[发明专利]分类模型、网络模型的训练方法及装置、识别方法及装置

说明书

本申请公开了一种分类模型、网络模型的训练方法及装置、识别方法及装置。该网络模型的训练方法包括：根据包含脑部的血肿区域的样本图像，通过分类模型，确定所述血肿区域的征象类别的第一分类结果；根据所述第一分类结果和所述包含脑部的血肿区域的样本图像，训练预设网络模型，以生成所述网络模型，所述网络模型用于识别所述血肿区域的易扩张性。利用本申请实施例提供的网络模型的训练方法训练生成的网络模型，能够减少识别血肿是否易扩大所花费的时间，同时提高识别血肿是否易扩大的准确率和效率。

技术领域

本申请涉及图像处理技术领域，具体涉及一种分类模型、网络模型的训练方法及装置、识别方法及装置。

背景技术

脑出血指由血管破裂引发的脑内出血，医学上所指的脑出血主要是自发性的非外伤性脑出血，即自发性脑出血，自发性脑出血通常是由高血压、高血糖、高血脂和抽烟等因素引起的。该疾病发病突然，病情凶险，治疗费用、复发率、致残率和死亡率都很高，超过40％的脑出血患者会在一个月内死亡，幸存的患者中80％的需要依靠他人的护理而活着。

CT是脑出血检查的主要方式，在CT图像中识别易扩张性血肿主要根据血肿扩大的CT影像学征象，但是目前对征象的判断受限于人的经验水平。同时，脑出血是十分紧迫的发病症状，需要在尽量短的时间内做出判断，如果判定是否血肿扩大不够及时的话，这可能会导致患者病情恶化甚至死亡。

发明内容

有鉴于此，本申请的实施例致力于提供一种分类模型、网络模型的训练方法及装置、识别方法及装置，能够减少识别血肿是否易扩大所花费的时间，同时提高识别血肿是否易扩大的准确率和效率。

根据本申请实施例的第一方面，提供了一种分类模型的训练方法，包括：获取包含脑部的血肿区域的样本图像；根据所述包含脑部的血肿区域的样本图像，训练预设分类模型，以生成所述分类模型，所述分类模型用于确定所述血肿区域的征象类别。

根据本申请实施例的第二方面，提供了一种网络模型的训练方法，包括：根据包含脑部的血肿区域的样本图像，通过分类模型，确定所述血肿区域的征象类别的第一分类结果；根据所述第一分类结果和所述包含脑部的血肿区域的样本图像，训练预设网络模型，以生成所述网络模型，所述网络模型用于识别所述血肿区域的易扩张性。

根据本申请实施例的第三方面，提供了一种识别方法，包括：根据包含脑部的血肿区域的图像，通过分类模型，确定所述血肿区域的征象类别的第二分类结果；根据所述第二分类结果，通过网络模型，识别所述血肿区域的易扩张性。

根据本申请实施例的第四方面，提供了一种分类模型的训练装置，包括：获取模块，配置为获取包含脑部的血肿区域的样本图像；第一训练模块，配置为根据所述包含脑部的血肿区域的样本图像，训练预设分类模型，以生成所述分类模型，所述分类模型用于确定所述血肿区域的征象类别。

根据本申请实施例的第五方面，提供了一种网络模型的训练装置，包括：第一分类模块，配置为根据包含脑部的血肿区域的样本图像，通过分类模型，确定所述血肿区域的征象类别的第一分类结果；第二训练模块，配置为根据所述第一分类结果和所述包含脑部的血肿区域的样本图像，训练预设网络模型，以生成所述网络模型，所述网络模型用于识别所述血肿区域的易扩张性。

根据本申请实施例的第六方面，提供了一种识别装置，包括：第二分类模块，配置为根据包含脑部的血肿区域的图像，通过分类模型，确定所述血肿区域的征象类别的第二分类结果；识别模块，配置为根据所述第二分类结果，识别所述血肿区域的易扩张性。

根据本申请实施例的第七方面，提供了一种电子设备，包括：处理器，用于执行上述实施例所提及的分类模型的训练方法，执行上述实施例所提及的网络模型的训练方法，或者执行上述实施例所提及的识别方法；用于存储所述处理器可执行指令的存储器。