[发明专利]基于深度学习的图像识别方法、装置、服务器及存储介质

说明书

本申请提供一种基于深度学习的图像识别方法、装置、服务器及存储介质，通过获取待检测部位的内镜影像后，先将内镜影像解码为多个初始内镜图像，再对初始内镜图像进行预处理，得到可以直接输入图像分类模型中进行分类识别的多个内镜图像。利用第一图像分类模型先将预处理得到的图像分为有效内镜图像和无效内镜图像；再利用第二图像分类模型将有效内镜图像分为正常内镜图像和异常内镜图像；再利用图像识别模型对异常内镜图像进行识别，确定每个异常内镜图像对应的异常类型。该方法利用多个神经网络模型对待检测部位的图像进行不同层面和不同程度的分类，最终确定待检测部位的异常类型，实现对异常类型的精确分类；提高了内镜下诊断的精确率及效率。

技术领域

本申请涉及医疗技术辅助领域，具体涉及一种基于深度学习的图像识别方法、装置、服务器及存储介质。

背景技术

小肠的特殊结构和解剖位置给小肠疾病的诊断和治疗带来很大困难。近年来，随着胶囊内窥镜和双气囊小肠镜的发展，为隐匿性肠道疾病的诊断和治疗带来了广阔的前景。胶囊内窥镜的优势在于方便性、非侵入性、安全性、可视性和舒适性，但其观察不能重复，运动方向和速度不受控制，图像具有暂时性和随机性，图像质量易受肠道清洁度和胃肠道运动速度的影响，很难准确识别部位异常类型和位置，不能进行活检和治疗干预。

发明内容

本申请提供一种基于深度学习的图像识别方法、装置、服务器及存储介质，旨在解决现有技术下的异常类型识别较慢，无法对异常类型进行精确分类的问题。

一方面，本申请提供一种基于深度学习的图像识别方法，所述方法包括：

获取待检测部位的内镜影像；

将所述内镜影像解码为多个初始内镜图像，且对所述多个初始内镜图像进行预处理，得到第一内镜图像集，所述第一内镜图像集中包括所述待检测部位的多个预处理后的内镜图像；

利用已训练的第一图像分类模型对所述第一内镜图像集中的多个内镜图像进行分类，将所述第一内镜图像集中的多个内镜图像划分为有效内镜图像和无效内镜图像；

利用已训练的第二图像分类模型对所述有效内镜图像进行分类，将所述有效内镜图像划分为正常内镜图像和异常内镜图像；

利用已训练的图像识别模型对所述异常内镜图像进行图像识别。

在本申请一种可能的实现方式中，所述将所述内镜影像解码为多个初始内镜图像，且对所述多个初始内镜图像进行预处理，得到第一内镜图像集，包括：

根据预设帧数频率将所述内镜影像解码为多个初始内镜图像；

对所述多个初始内镜图像进行尺寸归一化处理，得到第二内镜图像集；

对所述第二内镜图像集中长宽比不同的内镜图像进行补黑边处理，得到第三内镜图像集；

对所述第三内镜图像集中的内镜图像进行缩放处理，得到所述第一内镜图像集；

其中，所述第一内镜图像集包括所述待检测部位的多个内镜图像。

在本申请一种可能的实现方式中，所述利用已训练的第一图像分类模型对所述第一内镜图像集中的多个内镜图像进行分类，将所述第一内镜图像集中的多个内镜图像划分为有效内镜图像和无效内镜图像，包括：

获取第一初始神经网络模型；

获取预设有效内镜图像训练集，所述有效内镜图像训练集中包括多个初始有效内镜图像；

获取所述第一初始神经网络模型对应的第一损失函数；

利用所述有效内镜图像训练集和所述第一损失函数，对所述第一初始神经网络模型进行训练，得到所述第一图像分类模型；

利用所述第一图像分类模型，对所述第一内镜图像集中的多个内镜图像进行分类，得到所述有效内镜图像和无效内镜图像。

在本申请一种可能的实现方式中，所述利用已训练的第二图像分类模型对所述有效内镜图像进行分类，将所述有效内镜图像划分为正常内镜图像和异常内镜图像，包括：

获取第二初始神经网络模型；