一种基于机器学习的病理图像分类方法和系统技术方案

本申请涉及图像处理领域，为病理图像分类方法和系统，在该分类方法和系统中，对于有诊断结论的病理图像，通过第一机器学习模型获得第一分类结果并与诊断结论比较，若相同，则将该病理图像置入知识集，若不同，则将该病理图像通过第二机器学习模型获得第二分类结果，并与第一分类结果比较，若相同，则该病理图像置入知识集，若不同，则放弃该条记录，针对没有诊断结论的病理图像，则通过两次不同的机器学习模型获得的分类结果进行比较，判断是否进入知识集；同时，在模型训练时，将训练集均分提高模型训练精度；通过上述方案提高了分类的准确性，有利于经验较少的医生用来学习以提高自己的业务素养。的业务素养。的业务素养。

【技术实现步骤摘要】
一种基于机器学习的病理图像分类方法和系统


[0001]本专利技术属于图像处理以及人工智能
，尤其涉及一种基于机器学习的病理图像分类方法和系统。

技术介绍

[0002]现如今，不均匀的医疗资源分布、有限的就医渠道，导致公共医疗设施不能达到让人们满意的程度，于是，网上在线医疗诊断平台应用越来越广泛，在线医疗诊断平台是指将计算机、通信、多媒体技术同医疗技术相结合的一项医疗服务，目的在于为患者就医提供区别于去医院就医的求医渠道选择，以满足患者需求，减少奔波时间。
[0003]随着网上医疗在线诊断平台的广泛应用，每年平台都会收到大量的医疗案例图像，尤其是病理图像，包含丰富的医疗信息和医疗知识，而，工作年限较短的医生由于接触实际案例较少，诊断的病理图像较少，经验较少，因此面对患者的病理图像往往存在业务素养、经验不足的情况，有一定概率会做出不专业的判断，从而可能会影响患者的病情和就医体验。
[0004]同时，在采用机器模型进行病理图像识别时，由于病理图像涉及隐私，各医院均很少对外提供病人的病理图像，造成在模型训练时，由于无充足的训练样本，分类模型不能充分训练，导致分类结果精度不高。
[0005]因此，现有技术急需一种针对病理图像进行准确分类处理的技术方案以供工作年限较短经验较少的医生学习以提高专业素养。

技术实现思路

[0006]本专利技术要解决的技术问题是针对上述技术方案的不足，提供一种基于机器学习的病理图像分类方法和系统，对医疗在线诊断平台接收到的就医案例的病理图像进行分类，从而建立不同类别的知识集，以供经验较少的医生学习以提高专业素养。
[0007]根据本专利技术的一个方面，一种基于机器学习的病理图像分类方法，包括：步骤1：通过第一机器学习模型对每条就诊记录的病理图像进行分类，并得到第一分类结果；步骤2：判断在线诊断医疗平台中每条就诊记录里的病理图像是否有诊断结论，若有，进入步骤3，若没有，进入步骤5；步骤3：判断所述步骤2的分类结果与所述就诊记录里的诊断结论是否相同，若相同，则进入步骤4；若不同，则进入步骤7；步骤4：将所述就诊记录的病理图像和分类结果储存在知识集中；步骤5：通过第二机器学习模型对没有诊断结论的病理图像进行分类，得到分类结果；步骤6：判断所述没有诊断结论的病理图像的第一机器学习模型分类结果和第二机器学习模型分类结果是否相同；若相同，则进入步骤4；若不同，则进入步骤7；
步骤7：放弃该条就诊记录。
[0008]具体地，通过第一机器学习模型分类的病理图像为x射线图像、CT图像、核磁共振图像中的一种；更进一步地，所述步骤1中，所述第一机器学习模型的分类过程具体包括以下步骤：步骤1.1 采用开源数据集对卷积神经网络模型进行预训练；具体地，本专利技术选择将需要进行训练的网络模型在具有一定相关性的开源大数据集中进行简单训练，使网络模型在开源数据集中学习到相应的先验知识，再将得到的模型转到需要处理的任务中；具体地，所述开源数据集为cifar数据集、imageNET数据集中的一种；步骤1.2：训练集图像获取；在在线医疗诊断平台中选取500张存在异常部位的CT图像、500张不存在异常部位的CT图像作为第一机器学习模型的训练集，同时，为方便模型进行训练，图像的格式统一为PNG格式，分辨率统一设置为256*256；步骤1.3：采用所述训练集对所述步骤1.1的经过预训练的卷积神经网络模型进行训练；具体地，将将所述步骤1.2的训练集均分成五份，轮流选择四份数据作为训练数据，剩下的一份数据为验证数据，相较于现有技术中的将整个数据集作为训练集，本专利技术由于将训练集均分成五份，一方面使得数据运算量减少，提高了模型训练的速度，同时，由于将四份数据作为训练集，相当于对模型训练了四次，可大大提高模型的预测准确度；步骤1.4：通过训练好的卷积神经网络模型对所述医疗记录中的图像进行特征提取；具体地，将所述医疗记录的图像输入到所述训练好的卷积神经网络模型中后，经过卷积层、标准化归一层以及激活函数，提取到所述医疗记录中图像的特征；步骤1.5：将所述步骤1.4获取的图像的特征输入到分类器，进行分类；更进一步地，所述分类结果为无异常部位，存在异常部位，判断不明三类中的一类；具体地，所述诊断结论为所述在线诊断医疗平台的病理图像的诊断意见，具体包括：无异常部位，存在异常部位，判断不明；具体地，所述知识集包含三类知识子集，分别为有异常部位知识子集，无异常部位知识子集和无法判断知识子集，并且，在将分类结果放到相应的子集中时，可根据分类结果将相关医学操作指南以及相关医学文献也一并放入，医生可以根据实际需要选择不同的知识子集进行学习；由于第二机器学习模型要同第一机器学习模型的结论或者就诊记录中的结论对比，因此，本实施例在设计第二机器学习模型中优先考虑模型分类的准确度；具体地，所述第二机器学习模型为深度学习卷积神经网络分类模型；更进一步地，所述深度学习卷积神经网络分类模型具体包括：步骤5.1：训练集图像获取：本实施例中选取500张存在异常部位的CT图像、500张不存在异常部位的CT图像作
为第一机器学习模型的训练集，同时，为方便模型进行训练，图像的格式统一为PNG格式，分辨率统一设置为256*256；同时，为了增加模型训练集样本量，本实时例可通过样本增强的方法对训练集图像进行处理，具体的样本增强方法包括图像的像素和特征变换，具体为随机噪声的接入、对比度变化、保护度变化、亮度变化等，从而生成更多数量的样本量，从而扩充训练集的样本量；步骤5.2 构建深度学习卷积神经网络分类模型；具体地，所述深度学习卷积神经网络模型包括三种主体层：卷积层、池化层和完全连接层，本实施例采用了9层的深度学习卷积神经网络模型，前8层执行特征提取，后1层对提取的特征进行分类，其中，包括4个卷积层，3个池化层，1个dropout层和一个全连接层；更进一步地，所述卷积层的卷积核大小均为3*3；步骤5.3：通过所述步骤5.2训练得到的第二机器学习模型对所述病理图像进行分类；所述分类结果为无异常部位，存在异常部位，判断不明三类中的一类；值得强调的是，本实施例中得到的分类结果仅仅为病理图像中是否可能存在病变位置，往往在实际疾病诊断过程中，医生不可能针对一种指标用于疾病诊断，而是综合不同的指征用于疾病诊断，因此，本申请的分类结果是一种中间参数，并非对相应疾病进行诊断，同时，本实施例中分类过程是机器通过人工智能的方式获得分类结果，全程没有医生的参与，本申请的分类结果仅仅是供经验不丰富的医生提升学习之用。
[0009]根据本专利技术的另外一个方面，提供一种基于机器学习的病理图像分类方法的系统，所述系统采用上述的基于机器学习的病理图像分类方法包括以下模块：第一分类模块，用于通过第一机器学习模型对每条就诊记录的病理图像进行分类，并得到第一分类结果；诊断结论判断模块，所述诊断结论判断模块与第一分类模块连接，用于判断在线诊断医疗平台中每条就诊记录里的病理图像是否有诊断结论，若有，则将所述病理图像和所述诊断结论以及所述第一分类结果传送至第一判断模块，若无，则将所述病理图像和所述第一分类结果传送本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的病理图像分类方法，其特征在于，包括以下步骤：步骤1：通过第一机器学习模型对在线诊断医疗平台每条就诊记录的病理图像进行分类，并得到第一分类结果；步骤2：判断在线诊断医疗平台中每条就诊记录里的病理图像是否有诊断结论，若有，进入步骤3，若没有，进入步骤5；步骤3：判断所述第一分类结果与所述就诊记录里的诊断结论是否相同，若相同，则进入步骤4；若不同，则进入步骤7；步骤4：将所述就诊记录的病理图像和所述第一分类结果储存在知识集中；步骤5：通过第二机器学习模型对没有诊断结论的病理图像进行分类，得到第二分类结果；步骤6：判断所述没有诊断结论的病理图像的第一机器学习模型的所述第一分类结果和第二机器学习模型的所述第二分类结果是否相同；若相同，则进入步骤4；若不同，则进入步骤7；步骤7：放弃该条就诊记录。2.根据权利要求1所述的基于机器学习的病理图像分类方法，其特征在于，所述步骤2中，所述诊断结论为所述在线诊断医疗平台的病理图像的诊断意见，具体包括：无异常部位，存在异常部位，判断不明。3.根据权利要求1所述的基于机器学习的病理图像分类方法，其特征在于，所述步骤1中，所述第一机器学习模型具体包括以下步骤：步骤1.1： 采用开源数据集对卷积神经网络模型进行预训练；步骤1.2：训练集图像获取；步骤1.3：将所述步骤1.2的训练集均分成五份，轮流选择四份数据作为训练数据，剩下的一份数据为验证数据，对所述步骤1.1的经过预训练的卷积神经网络模型进行训练；步骤1.4：通过训练好的卷积神经网络模型对所述就诊记录中的图像进行特征提取；步骤1.5：将所述步骤1.4获取的图像的特征输入到分类器，进行分类。4.根据权利要求3所述的基于机器学习的病理图像分类方法，其特征在于，选取500张存在异常部位的病理图像、500张不存在异常部位的病理图像作为第一机器学习模型的训练集，所述训练集中图像的格式为PNG格式，分辨率设置为256*256。5.根据权利要求3所述的基于机器学习的病理图像分类方法，其特征在于，所述第一分类结果为无异常部位，存在异常部位，判断不明三类中的一类。6.根据权利要求1所述的基于机器学习的病理图像分类方法，其特征在于，所述步骤4中，所述知识集包含三类知识子集，分别为有异常部位知识子集，无异常部位知识子集和无法判断知识子集。7.根据权利要求1所述的基于机器学习的病理图像分类方法，其特征在于，所...

【专利技术属性】
技术研发人员：杨敏，
申请(专利权)人：天津医之本医疗科技有限公司，
类型：发明
国别省市：