基于深度学习的胃部图像识别模型构建方法及其系统技术方案

本发明专利技术涉及计算机技术领域，提供一种基于深度学习的胃部图像识别模型构建方法及其系统，该方法包括：获取第一训练图像集；基于目标训练图像的尺寸，确定第一尺寸；基于第一尺寸，确定网络参数，并基于网络参数构建第一待训练网络；基于第一训练图像集对第一待训练网络进行训练，得到胃部图像识别模型。本发明专利技术提供的基于深度学习的胃部图像识别模型构建方法训练出胃部图像识别模型，从而能够通过胃部图像识别模型标注胃部图像的各个部位，不需要医护人员进行人工标注，减轻了医护人员的负担，同时，胃部图像识别模型中的网络参数是通过第一尺寸确定的，实现了参数的自动设置，从而通过胃部图像识别模型能够更加准确地标注出胃部的各个部位。的各个部位。的各个部位。

【技术实现步骤摘要】
基于深度学习的胃部图像识别模型构建方法及其系统


[0001]本专利技术涉及计算机
，尤其涉及一种基于深度学习的胃部图像识别模型构建方法及其系统。

技术介绍

[0002]目前胶囊胃镜图像部位的识别方法主要是依靠人工辨别，医生需要在胶囊胃镜图像上标注出胃部的各个部位，这加大了医生的负担。而通过实例分割网络Mask RCNN来实现胃部各个部位的识别和标注，则存在着标注不准确的问题。

技术实现思路

[0003]本专利技术提供一种基于深度学习的胃部图像识别模型构建方法及其系统，旨在减轻医生负担，以及提升胃部各个部位的标注精度。
[0004]第一方面，本专利技术提供一种基于深度学习的胃部图像识别模型构建方法，包括：获取第一训练图像集；基于目标训练图像的尺寸，确定第一尺寸；所述目标训练图像为所述第一训练图像集中的任一图像；基于所述第一尺寸，确定网络参数，并基于所述网络参数构建第一待训练网络；基于所述第一训练图像集对所述第一待训练网络进行训练，得到胃部图像识别模型；所述第一训练图像集为已标注的胃部图像的集合。<br/>[0005]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的胃部图像识别模型构建方法，其特征在于，包括：获取第一训练图像集；基于目标训练图像的尺寸，确定第一尺寸；所述目标训练图像为所述第一训练图像集中的任一图像；基于所述第一尺寸，确定网络参数，并基于所述网络参数构建第一待训练网络；基于所述第一训练图像集对所述第一待训练网络进行训练，得到胃部图像识别模型；所述第一训练图像集为已标注的胃部图像的集合。2.根据权利要求1所述的基于深度学习的胃部图像识别模型构建方法，其特征在于，所述基于所述第一尺寸，确定网络参数，包括：确定下采样层的最小特征图的第二尺寸；所述下采样层为所述第一待训练网络的池化层；基于所述第一尺寸和所述第二尺寸，确定采样次数，并基于所述采样次数，确定上采样层数和下采样层数；基于所述采样次数和所述第一尺寸，确定采样图像的第三尺寸；将所述上采样层数、所述下采样层数和所述第三尺寸，确定为所述网络参数。3.根据权利要求1所述的基于深度学习的胃部图像识别模型构建方法，其特征在于，所述基于所述第一训练图像集对所述第一待训练网络进行训练，得到胃部图像识别模型，包括：基于目标上采样层的层数，确定所述目标上采样层的目标权重；所述目标上采样层为所述第一待训练网络的任一上采样层；基于所述目标权重和损失函数，确定所述目标上采样层的损失值；将所有目标上采样层的损失值进行叠加，得到目标模型的训练损失值；所述目标模型为对所述第一待训练网络进行任一次迭代训练时得到的模型；将训练损失值最小的目标模型，确定为所述胃部图像识别模型。4.根据权利要求1所述的基于深度学习的胃部图像识别模型构建方法，其特征在于，所述基于所述第一训练图像集对所述第一待训练网络进行训练，得到胃部图像识别模型之后，还包括：获取第一测试图像集；所述第一测试图像集为未标注的胃部图像的集合；基于所述胃部图像识别模型对所述第一测试图像集中所有的胃部图像进行标注，得到标注后的第一测试图像集。5.根据权利要求4所述的基于深度学习的胃部图像识别模型构建方法，其特征在于，所述基于所述胃部图像识别模型对所述第一测试图像集中所有的胃部图像进行标注，得到标注后的第一测试图像集，包括：确定第一目标图像中目标部位的第一面积占比；所述第一目标图像为所述第一训练图像集中的任一图像，所述目标部位为胃部中的任一部位；基于所述第一面积占比，确定所述目标部位的面积占比范围；确定第二目标图像中目...

【专利技术属性】
技术研发人员：招展鹏，刘绍毅，严黎明，周可，王羽嗣，王云忠，刘思德，
申请(专利权)人：广州思德医疗科技有限公司，
类型：发明
国别省市：