图像分类方法、计算机设备和存储介质技术

本申请涉及一种图像分类方法、计算机设备和存储介质。所述方法包括：获取医学影像的感兴趣区域的不同分辨率的图像；将各所述图像输入预设的分类网络中，得到所述感兴趣区域的分类结果；其中，所述分类结果用于表征所述感兴趣区域所属的类别。采用本方法能够使得训练得到的模型适用于不同病灶类型的医学影像。到的模型适用于不同病灶类型的医学影像。到的模型适用于不同病灶类型的医学影像。

【技术实现步骤摘要】
图像分类方法、计算机设备和存储介质


[0001]本申请涉及医学影像
，特别是涉及一种图像分类方法、计算机设备和存储介质。

技术介绍

[0002]随着人工智能技术的发展，越来越多的神经网络模型应用到了医学影像的辅助诊断上，例如，可以利用分类网络对医学影像进行分类，利用分类结果辅助医生进行病灶的诊断，或者，可以利用分割网络对医学影像进行分割，利用分割结果辅助医生对病灶区域进行分析等。
[0003]但是，目前的神经网络模型在应用时存在一定的局限性，例如，训练得到的模型存在难以适用于不同病灶类型的医学影像。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够使得训练得到的模型适用于不同病灶类型的医学影像的图像分类方法、计算机设备和存储介质。
[0005]第一方面，本申请提供了一种图像分类方法，所述方法包括：
[0006]获取医学影像的感兴趣区域的不同分辨率的图像；
[0007]将各所述图像输入预设的分类网络中，得到所述感兴趣区域的分类结果；其中，所述分类结果用于表征所述感兴趣区域所属的类别。
[0008]在其中一个实施例中，所述将各所述图像输入预设的分类网络中，得到所述感兴趣区域的分类结果，包括：
[0009]对各所述图像进行特征提取，得到各所述图像的特征；
[0010]对各所述图像的特征进行特征融合，得到第一融合特征；
[0011]根据所述第一融合特征，确定所述分类结果。
[0012]在其中一个实施例中，所述对各所述图像的特征进行特征融合，得到第一融合特征，包括：
[0013]对各所述图像的特征进行相关性计算，得到各所述图像间的相关性矩阵；
[0014]对各所述图像间的相关性矩阵进行归一化处理，得到归一化权重矩阵；
[0015]根据所述归一化权重矩阵和任一所述图像的特征，得到所述第一融合特征。
[0016]在其中一个实施例中，所述分类结果包括阴阳性分类结果和阳性类别的类型；所述根据所述第一融合特征，确定所述分类结果，包括：
[0017]根据所述第一融合特征，确定所述感兴趣区域的第一分类结果；所述第一分类结果用于表征所述感兴趣区域为阳性类别或阴性类别；
[0018]在所述第一分类结果为阳性类别时，根据所述第一融合特征，确定所述感兴趣区域的第二分类结果；所述第二分类结果用于表征所述感兴趣区域所属的类型，所述感兴趣区域所属的类型包括阴性以及所述感兴趣区域为阳性类别时所属的阳性类别的类型。
[0019]在其中一个实施例中，所述方法还包括：
[0020]获取所述医学影像的临床信息；
[0021]将所述临床信息输入预设的第一神经网络中，获取所述临床信息对应的临床特征；
[0022]采用预设的融合方法对所述第一融合特征和所述临床特征进行融合处理，得到第二融合特征；
[0023]根据所述第二融合特征，确定所述分类结果。
[0024]在其中一个实施例中，所述方法还包括：
[0025]获取所述医学影像的影像征象信息；
[0026]将所述影像征象信息输入预设的第二神经网络中，获取所述影像征象信息对应的影像征象特征；
[0027]采用预设的融合方法对所述第一融合特征和所述影像征象特征进行融合处理，得到第三融合特征；
[0028]根据所述第三融合特征，确定所述分类结果。
[0029]在其中一个实施例中，所述预设的融合方法包括双线性池化法或者串联法。
[0030]在其中一个实施例中，所述分类网络的训练过程包括：
[0031]获取样本感兴趣区域的不同分辨率的样本图像以及所述样本感兴趣区域的第一标签和第二标签；所述第一标签用于表征所述样本感兴趣区域为阳性类别或阴性类别；所述第二标签用于表征所述样本感兴趣区域所属的类型，所述样本感兴趣区域所属的类型包括阴性以及所述样本感兴趣区域为阳性类别时所属的阳性类别的类型；
[0032]将各所述样本图像输入预设的初始分类网络中，得到所述样本感兴趣区域的第一样本分类结果和第二样本分类结果；所述第一样本分类结果用于表征所述样本感兴趣区域为阳性类别或阴性类别；所述第二样本分类结果用于表征所述样本感兴趣区域所属的类型，所述样本感兴趣区域所属的类型包括阴性以及所述样本感兴趣区域为阳性类别时所属的阳性类别的类型；
[0033]利用所述第一标签对所述第二标签进行加权处理，得到所述第二标签对应的加权标签，利用第一样本分类结果对第二样本分类结果进行加权处理，得到所述第二样本分类结果对应的加权分类结果；其中，所述加权标签中的阴性类别与所述第一标签中的阴性类别一致，所述加权分类结果中的阴性类别与所述第一样本分类结果中的阴性类别一致；
[0034]根据所述第一标签和所述第一样本分类结果得到第一损失函数，根据所述加权标签和所述加权分类结果得到第二损失函数；
[0035]根据所述第一损失函数和所述第二损失函数对所述初始分类网络进行训练，得到所述分类网络。
[0036]第二方面，本申请还提供了一种图像分类装置，所述装置包括：
[0037]第一获取模块，用于获取医学影像的感兴趣区域的不同分辨率的图像；
[0038]分类模块，用于将各所述图像输入预设的分类网络中，得到所述感兴趣区域的分类结果；其中，所述分类结果用于表征所述感兴趣区域所属的类别。
[0039]第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0040]获取医学影像的感兴趣区域的不同分辨率的图像；
[0041]将各所述图像输入预设的分类网络中，得到所述感兴趣区域的分类结果；其中，所述分类结果用于表征所述感兴趣区域所属的类别。
[0042]第四方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0043]获取医学影像的感兴趣区域的不同分辨率的图像；
[0044]将各所述图像输入预设的分类网络中，得到所述感兴趣区域的分类结果；其中，所述分类结果用于表征所述感兴趣区域所属的类别。
[0045]第五方面，本申请还提供了一种计算机程序产品，所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0046]获取医学影像的感兴趣区域的不同分辨率的图像；
[0047]将各所述图像输入预设的分类网络中，得到所述感兴趣区域的分类结果；其中，所述分类结果用于表征所述感兴趣区域所属的类别。
[0048]上述图像分类方法、计算机设备和存储介质，通过获取医学影像的感兴趣区域的不同分辨率的图像，将感兴趣区域的不同分辨率的图像输入预设的分类网络中，能够通过分类网络对感兴趣区域不同分辨率的图像进行处理，使得分类网络能够适用于不同病灶类型的医学影像，从而能够本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分类方法，其特征在于，所述方法包括：获取医学影像的感兴趣区域的不同分辨率的图像；将各所述图像输入预设的分类网络中，得到所述感兴趣区域的分类结果；其中，所述分类结果用于表征所述感兴趣区域所属的类别。2.根据权利要求1所述的方法，其特征在于，所述将各所述图像输入预设的分类网络中，得到所述感兴趣区域的分类结果，包括：对各所述图像进行特征提取，得到各所述图像的特征；对各所述图像的特征进行特征融合，得到第一融合特征；根据所述第一融合特征，确定所述分类结果。3.根据权利要求2所述的方法，其特征在于，所述对各所述图像的特征进行特征融合，得到第一融合特征，包括：对各所述图像的特征进行相关性计算，得到各所述图像间的相关性矩阵；对各所述图像间的相关性矩阵进行归一化处理，得到归一化权重矩阵；根据所述归一化权重矩阵和任一所述图像的特征，得到所述第一融合特征。4.根据权利要求3所述的方法，其特征在于，所述分类结果包括阴阳性分类结果和阳性类别的类型；所述根据所述第一融合特征，确定所述分类结果，包括：根据所述第一融合特征，确定所述感兴趣区域的第一分类结果；所述第一分类结果用于表征所述感兴趣区域为阳性类别或阴性类别；在所述第一分类结果为阳性类别时，根据所述第一融合特征，确定所述感兴趣区域的第二分类结果；所述第二分类结果用于表征所述感兴趣区域所属的类型，所述感兴趣区域所属的类型包括阴性以及所述感兴趣区域为阳性类别时所属的阳性类别的类型。5.根据权利要求2所述的方法，其特征在于，所述方法还包括：获取所述医学影像的临床信息；将所述临床信息输入预设的第一神经网络中，获取所述临床信息对应的临床特征；采用预设的融合方法对所述第一融合特征和所述临床特征进行融合处理，得到第二融合特征；根据所述第二融合特征，确定所述分类结果。6.根据权利要求2所述的方法，其特征在于，所述方法还包括：获取所述医学影像的影像征象信息；将所述影像征象信息输入预设的第二神经网络中，获取所述影像征象信息对应的影像征象特征；采用预设...

【专利技术属性】
技术研发人员：石峰，周庆，周翔，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：