一种肺部恶性肿瘤医学影像数据分类处理方法及系统技术方案

本发明专利技术涉及数据处理技术领域，具体涉及一种肺部恶性肿瘤医学影像数据分类处理方法及系统，其中，肺部恶性肿瘤医学影像数据分类处理方法包括获取采集到的肺部医学影像数据进行预处理；基于预处理数据建立并训练肺部恶性肿瘤数据分类模型；获取待分类处理的医学影像数据，基于所述肺部恶性肿瘤数据分类模型，得到数据不确定性估计值；获取所述数据不确定性估计值基于三支决策理论比较，通过终端输出分类处理结果。通过对医学影像数据进行预处理、模型建立、处理、比较，得到分类结果，数据分类处理准确率高，有利于医生后续快速准确做出决策。策。策。

【技术实现步骤摘要】
一种肺部恶性肿瘤医学影像数据分类处理方法及系统


[0001]本专利技术涉及数据处理
，尤其涉及一种肺部恶性肿瘤医学影像数据分类处理方法及系统。

技术介绍

[0002]目前，医学影像学成为肺部肿瘤分析的主要手段。计算机辅助分析是一种非常有前途的技术，可以极大地提高医疗水平和数据分析准确性。但是，现有模型未考虑到医疗影像中存在数据不确定性的问题。具体来说，医疗影像数据包括X光片、CT扫描、MRI等多种类型，这些数据都存在着不确定性的问题。X光片的数据不确定性来自于拍摄时的曝光时间和角度等因素，这些因素都会影响图像的质量。CT扫描的数据不确定性来自于扫描时的条件和参数，如扫描仪的型号、扫描速度、扫描位置等因素，这些因素都会影响图像的质量。MRI数据的不确定性来自于扫描时的参数，如扫描仪的型号、扫描速度、扫描位置等因素，这些因素都会影响图像的质量。同时，不同医师对同一张影像的不同判断也是不确定性的来源之一。
[0003]由于这些不确定性的问题，肺部肿瘤医学影像数据分类处理准确率低，导致由数据不确定性引起的决策失误。

技术实现思路

[0004]本专利技术的目的在于提供一种肺部恶性肿瘤医学影像数据分类处理方法及系统，旨在解决肺部肿瘤医学影像数据分类处理准确率低，导致由数据不确定性引起的决策失误的问题。
[0005]为实现上述目的，第一方面，本专利技术提供了肺部恶性肿瘤医学影像数据分类处理方法，可以包括以下步骤：
[0006]获取采集到的肺部医学影像数据进行预处理；
[0007]基于预处理数据建立并训练肺部恶性肿瘤数据分类模型；
[0008]获取待分类处理的医学影像数据，基于所述肺部恶性肿瘤数据分类模型，得到数据不确定性估计值；
[0009]获取所述数据不确定性估计值基于三支决策理论比较，通过终端输出分类处理结果。
[0010]在一实施例中，所述获取采集到的肺部医学影像数据进行预处理，其中，预处理过程包括：
[0011]灰度化处理、噪声抑制处理、图像增强处理、检测结节处理。
[0012]在一实施例中，基于预处理数据建立并训练肺部恶性肿瘤数据分类模型，其中，所述肺部恶性肿瘤数据分类模型使用ResNet
‑
18做为骨干网络。
[0013]在一实施例中，所述使用ResNet
‑
18做为骨干网络，具体包括：
[0014]以ResNet
‑
18为基础，建立骨干网络，除去ResNet
‑
18最后的全连接层，所述骨干网
络包含一个7
×
7卷积层，一个BN层，一个3
×
3最大池化层、4个残差块和一个全局平均池化层。
[0015]在一实施例中，基于预处理数据建立并训练肺部恶性肿瘤数据分类模型，具体步骤包括：
[0016]对每个数据样本x
i
输出两个512维的向量分别作为特征空间中均值u
i
和标准差σ
i
，训练过程中，利用重参数化技巧模拟特征空间中的随机采样得到特征向量s
i
＝μ
i
+εσ
i
,ε～N(0,Ι)，其中I为单位矩阵，即ε服从标准正态分布，并且使用损失函数L＝L
softmax
+λL
kl
进行优化；实际应用中，使用已求得的均值u
i
表征特征向量s
i
；
[0017]其中，每个数据样本x
i
在特征空间的表示z
i
为高斯分布，为分类损失，N为训练集样本数，y
i
表示第i个训练样本的真实标签，s
i
指的是模型为第i个样本在特征空间的向量表示，C表示分类问题中的总类别数，W
c
表示与第c类相关联的权重向量，W
yi
表示与第y
i
类相关联的权重向量，为KL正则化项，λ为正则化系数，μ为均值，σ2为方差，该损失函数的目标是最小化真实分布和模型分布之间的KL散度。
[0018]在一实施例中，获取所述数据不确定性估计值基于三支决策理论比较，通过终端输出分类处理结果，具体包括：
[0019]根据所述不确定性估计值与经验阈值的比较，得出医学影像为正域、负域、边界域的分类结果；其中，所述不确定性估计值小于所述经验阈值时，得出医学影像为正域或医学影像为负域的分类结果；所述不确定性估计值大于或等于所述经验阈值时，得出医学影像为边界域的分类结果。
[0020]第二方面，本专利技术提供一种肺部恶性肿瘤医学影像数据分类处理系统，应用于如第一方面所述的肺部恶性肿瘤医学影像数据分类处理方法，包括数据采集模块、数据预处理模块、模型建立训练模块、数据处理输出模块和分类处理结果查询模块；其中，
[0021]所述数据采集模块，用于采集病患基本信息和通过医疗设备采集所拍摄到的病患肺部医学影像数据；
[0022]所述数据预处理模块，用于对采集到的肺部医学影像数据进行灰度化处理、噪声抑制处理、图像增强处理、检测结节处理；
[0023]所述模型建立训练模块，基于预处理数据建立并训练肺部恶性肿瘤数据分类模型；
[0024]所述数据处理输出模块，用于获取待分类处理的医学影像数据，基于所述肺部恶性肿瘤数据分类模型，得到数据不确定性估计值；获取所述数据不确定性估计值基于三支决策理论比较，通过终端输出分类处理结果。
[0025]本专利技术的一种肺部恶性肿瘤医学影像数据分类处理方法及系统，通过获取采集到的肺部医学影像数据进行预处理；基于预处理数据建立并训练肺部恶性肿瘤数据分类模型；获取待分类处理的医学影像数据，基于所述肺部恶性肿瘤数据分类模型，得到数据不确定性估计值；获取所述数据不确定性估计值基于三支决策理论比较，通过终端输出分类处理结果。通过对医学影像数据进行预处理、模型建立、处理、比较，得到分类结果，数据分类
处理准确率高，有利于医生后续快速准确做出决策。
附图说明
[0026]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0027]图1是本专利技术提供的一种肺部恶性肿瘤医学影像数据分类处理方法的流程示意图。
[0028]图2是本专利技术提供的一种网络结构示意图；
[0029]图3是本专利技术提供的步骤S103的具体流程示意图；
[0030]图4是本专利技术提供的一种肺部恶性肿瘤医学影像数据分类处理系统的时序图。
具体实施方式
[0031]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。下面本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肺部恶性肿瘤医学影像数据分类处理方法，其特征在于，包括以下步骤：获取采集到的肺部医学影像数据进行预处理；基于预处理数据建立并训练肺部恶性肿瘤数据分类模型；获取待分类处理的医学影像数据，基于所述肺部恶性肿瘤数据分类模型，得到数据不确定性估计值；获取所述数据不确定性估计值基于三支决策理论比较；通过终端输出分类处理结果。2.如权利要求1所述的肺部恶性肿瘤医学影像数据分类处理方法，其特征在于，所述获取采集到的肺部医学影像数据进行预处理，其中，预处理过程包括：灰度化处理、噪声抑制处理、图像增强处理、检测结节处理。3.如权利要求2所述的肺部恶性肿瘤医学影像数据分类处理方法，其特征在于，基于预处理数据建立并训练肺部恶性肿瘤数据分类模型，其中，所述肺部恶性肿瘤数据分类模型使用ResNet
‑
18做为骨干网络。4.如权利要求3所述的肺部恶性肿瘤医学影像数据分类处理方法，其特征在于，所述使用ResNet
‑
18做为骨干网络，具体包括：以ResNet
‑
18为基础，建立骨干网络，除去ResNet
‑
18最后的全连接层，所述骨干网络包含一个7
×
7卷积层，一个BN层，一个3
×
3最大池化层、4个残差块和一个全局平均池化层。5.如权利要求1所述的肺部恶性肿瘤医学影像数据分类处理方法，其特征在于，基于预处理数据建立并训练肺部恶性肿瘤数据分类模型，具体步骤包括：对每个数据样本x
i
输出两个512维的向量分别作为特征空间中均值u
i
和标准差σ
i
，训练过程中，利用重参数化技巧模拟特征空间中的随机采样得到特征向量s
i
＝μ
i
+εσ
i
,ε～N(0,Ι)，其中I为单位矩阵，即ε服从标准正态分布，并且使用损失函数L＝L
softmax
+λL
kl<...

【专利技术属性】
技术研发人员：张里博，罗涛，陈可涵，赵库，熊伟明，李栋，余志航，
申请(专利权)人：西南大学，
类型：发明
国别省市：