基于分组病例级融合分类的矫正设备矫正方法和装置
本公开的实施例涉及计算机,具体涉及基于分组病例级融合分类的矫正设备矫正方法和装置。
背景技术:
1、矫正设备的参数的调整是控制矫正设备进行精准矫正操作和实现个性化矫正的重要过程。全国需要进行疾病矫正的人占总人口的70%以上,基于医学病例多源影像进行病例级分类的准确性较低导致矫正不精准,需要反复进行矫正调整,延长矫正时长和成本。
2、目前,对于基于医学病例多源影像进行的分组病例级融合分类,通常采用的方式为:对输入的医学病例多源影像集直接进行图像拼接,得到拼接医学病例影像。然后,将拼接医学病例影像输入至分类模型中,得到影像分类信息集,以及根据影像分类信息集,确定矫正设备的调整参数,以控制矫正设备进行矫正。
3、经常会存在如下技术问题:直接对医学病例多源影像集直接进行图像拼接后未考虑到不同来源的影像所包括的不同分组的病例信息,而是直接将拼接医学病例影响输入至模型进行分类,没有充分学习不同分组之间的区别特征信息且易混淆,提取的特征信息较为单一,导致基于医学病例多源影像的分类结果的准确性较低,且图像拼接需要的算力开销较大,导致运算资源的浪费,进而导致矫正设备的参数调整的精准性较低,需要重复进行矫正设备的调整,增加矫正设备的损坏率和磨损率。
4、该背景技术部分中所公开的以上信息仅用于增强对本公开构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
2、本公开的一些实施例提出了基于分组病例级融合分类的矫正设备矫正方法和装置,来解决以上背景技术部分提到的技术问题。
3、第一方面,本公开的一些实施例提供了一种基于分组病例级融合分类的矫正设备矫正方法,包括:响应于确定矫正设备存在矫正异常,获取医学病例多源影像集、训练完成的分组影像特征提取模型集、训练完成的病例级融合特征提取模型和训练完成的病例级分类模型;对上述医学病例多源影像集进行影像分组,得到医学病例多源影像组集,其中,上述医学病例多源影像组集和上述分组影像特征提取模型集存在一一对应关系;利用上述训练完成的分组影像特征提取模型集,对上述医学病例多源影像组集进行分组特征提取融合,得到分组影像特征向量集;响应于确定上述医学病例多源影像组集中存在目标影像集缺失,对上述目标影像集对应的分组影像特征向量集进行掩码处理,得到掩码特征向量集,其中,上述目标影像集是以下之一:医学病例多源影像组、医学病例多源影像组中的影像集;利用上述训练完成的病例级融合特征提取模型,对目标分组影像特征向量集进行病例级别融合,得到病例级融合特征向量,其中,上述目标分组影像特征向量集包括以下之一:上述掩码特征向量集和未缺失的医学病例多源影像组集对应的分组影像特征向量集、上述分组影像特征向量集;将上述病例级融合特征向量输入至上述训练完成的病例级分类模型,得到针对医学病例多源影像集的影像分类信息集;根据上述影像分类信息集,确定针对上述医学病例多源影像集的矫正设备的调整参数,以控制上述矫正设备进行矫正。
4、第二方面,本公开的一些实施例提供了一种基于分组病例级融合分类的矫正设备矫正装置,包括:获取单元,被配置成响应于确定矫正设备存在矫正异常,获取医学病例多源影像集、训练完成的分组影像特征提取模型集、训练完成的病例级融合特征提取模型和训练完成的病例级分类模型;分组单元,被配置成对上述医学病例多源影像集进行影像分组,得到医学病例多源影像组集,其中,上述医学病例多源影像组集和上述分组影像特征提取模型集存在一一对应关系;提取融合单元,被配置成利用上述训练完成的分组影像特征提取模型集,对上述医学病例多源影像组集进行分组特征提取融合,得到分组影像特征向量集;掩码处理单元,被配置成响应于确定上述医学病例多源影像组集中存在目标影像集缺失,对上述目标影像集对应的分组影像特征向量集进行掩码处理,得到掩码特征向量集,其中,上述目标影像集是以下之一:医学病例多源影像组、医学病例多源影像组中的影像集;融合单元,被配置成利用上述训练完成的病例级融合特征提取模型,对目标分组影像特征向量集进行病例级别融合,得到病例级融合特征向量,其中,上述目标分组影像特征向量集包括以下之一:上述掩码特征向量集和未缺失的医学病例多源影像组集对应的分组影像特征向量集、上述分组影像特征向量集;输入单元,被配置成将上述病例级融合特征向量输入至上述训练完成的病例级分类模型,得到针对医学病例多源影像集的影像分类信息集;确定单元,被配置成根据上述影像分类信息集,确定针对上述医学病例多源影像集的矫正设备的调整参数,以控制上述矫正设备进行矫正。
5、第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
6、第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
7、本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的基于分组病例级融合分类的矫正设备矫正方法可以通过对医学病例多源影像集进行分组特征提取,可以有效区分分组影像特征向量在不同类别下的特征信息,病例融合得到的病例级融合特征向量可以有效融合不同类别的共享特征向量,提高分类准确性,提高矫正设备的参数调整精准性,降低矫正设备的损耗。具体来说,造成基于医学病例多源影像的分类结果的准确性较低,且图像拼接需要的算力开销较大,导致运算资源的浪费和矫正设备需要多次调整原因在于:直接对医学病例多源影像集直接进行图像拼接后未考虑到不同来源的影像所包括的不同分组的病例信息,而是直接将拼接医学病例影响输入至模型进行分类,没有充分学习不同分组之间的区别特征信息且易混淆,提取的特征信息较为单一,导致基于医学病例多源影像的分类结果的准确性较低,且图像拼接需要的算力开销较大,导致运算资源的浪费,进而导致矫正设备的参数调整的精准性较低,需要重复进行矫正设备的调整,增加矫正设备的损坏率和磨损率基于此,本公开的一些实施例的基于分组病例级融合分类的矫正设备矫正方法首先,响应于确定矫正设备存在矫正异常,获取医学病例多源影像集、训练完成的分组影像特征提取模型集、训练完成的病例级融合特征提取模型和训练完成的病例级分类模型。由此,医学病例多源影像集用于后续训练完成的分组影像特征提取模型集的输入,训练完成的病例级融合特征提取模型和训练完成的病例级分类模型用于对医学病例多源影像集进行病例级特征融合和分类。其次,对上述医学病例多源影像集进行影像分组,得到医学病例多源影像组集,其中,上述医学病例多源影像组集和上述分组影像特征提取模型集存在一一对应关系。由此,影像分组便于后续有效学习不同类别的医学病例多源影像组的视觉信息,提高分组特征提取融合得到的分组影像特征向量集的质量。然后,利用上述训练完成的分组影像特征提取模型集,对上述医学病例多源影像组集进行分组特征提取融合,得到分组影像特征向量集。由此,可以提取不同类别的组内的特征向量,可以有效区别不同类别的特征信息,减少不同类别的特征信息进行混淆的概率,有效适应不同类别的判别空间,保留不同类别之间的差异性。接着,响应于确定上述医学病例多源影像组集中存在目标影像集缺失,对上述目标影像集对应的分组影像特征向量集进行掩码处理,得到掩码特征向量集,其中,上述目标影像集是以下之一:医学病例多源影像组、医学病例多源影像组中的影像集。由此,掩码处理可以在医学病例多源影像集存在缺失时进行缺失影像的处理,可以确保掩码特征向量集的稳定性和全面性,以提高病例级融合特征提取模型输出的准确性,以及减少病例级融合特征提取模型出现欠拟合的情况。然后,利用上述训练完成的病例级融合特征提取模型,对目标分组影像特征向量集进行病例级别融合,得到病例级融合特征向量,其中,上述目标分组影像特征向量集包括以下之一:上述掩码特征向量集和未缺失的医学病例多源影像组集对应的分组影像特征向量集、上述分组影像特征向量集。由此,病例级别融合可以融合不同类别即同一部分不同组成部分的特征信息,可以提高病例级融合特征向量的全面性。其次,对上述病例级融合特征向量输入至上述训练完成的病例级分类模型,得到针对医学病例多源影像集的影像分类信息集。由此,由于病例级融合特征向量的全面性,可以使得病例级分类模型捕捉更多的特征信息,以及病例级分类模型包括多个分类头,可以提高包括多分类任务的影像分类信息集的准确性。最后,根据上述影像分类信息集,确定针对上述医学病例多源影像集的矫正设备的调整参数,以控制上述矫正设备进行矫正。由此,根据影像分类信息集确定调整参数并控制矫正设备,可以提高调整参数的准确性,减少因分类偏差造成的重复调整,降低矫正设备的损耗,提高设备的稳定性和安全性。由此可得,该基于分组病例级融合分类的矫正设备矫正方法通过对医学病例多源影像集进行分组特征提取,可以有效区分分组影像特征向量在不同类别下的特征信息,病例融合得到的病例级融合特征向量可以有效融合不同类别的共享特征向量,提高分类准确性,提高矫正设备的参数调整精准性,降低矫正设备的损耗。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com