本发明专利技术公开了一种基于深度网络模型的图像识别方法，属于医疗技术领域。本发明专利技术获取待测患者的超声图像并对所述待测患者的超声图像进行预处理；将预处理后的超声图像输入经训练的甲状腺滤泡性癌症图像识别模型中进行图像特征提取；根据所述图像特征进行甲状腺滤泡性癌症图像识别并输出最终识别结果。本发明专利技术通过对甲状腺滤泡癌症图像识别模型的不断优化调整，得到训练成熟的甲状腺滤泡癌症图像识别模型进而运用该模型实现对甲状腺滤泡癌症超声图像的判断识别。声图像的判断识别。声图像的判断识别。
【技术实现步骤摘要】
基于深度网络模型的图像识别方法、装置、设备及存储介质
[0001]本专利技术涉及医疗
，更具体地，涉及一种基于深度网络模型的图像识别方法、装置、设备及存储介质。
技术介绍
[0002]甲状腺滤泡状癌是第二常见的甲状腺恶性肿瘤，约占甲状腺癌症总发病率的10％
‑
15％。然而，尽管与甲状腺乳头状癌(最常见的甲状腺癌症类型)相比，甲状腺滤泡状癌相对罕见，但在疾病的早期，它很容易向肺部和骨骼血行转移，一些患者直到肿瘤转移后才被诊断出来，因此与PTC相比死亡率更高。超声是甲状腺疾病的首选成像方法，对术前确定良性和恶性甲状腺结节具有重要意义。然而，由于甲状腺滤泡性肿瘤包括甲状腺滤泡状癌和良性甲状腺滤泡肿瘤，仅通过超声检查难以区分它们。此外，超声引导下细针穿刺活检(FNAB)是目前甲状腺良恶性结节术前诊断的“金标准”。然而，由于甲状腺滤泡状癌和良性甲状腺滤泡肿瘤均来源于甲状腺滤泡细胞，因此具有非常相似的细胞形态学特征，因此细针抽吸病理学的差异值有限。目前，没有明显恶性迹象的滤泡性甲状腺肿瘤仍需要手术切除，并根据包膜、血管、甲状腺外组织侵犯和远处转移的存在判断为良性或恶性。然而，研究表明，只有约20
‑
30％的甲状腺滤泡肿瘤在手术后被证明是恶性的，这意味着尽管肿瘤性质良好，但大多数患者都会接受诊断性甲状腺叶切除术，给患者带来沉重的情绪压力和经济负担。因此，构建一种多维数据、无创、高效的甲状腺滤泡性癌症图像识别模型是临床中亟待解决的问题。
[0003]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
[0004]本专利技术的主要目的在于提供一种基于深度网络模型的图像识别方法、装置、设备及存储介质，旨在解决现有技术中对甲状腺滤泡性癌症图像识别困难的技术问题。
[0005]为实现上述目的，本专利技术提供了一种基于深度网络模型的图像识别方法，所述方法包括以下步骤：
[0006]获取待测患者的超声图像并对所述待测患者的超声图像进行预处理；
[0007]将预处理后的超声图像输入经训练的甲状腺滤泡性癌症图像识别模型中进行图像特征提取；
[0008]根据所述图像特征进行甲状腺滤泡性癌症图像识别并输出最终识别结果。
[0009]可选地，所述经训练的甲状腺滤泡性癌症图像识别模型具体包括：
[0010]Inception_v1模型单元，用于对所述预处理后的超声图像进行迁移特征提取；
[0011]裁剪网络模型单元，用于对所述预处理后的超声图像进行局部特征提取；
[0012]残差网络模型单元，用于对所述预处理后的超声图像进行残差特征提取。
[0013]可选地，所述经训练的甲状腺滤泡性癌症图像识别模型其具体训练过程为：
[0014]获取甲状腺滤泡性肿瘤的术前超声图像集；
[0015]对所述甲状腺滤泡性肿瘤的术前超声图像集进行预处理；
[0016]将预处理后的所述甲状腺滤泡性肿瘤的术前超声图像集分类为训练集和测试集，并将分类得到的所述训练集和所述测试集输入甲状腺滤泡性癌症图像识别模型；
[0017]所述甲状腺滤泡性癌症图像识别模型通过所述训练集进行超声图像特征提取学习；
[0018]所述甲状腺滤泡性癌症图像识别模型通过所述测试集进行模型性能分析，并根据模型性能分析结果，修订所述甲状腺滤泡性癌症图像识别模型参数。
[0019]可选地，所述对所述甲状腺滤泡性肿瘤的术前超声图像集进行预处理，具体步骤包括：
[0020]将甲状腺滤泡性肿瘤的术前超声图像集分类为良性超声图像集和恶性超声图像集；
[0021]对所述恶性超声图像集进行图像增强策略处理，得到处理后的恶性超声图像；
[0022]调整所述良性超声图像集和所述处理后的恶性超声图像集的超声图像大小，得到预处理后的所述甲状腺滤泡性肿瘤的术前超声图像集。
[0023]可选地，对所述恶性超声图像集进行图像增强策略处理，得到处理后的恶性超声图像中的图像增强策略，具体包括：
[0024]对所述恶性超声图像集中的恶性超声图像进行剪切，得到初处理的恶性超声图像；
[0025]对所述初处理的恶性超声图像进行图像再处理，得到所述处理后的恶性超声图像。
[0026]可选地，所述根据所述图像特征进行甲状腺滤泡性癌症图像识别并输出最终识别结果具体包括：
[0027]所述Inception_v1模型单元，还用于根据所述迁移特征进行分析识别并输出识别结果1；
[0028]所述裁剪网络模型单元，还用于根据所述局部特征进行分析识别并输出识别结果2；
[0029]所述残差网络模型单元，还用于根据所述残差特征进行分析识别并输出识别结果3。
[0030]可选地，所述根据所述图像特征进行甲状腺滤泡性癌症图像识别并输出最终识别结果具体还包括：
[0031]获取所述识别结果1、2和3进行累加求和，对求和结果取平均值得到上述最终识别结果并输出。
[0032]此外，为实现上述目的，本专利技术还提出一种基于深度网络模型的图像识别装置，其特征在于包括：
[0033]预处理模块：获取待测患者的超声图像并对所述待测患者的超声图像进行预处理；
[0034]特征提取模块：将预处理后的超声图像输入经训练的甲状腺滤泡性癌症图像识别模型中进行图像特征提取；
[0035]结果输出模块：根据所述图像特征进行甲状腺滤泡性癌症图像识别并输出最终识别结果。
[0036]此外，为实现上述目的，本专利技术还提出一种基于深度网络模型的图像识别设备，所述基于深度网络模型的图像识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于深度网络模型的图像识别程序，所述基于深度网络模型的图像识别程序配置为实现如上文所述的基于深度网络模型的图像识别方法的步骤。
[0037]此外，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有基于深度网络模型的图像识别程序，所述基于深度网络模型的图像识别程序被处理器执行时实现如上文所述的基于深度网络模型的图像识别方法的步骤。
[0038]本专利技术获取待测患者的超声图像并对所述待测患者的超声图像进行预处理；将预处理后的超声图像输入经训练的甲状腺滤泡性癌症图像识别模型中进行图像特征提取；根据所述图像特征进行甲状腺滤泡性癌症图像识别并输出最终识别结果。本专利技术通过对甲状腺滤泡癌症图像识别模型的不断优化调整，得到训练成熟的甲状腺滤泡癌症图像识别模型进而运用该模型实现对甲状腺滤泡癌症超声图像的判断识别。
附图说明
[0039]图1是本专利技术实施例方案涉及的硬件运行环境的基于深度网络模型的图像识别设备的结构示意图；
[0040]图2为本专利技术基于深度网络模型的图像识别方法第一实施例的流程示意图；
[0041]图3为本专利技术基于深度网络模型的图像识别方法的整体框架图；
[0042]图4为本专利技术一种基于深度网络模本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度网络模型的图像识别方法，其特征在于，所述基于深度网络模型的图像识别方法包括：获取待测患者的超声图像并对所述待测患者的超声图像进行预处理；将预处理后的超声图像输入经训练的甲状腺滤泡性癌症图像识别模型中进行图像特征提取；根据所述图像特征进行甲状腺滤泡性癌症图像识别并输出最终识别结果。2.如权利要求1所述的基于深度网络模型的图像识别方法，其特征在于，所述经训练的甲状腺滤泡性癌症图像识别模型具体包括：Inception_v1模型单元，用于对所述预处理后的超声图像进行迁移特征提取；裁剪网络模型单元，用于对所述预处理后的超声图像进行局部特征提取；残差网络模型单元，用于对所述预处理后的超声图像进行残差特征提取。3.如权利要求2所述的基于深度网络模型的图像识别方法，其特征在于，所述经训练的甲状腺滤泡性癌症图像识别模型其具体训练过程为：获取甲状腺滤泡性肿瘤的术前超声图像集；对所述甲状腺滤泡性肿瘤的术前超声图像集进行预处理；将预处理后的所述甲状腺滤泡性肿瘤的术前超声图像集分类为训练集和测试集，并将分类得到的所述训练集和所述测试集输入甲状腺滤泡性癌症图像识别模型；所述甲状腺滤泡性癌症图像识别模型通过所述训练集进行超声图像特征提取学习；所述甲状腺滤泡性癌症图像识别模型通过所述测试集进行模型性能分析，并根据模型性能分析结果，修订所述甲状腺滤泡性癌症图像识别模型参数。4.如权利要求3所述的基于深度网络模型的图像识别方法，其特征在于，所述对所述甲状腺滤泡性肿瘤的术前超声图像集进行预处理，具体步骤包括：将甲状腺滤泡性肿瘤的术前超声图像集分类为良性超声图像集和恶性超声图像集；对所述恶性超声图像集进行图像增强策略处理，得到处理后的恶性超声图像；调整所述良性超声图像集和所述处理后的恶性超声图像集的超声图像大小，得到预处理后的所述甲状腺滤泡性肿瘤的术前超声图像集。5.如权利要求4所述的基于深度网络模型的图像识别方法，其特征在...
【专利技术属性】
技术研发人员：孙德胜，吴雅林，闫林杨，石宇，陈芸，刘俐，钟洁愉，胡正明，郑婷婷，林晓娜，葛巧俐，周海莹，葛丹丹，陈谊，
申请(专利权)人：北京大学深圳医院北京大学深圳临床医学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。