识别图像中病灶方法、装置、设备及存储介质

1.本发明涉及医学图像的计算机分析领域，尤其涉及一种识别图像中病灶方法、装置、设备及存储介质。


背景技术：

2.无线胶囊内镜作为21世纪初发展起来的一种吞咽式无创检测设备，不仅可以减轻患者在检测过程产生的不适，而且克服了传统内镜检查小肠的局限性。与传统内镜的检查方式相比，无线胶囊内镜的检查过程具有无痛、无创、便捷以及安全等优点，已经广泛运用于临床消化道的疾病检测中。胶囊内镜进入人体后工作时间约为8-13个小时，会产生5-8万幅待诊断的彩色图像。因此，如何进行快速智能诊断的计算机辅助诊断成为当前亟待解决的技术问题，目前传统的方式主要采用临床医生从这数据量庞大的胶囊内镜图像中筛查出可能具有病变的图像，会造成了医疗资源的浪费，同时由于病变图像少及长时间阅片导致医生注意力不集中等问题造成误检、漏检的可能性增加。
3.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

4.本发明的主要目的在于提供一种识别图像中病灶方法、装置、设备及存储介质，旨在解决现有技术中针对图像中的病灶检测效率较低且存在误检和漏检技术问题。
5.为实现上述目的，本发明提供一种识别图像中病灶方法，所述识别图像中病灶方法包括以下步骤：
6.获取预处理后的训练胶囊内镜图像块；
7.对所述预处理后的训练胶囊内镜图像块通过卷积神经网络进行特征提取，得到训练胶囊内镜图像块特征向量，并对所述卷积神经网络参数进行更新，得到目标卷积神经网络；
8.对所述训练胶囊内镜图像块特征向量通过分类器进行分类，并对分类器参数进行更新，得到目标分类器；
9.对训练胶囊内镜图像块特征向量进行聚类迭代，得到目标聚类中心；
10.获取通过目标卷积神经网络提取的目标胶囊内镜图像特征向量并对所述图像特征图进行分块，得到特征块；
11.计算所述特征块与所述各目标聚类中心的距离，得到含有病灶区域特征的图块类簇，并通过目标分类器对所述含有病灶区域特征的图块类簇进行分类，得到分类结果。
12.可选地，所述获取预处理后的训练胶囊内镜图像块，包括：
13.获取训练胶囊内镜图像，并截取对应胶囊内镜图像上的目标区域；
14.将所述胶囊内镜图像上的目标区域存入带标签的文件夹，得到胶囊内镜图像块训练样本库；
15.依次提取所述胶囊内镜图像块训练样本库中的胶囊内镜图像上的目标区域进行同样地裁剪、旋转以及翻转操作，得到同样的尺寸目标区域的胶囊内镜图像。
16.可选地，所述对所述训练胶囊内镜图像块特征向量通过分类器进行分类，并对分类器参数进行更新，得到目标分类器，包括：
17.对所述训练胶囊内镜图像块特征向量进行softmax分类，得到分类结果，其中softmax采用的损失函数为交叉熵损失函数；
18.对所述损失函数通过交叉熵损失、分类标签以及softmax分类结果进行处理，得到分类损失；
19.将所述分类损失通过反向传播进行梯度回传，并对所述分类器参数进行更新；
20.返回执行所述对所述训练胶囊内镜图像块特征向量进行softmax分类，得到分类结果步骤，直至对所有训练胶囊内镜图像块特征向量分类完成，得到目标分类器。
21.可选地，所述对训练胶囊内镜图像块特征向量进行聚类迭代，得到目标聚类中心，包括：
22.随机抽取所述胶囊内镜图像块训练样本库中的k个图像块作为初始聚类中心，其中k为大于1的整数；
23.计算所述胶囊内镜图像块训练样本库中剩下的所述胶囊内镜图像块训练样本库每个图像块特征向量与所述初始聚类中心的距离；
24.根据所述每个图像块特征向量与所述初始聚类中心的距离，将所述图像块特征向量划分为k个簇；
25.计算所述k个簇的所有特征向量的均值，并将所述均值作为并将此均值作为新的聚类中心；
26.返回执行随机抽取所述胶囊内镜图像块训练样本库中的k个图像块作为初始聚类中心步骤，直至所述新的聚类中心的位置不再发生变化，迭代停止，得到目标聚类中心。
27.可选地，所述获取通过目标卷积神经网络提取的目标胶囊内镜图像特征向量并对所述图像特征图进行分块，得到特征块，包括：
28.通过所述目标卷积神经网络对目标胶囊内镜图像进行特征提取并对所述图像特征图进行分块，得到目标胶囊内镜图像特征图；
29.将所述目标胶囊内镜图像块特征图分成与训练胶囊内镜图像块特征图相同大小的特征块。
30.可选地，所述计算所述特征块与所述各目标聚类中心的距离，得到含有病灶区域特征的图块类簇，并通过目标分类器对所述含有病灶区域特征的图块类簇进行分类，得到分类结果，包括：
31.通过所述目标聚类中心，计算各特征图块与各聚类中心的距离；
32.根据所述各特征图块与各聚类中心的距离，判断特征图块所属于的类簇，并筛选出含有病灶区域的特征图块类簇；
33.通过目标分类器，对判断含有病灶区域的特征图块类簇进行分类，得到分类结果。
34.可选地，所述通过目标分类器对所述含有病灶区域特征的图块类簇进行分类，得到分类结果之后，还包括：
35.根据预设映射关系将分类结果映射至原图像；
36.重复执行计算所述特征块与所述各目标聚类中心的距离，得到含有病灶区域特征图块类簇，并通过目标分类器进行分类，得到最终分类结果，根据预设映射关系将最终分类结果返回至原图的操作直至完成所有的胶囊内镜图像检测。
37.此外，为实现上述目的，本发明还提出一种识别图像中病灶装置，所述识别图像中病灶装置包括：
38.获取模块，用于获取预处理后的训练胶囊内镜图像块；
39.特征提取模块，用于对所述预处理后的训练胶囊内镜图像块通过卷积神经网络进行特征提取，得到训练胶囊内镜图像块特征向量，并对所述卷积神经网络参数进行更新，得到目标卷积神经网络；
40.分类模块，用于对所述训练胶囊内镜图像块特征向量通过分类器进行分类，并对分类器参数进行更新，得到目标分类器；
41.聚类模块，用于对训练胶囊内镜图像块特征向量进行聚类迭代，得到目标聚类中心；
42.所述获取模块，还用于获取通过目标卷积神经网络提取的目标胶囊内镜图像特征向量并对所述图像特征图进行分块，得到特征块；
43.所述聚类模块，还用于计算所述特征块与所述各目标聚类中心的距离，得到含有病灶区域特征的图块类簇，并通过目标分类器对所述含有病灶区域特征的图块类簇进行分类，得到分类结果。
44.此外，为实现上述目的，本发明还提出一种识别图像中病灶设备，所述设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行的识别图像中病灶程序，所述识别图像中病灶的程序配置为实现如上文所述的识别图像中病灶方法。
45.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有识别图像中病灶程序，所述识别图像中病灶程序被处理器执行时实现如上文所述的识别图像中病灶方法。
46.本发明其公开了一种识别图像中病灶方法、装置、设备及存储介质，该方法包括：获取预处理后的训练胶囊内镜图像；获取预处理后的训练胶囊内镜图像块；对所述预处理后的训练胶囊内镜图像块通过卷积神经网络进行特征提取，得到训练胶囊内镜图像块特征向量，并对所述卷积神经网络参数进行更新，得到目标卷积神经网络；对所述训练胶囊内镜图像块特征向量通过分类器进行分类，并对分类器参数进行更新，得到目标分类器；对训练胶囊内镜图像块特征向量进行聚类迭代，得到目标聚类中心；获取通过目标卷积神经网络提取的目标胶囊内镜图像特征向量并对所述图像特征图进行分块，得到特征块；计算所述特征块与所述各目标聚类中心的距离，得到含有病灶区域特征的图块类簇，并通过目标分类器对所述含有病灶区域特征的图块类簇进行分类，得到分类结果，从而通过训练神经网络、分类器以及聚类中心，来识别图像中病灶，实现快速智能诊断的计算机辅助诊断。
附图说明
47.图1是本发明实施例方案涉及的硬件运行环境的识别图像中病灶设备结构示意图；
48.图2为本发明识别图像中病灶方法第一实施例的流程示意图；
49.图3为本发明识别图像中病灶方法一实施例的训练阶段流程示意图；
50.图4为本发明识别图像中病灶方法一实施例的测试阶段流程示意图；
51.图5为本发明识别图像中病灶方法第二实施例的流程示意图；
52.图6为本发明识别图像中病灶方法第三实施例的流程示意图；
53.图7为本发明识别图像中病灶装置第一实施例的功能模块示意图。
54.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
55.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。
56.参照图1，图1为本发明实施例方案涉及的硬件运行环境的识别图像中病灶设备结构示意图。
57.如图1所示，该识别图像中病灶设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为usb接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)存储器，也可以是稳定的存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
58.本领域技术人员可以理解，图1中示出的结构并不构成对识别图像中病灶设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
59.如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及识别图像中病灶程序。
60.在图1所示的识别图像中病灶设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述识别图像中病灶设备通过处理器1001调用存储器1005中存储的识别图像中病灶程序，并执行本发明实施例提供的识别图像中病灶方法。
61.基于上述硬件结构，提出本发明识别图像中病灶方法的实施例。
62.参照图2，图2为本发明识别图像中病灶方法第一实施例的流程示意图，提出本发明识别图像中病灶方法第一实施例。
63.在第一实施例中，所述识别图像中病灶方法包括以下步骤：
64.步骤s10：获取预处理后的训练胶囊内镜图像块。
65.应当理解的是，本实施例的执行主体是为识别图像中病灶设备，该识别图像中病灶设备具有数据处理、数据通信及程序运行等功能。
66.在具体实施中，获取预处理后的训练胶囊内镜图像块，会对训练胶囊内镜图像进
行预处理。具体步骤为：获取训练胶囊内镜图像，并截取对应胶囊内镜图像上的目标区域；将所述胶囊内镜图像上的目标区域存入带标签的文件夹，得到胶囊内镜图像块训练样本库；依次提取所述胶囊内镜图像块训练样本库中的胶囊内镜图像上的目标区域进行同样地裁剪、旋转以及翻转操作，得到同样的尺寸目标区域的胶囊内镜图像块。
67.需要说明的是，本实施例分为训练阶段和测试阶段，其中训练流程图如图3所示，首先对胶囊内镜图像进行预处理得到图像块后，对图像块进行特征提取，得到特征向量后进行分类和聚类；测试流程图如图4所示，先对胶囊内镜图像进行特征提取，再对提取到的特征图进行分块，判断特征图块类簇，后进行最终分类，最后将最后分类结果映射返回至原图。
68.步骤s20：对所述预处理后的训练胶囊内镜图像块通过卷积神经网络进行特征提取，得到训练胶囊内镜图像块特征向量，并对所述卷积神经网络参数进行更新，得到目标卷积神经网络。
69.应理解的是，对经过预处理后的胶囊内镜图像块进行特征提取，得到胶囊内镜图像块特征向量。在对图像块进行特征提取之前，需要随机打乱所述胶囊内镜图像块训练样本库，本方法采用卷积神经网络对胶囊内镜图像块进行特征提取，特征提取模块网络层参数设置如表1所示。在实验中图像块经过通过十个卷积层特征提取，得到特征向量，得到特征图的尺寸为5
×5×
512，本实施例对具体卷积层各数和特征图的尺寸不作限制。
[0070][0071][0072]
表1特征提取模块网络层参数
[0073]
步骤s30：对所述训练胶囊内镜图像块特征向量通过分类器进行分类，并对分类器参数进行更新，得到目标分类器。
[0074]
在具体实施中，对所述训练胶囊内镜图像块特征向量进行softmax分类，网络采用的损失函数为交叉熵损失函数，得到分类结果；对所述损失函数通过交叉熵损失、分类标签以及softmax分类结果进行处理，得到分类损失；将所述分类损失通过反向传播进行梯度回传，并对所述分类器参数进行更新；返回执行所述对所述训练胶囊内镜图像块特征向量进行softmax分类，得到分类结果步骤，直至对所有训练胶囊内镜图像块特征向量分类完成，得到目标分类器。
[0075]
步骤s40：对训练胶囊内镜图像块特征向量进行聚类迭代，得到目标聚类中心。
[0076]
在具体实施中，随机抽取所述胶囊内镜图像块训练样本库中的k个图像块作为初始聚类中心，其中k为大于1的整数；计算所述胶囊内镜图像块训练样本库中剩下的所述胶囊内镜图像块训练样本库每个图像块特征向量与所述初始聚类中心的距离；根据所述每个图像块特征向量与所述初始聚类中心的距离，将所述图像块特征向量划分为k个簇；计算所述k个簇的所有特征向量的均值，并将所述均值作为并将此均值作为新的聚类中心；返回执行随机抽取所述胶囊内镜图像块训练样本库中的k个图像块作为初始聚类中心步骤，直至所述新的聚类中心的位置不再发生变化，迭代停止，得到目标聚类中心，为测试阶段训练好模型。
[0077]
步骤s50：获取通过目标卷积神经网络提取的目标胶囊内镜图像特征向量并对所述图像特征图进行分块，得到特征块。
[0078]
在具体实施中，通过所述目标卷积神经网络对目标胶囊内镜图像特征向量进行特征提取，得到目标胶囊内镜图像特征图；将所述目标胶囊内镜图像特征图分成与训练胶囊内镜图像块特征图相同大小的特征块，从而得到目标特征块。
[0079]
应理解的是，特征提取是利用训练阶段训练好的网络参数对胶囊内镜图像测试样本库的图像进行特征提取得到特征向量。例如：在得到特征向量后，在进行下一步之前，需将特征图分成与训练阶段特征图相同的大小，以240*240的胶囊内镜图像为例，经过特征提取后得到的特征图的尺寸大小为30*30，将30*30大小的特征图均分为不重叠的6
×
6个区域，即得到36块特征块，每块尺寸大小为5
×
5。
[0080]
步骤s60：计算所述特征块与所述各目标聚类中心的距离，得到含有病灶区域特征的图块类簇，并通过目标分类器对所述含有病灶区域特征的图块类簇进行分类，得到分类结果。
[0081]
在具体实施中，通过目标分类器对所述含有病灶区域特征的图块类簇进行分类，得到分类结果之后还会根据预设映射关系将分类结果映射至原图像；重复执行计算所述特征块与所述各目标聚类中心的距离，得到含有病灶区域特征图块类簇，并通过目标分类器进行分类，得到最终分类结果，根据预设映射关系将最终分类结果返回至原图的操作直至完成所有的胶囊内镜图像检测。
[0082]
需要说明的是，利用迭代好的目标聚类中心，对特征图块进行辅助判断类别，得到各特征块聚类后所属的类簇。本步骤的主要目的是减少送入分类器特征图块数量，分类器由全连接层组成，而全连接层参数量大、计算量大，而k均值聚类具有运算速度快，执行过程简单的优点，通过迭代好的聚类中心，计算各特征图块与各聚类中心的距离，判断特征图块
所属于的类簇，只对判断含有病灶区域的特征图块类簇进行下一步的分类，大大减少了特征图块输入到分类器进行分类，从而达到在不降低准确率的情况下实现快速检测。
[0083]
应理解的是，利用训练阶段训练好的分类器的网络参数对含有病灶区域的类簇特征图块进行最终分类。根据分类结果，通过预设映射关系返回原图，完成检测。预设映射关系具体步骤包括：根据所述特征图块的左上角(x0，y0)和右下角(x1，y1)坐标，得到检测框的宽w、高h及中心点坐标(x，y)根据网络下采样倍数m对特征图块框映射回原图像尺寸，得到最终检测框的左上角(x0’，y0’)和右下角(x1’，y1’)坐标，公式如下：
[0084]
w＝x1-x0
[0085]
h＝y1-y0
[0086][0087]
y＝y0 h/2
[0088]
x0’＝2m*x-2m*w/2
[0089]
y0’＝2m*y-2m*h/2
[0090]
x1’＝2m*x 2m*w/2
[0091]
y1’＝2m*y 2m*h/2
[0092]
通过以上步骤完成了特征图到原图的映射，完成检测，重复以上步骤，直至所有胶囊内镜图像完成检测。
[0093]
在本实施例中，获取预处理后的训练胶囊内镜图像块；对所述预处理后的训练胶囊内镜图像块通过卷积神经网络进行特征提取，得到训练胶囊内镜图像块特征向量，并对所述卷积神经网络参数进行更新，得到目标卷积神经网络；对所述训练胶囊内镜图像块特征向量通过分类器进行分类，并对分类器参数进行更新，得到目标分类器；对训练胶囊内镜图像块特征向量进行聚类迭代，得到目标聚类中心；获取通过目标卷积神经网络提取的目标胶囊内镜图像特征向量并对所述图像特征图进行分块，得到特征块；计算所述特征块与所述各目标聚类中心的距离，得到含有病灶区域特征的图块类簇，并通过目标分类器对所述含有病灶区域特征的图块类簇进行分类，得到分类结果，从而通过训练神经网络、分类器以及聚类中心，来识别图像中病灶，实现快速智能诊断的计算机辅助诊断。
[0094]
参照图5，图5为本发明识别图像中病灶的方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明识别图像中病灶的方法的第二实施例。
[0095]
在第二实施例中，所述步骤s30，包括：
[0096]
步骤s301：对所述训练胶囊内镜图像块特征向量进行softmax分类，得到分类结果，其中softmax采用的损失函数为交叉熵损失函数。
[0097]
需要说明的是，本实施例在实验中采用的分类器由三层全连接层(fc)组成，分类模块网络层参数设置如表2所示。
[0098]
类型输入大小输出大小
ꢀꢀ
12800fc1128004096fc240961000fc310006
[0099]
表2分类模块网络层参数
[0100]
步骤s302：对所述损失函数通过交叉熵损失、分类标签以及softmax分类结果进行处理，得到分类损失。
[0101]
在具体实施中，分类器将由特征提取得到的特征向量输入全连接层，通过softmax得到概率向量，相应的那个概率值高即为预测的哪个类。
[0102]
步骤s303：将所述分类损失通过反向传播进行梯度回传，并对所述分类器参数进行更新。
[0103]
需要说明的是，反向传播算法是目前用来训练人工神经网络(artificial neural network，ann)的最常用且最有效的算法，其主要思想是：将训练集数据输入到ann的输入层，经过隐藏层，最后达到输出层并输出结果，这是ann的前向传播过程；由于ann的输出结果与实际结果有误差，则先计算估计值与实际值之间的误差，并将该误差从输出层向隐藏层反向传播，直至传播到输入层；在反向传播的过程中，根据误差调整各种参数的值；不断迭代上述过程，直至收敛。
[0104]
步骤s304：返回执行所述对所述训练胶囊内镜图像块特征向量进行softmax分类，得到分类结果步骤，直至对所有训练胶囊内镜图像块特征向量分类完成，得到目标分类器。
[0105]
在具体实施中，网络的损失函数采用交叉熵损失(cross entropy loss)，利用分类标签和softmax分类结果得到分类损失，利用反向传播算法进行梯度回传，对网络进行参数更新，直至所有胶囊内镜图像块完成分类。
[0106]
在本实施例中，对所述训练胶囊内镜图像块特征向量进行softmax分类，得到分类结果；对所述损失函数通过交叉熵损失、分类标签以及softmax分类结果进行处理，得到分类损失；将所述分类损失通过反向传播算法进行梯度回传，并对所述分类器参数进行更新；返回执行所述对所述训练胶囊内镜图像块特征向量进行softmax分类，得到分类结果步骤，直至对所有训练胶囊内镜图像块特征向量分类完成，得到目标分类器。从而实现对训练胶囊内镜图像块特征向量，提高了识别图像中病灶的效率。
[0107]
参照图6，图6为本发明识别图像中病灶的方法第三实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明识别图像中病灶的方法的第三实施例。
[0108]
在第三实施例中，所述步骤s20，包括：
[0109]
步骤s401：随机抽取所述胶囊内镜图像块训练样本库中的k个图像块作为初始聚类中心，其中k为大于1的整数。
[0110]
需要说明的是，将通过特征提取模块得到的图像块特征向量通过预设聚类算法进行迭代，得到聚类中心，随机抽取所述胶囊内镜图像块训练样本库中k个图像块作为初始聚类中心。
[0111]
步骤s402：计算所述胶囊内镜图像块训练样本库中剩下的所述胶囊内镜图像块训练样本库每个图像块特征向量与所述初始聚类中心的距离。
[0112]
需要说明的是，计算剩下的所述胶囊内镜图像块训练样本库每个图像块特征向量与所述初始聚类中心的距离，如马氏距离，欧氏距离等，本方法对此不作限制。
[0113]
步骤s403：根据所述每个图像块特征向量与所述初始聚类中心的距离，将所述图像块特征向量划分为k个簇。
[0114]
需要说明的是，将所述图像块特征向量分到距离聚类中心最近的聚类中心所对应
的类中，当所有所述胶囊内镜图像块训练样本库的图像块特征向量都划分以后，形成k个簇。
[0115]
步骤s404：计算所述k个簇的所有特征向量的均值，并将所述均值作为并将此均值作为新的聚类中心。
[0116]
需要说明的是，k均值聚类算法，其中k为聚成的类数，预设聚类算法以k均值聚类算法进行说明，该聚类算法具有运算速度快，执行过程简单的优点。
[0117]
步骤s405：返回执行随机抽取所述胶囊内镜图像块训练样本库中的k个图像块作为初始聚类中心步骤，直至所述新的聚类中心的位置不再发生变化，迭代停止，得到目标聚类中心。
[0118]
在具体实施中，重新计算每个簇的所有特征向量的均值，并将此均值作为新的聚类中心，最后，对计算得到的簇和聚类中心不断操作同样的过程，直到聚类中心的位置不再发生变化，迭代停止，聚类完成，最终得到目标聚类中心，至此，训练阶段完成。
[0119]
在本实施例中，随机抽取所述胶囊内镜图像块训练样本库中的k个图像块作为初始聚类中心，其中k为大于1的整数；计算所述胶囊内镜图像块训练样本库中剩下的所述胶囊内镜图像块训练样本库每个图像块特征向量与所述初始聚类中心的距离；根据所述每个图像块特征向量与所述初始聚类中心的距离，将所述图像块特征向量划分为k个簇；计算所述k个簇的所有特征向量的均值，并将所述均值作为并将此均值作为新的聚类中心；返回执行随机抽取所述胶囊内镜图像块训练样本库中的k个图像块作为初始聚类中心步骤，直至所述新的聚类中心的位置不再发生变化，迭代停止，得到目标聚类中心。从而实现在测试阶段减少特征图块送入分类器，从而达到快速检测。
[0120]
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有识别图像中病灶程序，所述识别图像中病灶程序被处理器执行时实现如上文所述的识别图像中病灶方法的步骤。
[0121]
由于本存储介质可以采用上述所有实施例的技术方案，因此至少具有上述实施例的技术方案所带来的有益效果，在此不再一一赘述。
[0122]
参照图7，图7为本发明识别图像中病灶装置第一实施例的功能模块示意图。
[0123]
本发明识别图像中病灶装置第一实施例中，该识别图像中病灶装置包括：
[0124]
获取模块10，用于获取预处理后的训练胶囊内镜图像块；
[0125]
特征提取模块20，用于对所述预处理后的训练胶囊内镜图像块通过卷积神经网络进行特征提取，得到训练胶囊内镜图像块特征向量，并对所述卷积神经网络参数进行更新，得到目标卷积神经网络；
[0126]
分类模块30，用于对所述训练胶囊内镜图像块特征向量通过分类器进行分类，并对分类器参数进行更新，得到目标分类器；
[0127]
聚类模块40，用于对训练胶囊内镜图像块特征向量进行聚类迭代，得到目标聚类中心；
[0128]
所述获取模块10，还用于获取通过目标卷积神经网络提取的目标胶囊内镜图像特征向量并对所述图像特征图进行分块，得到特征块；
[0129]
所述聚类模块40，还用于计算所述特征块与所述各目标聚类中心的距离，得到含有病灶区域特征的图块类簇，并通过目标分类器对所述含有病灶区域特征的图块类簇进行
分类，得到分类结果。
[0130]
在本实施例中，获取预处理后的训练胶囊内镜图像块；对所述预处理后的训练胶囊内镜图像块通过卷积神经网络进行特征提取，得到训练胶囊内镜图像块特征向量，并对所述卷积神经网络参数进行更新，得到目标卷积神经网络；对所述训练胶囊内镜图像块特征向量通过分类器进行分类，并对分类器参数进行更新，得到目标分类器；对训练胶囊内镜图像块特征向量进行聚类迭代，得到目标聚类中心；获取通过目标卷积神经网络提取的目标胶囊内镜图像特征向量并对所述图像特征图进行分块，得到特征块；计算所述特征块与所述各目标聚类中心的距离，得到含有病灶区域特征的图块类簇，并通过目标分类器对所述含有病灶区域特征的图块类簇进行分类，得到分类结果，从而通过训练神经网络、分类器以及聚类中心，来识别图像中病灶，实现快速智能诊断的计算机辅助诊断。
[0131]
在一实施例中，所述获取模块10，还用于获取预处理后的训练胶囊内镜图像块，包括：
[0132]
获取训练胶囊内镜图像，并截取对应胶囊内镜图像上的目标区域；
[0133]
将所述胶囊内镜图像上的目标区域存入带标签的文件夹，得到胶囊内镜图像块训练样本库；
[0134]
依次提取所述胶囊内镜图像块训练样本库中的胶囊内镜图像上的目标区域进行同样地裁剪、旋转以及翻转操作，得到同样的尺寸目标区域的胶囊内镜图像块。
[0135]
在一实施例中，所述分类模块20，还用于对所述训练胶囊内镜图像块特征向量通过分类器进行分类，并对分类器参数进行更新，得到目标分类器，包括：
[0136]
对所述训练胶囊内镜图像块特征向量进行softmax分类，得到分类结果，其中softmax采用的损失函数为交叉熵损失函数；
[0137]
对所述损失函数通过交叉熵损失、分类标签以及softmax分类结果进行处理，得到分类损失；
[0138]
将所述分类损失通过反向传播关系进行梯度回传，并对所述分类器参数进行更新；
[0139]
返回执行对所述训练胶囊内镜图像块特征向量进行softmax分类，得到分类结果步骤，直至对所有训练胶囊内镜图像块特征向量分类完成，得到目标分类器。
[0140]
在一实施例中，所述聚类模块40，还用于对所述训练胶囊内镜图像块特征向量进行聚类迭代，包括：
[0141]
随机抽取所述胶囊内镜图像块训练样本库中的k个图像块作为初始聚类中心，其中k为大于1的整数；
[0142]
计算所述胶囊内镜图像块训练样本库中剩下的所述胶囊内镜图像块训练样本库每个图像块特征向量与所述初始聚类中心的距离；
[0143]
根据所述每个图像块特征向量与所述初始聚类中心的距离，将所述图像块特征向量划分为k个簇；
[0144]
计算所述k个簇的所有特征向量的均值，并将所述均值作为并将此均值作为新的聚类中心；
[0145]
返回执行随机抽取所述胶囊内镜图像块训练样本库中的k个图像块作为初始聚类中心步骤，直至所述新的聚类中心的位置不再发生变化，迭代停止，得到目标聚类中心。
[0146]
在一实施例中，所述获取模块10，还用于获取通过目标卷积神经网络提取的目标胶囊内镜图像特征向量并对所述图像特征图进行分块，得到特征块，包括：
[0147]
通过所述目标卷积神经网络对目标胶囊内镜图像进行特征提取，得到目标胶囊内镜图像特征图；
[0148]
将所述目标胶囊内镜图像特征图分成与训练胶囊内镜图像块特征图相同大小的特征块。
[0149]
在一实施例中，所述聚类模块40，还用于计算所述特征块与所述各目标聚类中心的距离，得到含有病灶区域特征的图块类簇，并通过目标分类器对所述含有病灶区域特征的图块类簇进行分类，得到分类结果，包括：
[0150]
通过所述目标聚类中心，计算各特征图块与各聚类中心的距离；
[0151]
根据所述各特征图块与各聚类中心的距离，判断特征图块所属于的类簇，并筛选出含有病灶区域的特征图块类簇；
[0152]
通过目标分类器，对判断含有病灶区域的特征图块类簇进行分类，得到分类结果。
[0153]
在一实施例中，所述聚类模块40，还用于通过目标分类器对所述含有病灶区域特征的图块类簇进行分类，得到分类结果之后，还包括：
[0154]
根据预设映射关系将分类结果映射至原图像；
[0155]
重复执行计算所述特征块与所述各目标聚类中心的距离，得到含有病灶区域特征图块类簇，并通过目标分类器进行分类，得到最终分类结果，根据预设映射关系将最终分类结果返回至原图的操作直至完成所有的胶囊内镜图像检测。
[0156]
本发明所述识别图像中病灶的装置的其他实施例或具体实现方式可参照上述各方法实施例，因此至少具有上述实施例的技术方案所带来的所有有益效果，此处不再赘述。
[0157]
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0158]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为名称。
[0159]
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上述实施例方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的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，该计算机软件产品存储在一个存储介质(如只读存储器镜像(read only memory image，rom)/随机存取存储器(random access memory，ram)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0160]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。