[发明专利]一种甲状腺锝扫图像的识别模型构建方法及装置

说明书

本发明实施例提供一种甲状腺锝扫图像的识别模型构建方法及装置。方法包括：获取多张甲状腺锝扫图像并对每张锝扫图像进行标注，获得对应的类型标签；将一张标注后的甲状腺锝扫图像输入深度卷积神经网络AlexNet中输出预测结果，根据预测结果和标注后的甲状腺锝扫图像的类型标签计算损失值，并利用损失值对AlexNet中的参数进行优化；重新获取一张标注后的甲状腺锝扫图像输入到优化后的AlexNet，并对优化后的AlexNet进行再次训练，直至达到停止训练的条件为止获得识别模型。装置用于执行上述方法。本发明实施例通过构建识别模型能够实现对待识别锝扫图像进行识别，从而辅助人工识别，提高了阅片的效率及准确率。

技术领域

本发明涉及图像处理技术领域，具体而言，涉及一种甲状腺锝扫图像的识别模型构建方法及装置。

背景技术

甲状腺疾病的发病率正在逐年上升，世界上富碘地区5％女性和1％男性可检出可触及的甲状腺结节，在缺碘地区其发病率则更高。单光子发射计算机断层成像术(Single-Photon Emission Computed Tomography，SPECT)作为诊断甲状腺疾病的主要检查手段之一，是发现甲状腺病灶常用且可靠的方法。因此大量疑罹患甲状腺疾病的可疑患者需要做SPECT的锝扫检查来进一步辅助诊断甲状腺是否功能异常。

现有技术中是由医师人工阅片的方式来根据甲状腺锝扫图像进行识别并给出结果。当前核医学科的甲状腺锝扫图像阅片量较大，其检查的人工阅片相对于核医学科其他诸多检查项目而言，甲状腺器官形态单一，影像病变特征较为集中，变异度较低，阅片难度较易，而报告的描述词汇重复频次较高。核医学科阅片医生每日需要进行大量各类器官项目的阅片工作，甲状腺阅片作为高强度的重复性劳动，医师在阅片过程中，需要用双眼发现细微病灶，在海量的图像信息量下不可避免地会出现人眼视力产生的误差及视力疲劳,容易出现漏诊误诊现象。

发明内容

有鉴于此，本发明实施例的目的在于提供一种甲状腺锝扫图像的识别模型构建方法及装置，以解决上述技术问题。

第一方面，本发明实施例提供了一种甲状腺锝扫图像的识别模型构建方法，包括：

获取多张甲状腺锝扫图像，并对每张锝扫图像进行标注，获得对应的类型标签；

将一张标注后的甲状腺锝扫图像输入深度卷积神经网络AlexNet中，所述AlexNet输出预测结果，根据所述预测结果和所述标注后的甲状腺锝扫图像的类型标签计算损失值，并利用所述损失值对所述AlexNet中的参数进行优化；

重新获取一张标注后的甲状腺锝扫图像输入到优化后的AlexNet，并对优化后的AlexNet进行再次训练，直至达到停止训练的条件为止，获得识别模型。

进一步地，所述深度卷积神经网络AlexNet包括五个卷积层和三个全连接层；其中，

第一卷积层包括第一卷积核属性、激活函数、池化层和标准化；

第二卷积层包括第二卷积核属性、所述激活函数、所述池化层和所述标准化；

第三卷积层和第四卷积层包括第三卷积核属性和所述激活函数；

第五卷积层包括第五卷积核属性、所述激活函数和所述池化层；

所述激活函数为：f(x)＝max(0,x)；

所述标准化的函数为：

其中，为在甲状腺锝扫图像中第i个卷积核(x,y)坐标处经过所述激活函数的输出，为在甲状腺锝扫图像中第i个卷积核(x,y)坐标处经过标准化后的结果，k，n，α，β为超参数。

进一步地，在获取多张训练图像之前，所述方法，还包括：

获取一张或多张第一尺寸的初始图像；