本发明专利技术涉及数字医疗技术领域，提供了一种基于神经网络模型的图片识别方法、装置、设备及介质，其中，方法包括：获取预训练的医疗图片识别模型；从所述预训练的医疗图片识别模型中提取卷积核；对所述卷积核进行平滑操作，直至所述预训练的医疗图片识别模型满足预设训练要求，得到目标医疗图片识别模型；基于目标医疗图片识别模型对医疗图片进行识别。本发明专利技术的有益效果：实现了抑制医疗图片中的高频成分，神经网络模型将更多的通过低频信息来做出预测，从而提高了模型的泛化能力和数据分析能力，进而提高了医疗诊断的识别精度，应用于医疗诊断的领域，提高了医疗照片的分析效率。提高了医疗照片的分析效率。提高了医疗照片的分析效率。
【技术实现步骤摘要】
基于神经网络模型的图片识别方法、装置、设备及介质
[0001]本专利技术涉及数字医疗领域，特别涉及一种基于神经网络模型的图片识别方法、装置、设备及介质。
技术介绍
[0002]深度学习在各种任务的预测方面都取得了优秀的表现，但其泛化能力却依然有限。通过增加标注的训练数据可以有效地提高神经网络模型的泛化能力，但这需要消耗大量的资源和人力，并且当面临记忆标签打乱或者对抗性扰动的情况，神经网络模型的表现会变得非常差，导致图片识别能力也比较差。尤其对于医疗任务而言，每一个决策可能都和患者的生命健康密切相关，如果模型的泛化能力很差，那么训练得到的神经网络模型无法完成医疗机构的识别任务，因此提高医疗AI(Artificial Intelligenc，人工智能)的泛化能力尤为重要。
技术实现思路
[0003]本专利技术的主要目的为提供一种基于神经网络模型的图片识别方法、装置、设备及介质，旨在解决传统神经网络模型泛化性比较差，不能的问题。
[0004]本专利技术提供了一种基于神经网络模型的图片识别方法包括：
[0005]获取预训练的医疗图片识别模型；其中所述预训练的医疗图片识别模型为神经网络模型；
[0006]从所述预训练的医疗图片识别模型中提取卷积核；
[0007]对所述卷积核进行平滑操作，直至所述预训练的医疗图片识别模型满足预设训练要求，得到目标医疗图片识别模型；
[0008]基于目标医疗图片识别模型对医疗图片进行识别。
[0009]进一步地，所述对所述卷积核进行平滑操作，直至所述预训练的医疗图片识别模型满足预设训练要求，得到目标医疗图片识别模型的步骤，包括：
[0010]获取所述卷积核中各个像素点的数值；
[0011]通过平滑公式进行平滑，其中，所述平滑公式为：通过平滑公式进行平滑，其中，所述平滑公式为：表示第l+1次平滑后的卷积核，ω
i，j
(l)表示第l次平滑后的卷积核，ω
h，k
表示行为h，列为k处的像素点，N
k
(i，j)表示像素点ω
h，k
的空间邻域所对应的像素点集合，p表示预设的平滑参数，h和k分别表示在卷积核对应像素点的横坐标以及纵坐标，i和j分别表示在卷积核对应像素点的横坐标以及纵坐标；
[0012]将第l+1次平滑后的卷积核输入至所述预训练的医疗图片识别模型中，得到第一暂时医疗图片识别模型，并计算损失值l
k+1
；
[0013]判断损失值l
k+1
是否小于预设值；
[0014]若所述损失值l
k+1
小于预设值，则将所述第一暂时医疗图片识别模型记为目标医
疗图片识别模型。
[0015]进一步地，所述判断损失值l
k+1
是否小于预设值的步骤之后，还包括：
[0016]若所述损失值l
k+1
大于或等于所述预设值，则调整所述预设的平滑参数，直至得到的第二暂时医疗图片识别模型所对应的损失值小于所述预设值；
[0017]将所述第二暂时医疗图片识别模型记为目标医疗图片识别模型。
[0018]进一步地，所述获取预训练的医疗图片识别模型的步骤之前，还包括：
[0019]获取多张医疗照片以及各医疗照片所对应的疾病信息；
[0020]将各个医疗照片作为输入以及将对应的疾病信息作为输出，依次输入至未训练的神经网络模型中进行训练，得到所述预训练的医疗图片识别模型。
[0021]进一步地，所述将各个医疗照片作为输入以及将对应的疾病信息作为输出，依次输入至未训练的神经网络模型中进行训练，得到所述预训练的医疗图片识别模型的步骤，包括：
[0022]对所述医疗照片进行傅里叶变化至预设频域，得到各个医疗照片所对应的频域照片；
[0023]对各个所述频域照片进行低通滤波处理，并将高频成分和低频成分还原至图像域，得到各个频域照片所对应的目标医疗照片；
[0024]将所述目标医疗照片作为输入以及将对应的疾病信息作为输出，依次输入至未训练的神经网络模型中进行训练，得到所述预训练的医疗图片识别模型。
[0025]进一步地，所述对所述卷积核进行平滑操作，直至所述预训练的医疗图片识别模型满足预设训练要求，得到目标医疗图片识别模型的步骤，包括：
[0026]获取对各个所述频域照片进行低通滤波处理的滤波器的阈值取值；
[0027]根据所述阈值取值设置所述平滑操作的第一参数范围；
[0028]判断是否具有在所述第一参数范围内进行取值的平滑参数满足预设训练要求；
[0029]若是，则将根据满足预设训练要求的平滑参数对卷积核进行平滑，并将平滑后的卷积核替换所述预训练的医疗图片识别模型中的卷积核，得到目标医疗图片识别模型。
[0030]进一步地，所述判断是否具有在所述第一参数范围内进行取值的平滑参数满足预设训练要求的步骤之后，还包括：
[0031]若不满足预设训练要求，则重新设置对各个所述频域照片进行低通滤波处理的滤波器的阈值取值；
[0032]根据新的阈值取值设置所述平滑操作的第二参数范围；
[0033]判断是否具有在所述第二参数范围内进行取值的平滑参数满足预设训练要求；
[0034]若是，则将根据满足预设训练要求的平滑参数对卷积核进行平滑，并将平滑后的卷积核替换所述预训练的医疗图片识别模型中的卷积核，得到目标医疗图片识别模型。
[0035]本专利技术还提供了一种基于神经网络模型的图片识别装置，包括：
[0036]获取模块，用于获取预训练的医疗图片识别模型；其中所述预训练的医疗图片识别模型为神经网络模型；
[0037]提取模块，用于从所述预训练的医疗图片识别模型中提取卷积核；
[0038]平滑模块，用于对所述卷积核进行平滑操作，直至所述预训练的医疗图片识别模型满足预设训练要求，得到目标医疗图片识别模型；
[0039]识别模块，用于基于目标医疗图片识别模型对医疗图片进行识别。
[0040]本专利技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
[0041]本专利技术还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项所述的方法的步骤。
[0042]本专利技术的有益效果：通过获取预训练的医疗图片识别模型的卷积核，并对其进行平滑处理，使其可以对输入的医疗图片进行低频处理，从而可以有效抑制医疗图片中的高频成分，神经网络模型将更多的通过低频信息来做出预测，从而提高了模型的泛化能力，进而提高了识别精度。
附图说明
[0043]图1是本专利技术一实施例的一种基于神经网络模型的图片识别方法的流程示意图；
[0044]图2是本专利技术一实施例的一种基于神经网络模型的图片识别装置的结构示意框图；
[004本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于神经网络模型的图片识别方法，其特征在于，包括：获取预训练的医疗图片识别模型；其中所述预训练的医疗图片识别模型为神经网络模型；从所述预训练的医疗图片识别模型中提取卷积核；对所述卷积核进行平滑操作，直至所述预训练的医疗图片识别模型满足预设训练要求，得到目标医疗图片识别模型；基于目标医疗图片识别模型对医疗图片进行识别。2.如权利要求1所述的基于神经网络模型的图片识别方法，其特征在于，所述对所述卷积核进行平滑操作，直至所述预训练的医疗图片识别模型满足预设训练要求，得到目标医疗图片识别模型的步骤，包括：获取所述卷积核中各个像素点的数值；通过平滑公式进行平滑，其中，所述平滑公式为：通过平滑公式进行平滑，其中，所述平滑公式为：ω
i,
(l+1)表示第l+1次平滑后的卷积核，ω
i,
(l)表示第l次平滑后的卷积核，ω
h,
表示行为h，列为k处的像素点，N
k
(i,j)表示像素点ω
h,
的空间邻域所对应的像素点集合，ρ表示预设的平滑参数，h和k分别表示在卷积核对应像素点的横坐标以及纵坐标，i和j分别表示在卷积核对应像素点的横坐标以及纵坐标；将第l+1次平滑后的卷积核输入至所述预训练的医疗图片识别模型中，得到第一暂时医疗图片识别模型，并计算损失值l
k+1
；判断损失值l
k+1
是否小于预设值；若所述损失值l
k+1
小于预设值，则将所述第一暂时医疗图片识别模型记为目标医疗图片识别模型。3.如权利要求2所述的基于神经网络模型的图片识别方法，其特征在于，所述判断损失值l
k+1
是否小于预设值的步骤之后，还包括：若所述损失值l
k+1
大于或等于所述预设值，则调整所述预设的平滑参数，直至得到的第二暂时医疗图片识别模型所对应的损失值小于所述预设值；将所述第二暂时医疗图片识别模型记为目标医疗图片识别模型。4.如权利要求1所述的基于神经网络模型的图片识别方法，其特征在于，所述获取预训练的医疗图片识别模型的步骤之前，还包括：获取多张医疗照片以及各医疗照片所对应的疾病信息；将各个医疗照片作为输入以及将对应的疾病信息作为输出，依次输入至未训练的神经网络模型中进行训练，得到所述预训练的医疗图片识别模型。5.如权利要求4所述的基于神经网络模型的图片识别方法，其特征在于，所述将各个医疗照...
【专利技术属性】
技术研发人员：郑喜民，王颖妮，舒畅，陈又新，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：
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。