基于深度残差网络的骨科病病变分类分级方法技术

本发明专利技术公开了一种基于深度残差网络的骨科病病变分类分级方法，具体按照以下步骤实施：步骤1，离线学习，将经过专业分类并做好标记的骨科病病变图像进行预处理，然后进行深度残差神经网络训练；步骤2，在线学习，将经步骤1训练好的深度残差神经网络进行备份后部署到日常诊疗中，同时使用在线学习的训练方法，使深度残差神经网络通过日常的诊疗数据不断的自我修正。本发明专利技术的基于深度残差网络的骨科病病变分类分级方法，解决了现有卷积神经网络随着神经网络构架深度的增加，出现精度饱和随后精度下降，且离线学习的方法无法对每天产生的诊疗数据加以利用，因而无法随着诊疗数目的增加进行自我修正的问题。

Classification and classification of diseases in Department of orthopedics based on deep residual network

The invention discloses a classification and grading method of orthopaedic diseases based on depth residual network, which is implemented in accordance with the following steps: step 1, off-line learning, pre-processing the images of orthopaedic diseases which have been specially classified and labeled, and then training the depth residual neural network; step 2, on-line learning, and going through the following steps Step 1: The trained deep residual neural network is backed up and deployed to the daily diagnosis and treatment. At the same time, the on-line learning training method is used to make the deep residual neural network continuously self-correct through the daily diagnosis and treatment data. The classification and classification method of orthopaedic diseases based on the depth residual network solves the problem that the existing convolution neural network saturates the accuracy and then decreases the precision with the increase of the depth of the neural network framework, and that the off-line learning method can not utilize the daily diagnosis and treatment data, so it can not follow the number of diagnosis and treatment. Increase the issue of self correction.

【技术实现步骤摘要】
基于深度残差网络的骨科病病变分类分级方法
本专利技术属于骨科病病变分类方法
，涉及一种基于深度残差网络的骨科病病变分类分级方法。
技术介绍
现有技术中，对腰椎间盘突出，肩周炎，膝盖损伤，颈椎病，这一类病变分类分级依然依靠人工对现有的医学造影来进行人工判断。现在通过CT、X光，核磁共振，等医学造影技术产生了大量的医学诊断影像资料。但是医生个人无法充分利用。现在的方法依旧是依赖医生个人经验和能力，进行人工判断的方式来对这几种病变分类分级，因而及其依赖医生的个人经验，技术素养，人工成本极高，判断准确性受人为因素影响极大，时间成本非常高，诊断效率低下。因而寻求一种自动，高效，准确的辅助诊断方式变得十分迫切。当今类似问题解决方法是使用卷积神经网络对医学影像进行分类分级，但是卷积神经网络自身存在着精度饱和问题，在数据量一定的情况下，想要进一步提高精度就需要增加卷积神经网络深度，然而随着深度的增加卷积神经网络精度会首先上升，然后出现饱和，因此精度无法进一步提升。现使用卷积神经网络解决方案精度仅为80％左右，其存在精度无法继续提高的瓶颈，同时现有技术使用离线学习的方式来进行神经网络训练，即使用离线数据库训练完毕后将经过离线训练最优的神经网络结构部署到实际诊断中，使用固定数据库。但是现实情况下，每天的诊断都在产生着大量的数据，而离线学习的方式无法使用这些新产生的数据，从而造成了现有医疗数据的极大浪费。
技术实现思路
本专利技术的目的是提供一种基于深度残差网络的骨科病病变分类分级方法，解决了现有卷积神经网络随着神经网络构架深度的增加，出现精度饱和随后精度下降，且离线学习的方法无法对每天产生的诊疗数据加以利用，因而无法随着诊疗数目的增加进行自我修正的问题。本专利技术所采用的技术方案是，基于深度残差网络的骨科病病变分类分级方法，具体按照以下步骤实施：步骤1，离线学习将经过专业分类并做好标记的骨科病病变图像进行预处理，然后进行深度残差神经网络训练；步骤2，在线学习将经步骤1训练好的深度残差神经网络进行备份后部署到日常诊疗中，同时使用在线学习的训练方法，使深度残差神经网络通过日常的诊疗数据不断的自我修正。本专利技术的特征还在于，步骤1具体按照以下步骤实施：步骤1.1，准备离线图像库图像库包含经过专业分类并做好诊断标记的各类骨科病病变图像，每类病变图像应确保一定量的数量，其中，诊断标记包括两部分，第一部分为病变类型，第二部分为病变程度；步骤1.2，将经步骤1.1做好分类标记的图像进行预处理将经步骤1.1做好分类标记的图像变为jpg或png格式文件，然后在保留最大分辨率的前提下进行图像归一化，并且打乱图像排布，使其病变类型、病变程度分布在图像库中处于均匀状态；步骤1.3，将经步骤1.2处理的所有图像分为训练集和测试集两个部分，其中训练集中的图像占所有图像的80％，测试集中的图像占所有图像的20％，训练集和测试集中均包括图像的每一个类；步骤1.4，将经步骤1.3处理的训练集和测试集中的图像以及经过人工分类分级的标签均变为矩阵形式；步骤1.5，构建深度残差神经网络框架，其中，深度残差神经网络主要包括三个部分，第一部分为输入层，第二部分为隐含层，第三部分为输出层，隐含层连接在输入层上，输出层连接在隐含层上；步骤1.6，训练深度残差神经网络将步骤1.5所建立的深度残差神经网络框架，使用经步骤1.4处理的训练集的图像数据进行训练，训练时遍历训练集中的每一个图像，每一个完整的遍历被称为一个世代，经过若干次训练，即经过若干个世代，得到训练好的深度残差神经网络；步骤1.7，过拟合判断使用经步骤1.6训练好后的深度残差神经网络，用1/4的测试集数据进行测试，若准确度大幅下降，则调整深度残差神经网络的超参数，然后重新训练深度残差神经网络，训练后再次执行过拟合判断，如此循环，直至未出现过拟合，则使用当前深度残差神经网络来进行实际诊疗判断。步骤1.4中，将经步骤1.3处理的训练集和测试集中的图像均变为矩阵形式，其图像矩阵格式为：[图像序号，图像长度，图像宽度，3]，其中，3代表RGB三色通道，每个图像对应的标签转化为3维矩阵形式，其格式为：[图像序号，病症类型，病症等级]，其中，标签的序号与该标签所对应图像为一一对应关系。步骤1.5中的隐含层包括多层，第一个隐含层连接输入层，最后一个隐含层连接输出层，第一个隐含层到最后一个隐含层之间依次存在参数传递通道或者第一个隐含层到最后一个隐含层之间跨层顺次存在参数传递通道，参数传递通道不能在隐含层之间相互交叉。除输入层外，各个神经网络层均有上一层输出数据经过激活函数后与后一层相连。输出层为Soft-Max层，每一层神经网络的激活函数使用Relu激活函数。步骤2具体按照以下步骤实施：步骤2.1，图像预处理将医疗诊断中的医学图像转化为jpg或png格式文件，并将图像进行大小调整，像素归一化；步骤2.2，将经步骤2.1处理的图像变为数字矩阵；步骤2.3，将步骤1训练好的深度残差神经网络进行备份后，将经步骤2.2形成的数字矩阵输入至经步骤1训练好的深度残差神经网络中，深度残差网络经最后一层输出对应医学图像的病变分类分级，并经过标准病例生成处理，使其变为标准病例格式；步骤2.4，修正判断人为对步骤2.3生成的对应医学图像的病变分类分级进行判断，若步骤2.3为误判，则为图像打上正确的分类分级标签，并且重新生成正确的标准病例，若步骤2.3分类分级正确，则直接使其标准病例以及当前的深度残差神经网络；步骤2.5，将步骤2.4进行判断且确定步骤2.3为误判的图像打上正确的分类分级标签后，将其输入到备份的深度残差神经网络中进行训练，得到经再次训练的深度残差神经网络；步骤2.6，检测精度使用剩余的测试集图像对经步骤2.5生成的经再次训练的深度残差神经网络进行测试，若精度高于原训练好的深度残差神经网络则替代原有深度残差神经网络，否则将抛弃训练后网络，维持原有深度残差神经网络。步骤2.5中将步骤2.4进行判断且确定步骤2.3为误判的图像打上正确的分类分级标签后输入到备份的深度残差神经网络中进行训练的训练方法与离线学习使用的训练方法相同。步骤2.2中数字矩阵的文件格式为：[X，图像长度，图像宽度，3]，其中X表示图像的数量，3表示RGB三色通道。本专利技术的有益效果是本专利技术经过训练的深度残差神经网络可以快速的对骨科疾病，如：腰间盘突出，肩周炎，膝盖损伤，颈椎病病变分类分级，极大的解放人力劳动，减轻医疗人员压力，可以作为辅助诊断手段。本专利技术的方法可以最大限度的使用医学造影的信息，深度残差神经网络相对于卷积神经网络可以极大的增加神经网络深度，突破原有卷积神网络的精度瓶颈，可以最大限度的提取出医学造影中的诊断特征，从而可以快速准确的判断腰间盘突出，肩周炎，膝盖损伤，颈椎病病变的分类和等级。通过基于大数据的数据库来进行训练，可以对现有的医学造影的诊断数据进行最大的资源整合。通过深度残差神经网络的训练过程，可以自动提取出所需特征，从而自动学习来得到最准确的判断，算法具有泛用性。通过其在线学习能力，随着诊疗数目的增多，数据库可以自动更新，部署的神经网络模型可以不断自我修正，学习成长，进一步提高精度，从每天产生的新的医疗数据中学习到新的图像特征，从而更好的使用现有本文档来自技高网...

【技术保护点】
1.基于深度残差网络的骨科病病变分类分级方法，其特征在于，具体按照以下步骤实施：步骤1，离线学习将经过专业分类并做好标记的骨科病病变图像进行预处理，然后进行深度残差神经网络训练；步骤2，在线学习将经步骤1训练好的深度残差神经网络进行备份后部署到日常诊疗中，同时使用在线学习的训练方法，使深度残差神经网络通过日常的诊疗数据不断的自我修正。

【技术特征摘要】
1.基于深度残差网络的骨科病病变分类分级方法，其特征在于，具体按照以下步骤实施：步骤1，离线学习将经过专业分类并做好标记的骨科病病变图像进行预处理，然后进行深度残差神经网络训练；步骤2，在线学习将经步骤1训练好的深度残差神经网络进行备份后部署到日常诊疗中，同时使用在线学习的训练方法，使深度残差神经网络通过日常的诊疗数据不断的自我修正。2.根据权利要求1所述的基于深度残差网络的骨科病病变分类分级方法，其特征在于，所述步骤1具体按照以下步骤实施：步骤1.1，准备离线图像库图像库包含经过专业分类并做好诊断标记的各类骨科病病变图像，每类病变图像应确保一定量的数量，其中，诊断标记包括两部分，第一部分为病变类型，第二部分为病变程度；步骤1.2，将经步骤1.1做好分类标记的图像进行预处理将经步骤1.1做好分类标记的图像变为jpg或png格式文件，然后在保留最大分辨率的前提下进行图像归一化，并且打乱图像排布，使其病变类型、病变程度分布在图像库中处于均匀状态；步骤1.3，将经步骤1.2处理的所有图像分为训练集和测试集两个部分，其中训练集中的图像占所有图像的80％，测试集中的图像占所有图像的20％，训练集和测试集中均包括图像的每一个类；步骤1.4，将经步骤1.3处理的训练集和测试集中的图像以及经过人工分类分级的标签均变为矩阵形式；步骤1.5，构建深度残差神经网络框架，其中，深度残差神经网络主要包括三个部分，第一部分为输入层，第二部分为隐含层，第三部分为输出层，所述隐含层连接在输入层上，所述输出层连接在所述隐含层上；步骤1.6，训练深度残差神经网络将步骤1.5所建立的深度残差神经网络框架，使用经步骤1.4处理的训练集的图像数据进行训练，训练时遍历训练集中的每一个图像，每一个完整的遍历被称为一个世代，经过若干次训练，即经过若干个世代，得到训练好的深度残差神经网络；步骤1.7，过拟合判断使用经步骤1.6训练好后的深度残差神经网络，用1/4的测试集数据进行测试，若准确度大幅下降，则调整深度残差神经网络的超参数，然后重新训练深度残差神经网络，训练后再次执行过拟合判断，如此循环，直至未出现过拟合，则使用当前深度残差神经网络来进行实际诊疗判断。3.根据权利要求2所述的基于深度残差网络的骨科病病变分类分级方法，其特征在于，所述步骤1.4中，将经步骤1.3处理的训练集和测试集中的图像均变为矩阵形式，其图像矩阵格式为：[图像序号，图像长度，图像宽度，3]，其中，3代表RGB三色通道，每个图像对应的标签转化为3维矩阵形式，其格式为：[图像序号，病症类型，病症等级]，其中，标签的序号与该标签...

【专利技术属性】
技术研发人员：邓亚平，王璐，贾颢，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西,61