CN110428475A 一种医学图像的分类方法、模型训练方法和服务器 （腾讯科技（深圳）有限公司）

本发明主要涉及人工智能的深度学习技术据集合进行质量分析，提取医学图像的特征信医学图像进行异常检测分类的深度学习网络对2对所述医学图像的数据集合进行质量分析，提取所述医基于提取的所述特征信息，利用经预先训练的用于对在进行所述质量分析之前，对获取的所述医学图像的数据集合进行文件校验和解码，;,5.根据权利要求1-3中任一项所述的方法，其中所述深度获取原始医学图像的数据集合以及相应原始图像标注信息对所述原始医学图像的数据集合进行质量分析，提取所述原始医学图像的特征信息，3基于提取的原始医学图像数据集合中的所述特征信息和原始图像标注信息集合对用获取模块，被配置为获取原始医学图像的数据集合以及相应原始图像标注信息集合，11.一种医学图像处理系统，其中所述医学图像分类系统包括图像获取设备和图像处对所述医学图像的数据集合进行质量分析，提取所述医基于提取的所述特征信息，利用经预先训练的用于对12.根据权利要求11所述的医学图像处理系统，其中所述图像处理设备用于执行的操在进行所述质量分析之前，对获取的所述医学图像的数据集合进行文件校验和解码，413.根据权利要求11所述的医学图像处理系统，其中所述图像处理设备用于执行的操;,15.根据权利要求11所述的医学图像处理系统，其中所述图像处理设备用于执行的操5产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智理图像的分析主要依赖人工审核，主要通过医务工作者对医学图像进行标注获取异常情[0006]现有产品的显微镜图像质量分析主要是通过病理科医生或其他医学专家反复精6息和原始图像标注信息集合对用于对医学图像进行异常检测分类的深度学习网络进行训7;,息和原始图像标注信息集合对用于对医学图像进行异常检测分类的深度学习网络进行训医学图像的数据集合进行质量分析，提取医学图像的特征信息，质量分析包括色域-饱和用经预先训练的用于对医学图像进行异常检测分类的深度学习网络对医学图像进行分类，8用于对医学图像进行异常检测分类的深度学习网络对医学图像进行分类，得到分类结果，;,f(i,)[0029]在一些实施例中，图像处理设备用于执行的操作还包括：深度学习网络选取[0030]根据本公开的第八方面，提供了一种计算机程序指令的非瞬时性计算机可读介9通过对图像的各种形态学属性进行描述，方便对显微镜病理图像按照质量进行归档和整图2图示了根据本公开的实施例本公开的图像分图9图示了一个示例系统，其包括代表可以实现本文描述[0040]图1示意性示出了根据现有技术对显微镜图像进行筛选的方法100。方法100由医生或其他医学专家对获取的数据集101进行反复精确标注102，最后剔除103异常图片和评[0041]图2示意性示出了根据本公开的实施例本公开的图像分类筛选模块应用于其中的智能显微镜系统200。智能显微镜系统200可以包括图像采集模块201、图像分类筛选模块集通过根据本公开的实施例的图像筛选模块202对医学图像进行异常检测，以便筛除异常筛选得到的正常图像发送给图像分析模块203进一步对显[0042]如以上参照图2描述的智能显微镜系统200主要应用于获取医学标注人员所标注[0043]图3示意性示出了根据本公开一个实施例对模型进行训练和测试的方法300的示模块302包括文件解码模块3021和文件校验模块3022。无论是训练数据还是测试数据均需[0046]图4b示出了质量分析模块303的示意图。质量分析主要包括数字图像矩阵的色域[0047]具体地，色域-饱和度-亮度分析指的是将获取的RGB域的图像矩阵转换到HSV空[0052]图4c示出了插值与归一化处理模块305的示意图。在对图像质量进行分析的预处[0053]图4d示出了待训练的深度学习网络308的示意图。将上述经插值和归一化处理后的数据发送给待训练的深度学习网络模块，并且结合医生或医学标注人员提供的标注信息习网络采用深度学习中的InceptionV3结构，通过随机梯度下降算法（SGD）对模型进行优[0057]图6示意性示出了根据本公开一个实施例对深度学习网络模型进行训练的方法[0058]图7示意性示出了根据本公开一个实施例对医学图像进行分类的服务器700的示为获取所述医学图像的数据集合。质量分析模块702被配置为对所述医学图像的数据集合[0059]图8示意性示出了根据本公开一个实施例对深度学习网络模型进行训练的服务器模块802被配置为对所述原始医学图像的数据集合进行质量分析，提取所述原始医学图像一个或多个。训练模块803被配置为基于提取的原始医学图像数据集合中的所述特征信息统。上面关于图7用于对医学图像进行分类的服务器700或图8的用于用于对模型进行训练或图8的用于对模型进行训练的服务器800可以以医学图像分类应用916的形式被实现为计总线、和/或利用各种总线架构中的任何一种的处理器或局部总线。还构思了各种其他示成电路或使用一个或多个半导体形成的其他逻辑器件。硬件元件914不受其形成的材料或[0063]计算机可读介质912被图示为包括存储器/存储装置915。存储器/存储装置915表示与一个或多个计算机可读介质相关联的存储器/存储容量。存储器/存储装置915可以包[0064]一个或多个I/O接口913代表允许用户向计算设备910输入命令和信息并且可选地[0065]计算设备910还包括医学图像分类应用916。医学图像分类应用916可以例如是关于图7和8描述的用于对医学图像进行分类的服务器700或图8的用于用于对模型进行训练的服务器800的软件实例，并且与计算设备910中的其他元件相组合地实现本文描述的技[0067]所描述的模块和技术的实现可以存储在某种形式的计算机可读介质上或者跨某种形式的计算机可读介质传输。计算机可读介质可以包括可由计算设备910访问的各种介可编程器件逻辑和/或固定器件逻辑，其在一些实施例中可以用于实现本文描述的技术的或程序模块和其他程序模块实现为在某种形式的计算机可读存储介质上和/或由一个或多个硬件元件914体现的一个或多个指令和/或逻辑。计算设备910可以被配置为实现与软件存储介质和/或硬件元件914，可以至少部分地以硬件来实现将模块实现为可由计算设备[0073]本文描述的技术可以由计算设备910的这些各种配置来支持，并且不限于本文所机处理时可以使用的应用和/或数据。资源924还可以包括通过因特网和/或通过诸如蜂窝[0075]平台922可以抽象资源和功能以将计算设备910与其他计算设备连接。平台922还可以用于抽象资源的分级以提供遇到的对于经由平台922实现的资源924的需求的相应水包括在不同的权利要求中，但是这些可以可能地被有利地组合，并且包括在不同权利要求中不暗示特征的组合不是可行的和/或有利的。特征在权利要求中的次序不暗示特征必须释为以任何方式限制权利要求的范围。