[发明专利]一种基于卷积神经网络的图像识别方法

说明书

本发明提供了一种基于卷积神经网络的图像识别方法，包括以下步骤：S100、标注：为断面图的每个分区赋唯一值Label_j，为断面图中的异物区赋唯一值Label_m，S200，获取训练集：选取同一目标物的M个标注后的断面图依序排列并层叠得到目标物的立体图集，将立体图集作为一个训练样本，收集若干个训练样本组成训练集；S300、构建卷积神经网络；S400、将所述训练集输入所述卷积神经网络中进行训练，得到卷积神经网络分类模型。这种基于卷积神经网络的图像识别方法将标注后的多张断面图按序层叠后作为训练样本对卷积神经网络进行训练，得到能够根据CT图得到异物所处位置的卷积神经网络分类模型，这种卷积神经网络分类模型能够辅助医生高效准确的判断出异物所在位置。

技术领域

本发明涉及基于深度学习的图片识别方法，尤其涉及一种基于卷积神经网络的图像识别方法。

背景技术

CT(Computed Tomography)，即电子计算机断层扫描，它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查；根据所采用的射线不同可分为：X射线CT(X-CT)、超声CT(UCT)以及γ射线CT(γ-CT)等。

通过CT扫描获得若干张连续的二维的断面图，医生通过对这些断面图进行观察，从而找到病症所在。由于人的器官是立体的，当器官中出现异物(例如肿瘤、肺结节等)，医生可能需要观察较多数量的断面图后才能找到异物的所在部位。有些器官例如肺部，是一种可以分为18段的结构，当肺部产生异物时，目前对于CT图的处理方法只能定位异物的具体坐标，并不能直接得到异物产生在肺部的哪个段中；对于医生来说，异物的具体坐标对于病情的诊断并没有多大意义，医生仍然需要对断面图进行观察才能得知异物产生的位置；而且并不是每张肺部的断面图都包含18个段，除非是经验非常丰富的医生，否则很难又快有准的区分出肺部的每一段，这也给诊断的过程造成了很大的阻碍。

发明内容

本发明要解决的技术问题是：为了解决现有技术中缺乏高效准确的从CT图中得到异物所处器官部位的方法，本发明提供了一种基于卷积神经网络的图像识别方法来解决上述问题。

本发明解决其技术问题所采用的技术方案是：一种基于卷积神经网络的图像识别方法，包括以下步骤：

S100、标注：为断面图的每个分区赋唯一值Label_j，为断面图中的异物区赋唯一值Label_m，其中j为1～n，n为目标物具有的分区数量，所述分区内每个像素的灰度值为Label_j，所述异物区内每个像素的灰度值为Label_m；

S200，获取训练集：选取同一目标物的M个标注后的断面图依序排列并层叠得到目标物的立体图集，将立体图集作为一个训练样本，收集若干个训练样本组成训练集；

S300、构建卷积神经网络；

S400、将所述训练集输入所述卷积神经网络中进行训练，得到卷积神经网络分类模型。

作为优选，还包括步骤，DICOM格式的CT断面图转换成维度为512*512*1并且格式为PNG的所述断面图。

作为优选，在所述步骤S200中，以某一张断面图为中心上下各取10张断片图层叠得到维度为512*512*21的立体图集，通过reshape函数调整立体图集的维度成128*128*21。

作为优选，所述卷积神经网络依次包括输入层、第一卷积层、第一ReLU层、第一池化层、第二卷积层、第二ReLU层、第二池化层、第三卷积层、第三ReLU层、第三池化层、第一全连接层、第二全连接层和输出层；

在所述步骤S400中包括以下步骤：