医学图像分类方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种医学图像分类方法、装置、计算机设备和存储介质，所述方法获取医学图像，将其作为训练样本；构建通道信息交互感知网络，该网络包括输入网络、特征提取网络和输出网络；根据训练样本对通道信息交互感知网络进行训练得到医学图像分类模型；获取待测医学图像，并将其输入到医学图像分类模型中，得到医学图像的类别。本方法中将前一个模块特征和当前提取的特征进行合并，保证信息在各个模块之间以前馈的方式流动，有效避免在模块间信息的频繁变动，提高模块的学习能力，增强了网络的特征提取能力；将患者的病理图片输送到训练好的网络模型后可直接给出诊断结果，这样可提高医生工作效率，有效帮助医生减少漏诊率、提高诊断准确率。高诊断准确率。高诊断准确率。

【技术实现步骤摘要】
医学图像分类方法、装置、计算机设备和存储介质


[0001]本申请涉及图像识别
，特别是涉及一种医学图像分类方法、装置、计算机设备和存储介质。

技术介绍

[0002]目前常见的临床结肠直肠癌检测方法有粪便潜血试验、光学结肠镜、乙状结肠镜等。其中通过光学结肠镜对息肉组织进行活检病理，以此来判断是否有肿瘤、肿瘤的性质及其分化程度是结肠检查的金标准。但如果将所有发现的息肉全部切除并进行病理活检将投入大量的人力成本，不利于大力推进结肠直肠癌的预防及研究。为了提高癌变前息肉的检出率，除了通过系统培训和丰富实践操作经验来提升内镜医生的检查水平之外，技术的改革创新是医疗及科研工作者奋斗的新方向。
[0003]随着AI技术在医疗领域的迅速发展，其强大的计算和深度学习能力成功引发了全球医疗专家们的密切关注。消化内镜作为AI医学图像识别应用的重要领域，也受到了越来越多的关注。结直肠息肉AI检测在AI消化内镜领域应用中发展最快，实用性也最高。
[0004]现有的医学图像识别算法不能克服随着网络层数的加深，网络在信息传递的时候会存在信息丢失，梯度消失，退化等问题，同时结肠息肉图像类别间相似度高且类别内变异性低，会导致模型偏差和过度拟合，从而导致性能和泛化性降低。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够快速高效实现医学图像识别的医学图像分类方法、装置、计算机设备和存储介质。
[0006]一种医学图像分类方法，所述方法包括：
[0007]获取医学图像，将所述医学图像作为训练样本。
[0008]构建通道信息交互感知网络，所述通道信息交互感知网络包括输入网络、特征提取网络和输出网络；所述特征提取网络包括卷积网络模块和通道信息交互感知模块；所述卷积网络模块用于提取训练样本的图像特征图；所述通道信息交互感知模块用于根据接收到的特征信息判断上一通道信息交互感知模块是否生成注意力通道权重值信息，得到判断结果；根据判断结果确定对所述图像特征图进行特征提取的支路；并根据特征提取支路、上一个模块反馈的注意力通道权重值信息以及当前模块提取的特征信息，确定通道信息交互感知特征和注意力通道权重值；所述输出网络用于接收所述通道信息交互感知特征，得到医学图像的类别。
[0009]根据所述训练样本对所述通道信息交互感知网络进行训练得到医学图像分类模型。
[0010]获取待测医学图像。
[0011]将所述待测医学图像输入到所述医学图像分类模型中，得到医学图像的类别。
[0012]一种医学图像分类装置，所述装置包括：
[0013]数据获取模块，用于获取医学图像，将所述医学图像作为训练样本。
[0014]网络构建模块，用于构建通道信息交互感知网络，所述通道信息交互感知网络包括输入网络、特征提取网络和输出网络；所述特征提取网络包括卷积网络模块和通道信息交互感知模块；所述卷积网络模块用于提取训练样本的图像特征图；所述通道信息交互感知模块用于根据接收到的特征信息判断上一通道信息交互感知模块是否生成注意力通道权重值信息，得到判断结果；根据判断结果确定对所述图像特征图进行特征提取的支路；并根据特征提取支路、上一个模块反馈的注意力通道权重值信息以及当前模块提取的特征信息，确定通道信息交互感知特征和注意力通道权重值；所述输出网络用于接收所述通道信息交互感知特征，得到医学图像的类别。
[0015]医学图像分类模型确定模块，用于根据所述训练样本对所述通道信息交互感知网络进行训练得到医学图像分类模型。
[0016]医学图像的类别确定模块，用于获取待测医学图像；将所述待测医学图像输入到所述医学图像分类模型中，得到医学图像的类别。
[0017]上述医学图像分类方法、装置、计算机设备和存储介质，所述方法通过获取医学图像，将医学图像作为训练样本；构建通道信息交互感知网络，通道信息交互感知网络包括输入网络、特征提取网络和输出网络；特征提取网络包括卷积网络模块和通道信息交互感知模块；卷积网络模块用于提取训练样本的图像特征图；通道信息交互感知模块用于根据接收到的特征信息判断上一通道信息交互感知模块是否生成注意力通道权重值信息，得到判断结果；根据判断结果确定对图像特征图进行特征提取的支路；并根据特征提取支路、上一个模块反馈的注意力通道权重值信息以及当前模块提取的特征信息，确定通道信息交互感知特征和注意力通道权重值；输出网络用于接收通道信息交互感知特征，得到医学图像的类别；根据训练样本对通道信息交互感知网络进行训练得到医学图像分类模型；获取待测医学图像，并将其输入到医学图像分类模型中，得到医学图像的类别。本方法中将前一个模块特征和当前提取的特征进行了合并，保证了信息在各个模块之间以前馈的方式流动，有效地避免了在模块间信息的频繁变动，提高了模块的学习能力，增强了网络的特征提取能力，采用本方法进行医学图像识别时是将患者的病理图片输送到训练好的网络模型中，模型将直接给出诊断结果，内镜医生只需进行简单的校对，这极大简化了医生阅片这一过程，提高了工作效率，有效帮助内镜医生减少漏诊率、提高诊断准确率。
附图说明
[0018]图1为一个实施例中医学图像分类方法的流程示意图；
[0019]图2为另一个实施例中通道信息交互感知模块结构图；
[0020]图3为另一个实施例中网络前向反馈图；
[0021]图4为另一个实施例中结肠息肉图片，其中：(a)
‑
(o)为结肠息肉图片；
[0022]图5为另一个实施例中正常图片，其中(a)
‑
(o)为正常图片；
[0023]图6为另一个实施例中其他病变图片，其中：(a)
‑
(o)为其他病变图片；
[0024]图7为另一个实施例中IIP
‑
Net54
‑
GAP
‑
FC的三分类混淆矩阵图；
[0025]图8为一个实施例中医学图像分类装置的结构框图；
[0026]图9为一个实施例中计算机设备的内部结构图。
具体实施方式
[0027]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0028]在一个实施例中，如图1所示，提供了一种医学图像分类方法，该方法包括以下步骤：
[0029]步骤100，获取医学图像，将医学图像作为训练样本。
[0030]从某医院胃肠镜室数据库中随机选取了由olympus PCF
‑
H290DI设备拍摄的结肠镜图像，在标注前首先对其进行了裁剪处理，去掉四周的白边，图片大小统一为256*256，再将其交予某医院胃肠镜室的内镜医师阅片，对照病理讨论确定图像应属类别情况，然后根据图像应属类别情况进行标注。
[0031]步骤102，构建通道信息交互感知网络。
[0032]通道信息交互感知本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学图像分类方法，其特征在于，所述方法包括：获取医学图像，将所述医学图像作为训练样本；构建通道信息交互感知网络，所述通道信息交互感知网络包括输入网络、特征提取网络和输出网络；所述特征提取网络包括卷积网络模块和通道信息交互感知模块；所述卷积网络模块用于提取训练样本的图像特征图；所述通道信息交互感知模块用于根据接收到的特征信息判断上一通道信息交互感知模块是否生成注意力通道权重值信息，得到判断结果；根据判断结果确定对所述图像特征图进行特征提取的支路；并根据特征提取支路、上一个模块反馈的注意力通道权重值信息以及当前模块提取的特征信息，确定通道信息交互感知特征和注意力通道权重值；所述输出网络用于接收所述通道信息交互感知特征，得到医学图像的类别；根据所述训练样本对所述通道信息交互感知网络进行训练得到医学图像分类模型；获取待测医学图像；将所述待测医学图像输入到所述医学图像分类模型中，得到医学图像的类别。2.根据权利要求1所述的方法，其特征在于，根据所述训练样本对所述通道信息交互感知网络进行训练得到医学图像分类模型，包括：将所述训练样本输入到所述输入网络，得到卷积特征；将所述卷积特征输入到所述特征提取网络，得到通道信息交互感知特征和注意力通道权重值；将所述通道信息交互感知特征输入到输出网络，输出分类预测结果，根据所述分类预测结果和所述训练样本进行反向训练，得到医学图像分类模型。3.根据权利要求2所述的方法，其特征在于，所述特征提取网络由第一卷积网络、第一通道信息交互感知模块、第二卷积网络、第二通道信息交互感知模块、第三卷积网络以及第三通道信息交互感知模块、第四卷积网络依次连接组成；所述第一通道信息交互感知模块、所述第二通道信息交互感知模块以及所述第三通道信息交互感知模块是具有相同的网络结构的通道信息交互感知模块；所述第一卷积网络包括a个卷积网络模块，所述第二卷积网络包括b个卷积网络模块，所述第三卷积网络包括c个卷积网络模块，所述第四卷积网络包括d个卷积网络模块，其中a、b、c、d为大于0的整数；将所述卷积特征输入到所述特征提取网络，得到通道信息交互感知特征和注意力通道权重值，包括：将所述卷积特征输入到第一卷积网络中，输出第一卷积特征；将所述第一卷积特征输入到所述通道信息交互感知模块中，得到第一通道信息交互感知特征和第一注意力通道权重值；将所述第一通道信息交互感知特征输入到第二卷积网络中，输出第二卷积特征；将所述第二卷积特征和所述第一注意力通道权重值输入到所述第二通道信息交互感知模块中，得到第二通道信息交互感知特征和第二注意力通道权重值；将所述第二通道信息交互感知特征输入到所述第三卷积网络中，输出第三卷积特征；将所述第三卷积特征和所述第二注意力通道权重值输入到所述第三通道信息交互感知模块中，得到第三通道信息交互感知特征和注意力通道权重值；
将所述第三通道信息交互感知特征输入到所述第四卷积网络中，得到通道信息交互感知特征。4.根据权利要求3所述的方法，其特征在于，所述通道信息交互感知模块包括：卷积网络模块、第一支路以及第二支路；所述第一支路包括全局平均池化层，所述第二支路包括全局平均池化层、全连接层以及卷积层标准化模块；将所述第二卷积特征和所述第一注意力通道权重值输入到所述通道信息交互感知模块中，得到第二通道信息交互感知特征和第二注意力通道权重值，包括：将所述第二卷积特征和所述第一注意力通道权重值输入到所述第二通道信息交互感知模块中，得到第二信息特征输出；判断第二信息特征输出是否包括所述第一注意力通道权重值信息，得到判断结果；当判断结果为包括时：将所述第二卷积特征输入到所述卷积网络模块进行特征提取...

【专利技术属性】
技术研发人员：王威，胡意晖，王新，李骥，周思远，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：