一种基于深度学习的胆道结石分类方法技术

本发明专利技术提供一种基于深度学习的胆道结石分类方法，用于对胆道结石图像中的胆道结石进行分类，包括如下步骤：将胆道结石图像进行去噪处理，获得待分类图像；将待分类图像输入到训练验证完成后的最终胆道结石分类模型中，获得胆道结石图像中胆道结石的类型，其中，通过构建双通道网络模型，作为初始胆道结石分类模型，并选取合适的图像数据作为初始胆道结石分类模型的训练集和验证集，通过训练集和验证集对初始胆道结石分类模型进行训练和验证，并将最优模型作为最终胆道结石分类模型，通过该方法能够精准、直观的确定病人的胆道结石类型，从而有利于病人的治疗。

A classification method of cholelithiasis based on deep learning

The invention provides a classification method of choledocholithiasis based on deep learning, which is used to classify the choledocholithiasis in the image of choledocholithiasis, including the following steps: denoising the image of choledocholithiasis to obtain the image to be classified; inputting the image to be classified into the final classification model of choledocholithiasis after training and verification to obtain the class of choledocholithiasis in the image of choledocholithiasis By constructing a two channel network model as the initial gallstone classification model, and selecting the appropriate image data as the training set and verification set of the initial gallstone classification model, the initial gallstone classification model is trained and verified through the training set and verification set, and the optimal model is the final gallstone classification model, which can be refined through this method To determine the type of cholelithiasis accurately and intuitively is beneficial to the treatment of patients.

【技术实现步骤摘要】
一种基于深度学习的胆道结石分类方法
本专利技术属于计算机辅助医学领域，涉及一种胆道结石分类方法，具体涉及一种基于深度学习的胆道结石分类方法。
技术介绍
胆结石是一种常见的多发性消化系统疾病，根据结石中胆固醇含量的不同可以将胆结石分为胆固醇结石、胆色素结石以及混合性结石。内镜逆行胰胆管造影术(ERCP)能有效的诊断胰胆管系统的肿瘤、炎症、畸形，并能切开取石及进行鼻胆管引流，胰胆管系统狭窄部位支架的置入，能够减少外科手术的创伤，提高患者的生存质量和生存期。在保胆取石前进行ERCP诊疗不仅能将胆总管内结石清除，而且能充分了解肝总管、胆囊管与胆总管三者的解剖关系，使胆道系统在保胆取石过程中减小不必要的损伤。胆结石的治疗方式与胆道结石的类型有很大关系，不同类型的结石对于溶石或碎石的疗效也有很大不同，如熊去氧胆酸对胆固醇结石的溶解疗效较好，但对非胆固醇结石的溶解效果并不理想。因此，判断胆道结石的类型对于治疗胆结石具有重要意义。目前临床上一般通过B超、X射线、红外光谱等影像检查来确定结石的类型，但这些方式受设备仪器的测量精度以及测量结果分析计算误差的影响，准确度不高，且无法直观的反映胆道结石的类型，不利于医生的对症治疗。
技术实现思路
为解决上述问题，提供一种准确度更高，能够直观的反映胆道结石类型的胆道结石分类方法，本专利技术采用了如下技术方案：本专利技术提供了一种基于深度学习的胆道结石分类方法，用于对胆道结石图像中的胆道结石进行分类，其特征在于，包括如下步骤：步骤S1，将胆道结石图像进行去噪处理，获得待分类图像；步骤S2，将待分类图像输入到训练验证完成后的最终胆道结石分类模型中，获得胆道结石图像中的胆道结石的胆道结石类型；其中，最终胆道结石分类模型的训练验证过程包括如下步骤：步骤T1，构建双通道网络模型，作为初始胆道结石分类模型，该初始胆道结石分类模型具有两个输入端以及与输入端相对应的第一初始全连接层和第二初始全连接层；步骤T2，选取多个不同的胆道结石类型的内镜图像，作为训练图像和验证图像；步骤T3，分别在训练图像和验证图像中截取结石区域，作为原始训练图像和原始验证图像，并分别截取原始训练图像和原始验证图像的中间区域，作为放大训练图像和放大验证图像；步骤T4，将原始训练图像和放大训练图像作为初始胆道结石分类模型的训练集，将原始验证图像和放大验证图像作为初始胆道结石分类模型的验证集；步骤T5，将训练集分别输入到初始胆道结石分类模型的两个输入端，从而对第一初始全连接层和第二初始全连接层进行更新，获取第一当前全连接层和第二当前全连接层；步骤T6，将第一当前全连接层和第二当前全连接层进行整合，获得初始胆道结石分类模型的当前全连接层；步骤T7，在初始胆道结石分类模型的当前全连接层上添加softmax层，获得待验证胆道结石分类模型；步骤T8，将验证集输入到待验证胆道结石分类模型中，获得待验证胆道结石分类模型的准确率和损失率；步骤T9，选取准确率最高且损失率最低的时刻对应的待验证胆道结石分类模型，作为最终胆道结石分类模型。本专利技术提供的基于深度学习的胆道结石分类方法，还可以具有这样的技术特征，最终胆道结石分类模型还包括测试过程，具体包括如下步骤：步骤A1，选取多个不同的胆道结石类型的内镜图像，作为测试图像；步骤A2，在测试图像中截取结石区域，作为原始测试图像，截取测试训练图像的中间区域，作为放大测试图像；步骤A3，将原始测试图像和放大测试图像作为最终胆道结石分类模型的测试集；步骤A4，将测试集输入到最终胆道结石分类模型中，获取最终胆道结石分类模型的鲁棒性和评估结果；步骤A5，根据评估结果对最终胆道结石分类模型进行优化调整。本专利技术提供的基于深度学习的胆道结石分类方法，还可以具有这样的技术特征，在步骤A1中，包括如下子步骤：步骤A1-1，选取多个不同的胆道结石类型的内镜图像，胆道结石类型包括胆固醇结石、胆色素结石和混合性结石；步骤A1-2，将内镜图像进行数据增强，获得增强内镜图像；步骤A1-3，将增强内镜图像进行多次旋转和去噪处理，获得最终内镜图像；步骤A1-4，按照5:4:1的比例将最终内镜图像分为训练图像、验证图像和测试图像。本专利技术提供的基于深度学习的胆道结石分类方法，还可以具有这样的技术特征，在步骤A2中，原始训练图像、原始验证图像和原始测试图像的大小为96像素×96像素，放大训练图像、放大验证图像和放大测试图像的大小为48像素×48像素。本专利技术提供的基于深度学习的胆道结石分类方法，还可以具有这样的技术特征，在步骤S1中，包括如下子步骤：步骤S1-1，根据结石区域对胆道结石图像进行截取，获得大小为96像素×96像素的原始待分类图像；步骤S1-2，对原始待分类图像的中间区域进行截取，获得大小为48像素×48像素的放大待分类图像；步骤S1-3，通过去噪算法对原始待分类图像和放大待分类图像进行去噪，并通过增强算法对原始待分类图像和放大待分类图像进行增强，获得待分类图像。本专利技术提供的基于深度学习的胆道结石分类方法，还可以具有这样的技术特征，在步骤T1中，双通道网络模型为双通道VGG16网络模型，双通道VGG16网络模型包括两个结构相同但大小不同的VGG16网络模型。本专利技术提供的基于深度学习的胆道结石分类方法，还可以具有这样的技术特征，在步骤T1中，初始胆道结石分类模型的参数设置分别为：批的大小设置为10，迭代次数设置为500。本专利技术提供的基于深度学习的胆道结石分类方法，还可以具有这样的技术特征，在步骤T5中，包括如下子步骤：步骤T5-1，将训练集内的每个原始训练图像以及每个原始训练图像对应的放大训练图像，作为一个训练子集；步骤T5-2，将每个的训练子集依次输入到初始胆道结石分类模型的两个输入端，从而对第一初始全连接层和第二初始全连接层进行更新，获取第一当前全连接层和第二当前全连接层。本专利技术提供的基于深度学习的胆道结石分类方法，还可以具有这样的技术特征，在步骤T8中，包括如下子步骤：步骤T8-1，将验证集内的每个原始验证图像以及每个原始验证图像对应的放大验证图像，作为一个验证子集；步骤T8-2，将每个的验证子集依次输入到待验证胆道结石分类模型中，获得待验证胆道结石分类模型的准确率和损失率。专利技术作用与效果根据本专利技术提供的基于深度学习的胆道结石分类方法，由于构建双通道网络模型，作为初始胆道结石分类模型，选取多个不同的胆道结石类型的内镜图像，作为训练图像和验证图像，分别在训练图像和验证图像中截取结石区域，作为原始训练图像和原始验证图像，并分别截取原始训练图像和原始验证图像的中间区域，作为放大训练图像和放大验证图像，将原始训练图像和放大训练图像作为初始胆道结石分类模型的训练集，将原始验证图像和放大验证图像作为初始胆道结石分类模型的验证集，将训练集分别输入到初始胆本文档来自技高网...

【技术保护点】
1.一种基于深度学习的胆道结石分类方法，用于对胆道结石图像中的胆道结石进行分类，其特征在于，包括如下步骤：/n步骤S1，将所述胆道结石图像进行去噪处理，获得待分类图像；/n步骤S2，将所述待分类图像输入到训练验证完成后的最终胆道结石分类模型中，获得所述胆道结石图像中的所述胆道结石的胆道结石类型；/n其中，所述最终胆道结石分类模型的训练验证过程包括如下步骤：/n步骤T1，构建双通道网络模型，作为初始胆道结石分类模型，该初始胆道结石分类模型具有两个输入端以及与所述输入端相对应的第一初始全连接层和第二初始全连接层；/n步骤T2，选取多个不同的所述胆道结石类型的内镜图像，作为训练图像和验证图像；/n步骤T3，分别在所述训练图像和所述验证图像中截取结石区域，作为原始训练图像和原始验证图像，并分别截取所述原始训练图像和所述原始验证图像的中间区域，作为放大训练图像和放大验证图像；/n步骤T4，将所述原始训练图像和所述放大训练图像作为所述初始胆道结石分类模型的训练集，将所述原始验证图像和所述放大验证图像作为所述初始胆道结石分类模型的验证集；/n步骤T5，将所述训练集分别输入到所述初始胆道结石分类模型的两个所述输入端，从而对所述第一初始全连接层和所述第二初始全连接层进行更新，获取第一当前全连接层和第二当前全连接层；/n步骤T6，将所述第一当前全连接层和所述第二当前全连接层进行整合，获得所述初始胆道结石分类模型的当前全连接层；/n步骤T7，在所述初始胆道结石分类模型的所述当前全连接层上添加softmax层，获得待验证胆道结石分类模型；/n步骤T8，将所述验证集输入到所述待验证胆道结石分类模型中，获得所述待验证胆道结石分类模型的准确率和损失率；/n步骤T9，选取所述准确率最高且所述损失率最低的时刻对应的所述待验证胆道结石分类模型，作为所述最终胆道结石分类模型。/n...

【技术特征摘要】
1.一种基于深度学习的胆道结石分类方法，用于对胆道结石图像中的胆道结石进行分类，其特征在于，包括如下步骤：
步骤S1，将所述胆道结石图像进行去噪处理，获得待分类图像；
步骤S2，将所述待分类图像输入到训练验证完成后的最终胆道结石分类模型中，获得所述胆道结石图像中的所述胆道结石的胆道结石类型；
其中，所述最终胆道结石分类模型的训练验证过程包括如下步骤：
步骤T1，构建双通道网络模型，作为初始胆道结石分类模型，该初始胆道结石分类模型具有两个输入端以及与所述输入端相对应的第一初始全连接层和第二初始全连接层；
步骤T2，选取多个不同的所述胆道结石类型的内镜图像，作为训练图像和验证图像；
步骤T3，分别在所述训练图像和所述验证图像中截取结石区域，作为原始训练图像和原始验证图像，并分别截取所述原始训练图像和所述原始验证图像的中间区域，作为放大训练图像和放大验证图像；
步骤T4，将所述原始训练图像和所述放大训练图像作为所述初始胆道结石分类模型的训练集，将所述原始验证图像和所述放大验证图像作为所述初始胆道结石分类模型的验证集；
步骤T5，将所述训练集分别输入到所述初始胆道结石分类模型的两个所述输入端，从而对所述第一初始全连接层和所述第二初始全连接层进行更新，获取第一当前全连接层和第二当前全连接层；
步骤T6，将所述第一当前全连接层和所述第二当前全连接层进行整合，获得所述初始胆道结石分类模型的当前全连接层；
步骤T7，在所述初始胆道结石分类模型的所述当前全连接层上添加softmax层，获得待验证胆道结石分类模型；
步骤T8，将所述验证集输入到所述待验证胆道结石分类模型中，获得所述待验证胆道结石分类模型的准确率和损失率；
步骤T9，选取所述准确率最高且所述损失率最低的时刻对应的所述待验证胆道结石分类模型，作为所述最终胆道结石分类模型。


2.根据权利要求1所述的基于深度学习的胆道结石分类方法，其特征在于：
其中，所述最终胆道结石分类模型还包括测试过程，具体包括如下步骤：
步骤A1，选取多个不同的所述胆道结石类型的所述内镜图像，作为测试图像；
步骤A2，在所述测试图像中截取结石区域，作为原始测试图像，截取所述测试训练图像的中间区域，作为放大测试图像；
步骤A3，将所述原始测试图像和所述放大测试图像作为所述最终胆道结石分类模型的测试集；
步骤A4，将所述测试集输入到所述最终胆道结石分类模型中，获取所述最终胆道结石分类模型的鲁棒性和评估结果；
步骤A5，根据所述评估结果对所述最终胆道结石分类模型进行优化调整。


3.根据权利要求2所述的基于深度学习的胆道结石分类方法，其特征在于：
其中，在步骤A1中，包括如下子步骤：
步骤A1-1，选取多个不同的...

【专利技术属性】
技术研发人员：聂生东，段辉宏，吴文浩，高磊，王旭，
申请(专利权)人：上海理工大学，
类型：发明
国别省市：上海;31