块中，包含所述目标区域的图像块的数量最小；/n交换所述多个图像块之间的位置，将交换位置后的所述多个图像块构成扰动医学图像；/n基于所述扰动医学图像和所述第一医学图像的状态标签，训练图像处理模型，所述图像处理模型用于确定任一医学图像中的目标区域所属的状态。/n

【技术特征摘要】
1.一种图像处理方法，其特征在于，所述方法包括：
从样本集中获取第一医学图像，所述样本集包括多个医学图像和每个医学图像的状态标签，所述状态标签表示所述医学图像中的目标区域所属的状态；
按照所述第一医学图像中的目标区域的尺寸，对所述第一医学图像进行分割，以使所述第一医学图像分割得到的多个图像块中，包含所述目标区域的图像块的数量最小；
交换所述多个图像块之间的位置，将交换位置后的所述多个图像块构成扰动医学图像；
基于所述扰动医学图像和所述第一医学图像的状态标签，训练图像处理模型，所述图像处理模型用于确定任一医学图像中的目标区域所属的状态。


2.根据权利要求1所述的方法，其特征在于，所述按照所述第一医学图像中的目标区域的尺寸，对所述第一医学图像进行分割，以使所述第一医学图像分割得到的多个图像块中，包含所述目标区域的图像块的数量最小，包括：
确定所述第一医学图像的第一长度和第一宽度，以及所述第一医学图像中的目标区域的第二长度和第二宽度；
对所述第一长度与所述第二长度之间的比值进行取整得到M；
对所述第一宽度与所述第二宽度之间的比值进行取整得到N；
将所述第一医学图像在水平方向上分割成所述M份，在竖直方向上分割成所述N份，得到M*N个图像块。


3.根据权利要求1所述的方法，其特征在于，所述状态标签为状态级别标签，所述状态级别标签用于表示所述医学图像中的目标区域所属的状态级别。


4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
从所述样本集中获取第二医学图像；
所述基于所述扰动医学图像和所述第一医学图像的状态标签，训练图像处理模型，包括：
基于所述扰动医学图像、所述第一医学图像的状态标签、所述第二医学图像和所述第二医学图像的状态标签，训练所述图像处理模型。


5.根据权利要求4所述的方法，其特征在于，所述基于所述扰动医学图像、所述第一医学图像的状态标签、所述第二医学图像和所述第二医学图像的状态标签，训练所述图像处理模型，包括：
调用所述图像处理模型，分别对所述扰动医学图像和所述第二医学图像进行状态检测，得到第一状态标签和第二状态标签；
基于所述第一医学图像的状态标签与所述第一状态标签之间的第一误差参数，以及所述第二医学图像的状态标签与所述第二状态标签之间的第二误差参数，训练所述图像处理模型。


6.根据权利要求5所述的方法，其特征在于，所述图像处理模型包括第一处理网络，所述第一处理网络包括目标编码层、第一编码层和第一分类层，所述调用所述图像处理模型，分别对所述扰动医学图像和所述第二医学图像进行状态检测，得到第一状态标签和第二状态标签，包括：
调用所述目标编码层，对所述扰动医学图像进行特征提取，得到第一图像特征；
调用所述第一编码层，对所述第一图像特征进行特征提取，得到第二图像特征；
调用所述第一分类层，对所述第二图像特征进行分类，得到所述第一状态标签。


7.根据权利要求6所述的方法，其特征在于，所述第一处理网络还包括解码层，所述方法还包括：
对所述第一医学图像中的目标区域进行扰动处理，得到扰动目标图像；
调用所述目标编码层，对所述扰动目标图像进行特征提取，得到第三图像特征；
调用所述第一编码层，对所述第三图像特征进行特征提取，得到第四图像特征；
调用所述解码层，对所述第四图像特征进行解码，得到预测医学图像；
所述基于所述扰动医学图像的状态标签与所述第一状态标签之间的第一误差参数，以及所述第二医学图像的状态标签与所述第二状态标签之间的第二误差参数，训练所述图像处理模型，包括：
基于所述第一误差参数、所述第二误差参数以及所述扰动目标图像与所述预测医学图像之间的第三误差参数，训练所述图像处理模型。


8.根据权利要求6所述的方法，其特征在于，所述图像处理模型还包括至少一个第二处理网络，所述第二处理网络包括所述目标编码层、第二编码层和第二分类层，所述调用所述图像处理模型，分别对所述扰动医学图像和所述第二医学图像进行状态检测，得到第一状态标签和第二状态标签，包括：
调用所述目标编码层，对所述第二医学图像进行特征提取，得到第五图像特征；...

【专利技术属性】
技术研发人员：李悦翔，林一，马锴，郑冶枫，
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