[发明专利]图像分类方法、计算机设备和存储介质

说明书

本发明涉及一种图像分类方法、计算机设备和存储介质，该方法包括：获取待分类图像及多幅训练样本图像；待分类图像与多幅训练样本图像为不同患者的同一部位的图像；将待分类图像分别与多幅训练样本图像组合，输入关系网络模型，得到待分类图像与各训练样本图像的距离，根据待分类图像与各训练样本图像的距离构建待分类图像与多幅训练样本图像的图特性矩阵；将图特性矩阵输入分类网络模型，得到对待分类图像的分类结果。该方法提高了得到的对待分类图像的分类结果的准确度。

技术领域

本发明涉及图像领域，特别是涉及一种图像分类方法、计算机设备和存储介质。

背景技术

随着深度学习网络的发展，卷积神经网络及其变体在医学影像上的应用也越来越多，通过卷积神经网络对医学图像进行识别，是其较为广泛的应用之一。然而，现有的卷积神经网络对医学图像的识别，仅限于独立的个体，即在训练和测试过程中，并没有考虑到患者之间的相似性和关联性，从而限制了卷积神经网络在小样本上的表现效果。

传统技术中，对于小样本的学习方式是矩阵学习，通过度量测试样本和训练样本的距离，借助最近邻的思想完成分类，例如，孪生网络通过有监督的训练方式，使用两个结构完全相同的网络，采用预先设置的线性的度量，比如，向量内积、欧式距离等来衡量测试样本与训练样本之间的距离，从而对输入的样本对进行分类。

但是，传统技术存在无法对样本对进行准确地分类的问题。

发明内容

基于此，有必要针对传统技术存在无法对样本对进行准确地分类的问题，提供一种图像分类方法、计算机设备和存储介质。

第一方面，本发明实施例提供一种图像分类方法，所述方法包括：

获取待分类图像及多幅训练样本图像；所述待分类图像与所述多幅训练样本图像为不同患者的同一部位的图像；

将所述待分类图像分别与所述多幅训练样本图像组合，输入关系网络模型，得到所述待分类图像与各所述训练样本图像的距离，根据所述待分类图像与各所述训练样本图像的距离构建所述待分类图像与所述多幅训练样本图像的图特性矩阵，其中，所述关系网络模型为将训练样本图像集中的图像两两组对所形成的样本图像对输入预设的关系网络中训练得到的模型；

将所述图特性矩阵输入分类网络模型，得到对所述待分类图像的分类结果，其中，所述分类网络模型为将所述训练样本图像集输入所述关系网络模型，得到所述训练样本图像集对应的样本图特性矩阵，将所述样本图特性矩阵输入图网络中训练得到的模型。

在其中一个实施例中，所述关系网络模型包括特征提取网络和比较网络，将所述待分类图像分别与所述多幅训练样本图像组合，输入关系网络模型，得到所述待分类图像与各所述训练样本图像的距离，包括：

将所述待分类图像分别与所述多幅训练样本图像组合，得到多个图像对；

将各所述图像对输入所述特征提取网络，获取各所述图像对的高阶特征；

将各所述图像对的高阶特征输入所述比较网络，得到所述待分类图像与各所述训练样本图像的距离。

在其中一个实施例中，所述将各所述图像对的高阶特征输入所述比较网络，得到所述待分类图像与各所述训练样本图像的距离，包括：

将各所述图像对的高阶特征输入所述比较网络，得到所述待分类图像与各所述训练样本图像为同一类图像的概率值；

将各所述概率值作为所述待分类图像与各所述训练样本图像的距离。

在其中一个实施例中，所述特征提取网络包括卷积层，用于提取各所述图像对的高阶特征；所述比较网络包括卷积层和全连接层，用于获取所述待分类图像与各所述训练样本图像的距离。

在其中一个实施例中，所述图网络包括图卷积网络。