[发明专利]基于神经网络的图像分类方法、装置、设备及介质

说明书

本申请涉及人工智能领域，具体涉及一种基于神经网络的图像分类方法、装置、设备及介质，可应用于数字医疗，对医学影像图片中的病征进行分类识别；通过对样本图像进行显著性映射，可以得到样本图像的特征图像，从而根据特征图像进行初步分类，并计算出初始分类结果的评分从而来确定分类结果的准确性，可以排除图像背景或其他因素的影响，提供更加精确的分类结果，可以解决现有技术中使用的分类解释结果方法，受医学影像图片的背景或其他相关医学概念的影响较大，同时还是需要基于实例级别的标签进行分类，分类效果不理想的问题。

技术领域

本申请涉及人工智能领域，具体涉及一种基于神经网络的图像分类方法、装置、设备及介质。

背景技术

现代医学中，医学病灶、病征基本上都是基于病灶处的医学影像图像进行的诊断和定位的，对医学影像图片进行医学分析和诊断需要非常丰富的专业知识和临床经验，然而，对医学影像图片进行实力级别的定位诊断需要耗费医生大量的时间，且根据医生的诊断结论对对应的医学影像图进行标注的成本也较高；而医学疾病种类繁多，让医生为每一种疾病都提供实力级别的标注信息显然是不现实的，因此，利用神经网络对医学影像图片进行分类标注成为现代医学的发展趋势；

然而，目前的使用的分类解释结果方法，受医学影像图片的背景或其他相关医学概念的影响较大，同时还是需要基于实例级别的标签进行分类，分类效果并不理想。

发明内容

本申请提供一种基于神经网络的图像分类方法、装置、设备及介质，旨在解决现有技术中使用的分类解释结果方法，受医学影像图片的背景或其他相关医学概念的影响较大，同时还是需要基于实例级别的标签进行分类，分类效果并不理想问题。

为了解决上述技术问题，第一方面，本申请提供了一种基于神经网络的图像分类方法，包括：

获取样本图像；

对所述样本图像进行显著性映射，得到特征图像；

将特征图像进行归一化处理，得到所述特征图像的初始分类结果；

将初始分类结果输入到训练好的神经网络分类模型中，得到所述初始分类结果的分类评分；

当使所述分类评分大于预设值时，则将所述初始分类结果作为最终分类结果输出。

优选的，所述对所述样本图像进行显著性映射，得到特征图像的步骤包括：

获取所述样本图像与图像类型对应的特征映射；

根据所述特征映射，并基于积分梯度算法生成显著性映射关系；

根据所述显著性映射关系对所述样本图像进行显著性映射，得到特征图像。

优选的，所述特征映射为：

Z∈i^D×H×W；

其中，Z为图像的特征映射，i为图像中的元素，D为神经元的个数；H为图像高度方向上像素的个数；W为图像宽度方向上像素的个数。

优选的，所述显著性映射关系为：

其中，x为输入图像，为基准图像，α为积分变量；取值范围为[0,1]，Z为图像的特征映射，f为非线性映射函数。

优选的，所述将特征图像进行归一化处理，得到所述特征图像的初始分类结果的步骤包括：

基于聚合函数将所述显著性映射沿所述特征图像的通道维数进行聚合，得到聚合图像；

将所述聚合图像归一化处理，得到所述初始分类结果；

其中，所述聚合函数为：

β＝║s0，s║。