【技术实现步骤摘要】
一种基于多先验嵌入的Y型网络的智能医学辅助诊断方法及系统
[0001]本专利技术涉及医学图像
,具体涉及基于多先验嵌入的Y型网络的智能医学辅助诊断方法及系统。
技术介绍
[0002]在医学图像分析领域中,临床的医学数据本身蕴藏着宝贵的先验知识,医生可以凭借丰富的临床经验识别病变。但是面对多样的病例和大量的医学数据,这对医生的要求很高,需要耗费大量的时间和精力,也存在着漏诊的可能性。由于人工智能算法在医学图像分析领域取得的巨大成功,研究人员尝试结合深度学习的算法来辅助医生诊断。但是,深度学习技术属于黑盒问题,缺乏可解释性,因此没有充足的证据证明先验有利于模型精准度的提升。
[0003]以直肠癌为例,作为第二大致命癌症和第三大常见恶性肿瘤,高达22%
‑
28%息肉漏检率会致使生存率大幅度降低。由于直肠息肉的异质性和多样性(如边界对比度、形状、大小、厚度)、内部伪影(如水流、残留物)和成像退化(如颜色扭曲、镜面反射),这使得直肠息肉识别和分割成为了一种具有挑战性的难题。早期研究工作大多是通过挖掘手工提取特征(如颜色、形状、纹理和超像素)的方式来识别和分割结肠息肉。然而,单纯手工特征设计表征异质性息肉的能力有限,它们的精度通常较低。相比之下,以数据驱动的深度学习技术可以更好地学习这些隐式的表征,进而获得更高的精准度。但由于这种端对端的学习缺乏可解释性,使得深度学习技术在临床医学上无法广泛地推广应用。
技术实现思路
[0004]本专利技术的目的在于克服现有技术的缺点和不足,提出基 ...
【技术保护点】
【技术特征摘要】
1.一种基于多先验嵌入的Y型网络的智能医学辅助诊断方法,包括:获取待处理图像;根据图像的数据集{X}
n=1,2,3,...,N
获得隐层Z1;根据图像数据集{X}
n=1,2,3,...,N
的增强数据集获得隐层Z2;将根据所述隐层Z1和所述隐层Z2融合成的隐层Z再推理成预测将根据所述隐层Z1和所述隐层Z2融合成的隐层Z再推理成预测若预测和标签{Y}
n=1,2,3,...,N
的误差满足预设条件时,则停止,否则重复上述图像推理步骤。2.根据权利要求1所述的基于多先验嵌入的Y型网络的智能医学辅助诊断方法,根据图像数据集{X}
n=1,2,3,...,N
的增强数据集获得隐层Z2之前,还包括:将图像数据集{X}
n=1,2,3,...,N
生成增强数据集转换关系为:α
i
为对应增强子图X
i
的权重。3.根据权利要求2所述的基于多先验嵌入的Y型网络的智能医学辅助诊断方法,所述图像数据集{X}
n=1,2,3,...,N
生成增强数据集转换关系为:α
i
为对应增强子图X
i
的权重具体包括:三种增强操作,即纹理增强φ、颜色增强和对比增强ψ;将图像处理得到纹理增强图片X1,它们的转换关系如下式:X1=φ(X);将图像处理得到颜色增强图片X2,它们的转换关系如下式:将图像处理得到对比增强图片X3,它们的转换关系如下式:X3=ψ(X)。4.根据权利要求1所述的基于多先验嵌入的Y型网络的智能医学辅助诊断方法,将根据所述隐层Z1和所述隐层Z2融合成的隐层Z再推理成预测所述隐层Z1和所述隐层Z2融合成的隐层Z再推理成预测之前还包括:所述隐层Z1和所述隐层Z2融合成的隐层Z,隐层Z可以表示为:Z=CONCAT(Z1+Z2)。5.根据权利要求1所述的基于多先验嵌入的Y型网络的智能医学辅助诊断方法,所述若预测和标签{Y}
n=1,2,3,...,N
的误差满足预设条件时,则停止,否则重复上述图像推理步骤,具体包括:计算预测和标签{Y}
n=1,2,3,...,N
的误差,然后经过反向传播优化网络直至达到收敛条件;损失函数可以表示为:其中θ为网络可训练参数,Ω(w)为正则项,且6.根据权利要求1所述的基于多先验嵌入的Y型网络的智能医学辅助诊断方法,所述根
据图像的数据集{X}
n=1,2,3,...,N
获得隐层Z1;根据图像数据集{X}
n=1,2,3,...,N
的增强数据集获得隐层...
【专利技术属性】
技术研发人员:罗雪琪,林荣佳,林森林,何伟骅,
申请(专利权)人:广东工业大学,
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。