医学图像分类方法、系统和存储介质技术方案

本发明专利技术公开了一种医学图像分类方法、系统和存储介质，可应用于图像分类技术领域。本发明专利技术方法包括：对序列图像分别进行分割后，构建分割得到的目标区域图像对应的目标区域三维图像；将目标区域三维图像输入到全卷积神经网络模型，得到图像疾病概率图；将图像疾病概率图输入到贝叶斯神经网络模型，得到医学图像对应的分类结果和不确定性；根据所有医学图像对应的分类结果和不确定性生成可信度与不确定性区间的拟合曲线；当拟合曲线满足预设要求，确定不确定性目标区间；确定医学图像对应的不确定性属于不确定性目标区间，将医学图像对应的分类结果作为目标分类结果。本发明专利技术能使当前分类算法给出的医学图像的分类结果更符合实际情况。际情况。际情况。

【技术实现步骤摘要】
医学图像分类方法、系统和存储介质


[0001]本专利技术涉及图像分类
，尤其是一种医学图像分类方法、系统和存储介质。

技术介绍

[0002]在医学图像分类过程中，通常会借助分类算法来提高医学图像的分类处理速度。相关技术中，分类算法在进行使用之前，会采用训练数据对分类算法进行训练，然后将训练好的算法应用于实际图像分类过程。但是，实际分类过程涉及到的图像与训练过程涉及到的图像，可能会存在较大的差异，使得训练好的分类算法对实际图像进行分类后得到的分类结果，与实际分类效果存在较大的差异，从而影响根据分类结果进行医学诊断的准确度。

技术实现思路

[0003]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种医学图像分类方法、系统和存储介质，能够有效降低分类结果与实际情况的差异。
[0004]一方面，本专利技术实施例提供了一种医学图像分类方法，包括以下步骤：
[0005]对预设数据集内的序列图像分别进行分割后，构建分割得到的目标区域图像对应的目标区域三维图像；
[0006]将所述目标区域三维图像输入到全卷积神经网络模型，得到图像疾病概率图；
[0007]将所述图像疾病概率图输入到贝叶斯神经网络模型，得到所述序列图像对应医学图像的分类结果和不确定性；
[0008]根据所述预设数据集内所有所述医学图像对应的分类结果和不确定性生成可信度与不确定性区间的拟合曲线；
[0009]当所述拟合曲线满足预设要求，确定不确定性目标区间；
[0010]判断所述医学图像对应的不确定性是否属于所述不确定性目标区间，若是，则将所述医学图像对应的分类结果作为目标分类结果；反之，则生成风险提示信息。
[0011]在一些实施例中，所述对预设数据集内的序列图像分别进行分割，包括：
[0012]采用U
‑
net模型对预设数据集内的序列图像分别进行分割。
[0013]在一些实施例中，在执行所述将所述目标区域三维图像输入到全卷积神经网络模型这一步骤前，所述方法还包括以下步骤：
[0014]对所述目标区域三维图像进行固定尺寸的随机取样，得到若干个三维小块图像；
[0015]采用所述若干个三维小块图像对所述全卷积神经网络模型进行训练。
[0016]在一些实施例中，所述全卷积神经网络模型包括七个卷积块和三个最大池化层，每个所述卷积块包括卷积层、批处理归一化层和激活层，将所述七个卷积块中的第一个卷积块内的滤波器个数作为超参数。
[0017]在一些实施例中，所述将所述目标区域三维图像输入到全卷积神经网络模型，得到图像疾病概率图，包括：
[0018]将所述目标区域三维图像输入到全卷积神经网络模型，确定所述目标区域三维图
像内各个区域的语义特征；
[0019]根据所述语义特征生成所述目标区域三维图像对应的图像疾病概率图。
[0020]在一些实施例中，所述将所述图像疾病概率图输入到贝叶斯神经网络模型，得到所述序列图像对应医学图像的分类结果和不确定性，包括：
[0021]将所述图像疾病概率图输入到贝叶斯神经网络模型；
[0022]当迭代预测次数大于预设次数，将所有迭代预测结果的平均预测结果作为所述医学图像对应的分类结果；
[0023]根据预测分布的熵确定所述医学图像对应分类结果的不确定性。
[0024]在一些实施例中，在执行所述当所述拟合曲线满足预设要求，确定不确定性目标区间这一步骤时，所述方法还包括以下步骤：
[0025]当所述可信度曲线不满足预设要求，对所述全卷积神经网络模型进行再次训练。
[0026]另一方面，本专利技术实施例提供了一种医学图像分类系统，包括：
[0027]分割模块，用于对预设数据集内的序列图像分别进行分割后，构建分割得到的目标区域图像对应的目标区域三维图像；
[0028]卷积处理模块，用于将所述目标区域三维图像输入到全卷积神经网络模型，得到图像疾病概率图；
[0029]分类处理模块，用于将所述图像疾病概率图输入到贝叶斯神经网络模型，得到所述序列图像对应医学图像的分类结果和不确定性；
[0030]计算模块，用于根据所述预设数据集内所有所述医学图像对应的分类结果和不确定性生成可信度与不确定性区间的拟合曲线；
[0031]确定模块，用于当所述拟合曲线满足预设要求，确定不确定性目标区间；
[0032]判断模块，用于判断所述医学图像对应的不确定性是否属于所述不确定性目标区间，若是，则将所述医学图像对应的分类结果作为目标分类结果；反之，则生成风险提示信息。
[0033]另一方面，本专利技术实施例提供了一种医学图像分类系统，包括：
[0034]至少一个存储器，用于存储程序；
[0035]至少一个处理器，用于加载所述程序以执行所述的医学图像分类方法。
[0036]另一方面，本专利技术实施例提供了一种存储介质，其中存储有计算机可执行的程序，所述计算机可执行的程序被处理器执行时用于实现所述的医学图像分类方法。
[0037]本专利技术实施例提供的一种医学图像分类方法，具有如下有益效果：
[0038]本实施例通过先对预设数据集内的序列图像依次进行分割、构建目标区域三维图像，以及将目标区域三维图像输入到全卷积神经网络模型后，将得到的图像疾病概率图输入到贝叶斯神经网络模型，从而得到序列图像对应医学图像的分类结果和不确定性，然后再根据预设数据集内所有医学图像对应的分类结果确定可信度曲线，当可信度曲线满足预设要求，再确定不确定性目标区间，接着判断医学图像的不确定性是否属于不确定性目标区间，若是，则将医学图像对应的分类结果作为目标分类结果，反之，则生成风险提示信息。本实施例通过在预设数据集内的医学图像对应的可信度曲线满足预设要求后，再判断医学图像的不确定性与预先设置的不确定性区间之间关系，以使当前分类算法给出的医学图像的分类结果更符合实际情况，从而为医学诊断过程提供更准确的参考数据。
[0039]本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0040]下面结合附图和实施例对本专利技术做进一步的说明，其中：
[0041]图1为本专利技术实施例的一种医学图像分类方法的流程图；
[0042]图2为本专利技术实施例的在应用过程中的示意图；
[0043]图3为本专利技术实施例的全卷积神经网络模型的示意图；
[0044]图4为本专利技术实施例的一种医学图像分类方法在应用过程的示意图。
具体实施方式
[0045]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。
[0046]在本专利技术的描述中，若干的含义是一个以上，多个的含义是两本文档来自技高网...

【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，包括以下步骤：对预设数据集内的序列图像分别进行分割后，构建分割得到的目标区域图像对应的目标区域三维图像；将所述目标区域三维图像输入到全卷积神经网络模型，得到图像疾病概率图；将所述图像疾病概率图输入到贝叶斯神经网络模型，得到所述序列图像对应医学图像的分类结果和不确定性；根据所述预设数据集内所有所述医学图像对应的分类结果和不确定性生成可信度与不确定性区间的拟合曲线；当所述拟合曲线满足预设要求，确定不确定性目标区间；判断所述医学图像对应的不确定性是否属于所述不确定性目标区间，若是，则将所述医学图像对应的分类结果作为目标分类结果；反之，则生成风险提示信息。2.根据权利要求1所述的一种医学图像分类方法，其特征在于，所述对预设数据集内的序列图像分别进行分割，包括：采用U
‑
net模型对预设数据集内的序列图像分别进行分割。3.根据权利要求1所述的一种医学图像分类方法，其特征在于，在执行所述将所述目标区域三维图像输入到全卷积神经网络模型这一步骤前，所述方法还包括以下步骤：对所述目标区域三维图像进行固定尺寸的随机取样，得到若干个三维小块图像；采用所述若干个三维小块图像对所述全卷积神经网络模型进行训练。4.根据权利要求3所述的一种医学图像分类方法，其特征在于，所述全卷积神经网络模型包括七个卷积块和三个最大池化层，每个所述卷积块包括卷积层、批处理归一化层和激活层，将所述七个卷积块中的第一个卷积块内的滤波器个数作为超参数。5.根据权利要求1所述的一种医学图像分类方法，其特征在于，所述将所述目标区域三维图像输入到全卷积神经网络模型，得到图像疾病概率图，包括：将所述目标区域三维图像输入到全卷积神经网络模型，确定所述目标区域三维图像内各个区域的语义特征；根据所述语义特征生成所述目标区域三维图像对应的图像疾病概率图。6.根据权利要求1所述的一种医学图像分...

【专利技术属性】
技术研发人员：李丹彤，胡联亭，
申请(专利权)人：广东省人民医院，
类型：发明
国别省市：