【技术实现步骤摘要】
一种基于深度学习的耳内镜图像神经网络模型构建方法及智能分类处理方法
本专利技术涉及耳内镜图像的建模及处理方法，具体是指一种基于深度学习的耳内镜图像神经网络模型构建方法及智能分类处理方法，该建模及处理方法适用于机器学习、生物医学和图像处理领域。
技术介绍
人工智能(AI)在计算机医学领域发展得已较成熟，特别是在近年来人工智能飞速发展，使其在图像处理的准确度上与医生不相上下。在国内医疗信息化和分级诊疗的大背景之下，人工智能与医学影像的市场空间在不断地增长。中耳炎是最常见的耳部疾病，而其中又属慢性化脓性中耳炎与分泌性中耳炎最常见。慢性化脓性中耳炎是中耳黏膜，骨膜或骨质的化脓性炎症，以反复性耳流脓、听力下降和鼓膜穿孔为主要特征，早期排查能防止恶化，避免发展为神经性耳聋或骨质破坏，此外，最新对于慢性化脓性中耳炎的分类方式将其分为活动期与静止期，其手术方案略有区别，静止期可直接进行手术，而活动期需先给予抗炎治疗待脓液止住3个月后方可实行手术。分泌性中耳炎尤其在儿童时期多发，其流行性统计分析结果表明，在我国有90％的学龄前...
【技术保护点】
1.一种基于深度学习的耳内镜图像神经网络模型构建方法，其特征在于，该方法包括如下步骤：/n步骤A：从医院病例数据库中选取耳内镜图像构建耳内镜数据集，将数据集划分为测试集以及训练集；/n步骤B：加载预训练的神经网络模型，在所得到的训练集上微调预训练的神经网络模型，获得训练得到的神经网络模型；/n步骤C：在测试集上验证步骤B训练得到的神经网络模型的性能，筛选出最优神经网络模型。/n
【技术特征摘要】
1.一种基于深度学习的耳内镜图像神经网络模型构建方法，其特征在于，该方法包括如下步骤：
步骤A：从医院病例数据库中选取耳内镜图像构建耳内镜数据集，将数据集划分为测试集以及训练集；
步骤B：加载预训练的神经网络模型，在所得到的训练集上微调预训练的神经网络模型，获得训练得到的神经网络模型；
步骤C：在测试集上验证步骤B训练得到的神经网络模型的性能，筛选出最优神经网络模型。
2.根据权利要求1所述的基于深度学习的耳内镜图像神经网络模型构建方法，其特征在于：所述步骤A中构建数据集的方法如下：
(a1)利用医院耳鼻喉科的耳内镜数据库，获取耳内镜的图像组成耳内镜数据集；
(a2)按照病变程度将耳内镜图像分成正常、分泌性中耳炎、慢性化脓性中耳炎活动期、慢性化脓性中耳炎静止期四种类型，并且进行标注；
(a3)筛除各种类型中图像模糊以及未拍摄到病变部位的耳内镜图像；
(a4)随机选取耳内镜数据集的病例，使用交叉验证方法，划分多个测试集以及训练集，耳内镜数据集中一个病例会包含多张病例图像，具体划分时确保同一个病例的多张病例图像不会同时在训练集和测试集出现，即该病例包含的所有图片，要么全在训练集，要么全在测试集。
3.根据权利要求2所述的基于深度学习的耳内镜图像神经网络模型构建方法，其特征在于：所述步骤B中神经网络模型的训练方法如下：
(b1)加载预训练的神经网络模型，所述神经网络模型采用InceptionV3模型或者ResNet50模型；
(b2)微调预训练的神经网络模型：去除神经网络模型中最后的全连接层，更换为输出个数为类型种数的全连接层，并随机初始化该输出个数为类型种数的全连接层的权重，获得用于耳内镜图像分类的新的神经网络模型；
(b3)在每个构建的训练集上训练获得的新的神经网络模型，获得训练得到的神经网络模型。
4.根据权利要求3所述的基于深度学习的耳内镜图像神经网络模型构建方法，其特征在于：所述步骤C中验证步骤B训练得到的神经网络模型性能的方法如下：
(c1)使用准确率评估训练得到的神经网络模型在多折交叉验证的性能，准确率最高的神经网络模型即为最优神经网络模型；
(c2)验证该最优神经网络模型的性能：在正常与分泌性中耳炎，以及慢性化脓性中耳炎活动期与静止期两种疑难情况之间，绘出最优神经网络模型的ROC曲线图，并将参与验证的医生的真阳性率、假阳性率绘于ROC曲线图中的对应位置，若最优神经网络模型的ROC曲线包围医生的结果点，则说明该最优神经网络模型能够达到或超过人类专家的表现，能够用于实际新增耳内镜图像的智能分类。
5.一种基于深度学习的耳内镜图像智能分类处理方法，其特征在于，该方法包括如下步骤：
步骤A：从医院病例数据库中选取耳内镜图像构建耳内镜数据集，将数据集划分为测试集以及训练集；
步骤B：...
【专利技术属性】
技术研发人员：蔡跃新，余晋刚，李远清，郑亿庆，刘楚，
申请(专利权)人：中山大学孙逸仙纪念医院，华南理工大学，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。