[发明专利]图像识别方法、装置、计算机设备和计算机可读存储介质

说明书

本申请涉及图像识别技术领域，提供了一种图像识别方法、装置、计算机设备和计算机可读存储介质。方法包括：获取待识别的甲状腺滤泡性肿瘤超声图像；将甲状腺滤泡性肿瘤超声图像输入到预先训练好的肿瘤识别网络中，得到甲状腺滤泡性肿瘤超声图像对应的识别结果；根据识别结果判断甲状腺滤泡性肿瘤超声图像显示的甲状腺滤泡性肿瘤是否为良性。采用本方法具有高灵敏度、高特异型以及较高的识别率。

技术领域

本申请涉及图像处理领域，特别是涉及一种图像识别方法、装置、计算机设备和计算机可读存储介质。

背景技术

甲状腺滤泡性肿瘤分为良性滤泡性腺瘤和恶性滤泡性癌。目前，临床上对这两种疾病的鉴别诊断主要是通过：确定是否存在包膜、血管或甲状腺外组织侵犯以及淋巴结或远处转移。因此，在术前检查过程中，当无明显甲状腺外组织侵犯、淋巴结和远处转移中任一种病例时，可通过手术切除后的病理检查进行鉴别诊断。在最初被诊断为甲状腺滤泡性肿瘤的患者中，确诊为良性滤泡性腺瘤的患病率约为80％，这意味着尽管患有良性疾病，但是大多数患者仍接受了甲状腺叶切除手术。因此，显然需要在术前区分良性滤泡性腺瘤和恶性滤泡性癌，以避免对良性疾病患者的过度治疗。

目前，机器学习是医学成像的一个新领域，主要原因是医学图像中所包含的关键信息是超出人眼对肿瘤潜在的生理学感知。因此，机器学习有望在精准肿瘤学中发挥重要作用，作为一种基于医学图像揭示个体肿瘤特征的稳健、非侵入性方法。迄今为止，仅有使用基于支持向量机(SVM)和人工神经网络(ANN)的模型在术前超声图像上区分滤泡性腺瘤和滤泡性癌。但是这两种方法敏感性、特异性以及准确性都是偏低的。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高灵敏度、特异性、以及识别率的图像识别方法、装置、计算机设备和计算机可读存储介质。

本申请实施例提供了一种图像识别方法，所述方法包括：

获取待识别的甲状腺滤泡性肿瘤超声图像；

将所述甲状腺滤泡性肿瘤超声图像输入到预先训练好的肿瘤识别网络中，得到所述甲状腺滤泡性肿瘤超声图像对应的识别结果；

根据所述识别结果判断所述甲状腺滤泡性肿瘤超声图像显示的甲状腺滤泡性肿瘤是否为良性。

在一个实施例中，所述肿瘤识别网络的生成方式包括：

获取多个样本图像以及对应的样本类别；

通过待训练的肿瘤识别网络对所述多个样本图像进行特征提取，得到所述肿瘤识别网络对应的样本图像的参考特征；

确定所述参考特征与对应的样本类别之间的损失值；

按照所述损失值调整相应的肿瘤识别网络中的模型参数，直至所确定的损失值达到训练停止条件。

在一个实施例中，所述样本类别包括良性和恶性；所述多个样本图像中样本类别为良性的图像与样本类别为恶性的图像的数目相同；所述获取多个样本图像以及对应的样本类别包括：

获取多个样本甲状腺滤泡性肿瘤超声图像和对应的样本类别；所述良性的样本甲状腺滤泡性肿瘤超声图像多于所述恶性的样本甲状腺滤泡性肿瘤超声图像；

识别每个样本甲状腺滤泡性肿瘤超声图像的肿瘤区域，得到对应的肿瘤区域图像；

将所述样本类别为恶性的肿瘤区域图像作为初始图像进行图像增广，得到对应的多个增广肿瘤区域图像；

将所述初始图像的样本类别作为所述多个增广肿瘤图像的样本类别；

将每个所述样本甲状腺滤泡性肿瘤超声图像的肿瘤区域图像，以及对应的所述多个增广肿瘤区域图像作为样本图像。