图像识别方法、装置、设备和阿尔茨海默症预测中的应用制造方法及图纸

本发明专利技术提供了一种图像识别方法、装置、设备和阿尔茨海默症预测中的应用，该图像识别方法包括：获取待识别图像，并对所述待识别图像进行预处理，得到第一特征图像、第二特征图像和第三特征图像；将所述第一特征图像、所述第二特征图像和所述第三特征图像输入CNN分类模型中，得到第一预测结果；将所述第一特征图像、所述第二特征图像和所述第三特征图像输入ML分类模型中，得到第二预测结果；利用所述第一预测结果和所述第二预测结果得到所述待识别图像属于预定分类类别的概率，其不仅可以提取所述待识别图像的有效特征，而且还可以对所述待识别图像的有效特征进行有效融合，提高了待识别图像的识别准确性。识别图像的识别准确性。识别图像的识别准确性。

【技术实现步骤摘要】
图像识别方法、装置、设备和阿尔茨海默症预测中的应用


[0001]本专利技术涉及图像识别
，特别是涉及图像识别方法、装置、设备和阿尔茨海默症预测中的应用。

技术介绍

[0002]阿尔茨海默症(Alzheimer
’
s Disease，简写为：AD)的病情呈现阶段性进展，一旦进入中重症阶段，其病情的恶化速度将立即加快、且具有不可逆性，而已有的研究表明AD的最佳治疗时期为AD早期，因此，AD的早期预测对于AD的治疗是非常重要的。
[0003]目前，主要通过基于神经状态检查的预测方法、基于正电子发射断层扫描结合核磁共振的预测方法、基于脑脊液生物标志物的预测方法、基于外泌体和外周血质检测的预测方法、以及基于机器学习算法的预测方法等对AD进行预测，其中：(1)基于神经状态检查的预测方法存在易漏诊或误诊的缺陷；(2)基于正电子发射断层扫描集合核磁共振的预测方法存在预测结果异质性较大、分辨率低的缺陷；(3)基于脑脊液生物标志物的预测方法存在检测敏感性与特异性有限、侵入性强、临床开展难度大的缺陷；(4)基于外泌体和外周血质谱检测的预测方法存在检测有创以及耗时较长的缺陷；(5)基于机器学习算法的预测方法存在不能够较好地对具有不同的图像模式的视网膜层进行特征提取和融合的缺陷。

技术实现思路

[0004]基于此，本专利技术的目的在于，提供一种图像识别方法、装置、设备和阿尔茨海默症预测中的应用，其不仅可以提取待识别图像的有效特征，而且还可以对待识别图像的有效特征进行有效融合，以提高图像识别的准确性。
[0005]本专利技术所采用的技术方案内容具体如下：
[0006]一种图像识别方法，包括：
[0007]S1：获取待识别图像，并对所述待识别图像进行预处理，得到第一特征图像、第二特征图像和第三特征图像；
[0008]S2：将所述第一特征图像、所述第二特征图像和所述第三特征图像输入CNN分类模型中，得到第一预测结果；
[0009]S3：将所述第一特征图像、所述第二特征图像和所述第三特征图像输入ML分类模型中，得到第二预测结果；
[0010]S4：利用所述第一预测结果和所述第二预测结果得到所述待识别图像属于预定分类类别的概率。
[0011]进一步地，步骤S1中，对所述待识别图像进行预处理包括：
[0012]S11：利用各向异性扩散滤波算法对所述待识别图像进行去噪处理，得到第一预处理图像；
[0013]S12：利用改进的直方图均衡算法对所述第一预处理图像进行增强处理，得到第二预处理图像；
[0014]S13：利用Canny算法对所述第二预处理图像进行轮廓拟合处理，得到第三预处理图像；
[0015]S14：对所述第三预处理图像进行归一化处理，得到第四预处理图像；
[0016]S15：从所述第四预处理图像中提取所述第一特征图像、所述第二特征图像和所述第三特征图像。
[0017]进一步地，步骤S12包括：
[0018]S121：利用直方图均衡算法将所述第一预处理图像进行灰度变换，得到第一灰度图像，且所述第一灰度图像包括L个灰度层；
[0019]S122：对所述第一灰度图像的L个灰度层分别按照灰度映射公式进行灰度映射，得到所述第二预处理图像，且所述灰度映射公式为：其中：T
k
为所述第二预处理图像中第k个灰度层的灰度值；S
max
为所述第一预处理图像的灰度最大值；S
min
为所述第一预处理图像的灰度最小值；S
k
为所述第一预处理图像中第k个灰度层的灰度值；a为亮度补偿系数，且0≤a≤1。
[0020]进一步地，步骤S13包括：
[0021]S131：对所述第二预处理图像进行灰度化处理，得到第二灰度图像；令Gray(x，y)表示所述第二灰度图像的值，则Gray(x，y)＝0.299+0.587+0.114，其中：R、G和B分别为所述第二预处理图像对应的红色通道值、蓝色通道值和绿色通道值；x为所述第二灰度图像在x方向的数值；y为所述第二灰度图像在y方向的数值；
[0022]S132：对所述第二灰度图像进行高斯滤波处理，得到滤波图像，令K表示所述滤波图像的值，则其中：σ为参数；
[0023]S133：利用Sobel算子计算所述滤波图像的像素点的梯度幅值G和梯度方向θ，且：G＝sqrt(G
x2
+
y2
)，其中：G
x
为所述滤波图像的像素点在x方向的梯度，且G
y
为所述滤波图像的像素点在y方向的梯度，且*为卷积符号；
[0024]S134：利用所述滤波图像的像素点的梯度幅值G对所述滤波图像的边缘进行非极大值抑制处理以确定边缘点，得到轮廓拟合图像；
[0025]S135：对所述轮廓拟合图像进行双阈值检测，并对所述轮廓拟合图像的边缘点中像素值低于低阈值的像素点进行抑制，得到所述第三预处理图像。
[0026]进一步地，步骤S2中，所述CNN分类模型包括特征提取模块和第一融合模块，所述特征提取模块包括第一特征提取层、第二特征提取层、第三特征提取层和特征融合层；
[0027]步骤S2包括：
[0028]S21：将所述第一特征图像分别输入所述第一特征提取层和所述特征融合层，分别得到所述第一特征图像的第一特征F1‑1和第二特征F2‑1；
[0029]S22：将所述第二特征图像分别输入所述第二特征提取层和所述特征融合层，分别
得到所述第二特征图像的第一特征F1‑2和第二特征F2‑2；
[0030]S23：将所述第三特征图像分别输入所述第三特征提取层和所述特征融合层，分别得到所述第三特征图像的第一特征F1‑3和第二特征F2‑3；
[0031]S24：将所述第一特征图像的第一特征F1‑1和第二特征F2‑1输入所述第一融合模块，得到所述第一特征图像的第一预测概率p1‑1；将所述第二特征图像的第一特征F1‑2和第二特征F2‑2输入所述第一融合模块，得到所述第二特征图像的第一预测概率p1‑2；将所述第三特征图像的第一特征F1‑3和第二特征F2‑3输入所述第一融合模块，得到所述第三特征图像的第一预测概率p1‑3；所述第一特征图像的第一预测概率p1‑1、所述第二特征图像的第一预测概率p1‑2和所述第三特征图像的第一预测概率p1‑3形成所述第一预测结果。
[0032]进一步地，步骤S3中，ML分类模型包括SVM分类模型、逻辑回归分类模型、决策树分类模型和第二融合模块；
[0033]步骤S3包括：
[0034]S31：将所述第一特征图像分别输入所述SVM分类模型、所述逻辑回归分类模型和所述决策树分类模型，分别得到所述第一特征图像的第一分类结果C1‑1、第二分类结果C2‑1和第三分类结果C3‑1；将所述第二特征图像分别输入所述SVM分类模型、所述逻辑回归分类模型和所述决策树分类模型，分别得到所述第二特征图像的第一分类本文档来自技高网...

【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，包括：S1：获取待识别图像，并对所述待识别图像进行预处理，得到第一特征图像、第二特征图像和第三特征图像；S2：将所述第一特征图像、所述第二特征图像和所述第三特征图像输入CNN分类模型中，得到第一预测结果；S3：将所述第一特征图像、所述第二特征图像和所述第三特征图像输入ML分类模型中，得到第二预测结果；S4：利用所述第一预测结果和所述第二预测结果得到所述待识别图像属于预定分类类别的概率。2.根据权利要求1所述的图像识别方法，其特征在于，步骤S1中，对所述待识别图像进行预处理包括：S11：利用各向异性扩散滤波算法对所述待识别图像进行去噪处理，得到第一预处理图像；S12：利用改进的直方图均衡算法对所述第一预处理图像进行增强处理，得到第二预处理图像；S13：利用Canny算法对所述第二预处理图像进行轮廓拟合处理，得到第三预处理图像；S14：对所述第三预处理图像进行归一化处理，得到第四预处理图像；S15：从所述第四预处理图像中提取所述第一特征图像、所述第二特征图像和所述第三特征图像。3.根据权利要求2所述的图像识别方法，其特征在于，步骤S12包括：S121：利用直方图均衡算法将所述第一预处理图像进行灰度变换，得到第一灰度图像，且所述第一灰度图像包括L个灰度层；S122：对所述第一灰度图像的L个灰度层分别按照灰度映射公式进行灰度映射，得到所述第二预处理图像，且所述灰度映射公式为：其中：T
k
为所述第二预处理图像中第k个灰度层的灰度值；S
max
为所述第一预处理图像的灰度最大值；S
min
为所述第一预处理图像的灰度最小值；S
k
为所述第一预处理图像中第k个灰度层的灰度值；a为亮度补偿系数，且0≤a≤1。4.根据权利要求2所述的图像识别方法，其特征在于，步骤S13包括：S131：对所述第二预处理图像进行灰度化处理，得到第二灰度图像；令Gray(x，y)表示所述第二灰度图像的值，则Gray(x，y)＝0.299R+0.587G+0.114B，其中：R、G和B分别为所述第二预处理图像对应的红色通道值、蓝色通道值和绿色通道值；x为所述第二灰度图像在x方向的数值；y为所述第二灰度图像在y方向的数值；S132：对所述第二灰度图像进行高斯滤波处理，得到滤波图像，令K表示所述滤波图像的值，则其中：σ为参数；S133：利用Sobel算子计算所述滤波图像的像素点的梯度幅值G和梯度方向θ，且：G＝sqrt(G
x2
+G
y2
)，其中：G
x
为所述滤波图像的像素点在x方向的梯度，且
G
y
为所述滤波图像的像素点在y方向的梯度，且*为卷积符号；S134：利用所述滤波图像的像素点的梯度幅值G对所述滤波图像的边缘进行非极大值抑制处理以确定边缘点，得到轮廓拟合图像；S135：对所述轮廓拟合图像进行双阈值检测，并对所述轮廓拟合图像的边缘点中像素值低于低阈值的像素点进行抑制，得到所述第三预处理图像。5.根据权利要求1
‑
4任一项所述的图像识别方法，其特征在于，步骤S2中，所述CNN分类模型包括特征提取模块和第一融合模块，所述特征提取模块包括第一特征提取层、第二特征提取层、第三特征提取层和特征融合层；步骤S2包括：S21：将所述第一特征图像分别输入所述第一特征提取层和所述特征融合层，分别得到所述第一特征图像的第一特征F1‑1和第二特征F2‑1；S22：将所述第二特征图像分别输入所述第二特征提取层和所述特征融合层，分别得到所述第二特征图像的第一特征F1‑2和第二特征F2‑2；S23：将所述第三特征图像分别输入所述第三特征提取层和所述特征融合层，分别得到所述第三特征图像的第一特征F1‑3和第二特征F2‑3；S24：将所述第一特征图像的第一特征F1‑1和第二特征F2‑1输...

【专利技术属性】
技术研发人员：朱定局，刘艺，曾可钦，魏思琦，许遵豪，曹宏，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：