[发明专利]一种图像识别方法及装置

说明书

本发明实施例公开了一种图像识别方法，该方法包括：采用自适应预处理的方法对待检测的乳腺医学图像进行预处理，这样增强了图像的对比度，使疑似肿块的病灶区域更加的突出；然后通过已训练的自适应卷积神经网络对预处理后的乳腺医学图像进行识别，其中，自适应卷积神经网络是通过标记有感兴趣区域的乳腺医学图像进行训练后得到的；所述自适应卷积神经网络中包括自适应卷积层，所述自适应卷积层通过预设的卷积参数对关联变量进行卷积操作，所述关联变量与变量的像素值、卷积核中像素点的像素值以及偏移量相关。由此，实现了对乳腺医学图像的自动化识别，并且识别结果准确度高，进而有利于医生对病情进行分析。

技术领域

本发明涉及图像处理领域，尤其涉及一种图像识别方法及装置。

背景技术

乳腺癌是严重危害女性健康的疾病，其发病率和死亡率分别位于女性疾病的第1位和第2位，但是若能在早期发现肿块，可以有效降低乳腺癌的死亡率。

现有技术中对乳腺癌的识别，通常是医生通过查看乳腺的医学图像判断是否发生了癌变，这种识别方式非常依赖于医生的专利素养和经验。由此，通过医生人为识别的方式，不仅耗费人力、物力，而且识别的准确度低，进而不利于医生对病情进行分析。

发明内容

有鉴于此，本发明实施例公开了一种图像识别方法、装置和系统，实现了乳腺图形病灶的自动化检测，节省了人力、物力，并且提高了识别的准确度。

本发明实施例提供了一种图像识别方法，包括：

获取待检测的乳腺医学图像；

采用自适应预处理方法对所述待检测的乳腺医学图像进行预处理；

基于已训练的自适应卷积神经网络对预处理后的所述待检测的乳腺医学图像进行处理，确定所述待检测的乳腺医学图像是否包含感兴趣区域；所述自适应卷积神经网络是通过标记有感兴趣区域的乳腺医学图像进行训练后得到的；所述自适应卷积神经网络中包括自适应卷积层，所述自适应卷积层通过预设的卷积参数对关联变量进行卷积操作，所述关联变量与变量的像素值、卷积核中像素点的像素值以及偏移量相关。

可选的，所述采用自适应预处理方法对所述待检测的乳腺医学图像进行预处理，包括：

对所述待检测的乳腺医学图像进行初始化处理，去除所述待检测的乳腺医学图像中的背景部分；

对去除背景部分的待检测的乳腺医学图像进行加窗处理，得到预处理后的乳腺医学图像。

可选的，所述对所述自适应卷积神经网络的训练过程包括：

获取训练样本；所述训练样本是标记有感兴趣区域的乳腺医学图像；

采用自适应预处理的方法对所述训练样本中的乳腺医学图像进行预处理；

构建自适应卷积神经网络；所述自适应卷积神经网络是预设的卷积神经网络和自适应卷积算法相结合的自适应卷积神经网络；

将所述预处理后的训练样本输入到自适应卷积神经网络中，对所述自适应卷积神经网络进行训练。

可选的，所述将所述预处理后的训练样本输入到自适应卷积神经网络，对所述自适应卷积神经网络进行训练，包括：

提取所述训练样本中乳腺医学图像的特征图；

从所述特征图中选取候选区域，并获取每个候选区域的坐标；

将所述候选区域划分为正样本和负样本；

基于所述候选区域，选取分类损失最大的候选区域；

通过所述分类损失最大的候选区域更新网络参数。

可选的，所述将所述候选区域划分为正样本和负样本，包括：