区分萎缩性胃炎和胃癌的图像识别系统、设备及介质的制作方法

1.本发明涉及医学图像处理领域，具体而言，涉及一种区分萎缩性胃炎和胃癌的图像识别系统、设备及介质。


背景技术：

2.胃癌是消化系统常见恶性肿瘤。2018年，全球胃癌病例年新增103万、死亡78万，发病人数居全球第五位，病死率居第三位，约二分之一的患者分布在东亚地区，亦是我国第二大恶性肿瘤，消化道第一大恶性肿瘤(31/10万)，五年生存率一度仅为27.4％，是长期困扰广大人民群众的重大疑难疾病。慢性萎缩性胃炎是胃癌的独立危险因素和发生基础条件，胃癌预防
‑
干预的重要节点和关键阶段，胃镜和病理检查是判断疾病转归的主要诊断手段，作为中医药治疗的优势与特色病种，有学者针对中医诊断提出“舌镜互参”，将胃镜作为“中医望诊的延伸”应用于临床，成为“传承精华，守正创新”的重要学术创新来源。
3.胃镜诊断的准确性取决于经验丰富的消化科医师标准化操作与病理医师的精准研判。萎缩性胃炎患者的胃镜像难以与部分早期胃癌的背景黏膜区分；另有研究显示，操作经验超过10年的胃镜医师漏诊率仍高达10％
‑
20％。单次电子胃镜检查，患者的采图数量通常超过40张，且胃腔内褶皱多，分布有粘液湖产生遮挡，疾病的胃镜下表现极易与其他一些组织或部位产生混淆，病变又可能分布在腔内的所有位置或炎癌共存，从而导致医生的漏诊、误诊。因此当存在大量病例数目时，人工阅片耗时耗力，质控困难，对于医生和患者都极为不利。
4.萎缩性胃炎判定的金标准是病理检查，至少要求5块活检，多块活检增加了黏膜外伤与出血的风险，如果患者正在服用阿司匹林或氯吡格雷等抗血小板聚集药物，则出血风险更大，且增加了一部分经济负担。
5.因此，需要一种区分萎缩性胃炎和胃癌的方案，能够解决上述问题。


技术实现要素：

6.基于现有技术存在的问题，本发明提供了区分萎缩性胃炎和胃癌的图像识别系统、设备及介质。具体方案如下：
7.一种区分萎缩性胃炎和胃癌的图像识别系统，包括，
8.数据获取单元：用于获取患者的胃镜图像，所述胃镜图像的影像特征表现为细微的形态学改变，包括黏膜下血管清晰可见、易出血且伴有糜烂；
9.模型处理单元：用于通过预设的识别网络对所述胃镜图像进行特征提取，获取病理信息，所述病理信息包括黏膜的病变区域、病变形态；
10.诊断输出单元：用于根据所述病理信息判断患者患有胃癌或萎缩性胃炎。
11.在一个具体实施例中，所述模型处理单元包括，
12.图像获取模块：用于获取原始胃镜图像，所述原始胃镜图像包括胃癌胃镜图像和萎缩性胃炎胃镜图像；
13.预处理模块：用于对所述原始胃镜图像进行预处理，获取训练数据；
14.模型构建模块：用于构建卷积神经网络，去除所述卷积神经网络中的全连接层；
15.模型训练模块：用于将所述训练数据划分为多个批次对所述卷积神经网络进行训练，获取识别网络。
16.在一个具体实施例中，所述预处理具体包括：
17.将所述原始胃镜图像裁剪为128
×
128分辨率的尺寸，并转换为未压缩的bmp格式，得到数据样本；
18.对所述数据样本进行数据增强，通过旋转和镜像操作扩充所述数据样本的样本数量，得到训练数据。
19.在一个具体实施例中，所述卷积神经网络包含1个输入层、4个卷积层、4个池化层以及1个输出层；
20.所述卷积层的步幅为1，卷积核大小设置为3
×
3，激活函数为relu函数，每个所述卷积层后均加入批量标准化。
21.在一个具体实施例中，所述池化层的池化核大小设置为2
×
2，步幅为2，池化方式为最大池化；
22.和/或所述输出层通过softmax获得概率显示。
23.在一个具体实施例中，所述模型训练模块的训练过程包括：
24.通过所述卷积神经网络进行前馈运算，获取损失函数；
25.基于所述损失函数进行所述卷积神经网络的反馈运算，迭代更新所述卷积神经网络的网络参数，直至满足迭代停止条件，获取识别网络。
26.在一个具体实施例中，所述损失函数为交叉熵损失函数，表达式为：
[0027][0028]
其中，n代表样本总数，h(p，q)代表交叉熵损失函数，p(x
i
)表示时间p，q(x
i
)表示时间q。
[0029]
在一个具体实施例中，所述诊断输出单元具体包括：
[0030]
根据所述病变区域的大小、胃镜图像呈现的腺体结构和血管纹理变化进行判断。
[0031]
一种计算机设备，所述计算机设备包括：
[0032]
一个或多个处理器；
[0033]
存储器，用于存储一个或多个程序；
[0034]
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如下处理：
[0035]
获取患者的胃镜图像，所述胃镜图像的影像特征表现为细微的形态学改变，包括黏膜下血管清晰可见、易出血且伴有糜烂；
[0036]
通过预设的识别网络对所述胃镜图像进行特征提取，获取病理信息，所述病理信息包括黏膜的病变区域、病变形态；
[0037]
根据所述病理信息判断患者患有胃癌或萎缩性胃炎；
[0038]
其中，所述识别网络的获取过程包括：
[0039]
获取原始胃镜图像，所述原始胃镜图像包括胃癌胃镜图像和萎缩性胃炎胃镜图像；
[0040]
对所述原始胃镜图像进行预处理，获取训练数据；
[0041]
构建卷积神经网络，去除所述卷积神经网络中的全连接层；
[0042]
将所述训练数据划分为多个批次对所述卷积神经网络进行训练，获取识别网络。
[0043]
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如下处理：
[0044]
获取患者的胃镜图像，所述胃镜图像的影像特征表现为细微的形态学改变，包括黏膜下血管清晰可见、易出血且伴有糜烂；
[0045]
通过预设的识别网络对所述胃镜图像进行特征提取，获取病理信息，所述病理信息包括黏膜的病变区域、病变形态；
[0046]
根据所述病理信息判断患者患有胃癌或萎缩性胃炎；
[0047]
其中，所述识别网络的获取过程包括：
[0048]
获取原始胃镜图像，所述原始胃镜图像包括胃癌胃镜图像和萎缩性胃炎胃镜图像；
[0049]
对所述原始胃镜图像进行预处理，获取训练数据；
[0050]
构建卷积神经网络，去除所述卷积神经网络中的全连接层；
[0051]
将所述训练数据划分为多个批次对所述卷积神经网络进行训练，获取识别网络。
[0052]
有益效果：
[0053]
本发明针对现有技术，提供了区分萎缩性胃炎和胃癌的图像识别系统、设备及介质。基于卷积神经网络对萎缩性胃炎和胃癌的胃镜图像进行分类、数据学习以及预测，输入患者的胃镜图像即可判断患有萎缩性胃炎还是胃癌。识别网络模型能够对萎缩性胃炎和胃癌进行精准诊断，提高消化科医师的工作效率、简化诊断程序、降低误诊漏诊率、减少患者费用，同时避免因医师服务水平不同导致的诊断差异，有效解决医疗质控问题，具有实际应用价值。此外，本实施例提供的识别网络模型还具有低参数、高速度的特点，能够为后续更大数据集的学习、训练提供基础。
[0054]
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0055]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0056]
图1是本发明实施例1的图像识别系统结构图；
[0057]
图2是本发明实施例1的萎缩性胃炎胃镜示意图；
[0058]
图3是本发明实施例1的胃癌胃镜示意图；
[0059]
图4是本发明实施例1的卷积神经网络结构示意图；
[0060]
图5是本发明实施例1的图像扩增示意图；
[0061]
图6是本发明实施例1的萎缩性胃炎胃镜图像各层特征图；
[0062]
图7是本发明实施例1的胃癌胃镜图像各层特征图；
[0063]
图8是本发明实施例1的训练集和验证集准确率折线图；
[0064]
图9是本发明实施例1的训练集和验证集损失折线图；
[0065]
图10是本发明实施例2的计算机设备的结构示意图。
[0066]
附图标记：
[0067]1‑
数据获取单元；2
‑
模型处理单元；3
‑
诊断输出单元；21
‑
图像获取模块；22
‑
预处理模块；23
‑
模型构建模块；24
‑
模型训练模块；12
‑
计算机设备；14
‑
外部设备；16
‑
处理单元；18
‑
总线；28
‑
系统存储器。
具体实施方式
[0068]
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，所描述的实施例仅是本发明的一部分实施例，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做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。
[0069]
近年来，基于数据挖掘、人工智能与机器学习的图像识别技术已开始应用于医药学领域。与团队前期数据挖掘研究相比，机器学习更多侧重于算法的设计，使计算机能够从数据中“学习”与“体会”认知规则，并使用“学会了的”规则来推断未知的数据。
[0070]
本发明提出了区分萎缩性胃炎和胃癌的图像识别系统、设备及介质，基于卷积神经网络进行胃镜图像分类，区分萎缩性胃炎与胃癌，辅助医生筛查早期胃癌。运用cnn建立一个基于胃镜图像辅助萎缩性胃炎和胃癌诊断的人工智能诊断系统，对患者应用性诊断测试，帮助消化科医师准确检测疑难病变区域，实现快速准确的医疗诊断。无需进行活检即可实现疾病的诊断，减少病人的诊断成本，减轻病人的痛苦。本发明提供的模型可以提高消化科医师的工作效率、简化诊断程序、降低误诊漏诊率、减少患者费用，同时避免因医师服务水平不同导致的诊断差异，有效解决医疗质控问题。
[0071]
实施例1
[0072]
本实施例提出了区分萎缩性胃炎和胃癌的图像识别系统，系统的模块图如说明书附图1所示。具体方案如下：
[0073]
一种区分萎缩性胃炎和胃癌的图像识别系统，包括
[0074]
数据获取单元1：用于获取患者的胃镜图像，胃镜图像的影像特征表现为细微的形态学改变，包括黏膜下血管清晰可见、易出血且伴有糜烂；
[0075]
模型处理单元2：用于通过预设的识别网络对胃镜图像进行特征提取，获取病理信息，病理信息包括黏膜的病变区域、病变形态；
[0076]
诊断输出单元3：用于根据病理信息判断患者患有胃癌或萎缩性胃炎。
[0077]
具体地，数据获取单元1：用于获取患者的胃镜图像。传统技术中，胃镜诊断的准确性主要取决于经验丰富的消化科医师标准化操作与病理医师的精准研判。萎缩性胃炎患者的胃镜难以与部分早期胃癌的背景黏膜区分。
[0078]
需要说明的是，本实施例主要针对萎缩性胃炎和早期胃癌进行识别，胃镜图像需要满足萎缩性胃炎或早期胃癌的相关特征，因此，胃镜图像的影像特征表现为细微的形态
学改变，具体的表现包括黏膜下血管清晰可见、易出血且伴有糜烂。具体地，萎缩性胃炎胃镜图像如说明书附图2，胃癌胃镜图像如说明书附图3所示。
[0079]
具体地，模型处理单元2：用于通过预设的识别网络对胃镜图像进行特征提取，获取病理信息，病理信息包括黏膜的病变区域、病变形态。本实施例的识别网络选用卷积神经网络进行构建和训练，运用基于机器学习的智能化图像识别技术，对萎缩性胃炎和胃癌的胃镜图像进行分类、数据学习以及预测。
[0080]
卷积神经网络(convolutional neural network，cnn)作为深层网络算法的典型代表，被认为是目前图像识别领域中性能最好的模型。根据累积的临床特征，系统可前瞻性诊断新获得的临床图像。卷积神经网络的原理结构图如说明书附图4所示
[0081]
模型处理单元2具体包括，
[0082]
图像获取模块21：用于获取原始胃镜图像，原始胃镜图像包括胃癌胃镜图像和萎缩性胃炎胃镜图像；
[0083]
预处理模块22：用于对原始胃镜图像进行预处理，获取训练数据；
[0084]
模型构建模块23：用于构建卷积神经网络，去除卷积神经网络中的全连接层；
[0085]
模型训练模块24：用于将训练数据划分为多个批次对卷积神经网络进行训练，获取识别网络。
[0086]
构建并训练卷积神经网络，首先需要获取训练数据。在本实施例中，选用胃癌胃镜图像与萎缩性胃炎胃镜图像作为原始胃镜图像。原始胃镜图像均在白光非放大模式下拍摄。并由专业的消化科主治医师进行分类，识别区分萎缩性胃炎与胃癌，对镜下怀疑较难区分的萎缩性胃炎图像，可依据患者基本信息溯源病理结果，由资深医师确认分类。
[0087]
由于原始胃镜图像尺寸大小存在差异，需要对图像进行预处理。本实施例设置预处理模块22对原始胃镜图像进行预处理，获取训练数据。具体的预处理包括对原始胃镜图像进行裁剪和归一化处理，将图像统一为128
×
128分辨率的尺寸大小，并统一转换为未压缩的bmp格式。bmp格式能保证图像的高分辨率。为提升卷积神经网络的训练效果，需要对原始胃镜图像进行数据增强，通过旋转和镜像操作将样本总量进行扩增，扩增示意图如说明书附图5所示。训练样本数量的扩增，能进一步增强系统对不同角度、不同形态的胃镜图像的识别能力。
[0088]
接着，利用模型构建模块23构建卷积神经网络。在本实施例中，卷积神经网络包含1个输入层、4个卷积层、4个池化层以及1个输出层，并未涉及全连接层。其中，卷积层的步幅为1，卷积核大小设置为3
×
3，激活函数都使用relu函数，每个卷积层后均加入批量标准化(batchnormaliation)来防止过拟合。网络各卷积层输出特征图数量依次为16、32、64、128。4个池化层池化核大小均为2
×
2，步幅为2，池化方式为最大池化，以保留更多的细节特征。输出层的节点个数设置为分类类别数量2，在输出层上使用softmax来获得概率显示。通常cnn的最后flatten层会连接全连接层，或有隐藏层提高网络效率，但这样会增加网络参数，容易出现过拟合，故本实施例设置的卷积神经网络结构中未使用全连接层。
[0089]
构建完卷积神经网络后需要进行网络训练。在本实施例中，将训练数据划分成多个小批次进行训练。训练过程包括：
[0090]
步骤101、通过所述卷积神经网络进行前馈运算，获取损失函数；
[0091]
步骤102、基于所述损失函数进行所述卷积神经网络的反馈运算，更新所述卷积神
经网络的网络参数；
[0092]
步骤103、迭代步骤101和步骤102，直至满足迭代停止条件，获取识别网络。
[0093]
其中，损失函数为交叉熵损失函数，表达式为：
[0094][0095]
其中，n代表样本总数，h(p，q)代表交叉熵损失函数，p(x
i
)表示时间p，q(x
i
)表示时间q。
[0096]
在网络训练过程中，将训练数据中50％的图像作为训练集，50％的图像作为验证集。采用训练集对卷积神经网络进行训练，采用验证集对训练后的网络模型进行验证。
[0097]
具体实验过程如下：
[0098]
在国家中医临床研究基地建设项目构建的脾胃病数据库中回顾性提取2019年11月
‑
2020年12月80例胃癌与萎缩性胃炎电子胃镜图像640张。所用电子胃镜型号：olympus gif
‑
hq290。胃镜图像在白光非放大模式下拍摄。由3名消化科主治医师对进行分类，识别区分萎缩性胃炎与胃癌，对镜下怀疑较难区分的萎缩性胃炎图像依据患者基本信息溯源病理结果，由2名高级职称医师确认分类。
[0099]
图像统一为128
×
128的尺寸大小，并转换为未压缩的bmp格式，每个图像的大小都超过3mb。图像样本共80张，胃癌与萎缩性胃炎图像各40张，对数据样本进行数据增强，通过旋转和镜像操作将样本总量扩增至640张。数据分成多个小批次进行训练网络，首先进行网络的前馈运算，得到损失函数的损失，根据当前批次的损失，进行网络的反馈运算，更新网络参数，总训练轮数为50次，并保存训练后的最佳网络模型。
[0100]
为了展示特征提取细节，卷积神经网络的每层输出具有代表性的特征图，说明书附图6是萎缩性胃炎代表图像在每层的特征图，说明书附图7是胃癌代表图像在每层的特征图。在说明书附图6和7中，从上到下表示第一层到第四层卷积和池化运算后的特征图，随着层数加深特征变得更加抽象，第二层边缘开始模糊，到第四层开始已经完全看不出轮廓。
[0101]
网络训练过程，样本图像50％作为训练集，50％作为验证集。测试集和验证集上的准确率如说明书附图8所示，测试集和验证集上的损失如说明书附图9所示。在说明书附图8中，验证集如图中下方折线所示，测试集如图中上方折线所示，准确率在第29轮时达到最大值98％，在42轮以后也基本稳定在最大值98％。在说明书附图9中，验证集如图中上方折线所示，测试集如图中下方折线所示，损失在12轮训练后基本趋于0。
[0102]
经过实验证实，本实施例提供的识别网络模型诊断的持续时间为30s/例，准确率稳定在98％。而传统的消化科医师判定一位患者胃镜图像的时间约为8
‑
10分钟，诊断萎缩性胃炎中的敏感性，即准确率约为42％。该模型诊断时间明显短于消化科医师诊断所需的时间，而诊断正确率明显提高。此外，在本实施例中涉及部分早期胃癌的判定，其影像学特征不明显，人工判定需要更多的时间，而识别网络模型对于该部分图像的判定具有临床现实意义。
[0103]
从分类原理阐述，胃癌的类型、浸润深度以及在胃腔中的位置是卷积神经网络分析与识别过程中的重要标记特征与影响因素。通过综合学习，使用来自单个患者的多角度图像会产生更准确的诊断结果。从图像特征分析，胃癌的黏膜改变较萎缩性胃炎腺体结构
和血管纹理变化更明显，且病变区域更大。另一方面，萎缩性胃炎黏膜血管显露、皱襞变平，甚至消失，呈结节样、颗粒样改变，胃癌则呈单一区域形态改变。
[0104]
本实施例提出的区分萎缩性胃炎和胃癌的图像识别系统，能够实现对萎缩性胃炎和胃癌的诊断识别。识别网络模型能够对萎缩性胃炎和胃癌进行精准诊断，提高消化科医师的工作效率、简化诊断程序、降低误诊漏诊率、减少患者费用，同时避免因医师服务水平不同导致的诊断差异，有效解决医疗质控问题，具有实际应用价值。此外，本实施例提供的识别网络模型还具有低参数、高速度的特点，能够为后续更大数据集的学习、训练提供基础。
[0105]
实施例2
[0106]
说明书附图10为本发明实施例2提供的一种计算机设备的结构示意图。说明书附图10显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0107]
如说明书附图10所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备计算机12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。系统存储器28可以包括易失性存储器形式的计算机系统可读介质。
[0108]
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备通信。
[0109]
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现一种区分萎缩性胃炎和胃癌的图像识别系统的控制方法，该方法包括：
[0110]
s1、获取患者的胃镜图像，胃镜图像的影像特征表现为细微的形态学改变，包括黏膜下血管清晰可见、易出血且伴有糜烂；
[0111]
s2、通过预设的识别网络对胃镜图像进行特征提取，获取病理信息，病理信息包括黏膜的病变区域、病变形态；
[0112]
s3、根据病理信息判断患者患有胃癌或萎缩性胃炎；
[0113]
其中，识别网络的获取过程包括：
[0114]
获取原始胃镜图像，原始胃镜图像包括胃癌胃镜图像和萎缩性胃炎胃镜图像；
[0115]
对原始胃镜图像进行预处理，获取训练数据；
[0116]
构建卷积神经网络，去除卷积神经网络中的全连接层；
[0117]
将训练数据划分为多个批次对卷积神经网络进行训练，获取识别网络。
[0118]
本实施例将一种区分萎缩性胃炎和胃癌的图像识别系统的控制方法应用到具体的计算机设备中，将该方法存储到存储器中，当执行器执行该存储器时，会运行该方法进行识别，使用快捷方便，适用范围广。
[0119]
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的技术方案。
[0120]
实施例3
[0121]
本实施例3提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如一种区分萎缩性胃炎和胃癌的图像识别系统的控制方法，该方法包括：
[0122]
s1、获取患者的胃镜图像，胃镜图像的影像特征表现为细微的形态学改变，包括黏膜下血管清晰可见、易出血且伴有糜烂；
[0123]
s2、通过预设的识别网络对胃镜图像进行特征提取，获取病理信息，病理信息包括黏膜的病变区域、病变形态；
[0124]
s3、根据病理信息判断患者患有胃癌或萎缩性胃炎；
[0125]
其中，识别网络的获取过程包括：
[0126]
获取原始胃镜图像，原始胃镜图像包括胃癌胃镜图像和萎缩性胃炎胃镜图像；
[0127]
对原始胃镜图像进行预处理，获取训练数据；
[0128]
构建卷积神经网络，去除卷积神经网络中的全连接层；
[0129]
将训练数据划分为多个批次对卷积神经网络进行训练，获取识别网络。
[0130]
本实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0131]
本实施例将一种区分萎缩性胃炎和胃癌的图像识别系统的控制方法应用到一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明提供的萎缩性胃炎和胃癌的图像识别系统的控制方法的步骤，简便快捷，易于存储，不易丢失。
[0132]
本发明针对现有技术，提供了一种区分萎缩性胃炎和胃癌的图像识别系统、设备及介质。基于卷积神经网络对萎缩性胃炎和胃癌的胃镜图像进行分类、数据学习以及预测，输入患者的胃镜图像即可判断患有萎缩性胃炎还是胃癌。识别网络模型能够对萎缩性胃炎和胃癌进行精准诊断，提高消化科医师的工作效率、简化诊断程序、降低误诊漏诊率、减少患者费用，同时避免因医师服务水平不同导致的诊断差异，有效解决医疗质控问题，具有实际应用价值。此外，本实施例提供的识别网络模型还具有低参数、高速度的特点，能够为后续更大数据集的学习、训练提供基础。
[0133]
本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。
[0134]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新
调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
[0135]
以上公开的仅为本发明的几个具体实施场景，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。