[发明专利]一种基于深度学习的医学图像识别方法及系统

权利要求书

1.一种基于深度学习的医学图像识别方法，其特征在于，所述方法包括：

获取待识别的医学图像，利用基于阈值的二值化方法对医学图像进行二值化处理，得到医学图像的二值化图像；

利用中值滤波方法对二值化图像进行降噪处理，得到降噪图像；

利用伽马矫正算法对降噪图像进行图像增强，得到增强后的医学图像；

利用图像参数检测算法对所述增强后的医学图像进行有效信息的定位，所述增强后的医学图像中的有效信息包括细胞图像信息和器官图像信息；

设定多阈值分割目标函数，利用基于启发式算法对多阈值分割目标函数进行求解，并根据求解结果对定位到的医学图像进行图像分割；

将分割后的医学图像输入到预训练的FT-Densent模型中，进行医学图像的识别。

2.如权利要求1所述的一种基于深度学习的医学图像识别方法，其特征在于，所述基于阈值的二值化方法为：

其中：

g(x，y)为二值化后二值图中坐标为(x，y)处像素点的灰度值；

f(x，y)为原图像中坐标为(x，y)处像素点的灰度值；

T为二值化阈值，本发明将其设为130。

3.如权利要求2所述的一种基于深度学习的医学图像识别方法，其特征在于，所述利用中值滤波方法对二值化图像进行降噪处理，包括：

将数字图像中任一像素点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近真实值，从而消除孤立的噪声点，方法是用圆形的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升的二维数据序列；

所述二维中值滤波输出为：

g(x，y)＝med{f(x-k，y-l)，k，l∈W}

其中：

f(x，y)，g(x，y)分别为原始图像和处理后图像；

W为二维模板，本发明选用圆形作为模板；

并对处理后的图像进行裁剪，得到最长边为256个像素的图像。

4.如权利要求3所述的一种基于深度学习的医学图像识别方法，其特征在于，所述利用伽马矫正算法对降噪图像进行图像增强，包括：

利用伽马矫正算法对降噪图像进行图像增强，其中伽马矫正的公式为：

V_out＝V_in^γ，V：R，G，B

其中：

V为增强后的医学图像；

V_in是矫正前图像，V_out是矫正后的图像；

γ为小于1的伽马系数，本发明将其设为0.8。