一种图像识别模型的训练方法、图像识别方法及装置与流程

1.本发明属于图像处理领域，尤其涉及一种图像识别模型的训练方法、图像识别方法及装置。


背景技术：

2.为探讨器官、组织或细胞所发生的疾病过程，可采用某种病理形态学检查的方法。目前，随着各种内窥镜和影像诊断技术的不断进步，在病理形态学的检查的过程中，越来越多的结合计算机辅助诊断。
3.现有的病理形态学的检查方法中，其中一种是基于深度学习的方法。由于病理切片具有超高的分辨率，无法直接放入神经网络，这就需要先将病理切片分割成小图，将小图放进神经网络进行深度学习。而由于小图中存在有大量的负样本，正负样本极度不均衡，在使用深度学习的方法对病理切片的小图进行判断，获得的判断结果的精确率和召回率通常都很低。


技术实现要素：

4.本发明实施例提供一种图像识别模型的训练方法、图像识别方法及装置，能够降低在根据病理切片图像进行识别判断的计算复杂度，以及降低计算成本。
5.第一方面，本发明提供一种图像识别模型的训练方法，该方法包括：获取第一样本病理切片的切片图像和第一样本病理切片的切片图像的预设邻域图像；以及，
6.获取切片图像的图像特征、预设邻域图像的图像特征和第一样本病理切片的切片图像对应的分类标签；
7.将切片图像的图像特征和预设邻域图像的图像特征结合，得到待分类样本切片；
8.根据待分类样本切片和分类标签，对预设分类模型进行训练，得到图像识别模型。
9.在第一方面的一些可实现方式中，获取第一样本病理切片的切片图像和第一样本病理切片的切片图像的预设邻域图像，包括：
10.通过海森矩阵对第一样本病理切片进行图像增强处理，得到第二样本病理切片；
11.根据预设的滑动窗口，对第二样本病理切片进行分割，获得切片图像和样本切片图像的预设邻域图像。
12.在第一方面的一些可实现方式中，获取切片图像的图像特征、预设邻域图像的图像特征，包括：
13.将切片图像和预设邻域图像分别输入训练好的预设特征提取模型，得到切片图像的图像特征和预设邻域图像的图像特征。
14.在第一方面的一些可实现方式中，训练好的预设特征提取模型根据切片图像训练得到。
15.在第一方面的一些可实现方式中，通过海森矩阵对第一样本病理切片进行图像增强处理，得到第二样本病理切片，包括：
16.对图像增强处理后的样本病理切片进行直方图均衡处理，得到直方图均衡处理后的样本病理切片；
17.对直方图均衡处理后的样本病理切片进行归一化处理，得到归一化的样本病理切片图像，将归一化的样本病理切片作为第二样本病理切片。
18.第二方面，本发明提供一种图像识别方法，其特征在于，方法包括：获取待识别的第一病理切片的第一病理图像和第一病理图像的预设领域图像；以及，
19.获取第一病理图像的图像特征和预设邻域图像的图像特征；
20.将第一病理图像的图像特征和预设领域图像的图像特征结合，得到待识别的第二病理图像；
21.将第二病理图像输入图像识别模型，得到第二病理图像的识别结果，将第二病理图像的识别结果作为第一病理图像的识别结果，其中，图像识别模型根据第一方面或者第一方面任一可实现方式中所述的图像识别模型的训练方法得到。
22.在第二方面的一些可实现方式中，获取待识别的第一病理切片的第一病理图像和第一病理图像的预设领域图像，包括：
23.通过海森矩阵对第一病理切片进行图像增强处理，得到第二病理切片；
24.根据预设的滑动窗口，对第二病理切片进行分割，获得第一病理图像和第一病理图像的预设领域图像。
25.在第二方面的一些可实现方式中，通过海森矩阵对第一病理切片进行图像增强处理，得到第二病理切片，包括：
26.对图像增强处理后的第一病理切片进行直方图均衡处理，得到直方图均衡处理后的第一病理切片；
27.对直方图均衡处理后的第一病理切片进行归一化处理，得到归一化的第一病理切片，将归一化的第一病理切片作为第二病理切片。
28.在第二方面的一些可实现方式中，获取第一病理图像的图像特征和预设邻域图像的图像特征，包括：
29.将第一病理图像和第一病理图像的预设邻域图像分别输入预设特征提取模型，得到第一病理图像的图像特征和预设邻域图像的图像特征；其中，预设特征提取模型根据第一方面所述的的图像识别模型的训练方法训练得到。
30.第三方面，本发明提供一种图像识别模型的训练装置，该装置包括：获取模块，用于获取第一样本病理切片的切片图像和第一样本病理切片的切片图像的预设邻域图像；
31.获取模块，还用于获取切片图像的图像特征、预设邻域图像的图像特征和第一样本病理切片的切片图像对应的分类标签；
32.图像处理模块，用于将切片图像的图像特征和预设邻域图像的图像特征结合，得到待分类样本切片；
33.训练模块，用于根据待分类样本切片和分类标签，对预设分类器进行训练，得到图像识别模型。
34.第四方面，本发明提供一种图像识别装置，该装置包括：
35.获取模块，用于获取待识别的第一病理切片的第一病理图像和第一病理图像的预设领域图像；
36.获取模块，还用于获取第一病理图像的图像特征和预设邻域图像的图像特征；
37.图像处理模块，用于将第一病理图像的图像特征和预设领域图像的图像特征结合，得到待识别的第二病理图像；
38.识别模块，用于将第二病理图像输入图像识别模型，得到第二病理图像的识别结果，将第二病理图像的识别结果作为第一病理图像的识别结果，其中，图像识别模型根据第一方面或者第一方面任一可实现方式中所述的图像识别模型的训练方法得到。
39.第三方面，本发明提供一种图像识别设备，该设备包括：处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现第一方面或者第一方面任一可实现方式中所述的图像识别模型的训练方法，以及第二方面或者第二方面任一可实现方式中所述的图像识别方法。
40.第四方面，本发明提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面或者第一方面任一可实现方式中所述的图像识别模型的训练方法，以及第二方面或者第二方面任一可实现方式中所述的图像识别方法。
41.本发明实施例提供了一种图像识别模型的训练方法，在根据病理切片获得小图，也就是切片图像，通过提取切片图像的图像特征和切片图像的预设邻域图像的图像特征，以及将切片图像的图像特征和预设邻域图像的图像特征结合，得到待分类样本切片，使得用于训练分类模型的待分类切片图像获得切片图像的上下文信息，同时，通过使用待分类切片训练预设的分类模型所得到的图像识别模型，能够有效提高识别类别的精确率和召回率。
附图说明
42.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单的介绍，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。
43.图1是本发明实施例提供的一种乳腺癌淋巴转移数字病理切片诊断准确率比赛中医生和人工智能的准确率对比示意图；
44.图2是本发明实施例提供的一种图像识别模型的训练方法的流程示意图；
45.图3是本发明实施例提供的一种图像识别方法的流程示意图；
46.图4是本发明实施例提供的一种图像识别模型的训练装置的结构示意图；
47.图5是本发明实施例提供的一种图像识别装置的结构示意图；
48.图6是本发明实施例提供的一种图像识别设备的结构示意图。
具体实施方式
49.下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理
解。
50.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
51.本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。
52.为探讨器官、组织或细胞所发生的疾病过程，可采用某种病理形态学检查的方法，通过检查器官、组织或细胞所发生的病变，病变产生的原因、发病机理、病变的发生发展过程，最后做出病理诊断。
53.其中，病理形态学的检查方法包括：首先，观察大体标本的病理改变，然后，切取一定大小的病变组织，用病理组织学方法制成病理切片，用显微镜进一步检查病变。
54.常用的活体切片检查，是指从患者身体的病变部位取出小块组织(根据不同情况可采用钳取、切除或穿刺吸取等方法)或手术切除标本制成病理切片，观察细胞和组织的形态结构变化，以确定病变性质，做出病理诊断，称为活体组织检查(biopsy)，简称活体。
55.这种活体切片检查常常用来诊断肿瘤。
56.近年来由于各种内窥镜(如纤维胃镜、纤维结肠镜、纤维支气管镜等)和影像诊断技术的不断改进，不但可以直接观察某些内肿瘤的外观形态，还可在其指引下准确地取材，以提高早期诊断的阳性率。
57.以乳腺病理切片为例，说明现有的诊断方法的优势和不足。
58.在临床上，相对于x射线(x-ray)、钼靶、核磁共振等图像，医生常常将病理图像作为是否确诊乳腺癌的重要标准，而对病理图像进行准确地分类是医生制订最佳治疗方案的重要依据。
59.目前，基于人工的病理图像分类，不仅耗时、费力，而且诊断结果容易受到诸多主观人为因素的影响。
60.其一，有些病理切片图像的像素常常在(10～100k)*(10～100k)，病理切片大小达到1～3gb，甚至更大，人工阅片耗时非常长。
61.其二，高资历的病理医生阅片准确率才能达到比较高的水平，而这需要多年积累，以及高成本的培养。
62.目前，在病理形态学的检查的过程中，越来越多的结合计算机辅助诊断(computer-aided diagnosis，cad)。图1示出了本发明实施例提供的一种乳腺癌淋巴转移数字病理切片诊断准确率比赛中医生和人工智能的准确率对比示意图。由图1可以看出，借助于计算机辅助诊断，自动将病理图像进行良、恶性分类并定位病灶区域，诊断效率较高。借助于计算机辅助诊断，还能为医生提供更加客观、准确的诊断结果，因而具有重要的临床应用价值。
63.计算机辅助诊断中，乳腺癌病理图像癌症区域的定位和分类是一项非常具有挑战
性的工作。传统的处理方法使用人工特征提取和传统的机器学习算法，不仅需要工程人员具备丰富的专业领域知识，而且需要耗费大量的时间和精力。这严重制约了传统机器学习算法在乳腺癌病理图像处理中的应用，降低了生产力。
64.为了克服计算机辅助诊断中的不足，目前还常常使用基于深度学习的方法。基于深度学习的方法不需要人工提取特征，通过神经网络输出特征，或者是神经网络进直接行端到端的学习，学习出分类或者定位结果。
65.然而，病理切片具有超高的分辨率，无法直接放入神经网络，这就需要先将病理切片分割成小图，将小图放进神经网络进行深度学习。由于在获取小图的阶段获得的小图中存在有大量的负样本，少量正样本，正负样本极度不均衡，因此，在使用深度学习的方法对病理切片的小图进行判断，获得的判断结果的精确率和召回率通常都很低。
66.现有技术中，为了克服正负样本极度不均衡采用的方法有使用非极大值抑制(non-maximum suppression，nms)的方法，但是用nms算法的效果并不理想，而且，由于使用滑动窗口采样获得的小图，密度较大，小图的基数也比较大，这会导致nms的复杂度升高，造成时间开销大。
67.针对上述的一个或多个问题，本发明实施例提供了一种图像识别模型的训练方法、图像识别方法，通过提取切片图像的图像特征和切片图像的预设邻域图像的图像特征，以及将切片图像的图像特征和预设邻域图像的图像特征结合进行分类模型的训练以及使用训练好的分类模型进行识别，能够有效提高识别类别的精确率和召回率，同时，能够有效抑制样本不平衡产生一系列问题，减少了对于nms的依赖，甚至不需要nms步骤，减少时间开销的成本。
68.下面首先对本发明实施例所提供的图像识别模型的训练方法进行介绍。图2示出了本发明实施例提供的图像识别模型的训练方法的流程示意图。如图2所示，该图像识别模型的训练方法可以包括以下步骤：
69.s210、获取第一样本病理切片的切片图像和第一样本病理切片的切片图像的预设邻域图像。
70.由于病理切片的像素常常在10～100k*10～100k范围内，病理切片的大小达到1～3gb，甚至更大，因此，在训练病理切片图像的图像识别模型之前，会先将病理切片作为第一样本病理切片，对第一样本病理切片进行分割，获得第一样本病理切片的切片图像和第一样本病理切片的切片图像的预设邻域图像。
71.在一些实施例中，在对第一样本病理切片进行分割之前，还可以通过海森(hession)矩阵对第一样本病理切片进行图像增强处理，得到第二样本病理切片，然后，根据预设的滑动窗口，对第二样本病理切片进行分割，获得切片图像和样本切片图像的预设邻域图像。
72.在数学中，hessian矩阵是标量函数的二阶偏导数的平方矩阵。它描述了一个多变量函数的局部曲率，其基本形式如公式(1)所示。
[0073][0074]
其中，f为多元实函数f(x1,x2,
…
,xn)，为目标函数的二阶连续偏导，n为整数。其中，0《i《n，0《j《n。
[0075]
通过，将第一样本病理切片进行海森矩阵的增强后，能够滤除第一样本病理切片中无关的噪声，增强第一样本病理切片的对比度，有利于检测边缘形状。
[0076]
在一些实施例中，为了提高识别的准确率，通过海森矩阵对第一样本病理切片进行图像增强处理之后，还可以包括以下操作：对图像增强处理后的样本病理切片进行直方图均衡处理，得到直方图均衡处理后的样本病理切片。通过直方图均衡的处理，可以使病理切片的对比度更好地分布在直方图上，还可以实现增强局部的对比度，而不影响整体的对比度。
[0077]
在一些实施例中，对直方图均衡处理后的样本病理切片进行归一化处理，得到归一化的样本病理切片图像，将归一化的样本病理切片作为第二样本病理切片。
[0078]
图像归一化是指对图像进行了一系列标准的处理变换，例如，将rgb三通道的灰度都归一化到[0，1]的区间。通过图像归一化处理，既统一了所有图像通道的范围，也让后续的处理步骤中，样本之间的差异性不会太大，从而提高了处理速度。
[0079]
在一些实施例中，为了更加方便的对病理切片进行处理，在获得第二样本病理切片之后，根据预设的滑动窗口，对第二样本病理切片进行分割，获得切片图像和样本切片图像的预设邻域图像。
[0080]
在一些实施例中，可以选择简单的滑动窗口法，以一定的窗口大小和步长进行采样，将病理切片切割为多个小图(patch图片)，将得到的小图作为用于提取图像特征的集合。
[0081]
在一些实施例中，可以将滑动窗口的切图设置为自上而下、自左而右的过程，因此，很容易得到切片图像和切片图像的预设邻域图像。同时，将滑动窗口的采样步长设置为固定的预设步长，可以得到切片图像严格的邻域图像。
[0082]
在获得切片图像和切片图像的预设邻域图像之后，执行s220。
[0083]
s220、获取切片图像的图像特征、预设邻域图像的图像特征和第一样本病理切片的切片图像对应的分类标签。
[0084]
在一些实施例中，获取切片图像的图像特征、预设邻域图像的图像特征，可以包括：将切片图像和预设邻域图像分别输入训练好的预设特征提取模型，得到切片图像的图像特征和预设邻域图像的图像特征。
[0085]
在一些实施例中，预设特征提取模型可以是视觉几何群网络(visualgeometry group network，vgg)、inception网络模型、残差网络(residual network，resnet)等神经网络进行分类处理。
[0086]
在一些实施例中，训练好的预设特征提取模型根据切片图像训练得到。根据实际的需要，特征提取模型可以被训练为2维特征、3维特征或者其他维度的特征。
[0087]
在获得切片图像的图像特征、预设邻域图像的图像特征和第一样本病理切片的切片图像对应的分类标签后，执行s230。
[0088]
s230、将切片图像的图像特征和预设邻域图像的图像特征结合，得到待分类样本切片。
[0089]
切片图像的图像特征和预设邻域图像的图像特征结合后，获得的待分类样本切片，作为图像识别模型的训练样本。
[0090]
作为一个具体的示例，当特征提取模型所提取的特征为2维时，预设的邻域图像为8邻域图像，即(3*3-1)＝9个邻域图像，切片图像的图像特征和预设邻域图像的图像特征共8 1个，将切片图像的图像特征和预设邻域图像的图像特征结合后，获得的待分类样本切片的维度为2*(8 1)＝18维，因此，图片样本维度由原来的2维变为18维。
[0091]
作为另一个具体的示例，当特征提取模型所提取的特征为2维时，预设的邻域图像为24邻域图像，即(5*5-1)＝24个邻域图像，切片图像的图像特征和预设邻域图像的图像特征共24 1个，将切片图像的图像特征和预设邻域图像的图像特征结合后，获得的待分类样本切片的维度为2*(1 24)＝50维，因此，图片样本维度由原来的2维变为50维。
[0092]
可以理解的是，预设邻域图像的数量越多，待分类样本切片的图像特征的维度就会越多，实现对样本维度的扩充，同时引入了切片图像所处位置的上下文邻域信息，因此会让训练得到的图像识别模型的识别结果更加准确。
[0093]
需要注意的是，维度越多，计算的复杂度越高，图像识别模型的训练过程会变慢，因此，可以根据被识别的病理切片，选择合适的维度和合适预设邻域图像，并且，选择的预设邻域图像也可以上下左右的数量不一致。在一些实施例中，可以根据病理切片的先验情况，只选择部分邻域作为维度扩展。
[0094]
在获得待分类样本切片和分类标签后，执行s240。
[0095]
s240、根据待分类样本切片和分类标签，对预设分类模型进行训练，得到图像识别模型。
[0096]
在一些实施例中，例如可以对高斯核函数(radial basis function，rbf)的支持向量机(support vector machine，svm)等分类模型进行训练，获得图像识别模型。在获得训练好的图像识别模型后，图像识别模型所识别的类别结果可以直接作为切片图像的识别结果。
[0097]
被训练的分类模型例如还可以是逻辑回归模型、随机森林模型、梯度提升树模型等，在此不做具体的限定。
[0098]
本发明实施例提供了图像识别模型的训练方法，在根据病理切片获得小图，也就是切片图像，通过提取切片图像的图像特征和切片图像的预设邻域图像的图像特征，以及将切片图像的图像特征和预设邻域图像的图像特征结合，得到待分类样本切片，使得用于训练分类模型的待分类切片图像获得其上下文信息，同时，通过使用待分类切片训练预设的分类模型所得到的图像识别模型，能够有效提高识别类别的精确率和召回率。
[0099]
在本发明实施例中，由于直接将切片图像的图像特征和预设邻域图像的图像特征结合形成特征向量，作为训练分类模型的样本切片，可以不需要后续nms的步骤，因此能有
效减少使用nms进行处理的时间开销，以及降低计算复杂度。
[0100]
对应本发明实施例提供的图像识别模型的训练方法，本发明实施例还提供了一种图像识别方法。如图3所示，该图像识别方法可以包括以下步骤：
[0101]
s310、获取待识别的第一病理切片的第一病理图像和第一病理图像的预设领域图像。
[0102]
在一些实施例中，可以先对待识别的第一病理切片进行图像增强处理。可选的，可以首先通过海森矩阵对第一病理切片进行图像增强处理，得到第二病理切片；然后，根据预设的滑动窗口，对第二病理切片进行分割，获得第一病理图像和第一病理图像的预设领域图像。
[0103]
在一些实施例中，通过海森矩阵对第一病理切片进行图像增强处理，得到第二病理切片，还可以包括以下步骤：对图像增强处理后的第一病理切片进行直方图均衡处理，得到直方图均衡处理后的第一病理切片；对直方图均衡处理后的第一病理切片进行归一化处理，得到归一化的第一病理切片，将归一化的第一病理切片作为第二病理切片。
[0104]
其中，海森矩阵具体应用方法已在前文中描述，因此，在此部分不再赘述。
[0105]
在一些实施例中，为了提高识别的准确率，通过海森矩阵对第一病理切片进行图像增强处理后之后，还可以包括以下操作：对图像增强处理后的样本病理切片进行直方图均衡处理，得到直方图均衡处理后的样本病理切片。通过直方图均衡的处理，可以使病理切片的对比度更好地分布在直方图上，从而增强局部的对比度，而不影响整体的对比度。
[0106]
在一些实施例中，可以将滑动窗口的切图设置为自上而下、自左而右的过程，因此，很容易得到切片图像和切片图像的预设邻域图像。同时，将滑动窗口的采样步长设置为固定的预设步长，可以是切片图像由严格的邻域图像。
[0107]
在获得切片图像和切片图像的预设邻域图像之后，执行s320。
[0108]
s320、获取第一病理图像的图像特征和预设邻域图像的图像特征。
[0109]
在一些实施例中，将第一病理图像和第一病理图像的预设邻域图像分别输入预设特征提取模型，得到第一病理图像的图像特征和预设邻域图像的图像特征。其中，根据本发明实施例所描述的特征提取模型的训练方法可以得到预设特征提取模型。
[0110]
根据特征提取模型获得第一病理图像的图像特征和预设邻域图像的图像特征之后，执行s330。
[0111]
s330、将第一病理图像的图像特征和预设领域图像的图像特征结合，得到待识别的第二病理图像。
[0112]
在一些实施例中，训练好的预设特征提取模型根据切片图像训练得到。根据实际的需要，特征提取模型可以被训练为2维特征、3维特征或者其他维度的特征。
[0113]
作为一个具体的示例，根据预设的特征提取模型得到的特征可以是2维特征，当预设的邻域图像为8邻域图像时，将第一病理图像的图像特征和预设领域图像的图像特征结合，得到待识别的第二病理图像的图像特征由2维变为18维。
[0114]
作为另一个具体的示例，当预设的特征提取模型得到的特征可以是2维特征，预设的邻域图像为24邻域图像时，将第一病理图像的图像特征和预设领域图像的图像特征结合，得到待识别的第二病理图像的图像特征由2维变为50维。
[0115]
可以理解的是，预设邻域图像的数量越多，待分类样本切片的图像特征的维度就
会越多，实现对样本维度的扩充。
[0116]
由于病理切片图像太大，需要进行剪切或者缩放后才能放入预设的特征提取模型，而剪切可能丢失丢上下文信息，缩放会丢失纹理信息。由于医学图像中病灶的纹理信息和上下文信息都非常重要，如果对病理切片图像进行缩放或者剪切会导致这些信息的丢失，严重影响病灶识别的效果，甚至会导致识别率低。本发明实施例描述的图像识别方法，通过训练好的特征提取模型进行特征提取，引入了切片图像所处位置的上下文邻域信息，因此会让训练得到的图像识别模型的识别结果更加准确。
[0117]
需要注意的是，维度越多，计算的复杂度越高，因此，可以根据被识别的病理切片，选择合适的维度和合适预设邻域图像，并且，选择的预设邻域图像也可以上下左右的数量不一致。在一些实施例中，还可以根据病理切片的先验情况，只选择部分邻域作为维度扩展。
[0118]
在得到待识别的第二病理图像后，执行s340。
[0119]
s340、将第二病理图像输入图像识别模型，得到第二病理图像的识别结果，将第二病理图像的识别结果作为第一病理图像的识别结果。
[0120]
其中，图像识别模型是根据本发明实施例所描述的图像识别模型的训练方法得到的。
[0121]
在本发明实施例提供的图像识别方法，待识别的第一病理切片经处理，切割为小图后，将小图输入到预设的特征提取模型，得到预设的特征提取模型输出的图像特征，之后，将预设的特征提取模型输出的第一病理图像的图像特征和第一病理图像的预设领域图像的图像特征结合后，作为图像识别模型的输入，使待识别的第一病理图像加入了第一病理图像的上下文信息，从而可以有效提高识别的精确率和召回率。
[0122]
对应本发明实施例提供的图像识别模型的训练方法，本发明实施例还提供了一种图像识别模型的训练装置，如图4所示，该图像识别模型的训练装置可以包括：获取模块410、图像处理模块420和训练模块430。
[0123]
其中，获取模块410，用于获取第一样本病理切片的切片图像和第一样本病理切片的切片图像的预设邻域图像。
[0124]
获取模块，还用于获取切片图像的图像特征、预设邻域图像的图像特征和第一样本病理切片的切片图像对应的分类标签。
[0125]
图像处理模块420，用于将切片图像的图像特征和预设邻域图像的图像特征结合，得到待分类样本切片。
[0126]
训练模块430，用于根据待分类样本切片和分类标签，对预设分类模型进行训练，得到图像识别模型。
[0127]
在一些实施例中，图像处理模块还用于通过海森矩阵对第一样本病理切片进行图像增强处理，得到第二样本病理切片；根据预设的滑动窗口，对第二样本病理切片进行分割，获得切片图像和样本切片图像的预设邻域图像。
[0128]
在一些实施例中，所述图像处理模块还用于，对图像增强处理后的样本病理切片进行直方图均衡处理，得到直方图均衡处理后的样本病理切片；对直方图均衡处理后的样本病理切片进行归一化处理，得到归一化的样本病理切片图像，将归一化的样本病理切片作为第二样本病理切片。
[0129]
在一些实施例中，图像识别模型的训练装置，还包括：特征提取模块，用于将切片图像和预设邻域图像分别输入训练好的预设特征提取模型，得到切片图像的图像特征和预设邻域图像的图像特征。
[0130]
在一些实施例中，训练好的预设特征提取模型根据切片图像训练得到。
[0131]
可以理解的是，本发明实施例的图像识别模型的训练装置，可以对应于本发明实施例描述的图像识别模型的训练方法的执行主体，图像识别模型的训练装置的各个模块/单元的操作和/或功能的具体细节可以参见上述本发明实施例描述的图像识别模型的训练方法中的相应部分的描述，为了简洁，在此不再赘述。
[0132]
本发明实施例提供了图像识别模型的训练装置，在根据病理切片获得小图，也就是切片图像，通过提取切片图像的图像特征和切片图像的预设邻域图像的图像特征，以及将切片图像的图像特征和预设邻域图像的图像特征结合，得到待分类样本切片，使得用于训练分类模型的待分类切片图像获得切片图像的上下文信息，同时，通过使用待分类切片训练预设的分类模型所得到的图像识别模型，能够有效提高识别类别的精确率和召回率。
[0133]
在本发明实施例中，直接将切片图像的图像特征和预设邻域图像的图像特征结合形成特征向量，作为训练图像识别模型的样本切片，可以不需要后续nms的步骤，因此能有效减少使用nms进行处理的时间开销。
[0134]
对应本发明实施例提供的图像识别方法，本发明实施例还提供了一种图像识别装置，如图5所示，该图像识别装置可以包括：获取模块510、图像处理模块520、识别模块530。
[0135]
获取模块510，用于获取待识别的第一病理切片的第一病理图像和第一病理图像的预设领域图像。
[0136]
获取模块510，还用于获取第一病理图像的图像特征和预设邻域图像的图像特征。
[0137]
图像处理模块520，用于将第一病理图像的图像特征和预设领域图像的图像特征结合，得到待识别的第二病理图像。
[0138]
识别模块530，用于将第二病理图像输入图像识别模型，得到第二病理图像的识别结果，将第二病理图像的识别结果作为第一病理图像的识别结果，其中，图像识别模型是根据本发明实施例所描述的图像识别模型的训练方法得到的。
[0139]
在一些实施例中，图像处理模块520，还用于通过海森矩阵对第一病理切片进行图像增强处理，得到第二病理切片；根据预设的滑动窗口，对第二病理切片进行分割，获得第一病理图像和第一病理图像的预设领域图像。
[0140]
在一些实施例中，图像处理模块520，还用于对图像增强处理后的第一病理切片进行直方图均衡处理，得到直方图均衡处理后的第一病理切片；对直方图均衡处理后的第一病理切片进行归一化处理，得到归一化的第一病理切片，将归一化的第一病理切片作为第二病理切片。
[0141]
在一些实施例中，图像识别装置，还包括：特征提取模块，用于将第一病理图像和第一病理图像的预设邻域图像分别输入预设特征提取模型，得到第一病理图像的图像特征和预设邻域图像的图像特征；其中，根据本发明实施例所描述的图像识别模型的训练方法可以得到预设特征提取模型。
[0142]
可以理解的是，本发明实施例的图像识别装置，可以对应于本发明实施例描述的图像识别模型的训练方法的执行主体，图像识别模型的训练装置的各个模块/单元的操作
和/或功能的具体细节可以参见上述本发明实施例描述的图像识别模型的训练方法中的相应部分的描述，为了简洁，在此不再赘述。
[0143]
在本发明实施例提供的图像识别装置，待识别的第一病理切片经处理，切割为小图后，将小图输入到预设的特征提取模型，得到预设的特征提取模型输出的图像特征，之后，将预设的特征提取模型输出的第一病理图像的图像特征和第一病理图像的预设领域图像的图像特征结合后，作为图像识别模型的输入，使待识别的第一病理图像加入了第一病理图像的上下文信息，从而可以有效提高识别的精确率和召回率。
[0144]
图6是本发明实施例提供的一种图像识别设备的硬件结构示意图。
[0145]
如图6所示，本实施例中的图像识别设备包括输入设备601、输入接口602、中央处理器603、存储器604、输出接口605、以及输出设备606。其中，输入接口602、中央处理器603、存储器604、以及输出接口605通过总线610相互连接，输入设备601和输出设备606分别通过输入接口602和输出接口605与总线610连接，进而与图像识别设备的其他组件连接。
[0146]
具体地，输入设备601接收来自外部的输入信息，并通过输入接口602将输入信息传送到中央处理器603；中央处理器603基于存储器604中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器604中，然后通过输出接口605将输出信息传送到输出设备606；输出设备606将输出信息输出到图像识别设备的外部供用户使用。
[0147]
也就是说，图6所示的图像识别设备也可以被实现为包括：存储有计算机可执行指令的存储器；以及处理器，该处理器在执行计算机可执行指令时可以实现结合本发明实施例描述的图像识别模型的训练方法，以及本发明实施例描述的图像识别方法。
[0148]
在一个实施例中，图6所示的图像识别设备包括：存储器604，用于存储程序；处理器603，用于运行存储器中存储的程序，以执行本发明实施例描述的图像识别模型的训练方法，以及本发明实施例描述的图像识别方法。
[0149]
本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现本发明实施例描述的图像识别模型的训练方法，以及本发明实施例描述的图像识别方法。
[0150]
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，做出各种改变、修改和添加，或者改变步骤之间的顺序。
[0151]
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(application specific integrated circuit，asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、只读存储器(read-only memory，rom)、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(radio frequency，rf)链路，等等。代码段可以经由诸如因特网、
内联网等的计算机网络被下载。
[0152]
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
[0153]
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。