System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像识别,尤其涉及一种肺水肿图像识别方法、装置、设备及计算机可读存储介质。
技术介绍
1、在高海拔地区,由于氧气稀薄,身体所受的氧气供应不足,容易引发高原病,其中包括高原肺水肿。传统的高原肺水肿的诊断方法通常依赖于人工观察和分析肺部ct影像。但是,这种方法存在操作复杂、精度不高等问题。近年来,随着深度学习技术的发展,利用卷积神经网络进行肺部影像的自动分析和诊断逐渐成为一种新的研究方向。
2、然而,利用传统的卷积神经网络进行肺部影像的自动分析和预测存在一些限制,例如特征提取的局限性、不同病例之间的差异等。
技术实现思路
1、本专利技术的主要目的在于提供一种肺水肿图像识别方法、装置、设备及计算机可读存储介质,旨在解决现有肺部图像识别准确率低下的技术问题。
2、为实现所述目的,本专利技术提供一种肺水肿图像识别方法,所述肺水肿图像识别方法包括以下步骤:
3、将待识别图像输入预训练的孪生网络模型的其中一个神经网络模型中,以对所述待识别图像进行特征提取,获得图像特征,其中,所述孪生网络模型包括两个卷积神经网络;
4、将所述图像特征输入全连接神经网络分类器,输出图像识别结果。
5、在本申请提供的肺水肿图像识别方法中,所述孪生网络模型训练步骤包括:
6、对样本图像采用不同的数据增强,得到多个对应数据增强的增强样本图;
7、通过孪生网络对每个增强样本图进行特征提取,得到特征向量;
8、根据所
9、基于所述特征向量之间的距离,采用梯度下降法对所述孪生网络中的网络参数进行更新。
10、在本申请提供的肺水肿图像识别方法中,所述样本图像包括ct影像, 所述对样本图像采用不同的数据增强,得到多个对应数据增强的增强样本图,包括:
11、对所述ct影像进行随机裁剪、旋转、缩放、翻转、灰度变换、直方图增强中的一个操作或多个操作,得到操作完毕后的对应所述增强样本图。
12、在本申请提供的肺水肿图像识别方法中,所述孪生网络包括两个相同的卷积神经网络,所述通过孪生网络对每个增强样本图进行特征提取,得到特征向量,包括:
13、将对应于一个所述ct影像的两个所述增强样本图分别输入两个所述卷积神经网络中,得到两个特征向量,其中,两个所述卷积神经网络共享权重。
14、在本申请提供的肺水肿图像识别方法中,所述根据所述特征向量,使用对比损失函数计算所述特征向量之间的距离,包括:
15、对两个所述特征向量的距离进行度量,使用对比特征损失函数计算两个所述特征向量之间的距离,对比损失函数公式为:
16、;
17、其中,是两个样本的类别是否相同的二元变量,是权重参数,和是两个样本图像的特征向量,是距离度量函数,是margin参数。
18、此外,为实现所述目的,本专利技术还提供一种肺水肿图像识别设备,所述肺水肿图像识别设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的肺水肿图像识别程序,其中所述肺水肿图像识别程序被所述处理器执行时,实现如所述的肺水肿图像识别方法的步骤。
19、此外,本专利技术还提供一种肺水肿图像识别装置,所述肺水肿图像识别装置包括:
20、图像特征提取装置,用于将待识别图像输入预训练的孪生网络模型的其中一个神经网络模型中,以对所述待识别图像进行特征提取,获得图像特征,其中,所述孪生网络模型包括两个卷积神经网络;
21、结果输出装置,用于将所述图像特征输入全连接神经网络分类器,输出图像识别结果。
22、此外,为实现所述目的,本专利技术还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有肺水肿图像识别程序,其中所述肺水肿图像识别程序被处理器执行时,实现如所述的肺水肿图像识别方法的步骤。
23、本专利技术提供一种肺水肿图像识别方法,所述肺水肿图像识别方法包括以下步骤:将待识别图像输入预训练的孪生网络模型的其中一个神经网络模型中,以对所述待识别图像进行特征提取,获得图像特征,其中,所述孪生网络模型包括两个卷积神经网络;将所述图像特征输入全连接神经网络分类器,输出图像识别结果。解决了医学图像样本量少,训练的模型导致特征提取能力弱、不足以进行有效分类的问题,训练的特征提取网络鲁棒性更强,有效特征更多,便于分类器进行分类。使用训练好的孪生网络模型,将其中的一支卷积神经网络取出,在最后添加分类器,固定前面的特征提取网络参数。使用交叉熵损失函数对分类器进行优化,实现对未知的高原肺水肿ct影像的预测。
本文档来自技高网...【技术保护点】
1.一种肺水肿图像识别方法,其特征在于,所述肺水肿图像识别方法包括以下步骤:
2.如权利要求1所述的肺水肿图像识别方法,其特征在于,所述孪生网络模型训练步骤包括:
3.如权利要求2所述的肺水肿图像识别方法,其特征在于,所述样本图像包括CT影像,所述对样本图像采用不同的数据增强,得到多个对应数据增强的增强样本图,包括:
4.如权利要求3所述的肺水肿图像识别方法,其特征在于,所述孪生网络包括两个相同的卷积神经网络,所述通过孪生网络对每个增强样本图进行特征提取,得到特征向量,包括:
5.如权利要求4所述的肺水肿图像识别方法,其特征在于,所述根据所述特征向量,使用对比损失函数计算所述特征向量之间的距离,包括:
6.一种肺水肿图像识别装置,其特征在于,所述肺水肿图像识别装置包括:
7.一种肺水肿图像识别设备,其特征在于,所述肺水肿图像识别设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的肺水肿图像识别程序,其中所述肺水肿图像识别程序被所述处理器执行时,实现如权利要求1至5中任一项所述的肺水肿图像识别方
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有肺水肿图像识别程序,其中所述肺水肿图像识别程序被处理器执行时,实现如权利要求1至5中任一项所述的肺水肿图像识别方法的步骤。
...【技术特征摘要】
1.一种肺水肿图像识别方法,其特征在于,所述肺水肿图像识别方法包括以下步骤:
2.如权利要求1所述的肺水肿图像识别方法,其特征在于,所述孪生网络模型训练步骤包括:
3.如权利要求2所述的肺水肿图像识别方法,其特征在于,所述样本图像包括ct影像,所述对样本图像采用不同的数据增强,得到多个对应数据增强的增强样本图,包括:
4.如权利要求3所述的肺水肿图像识别方法,其特征在于,所述孪生网络包括两个相同的卷积神经网络,所述通过孪生网络对每个增强样本图进行特征提取,得到特征向量,包括:
5.如权利要求4所述的肺水肿图像识别方法,其特征在于,所述根据所述特征向量,...
【专利技术属性】
技术研发人员:薛新颖,潘磊,赵晟,刘鹏飞,臧学磊,魏华英,翟怀远,陈明利,李天宇,刘小闪,郭海峰,
申请(专利权)人:首都医科大学附属北京世纪坛医院,
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。