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技术方案

本发明专利技术公开了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，该方法包括：获取待处理图像；根据图像的数据集{X}

【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，解决传统启发式规则的方法处理医学图像精度低，而深度学习技术缺乏可解释性技术问题
[0005]为此，本专利技术的公开了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；
[0006]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。
[0007]优选地，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。
[0008]优选地，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：
[0009]三种增强操作，即纹理增强φ、颜色增强和对比增强ψ；
[0010]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)；
[0011]将图像处理得到颜色增强图片X2，它们的转换关系如下式：
[0012]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)。
[0013]优选地，将根据所述隐层Z1和所述隐层Z2融合成的隐层Z再推理成预测之前还包括：
[0014]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)。
[0015]优选地，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：
[0016]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；
[0017]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
[0018]优选地，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Z2；具体包括：
[0019]将原图数据集{X}
n＝1,2,3,...,N
作为主分支的输入，使用编码器E1来学习和提取特征，并得到隐层表示Z1；隐层表示Z1的表示为：Z1＝E1(X)；
[0020]将增强数据集作为辅助分支的输入，使用编码器E2来学习和提取特征，并得到隐层表示Z2；隐层表示Z2的表示为：
[0021]第二方面，提供了一种基于多先验嵌入的Y型网络的智能医学辅助诊断系统，包括：
[0022]输入模块，用于获取待处理图像；
[0023]编码器E1，用于根据图像的数据集{X}
n＝1,2,3,...,N
获得隐层Z1；
[0024]编码器E2，用于根据图像数据集{X}
n＝1,2,3,...,N
的增强数据集获得
[0025]隐层Z2；
[0026]解码器D，用于将根据所述隐层Z1和所述隐层Z2融合成的隐层Z再推理成预测
[0027]判定模块，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。
[0028]优选地，编码器E2，用于根据图像数据集{X}
n＝1,2,3,...,N
的增强数据集获得隐层Z2之前，还包括：多个先验增强器的增强，用于图像数据集{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。
[0029]优选地，所述多个先验增强器的增强，用于图像数据集{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：
[0030]先验增强模块Γ包括三种增强操作，即纹理增强φ、颜色增强和对比增强ψ；
[0031]所述纹理增强器φ，用于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)；
[0032]所述颜色增强器用于将图像处理得到颜色增强图片X2，它们的转换关系如下式：
[0033]所述对比增强器ψ，得到纹理对比图片X3，它们的转换关系如下式：X3＝ψ(X)。
[0034]优选地，判定模块，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：
[0035]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；
[0036]损失函数可以表示为：其中θ为网络可训练参数本文档来自技高网...

【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：