一种头颈斑块图像识别方法及装置制造方法及图纸

本说明书提供一种头颈斑块图像识别方法及装置，所述方法包括：获取待识别的头颈磁共振图像；将所述待识别的头颈磁共振图像输入到构建的斑块识别模型中，获得所述待识别的头颈磁共振图像中的斑块识别结果；其中，所述斑块识别模型包括U型卷积神经网络模型，所述U型卷积神经网络模型的卷积层采用密集卷积神经网络模型中的密集连接块。本说明书实施例实现了头颈斑块的自动识别，提高了头颈斑块识别结果的准确性。

An Image Recognition Method and Device for Head and Neck Patches

This specification provides a method and device for patch image recognition of head and neck, which includes: acquiring the head and neck magnetic resonance image to be recognized; inputting the head and neck magnetic resonance image to be recognized into the constructed patch recognition model to obtain the patch recognition result in the head and neck magnetic resonance image to be recognized; and the patch recognition model includes the U-convolution neural network model. The convolution layer of the U-type convolution neural network model adopts the dense connection block of the dense convolution neural network model. The embodiment of this specification realizes the automatic identification of head and neck plaques, and improves the accuracy of the results of the identification of head and neck plaques.

【技术实现步骤摘要】
一种头颈斑块图像识别方法及装置
本说明书属于图像处理
，尤其涉及一种头颈斑块图像识别方法及装置。
技术介绍
脑卒中目前已成为成年人致死率和致残率最高的疾病之一，而我国脑卒中患者中，其中70％以上为缺血性脑卒中。缺血性脑卒中的主要致病因素是动脉粥样硬化斑块破裂所引起的血栓栓塞，检查血管壁结构能有效提高脑卒中的确诊率，而检查血管壁结构中的一项是对斑块进行识别诊断。由于头颈斑块非常小，越小的物体识别难度就越大，对于头颈部斑块分割或者检测的方法比较少。现有技术中，对于斑块的检测主要是经过临床影像科医生肉眼识别，而医生每天阅读大量的片子，会导致视觉疲劳，也会由于一些个人主观因素比如经验、阅历等导致诊断结果有一定误差。因此，本领域亟需一种能够准确识别出头颈斑块的技术方案。
技术实现思路
本说明书目的在于提供一种头颈斑块图像识别方法及装置，实现了头颈斑块的自动识别，提高了头颈斑块识别结果的准确性。一方面本说明书实施例提供了一种头颈斑块图像识别方法，包括：获取待识别的头颈磁共振图像；将所述待识别的头颈磁共振图像输入到构建的斑块识别模型中，获得所述待识别的头颈磁共振图像中的斑块识别结果；其中，所述斑块识别模型采用U型卷积神经网络模型，所述U型卷积神经网络模型的卷积层采用密集卷积神经网络模型中的密集连接块。进一步地，所述方法的另一个实施例中，所述斑块识别模型中的每个所述密集连接块输出的特征图的数量不同。进一步地，所述方法的另一个实施例中，所述斑块识别模型中的所述密集连接块包括多层密集连接层，各密集连接层之间密集连接。进一步地，所述方法的另一个实施例中，所述密集连接块的数量为多个，各所述密集连接块中的密集连接层的数量相同。进一步地，所述方法的另一个实施例中，所述斑块识别模型采用下述方法构建：获取多个样本数据，所述样本数据包括：头颈磁共振图像和所述头颈磁共振图像中的斑块标记；建立所述斑块识别模型，将所述样本数据中的头颈磁共振图像作为所述斑块识别模型的输入数据，将对应的所述头颈磁共振图像中的斑块标记作为所述斑块识别模型的输出标签，对所述斑块识别模型进行训练，直至所述斑块识别模型达到预设要求。进一步地，所述方法的另一个实施例中，所述方法还包括：采用交叉验证法优化所述斑块识别模型。进一步地，所述方法的另一个实施例中，所述获取多个样本数据，包括：获取多个头颈磁共振图像，并对所述头颈磁共振图像进行归一化处理；将获取到的头颈磁共振图像进行斑块标注，获得所述头颈磁共振图像中的斑块标记；相应地，所述将所述归一化处理后的头颈磁共振图像作为所述斑块识别模型的输入数据，包括：将所述归一化处理后的头颈磁共振图像作为所述斑块识别模型的输入数据。另一方面，本说明书提供了一种头颈斑块图像识别装置，包括：图像获取模块，用于获取待识别的头颈磁共振图像；图像识别模块，用于将所述待识别的头颈磁共振图像输入到构建的斑块识别模型中，获得所述待识别的头颈磁共振图像中的斑块识别结果；其中，所述斑块识别模型采用U型卷积神经网络模型，所述U型卷积神经网络模型的卷积层采用密集卷积神经网络模型中的密集连接块。进一步地，所述装置的另一个实施例中，所述斑块识别模型中的每个所述密集连接块输出的特征图的数量不同。进一步地，所述装置的另一个实施例中，所述斑块识别模型中的所述密集连接块包括多层密集连接层，各密集连接层之间密集连接。进一步地，所述装置的另一个实施例中，所述密集连接块的数量为多个，各所述密集连接块中的密集连接层的数量相同。进一步地，所述装置的另一个实施例中，所述装置还包括：模型构建模块用于采用下述方法构建所述斑块识别模型：获取多个样本数据，所述样本数据包括：头颈磁共振图像和所述头颈磁共振图像中标记的斑块；建立所述斑块识别模型，将所述样本数据中的头颈磁共振图像作为所述斑块识别模型的输入数据，将对应的所述头颈磁共振图像中标记的斑块作为所述斑块识别模型的输出标签，对所述斑块识别模型进行训练，直至所述斑块识别模型达到预设要求。进一步地，所述装置的另一个实施例中，所述模型构建模块还用于：采用交叉验证法优化所述斑块识别模型。进一步地，所述装置的另一个实施例中，所述模型构建模块具体用于：获取多个头颈磁共振图像，并对所述头颈磁共振图像进行归一化处理，将所述归一化处理后的头颈磁共振图像作为所述斑块识别模型的输入数据；将获取到的多个头颈磁共振图像进行斑块标注，获得所述头颈磁共振图像中的斑块标记。还一方面，本说明书提供了头颈斑块图像识别处理设备，包括：至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现本说明书实施例中的头颈斑块图像识别方法。再一方面，本说明书提供了一种头颈斑块图像识别系统，包括：数据采集模块，用于采集样本数据，所述样本数据包括：头颈磁共振图像和所述头颈磁共振图像中标记的斑块；检测模型构建模块，用于构建斑块识别模型，并进行模型训练和模型优化，其中所述斑块识别模型采用U型卷积神经网络模型，所述U型卷积神经网络模型的卷积层采用密集卷积神经网络模型中的密集连接块；模型测试模块，用于输入待识别的头颈磁共振图像，获得头颈斑块识别结果。本说明书提供的头颈斑块图像识别方法、装置、处理设备、系统，基于深度学习，将U型卷积神经网络模型与密集卷积神经网络模型相结合，构建出斑块识别模型，再将待识别的头颈磁共振图像输入到构建的斑块识别模型中，即可以获得待识别的头颈磁共振图像的斑块识别结果，实现了头颈斑块的自动识别，不需要人工肉眼识别，提高了头颈斑块的识别结果。此外，本说明书实施例中的斑块识别模型将U型卷积神经网络模型与密集卷积神经网络模型相结合，可以减少训练样本数据，比较好的保留图像信息，提高特征图的复用次数，进一步提高斑块识别的效率以及准确性。附图说明为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本说明书一个实施例中头颈斑块图像识别方法的流程示意图；图2是本说明书一个实施例中斑块识别模型的网络架构示意图；图3是本说明书提供的头颈斑块图像识别装置一个实施例的模块结构示意图；图4是本说明书又一实施例中头颈斑块图像识别装置的结构示意图；图5是本说明书一个实施例中头颈斑块图像识别系统工作流程示意图；图6是应用本申请实施例头颈斑块识别服务器的硬件结构框图。具体实施方式为了使本
的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。本说明书实施例中提供了一种头颈斑块图像识别方法，通过将U型卷积神经网络与秘密卷积神经网络模型进行结合，构建斑块识别模型。利用构建的斑块识别模型对头颈磁共振图像进行斑块识别，实现头颈斑块的自动识别，识别出头颈磁共振图像中的斑块区域，为脑卒中的诊断提供了数据基础。本说本文档来自技高网...

【技术保护点】
1.一种头颈斑块图像识别方法，其特征在于，包括：获取待识别的头颈磁共振图像；将所述待识别的头颈磁共振图像输入到构建的斑块识别模型中，获得所述待识别的头颈磁共振图像中的斑块识别结果；其中，所述斑块识别模型采用U型卷积神经网络模型，所述U型卷积神经网络模型的卷积层采用密集卷积神经网络模型中的密集连接块。

【技术特征摘要】
1.一种头颈斑块图像识别方法，其特征在于，包括：获取待识别的头颈磁共振图像；将所述待识别的头颈磁共振图像输入到构建的斑块识别模型中，获得所述待识别的头颈磁共振图像中的斑块识别结果；其中，所述斑块识别模型采用U型卷积神经网络模型，所述U型卷积神经网络模型的卷积层采用密集卷积神经网络模型中的密集连接块。2.如权利要求1所述的方法，其特征在于，所述斑块识别模型中的每个所述密集连接块输出的特征图的数量不同。3.如权利要求1所述的方法，其特征在于，所述斑块识别模型中的所述密集连接块包括多层密集连接层，各密集连接层之间密集连接。4.如权利要求3所述的方法，其特征在于，所述密集连接块的数量为多个，各所述密集连接块中的密集连接层的数量相同。5.如权利要求1所述的方法，其特征在于，所述斑块识别模型采用下述方法构建：获取多个样本数据，所述样本数据包括：头颈磁共振图像和所述头颈磁共振图像中的斑块标记；建立所述斑块识别模型，将所述样本数据中的头颈磁共振图像作为所述斑块识别模型的输入数据，将对应的所述头颈磁共振图像中的斑块标记作为所述斑块识别模型的输出标签，对所述斑块识别模型进行训练，直至所述斑块识别模型达到预设要求。6.如权利要求5所述的方法，其特征在于，所述方法还包括：采用交叉验证法优化所述斑块识别模型。7.如权利要求5所述的方法，其特征在于，所述获取多个样本数据，包括：获取多个头颈磁共振图像，并对所述头颈磁共振图像进行归一化处理；将获取到的多个头颈磁共振图像进行斑块标注，获得所述头颈磁共振图像中的斑块标记；相应地，所述将所述归一化处理后的头颈磁共振图像作为所述斑块识别模型的输入数据，包括：将所述归一化处理后的头颈磁共振图像作为所述斑块识别模型的输入数据。8.一种头颈斑块图像识别装置，其特征在于，包括：图像获取模块，用于获取待识别的头颈磁共振图像；图像识别模块，用于将所述待识别的头颈磁共振图像输入到构建的斑块识别模型中，获得所述待识别的头颈磁共振图像中的斑块识别结果；其中，所述斑块识别模型采用U型卷积神经网络模型，所述U型卷积神经网络模...

【专利技术属性】
技术研发人员：肖韬辉，王珊珊，郑海荣，刘新，梁栋，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东,44