一种确定分类标签的方法及装置

摘要

本发明实施例提供一种确定分类标签的方法及装置，所述方法包括：获取用于训练预设模型的样本图片；所述预设模型为根据异常特征的区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；所述异常特征包括凸起特征和/或指定颜色特征；对所有样本图片进行分类；其中，分类类型包括基于所述异常特征的第一分类类型、以及基于所述异常特征所在图片背景的第二分类类型。所述装置执行上述方法。本发明实施例提供的确定分类标签的方法及装置，通过对用于训练预设模型的所有样本图片进行分类，且分类类型包括第一分类类型和第二分类类型，能够提高样本图片的分类标签选择的合理性和准确度。

权利要求

1.一种确定分类标签的方法，其特征在于，包括：

获取用于训练预设模型的样本图片；所述预设模型为根据异常特征的区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；所述异常特征包括凸起特征和/或指定颜色特征；

对所有样本图片进行分类；其中，分类类型包括基于所述异常特征的第一分类类型、以及基于所述异常特征所在图片背景的第二分类类型。

2.根据权利要求1所述的方法，其特征在于，所述异常特征所在图片背景包括：简单背景、水线背景、大肠状背景；其中，所述简单背景为局部具有形状变化和/或色调变化的图片背景、所述水线背景为具有交汇面的图片背景；大肠状背景为拍摄部分为胃小凹结构的图片背景；所述交汇面为积水与空气之间的交汇处所构成的平面。

3.根据权利要求1所述的方法，其特征在于，所述预设模型为卷积神经网络Resnet。

4.根据权利要求1所述的方法，其特征在于，所述样本图片是从原始图片中选取到的包含有所述异常特征的图片。

5.根据权利要求4所述的方法，其特征在于，所述原始图片是通过胶囊内镜拍摄的。

6.一种确定分类标签的装置，其特征在于，包括：

获取单元，用于获取用于训练预设模型的样本图片；所述预设模型为根据异常特征的区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；

所述异常特征包括凸起特征和/或指定颜色特征；

分类单元，用于对所有样本图片进行分类；其中，分类类型包括基于所述异常特征的第一分类类型、以及基于所述异常特征所在图片背景的第二分类类型。

7.一种电子设备，其特征在于，包括：处理器、存储器和总线，其中，所述处理器和所述存储器通过所述总线完成相互间的通信；

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至5任一所述的方法。

8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至5任一所述的方法。

说明书

一种确定分类标签的方法及装置

技术领域

[0001] 本发明实施例涉及图片处理技术领域，尤其涉及一种确定分类标签的方法及装置。

背景技术

[0002] 胶囊内镜具有无痛、无伤、拍摄图像信息量大等优点，具备广泛的应用价值。

[0003] 现有技术采用人工方式识别通过胶囊内镜拍摄的原始图片、并对原始图片进行分类，为了更加准确、高效地识别原始图片，需要构建模型，但是模型在使用之前通常需要进行训练，针对上述原始图片的训练样本(可以是样本图片)的选择、以及对样本图片的分类标签的确定，尚没有有效的方法。

[0004] 因此，如何避免上述缺陷，提高样本图片的分类标签选择的合理性和准确度，成为亟须解决的问题。

发明内容

[0005] 针对现有技术存在的问题，本发明实施例提供一种确定分类标签的方法及装置。

[0006] 本发明实施例提供一种确定分类标签的方法，包括：

[0007] 获取用于训练预设模型的样本图片；所述预设模型为根据异常特征的区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；所述异常特征包括凸起特征和/或指定颜色特征；

[0008] 对所有样本图片进行分类；其中，分类类型包括基于所述异常特征的第一分类类型、以及基于所述异常特征所在图片背景的第二分类类型。

[0009] 本发明实施例提供一种确定分类标签的装置，包括：

[0010] 获取单元，用于获取用于训练预设模型的样本图片；所述预设模型为根据异常特征的区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；所述异常特征包括凸起特征和/或指定颜色特征；

[0011] 分类单元，用于对所有样本图片进行分类；其中，分类类型包括基于所述异常特征的第一分类类型、以及基于所述异常特征所在图片背景的第二分类类型。

[0012] 本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，[0013] 所述处理器和所述存储器通过所述总线完成相互间的通信；

[0014] 所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：

[0015] 获取用于训练预设模型的样本图片；所述预设模型为根据异常特征的区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；所述异常特征包括凸起特征和/或指定颜色特征；

[0016] 对所有样本图片进行分类；其中，分类类型包括基于所述异常特征的第一分类类型、以及基于所述异常特征所在图片背景的第二分类类型。

[0017] 本发明实施例提供一种非暂态计算机可读存储介质，包括：

[0018] 所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如下方法：

[0019] 获取用于训练预设模型的样本图片；所述预设模型为根据异常特征的区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；所述异常特征包括凸起特征和/或指定颜色特征；

[0020] 对所有样本图片进行分类；其中，分类类型包括基于所述异常特征的第一分类类型、以及基于所述异常特征所在图片背景的第二分类类型。

[0021] 本发明实施例提供的确定分类标签的方法及装置，通过对用于训练预设模型的所有样本图片进行分类，且分类类型包括第一分类类型和第二分类类型，能够提高样本图片的分类标签选择的合理性和准确度。

附图说明

[0022] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0023] 图1为本发明确定分类标签的方法实施例流程图；

[0024] 图2(a)～图2(h)均为本发明实施例拍摄的简单背景图片的截图；

[0025] 图3(a)～图3(h)均为本发明实施例拍摄的水线背景图片的截图；

[0026] 图4(a)～图4(f)均为本发明实施例拍摄的大肠状背景图片的截图；

[0027] 图5为本发明确定分类标签的装置实施例结构示意图；

[0028] 图6为本发明实施例提供的电子设备实体结构示意图。

具体实施方式

[0029] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0030] 图1为本发明确定分类标签的方法实施例流程图，如图1所示，本发明实施例提供的一种确定分类标签的方法，包括以下步骤：

[0031] S101：获取用于训练预设模型的样本图片；所述预设模型为根据异常特征的区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；所述异常特征包括凸起特征和/或指定颜色特征。

[0032] 具体的，装置获取用于训练预设模型的样本图片；所述预设模型为根据异常特征的区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；所述异常特征包括凸起特征和/或指定颜色特征。需要说明的是：样本图片是从原始图片中选取到的包含有所述异常特征的图片，该原始图片是通过胶囊内镜拍摄的，对胶囊内镜的工作过程作如下说明：

[0033] ·胶囊内镜从口腔进入消化道，再从肛门自然排出体外。

[0034] ·胶囊内镜的电池续航力有限，其有效工作区间为口腔、食道、胃、十二指肠、小肠和大肠一部分。

[0035] ·胶囊内镜的每次活动都产生域内检查图片和域外检查图片。

[0036] ·域内检查图片是对消化道某一段所进行的拍摄结果。

[0037] ·域外检查图片是除了域内检查图片以外，胶囊内镜顺便拍到的图片。

[0038] ·全部图片均可自动识别，无需任何人工介入(包括图像预处理)。

[0039] ·识别图像后，将胶囊内镜拍摄的图片分为六个大类(125个小类)，自动保存于125个图片文件夹中，其中，六个大类可以为：

[0040] 第一大类：一类域外分类标签(10个类别)。

[0041] 第二大类：二类域外分类标签(13个类别)。

[0042] 第三大类：基于局部结构特征的第一目标图片分类标签(10个类别)。

[0043] 第四大类：洞状结构第一目标图片分类标签(8个类别)。

[0044] 第五大类：基于全局结构特征的第一目标图片分类标签(24个类别)。

[0045] 第六大类：第二目标图片(即异常特征图片)分类标签(56个类别)。

[0046] ·能够自动识别口腔、食道、胃、十二指肠、小肠和大肠等消化道的不同部位。

[0047] 每粒胶囊内镜每次可以拍摄的原始图片的数量可以为2000～3000张，即胶囊内镜获取到的图片集中的图片数量。

[0048] 可以从医院信息系统中导出、未经任何处理的胶囊内镜拍摄的原始图片(JPG格式)。即上述样本图片可以是上述的六个大类(125个小类)对应的所有图片，本发明实施例着重对上述第六大类进行说明。凸起特征可以包括肿胀、颗粒状物凸起。指定颜色特征可以包括红色、白色，不作具体限定。异常特征可以作为某些疾病诊断过程中的中间参考特征，仅仅依赖该异常特征还不足以诊断出疾病。预设模型可以先确定异常特征的区域面积的数值大小，将该数值与预设面积进行比较，如果该数值大于预设面积，则将对应的异常特征确定为面状异常特征；如果该数值小于预设面积，则将对应的异常特征确定为点状异常特征，预设面积可以根据实际情况自主设置，点状异常特征可以为息肉等，不作具体限定。面状异常特征可以为片状发红等，不作具体限定。该预设模型可以为卷积神经网络Resnet，即残差神经网络Residual Neural Network，即输入初步筛选出的异常特征至该预设模型，该预设模型输出结果为两类结果，一类是点状异常特征、另一类是面状异常特征。

[0049] S102：对所有样本图片进行分类；其中，分类类型包括基于所述异常特征的第一分类类型、以及基于所述异常特征所在图片背景的第二分类类型。

[0050] 具体的，装置对所有样本图片进行分类；其中，分类类型包括基于所述异常特征的第一分类类型、以及基于所述异常特征所在图片背景的第二分类类型。即第一分类类型可以包括：

[0051] 凸起特征、指定颜色特征、或二者的组合特征。

[0052] 进一步地，所述异常特征所在图片背景可以包括：

[0053] 简单背景、水线背景、大肠状背景；其中，所述简单背景为局部具有形状变化和/或色调变化的图片背景、所述水线背景为具有交汇面的图片背景；大肠状背景为拍摄部分为胃小凹结构的图片背景；所述交汇面为积水与空气之间的交汇处所构成的平面。

[0054] 图2(a)～图2(h)均为本发明实施例拍摄的简单背景图片的截图，图2(a)～图2(h)各图之间相互独立，都分别是简单背景图片的表现形式。

[0055] 图3(a)～图3(h)均为本发明实施例拍摄的水线背景图片的截图，图3(a)～图3(h)各图之间相互独立，都分别是水线背景图片的表现形式。

[0056] 图4(a)～图4(f)均为本发明实施例拍摄的大肠状背景图片的截图，图4(a)～图4(f)各图之间相互独立，都分别是大肠状背景图片的表现形式。

[0057] 即第二分类类型可以包括：

[0058] 简单背景图片、水线背景图片、大肠状背景图片，不作具体限定。

[0059] 本发明实施例提供的确定分类标签的方法，通过对用于训练预设模型的所有样本图片进行分类，且分类类型包括第一分类类型和第二分类类型，能够提高样本图片的分类标签选择的合理性和准确度。

[0060] 在上述实施例的基础上，具体的，装置中的所述异常特征所在图片背景包括：

[0061] 简单背景、水线背景、大肠状背景；其中，所述简单背景为局部具有形状变化和/或色调变化的图片背景、所述水线背景为具有交汇面的图片背景；大肠状背景为拍摄部分为胃小凹结构的图片背景；所述交汇面为积水与空气之间的交汇处所构成的平面。可参照上述说明，不再赘述。

[0062] 本发明实施例提供的确定分类标签的方法，通过对上述第二分类类型进行进一步细分，进一步能够提高样本图片的分类标签选择的合理性和准确度。

[0063] 在上述实施例的基础上，具体的，装置中的所述预设模型为卷积神经网络Resnet。可参照上述说明，不再赘述。

[0064] 本发明实施例提供的确定分类标签的方法，通过将预设模型选为卷积神经网络Resnet，进一步能够准确识别图片。

[0065] 在上述实施例的基础上，具体的，装置中的所述样本图片是从原始图片中选取到的包含有所述异常特征的图片。可参照上述说明，不再赘述。

[0066] 本发明实施例提供的确定分类标签的方法，通过从原始图片中选取到样本图片，能够保证样本图片来源的可靠性。

[0067] 在上述实施例的基础上，具体的，装置中的所述原始图片是通过胶囊内镜拍摄的。可参照上述说明，不再赘述。

[0068] 本发明实施例提供的确定分类标签的方法，通过胶囊内镜拍摄原始图片，能够便于获取到原始图片，保证该方法正常进行。

[0069] 图5为本发明确定分类标签的装置实施例结构示意图，如图5所示，本发明实施例提供了一种确定分类标签的装置，包括获取单元501和分类单元502，其中：

[0070] 获取单元501用于获取用于训练预设模型的样本图片；所述预设模型为根据异常特征的区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；所述异常特征包括凸起特征和/或指定颜色特征；分类单元502用于对所有样本图片进行分类；其中，分类类型包括基于所述异常特征的第一分类类型、以及基于所述异常特征所在图片背景的第二分类类型。

[0071] 具体的，获取单元501用于获取用于训练预设模型的样本图片；所述预设模型为根据异常特征的区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；所述异常特征包括凸起特征和/或指定颜色特征；分类单元502用于对所有样本图片进行分类；其中，分类类型包括基于所述异常特征的第一分类类型、以及基于所述异常特征所在图片背景的第二分类类型。

[0072] 本发明实施例提供的确定分类标签的装置，通过对用于训练预设模型的所有样本图片进行分类，且分类类型包括第一分类类型和第二分类类型，能够提高样本图片的分类标签选择的合理性和准确度。

[0073] 本发明实施例提供的确定分类标签的装置具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。

[0074] 图6为本发明实施例提供的电子设备实体结构示意图，如图6所示，所述电子设备包括：处理器(processor)601、存储器(memory)602和总线603；

[0075] 其中，所述处理器601、存储器602通过总线603完成相互间的通信；

[0076] 所述处理器601用于调用所述存储器602中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取用于训练预设模型的样本图片；所述预设模型为根据异常特征的区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；所述异常特征包括凸起特征和/或指定颜色特征；对所有样本图片进行分类；其中，分类类型包括基于所述异常特征的第一分类类型、以及基于所述异常特征所在图片背景的第二分类类型。

[0077] 本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取用于训练预设模型的样本图片；所述预设模型为根据异常特征的区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；所述异常特征包括凸起特征和/或指定颜色特征；对所有样本图片进行分类；其中，分类类型包括基于所述异常特征的第一分类类型、以及基于所述异常特征所在图片背景的第二分类类型。

[0078] 本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取用于训练预设模型的样本图片；所述预设模型为根据异常特征的区域面积的数值大小，将所述异常特征区分为点状异常特征和面状异常特征的网络模型；所述异常特征包括凸起特征和/或指定颜色特征；对所有样本图片进行分类；其中，分类类型包括基于所述异常特征的第一分类类型、以及基于所述异常特征所在图片背景的第二分类类型。

[0079] 本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

[0080] 以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

[0081] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

[0082] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。