[发明专利]基于深度学习的头侧片腺样体图像自动评估方法和装置

权利要求书

1.基于深度学习的头侧片腺样体图像自动评估方法，包括以下步骤：

获取头侧片图像；

将头侧片图像输入到预处理模块中进行提取腺样体区域图以及灰度归一化处理；

所述腺样体区域图被定义为腺样体病理性肥大图像和腺样体正常图像两个类别，将所述腺样体区域的图像输入深度学习模型中，进行前向推理；

获取所述深度学习模型输出的图像所属类别的预测结果。

2.如权利要求1所述的基于深度学习的头侧片腺样体图像自动评估方法，其特征在于：所述头侧片是接受X光检查形成的X光片图像。

3.如权利要求1所述的基于深度学习的头侧片腺样体图像自动评估方法，其特征在于：所述预处理包括以下步骤：

从头侧片中截取腺样体区域图，

将截取的腺样体区域图进行灰度归一化，得到腺样体区域矩阵。

4.如权利要求1所述的基于深度学习的头侧片腺样体自动评估方法，其特征在于：所述深度学习模型包括腺样体区域自动截取单元和神经网络分类器；

所述腺样体区域自动截取单元，用于获取输入的头侧片中的腺样体区域图像；

所述神经网络特征提取器为VGG16模型，将矩形区域输入给VGG16模型进行图像分类。

5.如权利要求1所述的基于深度学习的头侧片腺样体图像自动评估方法，其特征在于：所述腺样体区域自动截取单元，用于检测输入的头侧片的分辨率，将头侧片按照预设分辨率进行下采样得到下采样图像，截取下采样图像中预设矩形区域得到腺样体区域图像。

6.如权利要求1所述的基于深度学习的头侧片腺样体图像自动评估方法，其特征在于：所述深度学习模型的输出图像是按照以下步骤进行的：

对头侧片进行腺样体区域进行截取，对截取区域的像素点进行灰度归一化，使用交叉熵损失函数进行loss值计算并调用Adam梯度下降算法进行模型权值更新，根据在验证集上的F1-score值来确定模型的最优参数。

7.基于深度学习的头侧片腺样体肥大自动评估装置，其特征在于：包括数据采集模块、预处理模块和深度学习模型；

所述数据采集模块，用于获取头侧片图像；

所述预处理模块，用于将头侧片图像输入到预处理模块中进行提取腺样体区域图以及灰度归一化处理；

所述深度学习模型，用于将腺样体区域图输入深度学习模型中，所述腺样体区域被定义为腺样体病理性肥大图像和腺样体正常图像两个分类；将所述腺样体区域输入深度学习模型中进行前向推理；

获取所述模型输出的图像所属类别的预测结果。

8.如权利要求7所述的基于深度学习的头侧片腺样体自动评估装置，其特征在于：所述深度学习模型包括腺样体区域自动截取单元和神经网络分类器；

所述腺样体区域自动截取单元，用于获取输入的头侧片中的腺样体区域图像；

所述神经网络特征提取器为VGG16模型，将矩形区域输入给VGG16模型进行图像分类。

9.如权利要求8所述的基于深度学习的头侧片腺样体图像自动评估装置，其特征在于：所述腺样体区域自动截取单元，用于检测输入的头侧片的分辨率，将头侧片按照预设分辨率进行下采样得到下采样图像，截取下采样图像中预设矩形区域得到腺样体区域图像。

10.如权利要求8所述的基于深度学习的头侧片腺样体图像自动评估装置，其特征在于：所述深度学习模型的输出图像是按照以下步骤进行的：

对头侧片的腺样体区域提取训练数据，对像素点进行灰度归一化，使用交叉熵损失函数进行loss值计算并调用Adam梯度下降算法进行模型权值更新，根据在验证集上的F1-score值来确定模型的最优参数。