[发明专利]图像检测模型的生成方法及装置、应用方法及装置

说明书

本发明实施例提供一种图像检测模型的生成方法及装置、应用方法及装置。本发明实施例中，通过设置深度学习网络模型，深度学习网络模型包括降维网络和密度估计网络，降维网络包括降维子网络和重建子网络，重建子网络的输入为降维子网络输出的低维特征，密度估计网络的输入为根据降维网络产生的关联参数生成的数据，以及设置深度学习网络模型的初始参数值，获取若干幅样本图像，利用样本图像对深度学习网络模型进行训练，得到图像检测模型，结合相互关联的降维网络和密度估计网络两种方式共同检测，提高了异常图像的检测准确率。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像检测模型的生成方法及装置、应用方法及装置。

背景技术

随着医学影像技术的不断进步，临床医学图像的质量和数量也在不断的提高。如果在扫描时不能实时检测出质量不符合要求的医学图像，就需要对受检者重新扫描，浪费受检者的时间。因此，对于医学图像的异常检测尤其是对数据量大的高维医学图像的异常检测十分重要。

相关技术中，利用重建误差对图像进行检测。其依据是：正常图像的重建误差小，异常图像的重建误差大。相关技术的检测过程是：对待检测图像进行降维处理，得到低维特征，利用低维特征进行图像重建，得到重建图像，根据重建图像与待检测图像求出重建误差，基于重建误差的大小确定待检测图像是否为异常图像。这种技术对于较复杂的待检测图像或者降维算法的复杂度较高时，容易发生异常图像的重建误差也很低的情况，导致检测准确率降低。

发明内容

为克服相关技术中存在的问题，本发明提供了一种图像检测模型的生成方法及装置、应用方法及装置，提高异常图像的检测准确率。

根据本发明实施例的第一方面，提供一种图像检测模型的生成方法，所述方法包括：

设置深度学习网络模型，所述深度学习网络模型包括降维网络和密度估计网络，所述降维网络包括降维子网络和重建子网络，所述重建子网络的输入为所述降维子网络输出的低维特征，所述密度估计网络的输入为根据所述降维网络产生的关联参数生成的数据；以及设置所述深度学习网络模型的初始参数值；

获取样本图像集，所述样本图像集中包括多幅样本图像；

利用所述样本图像对所述深度学习网络模型进行训练，得到训练完毕的深度学习网络模型，以所述训练完毕的深度学习网络模型作为图像检测模型。

根据本发明实施例的第二方面，提供一种图像检测模型的应用方法，所述方法包括：

接收待检测图像；将所述待检测图像输入图像检测模型，获得所述图像检测模型输出的目标概率值，所述图像检测模型为根据第一方面任一项图像检测模型的生成方法生成的模型；

根据所述目标概率值，确定评价参数的值，评价参数为以概率为自变量的函数；

将所述评价参数的值与所述图像检测模型对应的评价参数的阈值进行比较，根据比较结果确定所述待检测图像是否属于异常图像。

根据本发明实施例的第三方面，提供一种图像检测模型的生成装置，所述装置包括：

设置模块，用于设置深度学习网络模型，所述深度学习网络模型包括降维网络和密度估计网络，所述降维网络包括降维子网络和重建子网络，所述重建子网络的输入为所述降维子网络输出的低维特征，所述密度估计网络的输入为根据所述降维网络产生的关联参数生成的数据；以及设置所述深度学习网络模型的初始参数值；

样本获取模块，用于获取样本图像集，所述样本图像集中包括多幅样本图像；

训练模块，用于利用所述样本图像对所述深度学习网络模型进行训练，得到训练完毕的深度学习网络模型，以所述训练完毕的深度学习网络模型作为图像检测模型。

根据本发明实施例的第四方面，提供一种图像检测模型的应用装置，所述装置包括：