[发明专利]一种甲状腺SPECT图像分类方法

权利要求书

1.一种甲状腺SPECT图像分类方法，其特征在于，包括以下步骤：

获取甲状腺SPECT图像，从所述甲状腺SPECT图像中提取人工特征；

以所述甲状腺SPECT图像和所述人工特征作为输入，通过卷积神经网络对甲状腺SPECT图像分类模型进行训练，获得自动特征；

将所述人工特征和自动特征合并输入分类器实现分类，获得分类结果；

评估所述分类结果，合格后获得完成训练的甲状腺SPECT图像分类模型，通过所述甲状腺SPECT图像分类模型进行甲状腺SPECT图像的分类。

2.根据权利要求1所述方法，其特征在于，获取甲状腺SPECT图像中的人工特征之前，所述方法还包括：

将获取的若干张所述甲状腺SPECT图像的大小调整一致，并对每个像素进行归一化处理；

提取所述甲状腺SPECT图像中的感兴趣区域图像，其中，所述感兴趣区域图像为甲状腺部位。

3.根据权利要求2所述的方法，其特征在于，获取甲状腺SPECT图像中的人工特征包括：

根据所述感兴趣区域图像，按照四个角度计算基于灰度共生矩阵的描述符，获得纹理特征，其中每个所述角度计算五个所述描述符；

根据所述感兴趣区域图像，计算Hu矩，获得形态学特征；

合并所述纹理特征和所述形态学特征，获得所述人工特征。

4.根据权利要求3所述的方法，其特征在于，所述四个角度分别为：0°，45°，90°，135°。

5.根据权利要求3所述的方法，其特征在于，五个所述描述符为：能量、对比度、熵、逆差矩以及相异性。

6.根据权利要求1所述的方法，其特征在于，通过卷积神经网络对甲状腺SPECT图像分类模型进行训练的过程中，

卷积神经网络采用改进的SqueezeNet网络结构，基于所述改进的SqueezeNet网络结构对甲状腺SPECT图像分类模型进行训练，其中所述改进的SqueezeNet网络结构包括SE-Fire模块。

7.根据权利要求6所述的方法，其特征在于，所述获得自动特征的过程中包括：

通过所述SE-Fire模块自动获取各个通道特征的权重，筛选特征，获得自动特征；

所述SE-Fire模块分别在所述改进的SqueezeNet网络结构的第7层、第8层和第9层。

8.根据权利要求7所述的方法，其特征在于，通过所述SE-Fire模块自动获取各个通道特征的权重，筛选特征，获得自动特征的过程中包括：

所述SE-Fire模块先对获取的特征进行降维压缩；

再通过权重和特征图对降维压缩的特征中的重要特征进行增强、对非重要特征进行抑制；

将处理完的特征的通道维度还原成降维压缩之前的维度并输出。

9.根据权利要求1所述的方法，其特征在于，评估所述分类结果的过程中包括：

将平均准确度、平均精确率、平均召回率和平均F1分数作为评估指标；

基于所述评估指标对所述分类结果进行评估；

评估结果大于预设值时，评估合格并结束评估。