医学图像的分析方法和分析系统以及存储介质技术方案

本公开提供医学图像的分析方法和分析系统以及存储介质。一种医学图像的分析方法，所述方法由计算机实现，其特征在于，所述方法包括如下步骤：对用于训练的医学图像进行特征提取，所述用于训练的医学图像具有肿瘤性质的标签；利用所提取的特征和标签作为训练数据集，用Adaboost方法对LR弱分类器进行迭代，以得到LR强分类器。如此，提供一种通过计算机实现的机器学习的分类方法，这种机器学习的分类方法能够准确高效地针对肿瘤的性质是恶性还是良性进行建模和确定，从而为医生提供诊断参考。

Medical image analysis method and analysis system and storage medium

The present disclosure provides an analytical method and an analysis system for a medical image and a storage medium. An analysis method of medical image, the method is realized by the computer, which is characterized in that the method comprises the following steps: training for medical image feature extraction, the training for the medical image with the nature of the tumor label; as the training data set using the extracted features and labels, Adaboost the method of LR weak classifier are iterated to obtain LR strong classifier. In this way, a machine learning classification method implemented by computer is provided. This machine learning classification method can accurately and efficiently model and determine the malignant or benign nature of the tumor, so as to provide doctors with diagnostic reference.

【技术实现步骤摘要】
医学图像的分析方法和分析系统以及存储介质
本公开涉及计算机图像处理领域，具体而言，涉及由计算机实现的医学图像进行建模和分析的领域。
技术介绍
误诊指的是医生错误判断了病人的病情延误了病人治疗。该问题涉及到医疗人员的技术水平和诊断经验，难于通过管理制度进行改善。目前，各种计算机辅助诊疗和智能医疗系统(ComputerAidedDiagnosis，CAD)在医院广泛应用以降低误诊率。在医疗误诊上，严重的误诊情况表现为将恶性的肿瘤(癌症)误诊为良性，由于癌症具有巨大的死亡风险，这种误诊导致严重的医疗事故；另一种表现为将良性的肿瘤误诊为恶性，通常在恶性肿瘤治疗过程中会使用化疗、放疗、手术等治疗方式，这些治疗方式有显著的副作用，严重影响病人生活质量。应当注意，提供在上述背景部分中公开的信息仅用于更好地理解本公开的背景，并且因此可以包含未形成那些本领域技术人员已知的现有技术的信息。
技术实现思路
本专利技术人发现，在国内复杂的医疗环境下，医生存在迫切的需求能够尽量避免上述对于肿瘤的误诊情况，以避免医患矛盾，提高诊疗效果。具体说来，本专利技术人认为，需要一种通过计算机实现的机器学习的分类方法，这种机器学习的分类方法能够准确高效地针对肿瘤的性质是恶性还是良性进行建模和确定，从而为医生提供诊断参考。本专利技术人提出了本专利技术的例如如下技术方案来满足以上需求。根据本专利技术的第一方案，提供一种医学图像的分析方法，所述方法由计算机实现，其特征在于，所述方法包括如下步骤：对用于训练的医学图像进行特征提取，所述用于训练的医学图像具有肿瘤性质的标签；利用所提取的特征和标签作为训练数据集，用Adaboost方法(自适应增强方法)对LR(逻辑回归)弱分类器进行迭代，以得到LR强分类器。LR强分类器尤其适于肿瘤是良性还是恶性的二元分类，通过Adaboost方法对LR弱分类器进行迭代以得到LR强分类器，可以增加正确率高的LR弱分类器在LR强分类器中的权值，降低错误率高的LR弱分类器在LR强分类器中的权值，从而提高LR强分类器的最终分类的正确率，最大限度地避免误诊。对用于训练的医学图像进行特征提取的步骤包括：利用至少一层稀疏自编码器神经网络对用于训练的医学图像进行特征提取。优选地，利用至少一层稀疏自编码器神经网络对用于训练的医学图像进行特征提取的步骤包括：利用SIFT(尺度不变特征变换)算法对用于训练的医学图像进行处理，以提取出图像中的极值区域作为候选特征区域；从用于训练的医学图像中选择出具有候选特征区域的医学图像，以利用至少一层稀疏自编码器神经网络进行特征提取。如此，在至少一层稀疏自编码器神经网络之前利用SIFT(尺度不变特征变换)算法对用于训练的医学图像进行处理，可以排除掉那些不具有图像中的极值区域的医学图像。通常所采集的医学图像数量较大，并非所有医学图像中的信息对于诊断都有意义。相反，例如成像效果较差、包含大量例如噪声的干扰信息的医学图像中的信息甚至会干扰后续的诊断。因此，从医学图像中挑选出那些对于诊断较有意义的医学图像能够提高处理效率、提高计算精度并降低计算成本。本专利技术人发现，与诊断相关联的候选特征区域通常与图像中的极值区域有关，例如，一幅噪声凌驾解剖信息或者成像效果较差的医学图像中通常就难以找到极值区域；由此，通过根据是否包含极值区域来判断医学图像是否用于后续的检测操作简单且高效。优选地，在得到LR强分类器后：利用所提取的特征，用得到的LR强分类器进行分类；以及将分类的结果与对应的标签进行比较，如果不一致，则继续LR强分类器的迭代。优选地，所述方法还包括：如果利用所提取的特征得到的分类结果都是错误的，则对所述至少一层稀疏自编码器神经网络进行参数调节。优选地，所述至少一层稀疏自编码器神经网络具有两层或三层，并且后一层的稀疏自编码器神经网络的隐含层节点数小于或等于前一层的稀疏自编码器神经网络的隐含层节点数的1/2。根据本专利技术的第二方案，还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现：上述的计算机实现的医学图像的分析方法的各个步骤，以得到可用的LR强分类器；对用于检测的医学图像进行特征提取；基于所提取的特征，利用得到的LR强分类器进行分类，以得到表示肿瘤的性质的标签。优选地，所述对用于检测的医学图像进行特征提取的步骤包括：利用至少一层稀疏自编码器神经网络对用于检测的医学图像进行特征提取。优选地，所述利用至少一层稀疏自编码器神经网络对用于检测的医学图像进行特征提取的步骤包括：利用SIFT算法对用于检测的医学图像进行处理，以提取出图像中的极值区域作为候选特征区域；以及从用于检测的医学图像中选择出具有候选特征区域的医学图像，以利用至少一层稀疏自编码器神经网络进行特征提取。优选地，所述至少一层稀疏自编码器神经网络具有两层或三层，并且后一层的稀疏自编码器神经网络的隐含层节点数小于或等于前一层的稀疏自编码器神经网络的隐含层节点数的1/2。根据本专利技术的第三方案，还提供一种医学图像的分析系统，所述分析系统由计算机实现，其特征在于，所述医学图像的分析系统包括神经网络和LR强分类器；所述神经网络被配置为对用于检测的医学图像进行特征提取，所述神经网络的输入层连接到第二输入单元，以从所述第二输入单元输入用于检测的医学图像，所述神经网络的输出层连接到所述LR强分类器；所述LR强分类器被配置为基于用于训练的医学图像训练形成，所述用于训练的医学图像包含肿瘤且具有表示肿瘤的性质的标签。优选地，所述LR强分类器被配置为由Adaboost方法对LR弱分类器进行迭代训练而形成；所述神经网络包括至少一层稀疏自编码器神经网络。优选地，所述分析系统还包括SIFT处理单元，所述SIFT处理单元被配置为对用于检测的医学图像进行预处理以提取出所述用于检测的医学图像中的稳定极值区域作为候选特征区域；并将用于检测的医学图像中具有候选特征区域的医学图像输出给所述至少一层稀疏自编码器神经网络。应当理解，前面的一般描述和以下详细描述都仅是示例性和说明性的，而不是用于限制本公开。本节提供本公开中描述的技术的各种实现或示例的概述，并不是所公开技术的全部范围或所有特征的全面公开。附图说明为了更清楚地说明本公开实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本公开的一些实施例，而非对本公开的限制。图1示出根据本公开的第一实施例的医学图像的分析方法，包括为医学图像针对肿瘤的性质进行建模的训练流程和利用建模所得到的LR强分类器为医学图像针对肿瘤的性质进行分类的检测流程；图2示出根据本公开的第二实施例的对用于训练的医学图像进行特征提取的过程；以及图3示出根据本公开的第三实施例的用Adaboost方法对LR弱分类器进行迭代以得到LR强分类器的流程。图4示出根据本公开的第四实施例的医学图像的分析系统的框图。具体实施方式为了使得本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例的附图，对本公开实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。除非另外本文档来自技高网...

【技术保护点】
一种医学图像的分析方法，所述方法由计算机实现，其特征在于，所述方法包括如下步骤：对用于训练的医学图像进行特征提取，所述用于训练的医学图像具有肿瘤性质的标签；利用所提取的特征和标签作为训练数据集，用自适应增强(Adaboost)方法对LR(逻辑回归)弱分类器进行迭代，以得到LR强分类器。

【技术特征摘要】
1.一种医学图像的分析方法，所述方法由计算机实现，其特征在于，所述方法包括如下步骤：对用于训练的医学图像进行特征提取，所述用于训练的医学图像具有肿瘤性质的标签；利用所提取的特征和标签作为训练数据集，用自适应增强(Adaboost)方法对LR(逻辑回归)弱分类器进行迭代，以得到LR强分类器。2.根据权利要求1所述的医学图像的分析方法，其特征在于，对用于训练的医学图像进行特征提取的步骤包括：利用至少一层稀疏自编码器神经网络对用于训练的医学图像进行特征提取。3.根据权利要求2所述的医学图像的分析方法，其特征在于，利用至少一层稀疏自编码器神经网络对用于训练的医学图像进行特征提取的步骤包括：利用尺度不变特征变换(SIFT)算法对用于训练的医学图像进行处理，以提取出图像中的极值区域作为候选特征区域；从用于训练的医学图像中选择出具有候选特征区域的医学图像，以利用至少一层稀疏自编码器神经网络进行特征提取。4.根据权利要求2或3所述的医学图像的分析方法，其特征在于，所述方法还包括，在得到LR强分类器后：利用所提取的特征，用得到的LR强分类器进行分类；以及将分类的结果与对应的标签进行比较，如果不一致，则继续LR强分类器的迭代。5.根据权利要求4所述的医学图像的分析方法，其特征在于，所述方法还包括：如果利用所提取的特征得到的分类结果都是错误的，则对所述至少一层稀疏自编码器神经网络进行参数调节。6.根据权利要求2所述的医学图像的分析方法，其特征在于，所述至少一层稀疏自编码器神经网络具有两层或三层，并且...

【专利技术属性】
技术研发人员：韩立通，
申请(专利权)人：京东方科技集团股份有限公司，
类型：发明
国别省市：北京,11