一种图像识别方法及服务器技术

本发明专利技术实施例提供了一种图像识别方法及服务器，该方法和服务器能够解决现有技术中使用开源架构的网络模型来进行疾病诊断的准确性较差的问题。其中，图像识别方法包括：获取各个类型的脑部疾病的历史正电子发射型计算机断层显像PET图像，并基于历史PET图像对预先构建的深度学习网络进行训练，获得疾病诊断模型，其中，深度学习网络包括：多层基于M个卷积核的第一卷积网络、至少两个第二卷积网络以及全连接网络；当接收到新的PET图像时，基于疾病诊断模型对新的PET图像进行识别，并输出诊断结果。结果。结果。

【技术实现步骤摘要】
一种图像识别方法及服务器


[0001]本专利技术涉及深度学习领域，尤其涉及一种图像识别方法及服务器。

技术介绍

[0002]脑部正电子发射型计算机断层显像(positron emission tomography，PET)，简称脑部PET，是反映脑部病变的基因、分子、代谢及功能状态的显像。其工作原理是利用正电子核素标记葡萄糖等人体代谢物作为显像剂，通过病灶对显像剂的摄取来反映其代谢变化，从而为临床提供疾病的生物代谢信息。
[0003]目前，深度学习技术在医学领域的应用十分广泛。例如，基于深度学习技术训练出可用于对脑部PET图像进行分析的深度模型，从而辅助疾病诊断。但是现有技术中，通常采用的开源结构的网络模型，没有针对性设计网络架构，因此现有的开源结构的网络模型在进行脑部疾病检测时准确性较差。
[0004]可见，提出一种针对脑部疾病诊断的深度模型十分必要。

技术实现思路

[0005]本专利技术实施例提供一种图像识别方法及服务器，该方法和服务器能够解决现有技术中使用开源架构的网络模型来进行疾病诊断的准确性较差的问题。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像识别方法，其特征在于，所述方法包括：获取各个类型的脑部疾病的历史正电子发射型计算机断层显像PET图像，并基于所述历史PET图像对预先构建的深度学习网络进行训练，获得疾病诊断模型，其中，所述历史PET图像用于指示脑部中病变区域与非病变区域对被标记的代谢物的摄取程度，所述病变区域与脑部疾病的类型相关，所述深度学习网络包括：多层基于M个卷积核的第一卷积网络、至少两个第二卷积网络以及全连接网络，所述第一卷积网络用于对各个类型的脑部疾病所对应的病变区域与非病变区域进行特征提取，所述至少两个第二卷积网络中每个第二卷积网络穿插设置于所述第一卷积网络中不同深度的卷积层之间，每个第二卷积网络内部包括至少三个并行且卷积核大小各不相同的链式结构，且每个第二卷积网络用于将一卷积层输出的特征图进行多个维度的特征提取并将所提取的特征进行融合后输出至另一卷积层，所述全连接网络与所述第一卷积网络连接且用于根据所述第一卷积网络提取的特征分别确定出各个类型的脑部疾病的置信度，并将置信度最高的类型作为分类结果进行输出；M为不小于1的正整数且随网络深度变化；当接收到新的PET图像时，基于所述疾病诊断模型对所述新的PET图像进行识别，并输出诊断结果。2.如权利要求1所述的方法，其特征在于，所述第一卷积网络中每间隔两个卷积层进行一次跳转连接，其中，所述跳转连接用于指示依次连接的四个卷积层中首层卷积层的输出与尾层卷积层的输入相连接。3.如权利要求1所述的方法，其特征在于，获取各个类型的脑部疾病的历史正电子发射型计算机断层显像PET图像，并基于所述历史PET图像对预先构建的深度学习网络进行训练，获得疾病诊断模型包括：针对各个类型的脑部疾病的历史PET图像进行标注，其中，标注内容至包括脑部疾病的类型，患者的性别、患者的年龄以及患者是否具有家族病史；针对已标注的各个类型的历史PET图像进行预处理操作，所述预处理操作包括：灰度化处理、裁剪处理以及直方图均衡化处理；根据经预处理后的各个类型的历史PET图像对所述深度学习网络进行训练。4.如权利要求3所述的方法，其特征在于，还包括：对预设处理后的各个类型的历史PET图像进行数据增强处理，所述数据增强处理包括水平与垂直翻转、模糊变化处理以及噪声处理，所述经数据增强处理后得到的PET图像与历史PET图像共同用于对所述深度学习网络进行训练。5.如权利要求1所述的方法，其特征在于，还包括：若确定所述诊断结果的置信度低于预设阈值，则输出提示信息，所述提示信息用于提醒用户需人工确认所述新的PET图像所表征的脑部疾病...

【专利技术属性】
技术研发人员：徐俊，单敏柱，谌小仲，赵林，李立宁，赵丹，李沈郢，刘杨，
申请(专利权)人：航天信息股份有限公司，
类型：发明
国别省市：