[发明专利]一种甲状腺锝扫图像的识别模型构建方法及装置

权利要求书

1.一种甲状腺锝扫图像的识别模型构建方法，其特征在于，包括：

获取多张甲状腺锝扫图像，并对每张锝扫图像进行标注，获得对应的类型标签；

将一张标注后的甲状腺锝扫图像输入深度卷积神经网络AlexNet中，所述AlexNet输出预测结果，根据所述预测结果和所述标注后的甲状腺锝扫图像的类型标签计算损失值，并利用所述损失值对所述AlexNet中的参数进行优化；

重新获取一张标注后的甲状腺锝扫图像输入到优化后的AlexNet，并对优化后的AlexNet进行再次训练，直至达到停止训练的条件为止，获得识别模型。

2.根据权利要求1所述的方法，其特征在于，所述深度卷积神经网络AlexNet包括五个卷积层和三个全连接层；其中，

第一卷积层包括第一卷积核属性、激活函数、池化层和标准化；

第二卷积层包括第二卷积核属性、所述激活函数、所述池化层和所述标准化；

第三卷积层和第四卷积层包括第三卷积核属性和所述激活函数；

第五卷积层包括第五卷积核属性、所述激活函数和所述池化层；

所述激活函数为：f(x)＝max(0,x)；

所述标准化的函数为：

其中，为在甲状腺锝扫图像中第i个卷积核(x,y)坐标处经过所述激活函数的输出，为在甲状腺锝扫图像中第i个卷积核(x,y)坐标处经过标准化后的结果，k，n，α，β为超参数。

3.根据权利要求1所述的方法，其特征在于，在获取多张训练图像之前，所述方法，还包括：

获取一张或多张第一尺寸的初始图像；

按照第二尺寸对每张初始图像进行滑动截取，获得每张初始图像对应的多张截取图像，其中，第二尺寸小于第一尺寸；

对每张截取图像进行镜像操作，获得对应的镜像图像，且所有的截取图像和镜像图像构成所述多张甲状腺锝扫图像。

4.根据权利要求1所述的方法，其特征在于，在获取多张甲状腺锝扫图像之后，所述方法，还包括：

对每张甲状腺锝扫图像进行预处理操作，其中，所述预处理操作包括：图像格式转换、数据清洗和像素值转换。

5.根据权利要求1所述的方法，其特征在于，所述方法，还包括：

获取多张验证锝扫图像，并根据所述验证锝扫图像对所述识别模型进行验证。

6.一种甲状腺锝扫图像的识别模型构建装置，其特征在于，包括：

第一获取模块，用于获取多张甲状腺锝扫图像，并对每张锝扫图像进行标注，获得对应的类型标签；

第一训练模块，用于将一张标注后的甲状腺锝扫图像输入深度卷积神经网络AlexNet中，所述AlexNet输出预测结果，根据所述预测结果和所述标注后的甲状腺锝扫图像的类型标签计算损失值，并利用所述损失值对所述AlexNet中的参数进行优化；

第二训练模块，用于重新获取一张标注后的甲状腺锝扫图像输入到优化后的AlexNet，并对优化后的AlexNet进行再次训练，直至达到停止训练的条件为止，获得识别模型。

7.根据权利要求6所述的装置，其特征在于，所述深度卷积神经网络AlexNet包括五个卷积层和三个全连接层；其中，

第一卷积层包括第一卷积核属性、激活函数、池化层和标准化；

第二卷积层包括第二卷积核属性、所述激活函数、所述池化层和所述标准化；

第三卷积层和第四卷积层包括第三卷积核属性和所述激活函数；

第五卷积层包括第五卷积核属性、所述激活函数和所述池化层；

所述激活函数为：f(x)＝max(0,x)；

所述标准化的函数为：

其中，为在甲状腺锝扫图像中第i个卷积核(x,y)坐标处经过所述激活函数的输出，为在甲状腺锝扫图像中第i个卷积核(x,y)坐标处经过标准化后的结果，k，n，α，β为超参数。