【技术实现步骤摘要】
医学图像的分类方法及其分类装置
[0001]本专利技术涉及数字图像处理
,特别涉及一种医学图像的分类方法及其分类装置。
技术介绍
[0002]医学图像的分类对疾病的临床诊断和评估具有重要意义。传统手工提取特征的方法过程繁琐,泛化性不强,对于正常和病变区域之间高度相似的图像分类结果较差。而且,由于病变区域通常只占图像中的一小部分,这导致深度卷积神经网络缺乏聚焦有意义的病变部位的能力。另外,医学图像数据集中通常存在高度的类别不平衡问题,很难得到灵敏度良好的分类模型。因此,医学图像的准确分类仍然存在很大的挑战。
技术实现思路
[0003]为了克服现有技术的上述缺陷,本专利技术实施例所要解决的技术问题是提供了一种医学图像的分类方法及其分类装置,其能够用于医学图像的精准分类,很好地解决医学图像分类任务中普遍存在的小目标识别和类别极度不平衡的问题。
[0004]本专利技术实施例的具体技术方案是:
[0005]一种医学图像的分类方法,所述医学图像的分类方法包括:
[0006]使用迁移学习将在自然图像数据集训练好的深度学习模型迁移到医学图像领域得到医学图像分类的基础模型;
[0007]在医学图像分类的基础模型上构建基于类激活映射的深度注意力分支网络;
[0008]在医学图像分类的基础模型上构建基于灰度共生矩阵的损失加权模块;
[0009]将医学图像分类的基础模型上的基于灰度共生矩阵的损失加权模块和基于类激活映射的深度注意力分支网络建立融合以得到融合后的医学图像分类 ...
【技术保护点】
【技术特征摘要】
1.一种医学图像的分类方法,其特征在于,所述医学图像的分类方法包括:使用迁移学习将在自然图像数据集训练好的深度学习模型迁移到医学图像领域得到医学图像分类的基础模型;在医学图像分类的基础模型上构建基于类激活映射的深度注意力分支网络;在医学图像分类的基础模型上构建基于灰度共生矩阵的损失加权模块;将医学图像分类的基础模型上的基于灰度共生矩阵的损失加权模块和基于类激活映射的深度注意力分支网络建立融合以得到融合后的医学图像分类模型;对融合后的医学图像分类模型进行训练得到医学图像自动分类模型;通过医学图像自动分类模型对待分类图像进行自动分类。2.根据权利要求1所述的医学图像的分类方法,其特征在于,在步骤使用迁移学习将在自然图像数据集训练好的深度学习模型迁移到医学图像领域得到医学图像分类的基础模型中,还包括:在训练好的深度学习模型最后添加一个全连接层,并且全连接层的神经元的个数和分类的类别保持一致,如此适应性的得到医学图像分类的基础模型。3.根据权利要求1所述的医学图像的分类方法,其特征在于,在步骤在医学图像分类的基础模型上构建基于类激活映射的深度注意力分支网络中,其包括:类激活映射具有的卷积层、全局平均池和全连接层作为最后三层,类激活映射中的高响应值位置表示病变区域,在全局平均池之后,获得最后一个卷积层的每个特征图的平均值,然后使用全连接层的权重对特征图的平均值进行加权求和,以得到类激活映射,具体如下:其中,f
k
(x,y)是最后一个卷积层中特征图位置(x,y)的值,k是特征图的数量,是类别c的全连接层权重,CAM
c
(x,y)表示类别c的类激活映射。4.根据权利要求3所述的医学图像的分类方法,其特征在于,在步骤在医学图像分类的基础模型上构建基于类激活映射的深度注意力分支网络中,其还包括:在深度注意力分支网络中将全连接层替换为K
×1×
1卷积层,K为类别数,K
×1×
1表示卷积核为1
×
1并带有K个通道;将在全局平均池之后获得的最后一个卷积层上每个特征图的平均值作为每个类别的置信度得分,注意力分支从K个类别置信度图中生成注意力图。5.根据权利要求4所述的医学图像的分类方法,其特征在于,在步骤在医学图像分类的基础模型上构建基于类激活映射的深度注意力分支网络中,其还包括:基于注意力图和特征提取器输出的特征图得到注意机制的输出,具体如下:g
′
(X
i
)=(1+M(X
i
))
·
g(X
...
【专利技术属性】
技术研发人员:丁赛赛,左文琪,
申请(专利权)人:苏州斯玛维科技有限公司,
类型:发明
国别省市:
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。