一种基于深度学习的医学图像分类方法、装置、设备及介质制造方法及图纸

本发明专利技术提供了一种基于深度学习的医学图像分类方法、装置、设备及介质，用于确定待检三维图像于骨感染图像和骨肿瘤图像中的所属类型，包括：获取待检三维图像，并将所述待检三维图像输入预先训练的分类模型，其中，所述分类模型包括ResNet残差神经网络，Swin Transformer网络；采用所述ResNet残差神经网络获取所述待检三维图像的待检三维特征信息；采用所述Swin Transformer网络根据所述待检三维特征信息，获取所述待检三维图像于骨感染图像和骨肿瘤图像中的所属类型。采用上述技术方案，能够实现对骨感染图像和骨肿瘤图像进行高效准确的二分类，帮助更快速和准确的诊断。帮助更快速和准确的诊断。帮助更快速和准确的诊断。

【技术实现步骤摘要】
一种基于深度学习的医学图像分类方法、装置、设备及介质


[0001]本专利技术涉及医学影像领域，尤其涉及一种基于深度学习的医学图像分类方法、装置、设备及介质。

技术介绍

[0002]骨感染和骨肿瘤都是骨骼系统中常见的疾病。骨感染是指细菌或其他微生物侵入骨骼或骨髓造成感染的情况。骨感染通常是由于外伤、手术、疾病或其他因素导致细菌侵入骨骼或骨髓引起的。骨感染会引起疼痛、红肿、发热等症状，如果不及时治疗，可能会导致骨髓炎、骨髓坏死等严重后果。骨肿瘤是指骨骼中出现的异常组织生长，通常是由于骨细胞或其他组织异常增生导致的。骨肿瘤有多种类型，包括良性和恶性。良性肿瘤通常生长缓慢，不会扩散到周围组织或其他部位。恶性肿瘤通常生长迅速，并且有可能扩散到周围组织或其他部位。骨肿瘤会引起疼痛、肿胀、骨折等症状，如果不及时治疗，可能会导致严重的健康问题，甚至危及生命。
[0003]这两种疾病的及时诊断和治疗对患者的生存和生活质量至关重要，但骨感染和骨肿瘤在医学图像中的表现较为相似，传统的诊断中主要依靠医生的经验判断具体疾病类型，诊断的准确性和效率都有所限制。

技术实现思路

[0004]为了克服上述技术缺陷，本专利技术的目的在于提供基于深度学习的医学图像分类方法、装置、设备及介质，用于确定医学图像于骨感染图像和骨肿瘤图像中的所属类型。
[0005]本专利技术公开了一种基于深度学习的医学图像分类方法，用于确定待检三维图像于骨感染图像和骨肿瘤图像中的所属类型，其特征在于，包括以下步骤：
[0006]获取待检三维图像，并将所述待检三维图像输入预先训练的分类模型，其中，所述分类模型包括ResNet残差神经网络，Swin Transformer网络；
[0007]采用所述ResNet残差神经网络获取所述待检三维图像的待检三维特征信息；
[0008]采用所述Swin Transformer网络根据所述待检三维特征信息，获取所述待检三维图像于骨感染图像和骨肿瘤图像中的所属类型。
[0009]优选地，所述医学图像分类方法，还包括：
[0010]采用所述Swin Transformer网络根据所述待检三维特征信息获取所述待检三维图像属于骨感染图像的第一概率，所述待检三维图像属于骨肿瘤图像的第二概率。
[0011]优选地，所述ResNet残差神经网络包括卷积层、全连接层、自注意力层，所述采用所述ResNet残差神经网络获取所述待检三维图像的待检三维特征信息，包括：
[0012]采用所述卷积层获取所述待检三维图像的多个待检单层特征信息；
[0013]采用所述全连接层对所述多个待检单层特征信息的维度进行统一；
[0014]采用所述自注意力层对所述多个待检单层特征信息进行自注意力加权求和，获取所述待检三维图像的待检三维特征信息。
[0015]优选地，所述分类模型是通过以下步骤预先训练得到的：
[0016]获取多个训练三维图像与一待训练的分类模型，根据所述多个训练三维图像中的任一于骨感染图像和骨肿瘤图像中的所属类型，对所述多个训练三维图像中的任一标记一训练标签，并将所述多个训练三维图像输入所述待训练的分类模型；
[0017]采用所述ResNet残差神经网络分别获取所述多个训练三维图像中的任一的训练三维特征信息；
[0018]采用所述Swin Transformer网络根据所述多个训练三维特征信息，获取所述多个训练三维图像中的任一的预测标签；
[0019]分别对比所述多个训练三维图像中的任一所对应的预测标签与训练标签，获取一损失函数，并进行反向传播，以对所述待训练的分类模型进行参数优化；
[0020]重复上述步骤，直到所述损失函数收敛，得到所述分类模型。
[0021]优选地，所述预先训练的步骤还包括：
[0022]所述多个训练三维图像包括多个所属类型为骨感染图像的第一训练三维图像、多个所属类型为骨肿瘤图像的第二训练三维图像，对所述多个第一训练三维图像标记第一训练标签，对所述多个第二训练三维图像标记第二训练标签，将所述多个第一训练三维图像和所述多个第二训练三维图像输入所述待训练的分类模型；
[0023]采用所述ResNet残差神经网络分别获取所述多个训练三维图像中的任一的训练三维特征信息；
[0024]采用所述Swin Transformer网络根据所述多个训练三维特征信息，获取所述多个第一训练三维图像中的任一的第一预测标签，获取所述多个第二训练三维图像中的任一的第二预测标签；
[0025]分别对比所述多个第一训练三维图像中的任一所对应的第一预测标签与第一训练标签、所述多个第二训练三维图像中的任一所对应的第二预测标签与第二训练标签，获取一损失函数，并进行反向传播，以对所述待训练的分类模型进行参数优化；
[0026]重复上述步骤，直到所述损失函数收敛，得到所述分类模型。
[0027]优选地，所述获取一损失函数，包括：
[0028]分别对比所述多个训练三维图像中的任一所对应的预测标签与训练标签，计算获取交叉熵损失函数，作为所述损失函数。
[0029]优选地，所述医学图像分类方法，还包括：
[0030]根据骨窗对所述多个训练三维图像进行窗宽与窗位的调整，并统一所述多个训练三维图像的尺寸。
[0031]本专利技术还公开了一种基于深度学习的医学图像分类装置，用于确定待检三维图像于骨感染图像和骨肿瘤图像中的所属类型，其特征在于，包括：
[0032]预处理模块，获取待检三维图像，并将所述待检三维图像输入预先训练的分类模型，其中，所述分类模型包括ResNet残差神经网络，Swin Transformer网络；
[0033]特征提取模块，用于采用所述ResNet残差神经网络获取所述待检三维图像的待检三维特征信息；
[0034]分类模块，用于采用所述Swin Transformer网络根据所述待检三维特征信息，获取所述待检三维图像于骨感染图像和骨肿瘤图像中的所属类型。
[0035]本专利技术还公开了一种电子设备，所述电子设备包括存储有计算机可执行指令的存储器和处理器，当所述指令被所述处理器执行时，使得所述电子设备实施所述医学图像分类方法。
[0036]本专利技术还公开了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，当所述指令在计算机上运行时，使得所述计算机执行所述医学图像分类方法。
[0037]采用了上述技术方案后，与现有技术相比，具有以下有益效果：
[0038]1.通过结合ResNet残差神经网络和Swin Transformer网络的优点，构建出一个更加精准、高效的分类模型。利用ResNet残差神经网络的残差结构来提高分类模型的深度和准确率，同时采用Swin Transformer网络来优化分类模型对全局特征与局部特征的学习，从而提高分类模型的分类准确率，实现对骨感染图像和骨肿瘤图像进行高效准确的二分类，帮助更快速和准确的诊断。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的医学图像分类方法，用于确定待检三维图像于骨感染图像和骨肿瘤图像中的所属类型，其特征在于，包括以下步骤：获取待检三维图像，并将所述待检三维图像输入预先训练的分类模型，其中，所述分类模型包括ResNet残差神经网络，Swin Transformer网络；采用所述ResNet残差神经网络获取所述待检三维图像的待检三维特征信息；采用所述Swin Transformer网络根据所述待检三维特征信息，获取所述待检三维图像于骨感染图像和骨肿瘤图像中的所属类型。2.根据权利要求1所述的医学图像分类方法，其特征在于，还包括：采用所述Swin Transformer网络根据所述待检三维特征信息获取所述待检三维图像属于骨感染图像的第一概率，所述待检三维图像属于骨肿瘤图像的第二概率。3.根据权利要求1所述的医学图像分类方法，其特征在于，所述ResNet残差神经网络包括卷积层、全连接层、自注意力层，所述采用所述ResNet残差神经网络获取所述待检三维图像的待检三维特征信息，包括：采用所述卷积层获取所述待检三维图像的多个待检单层特征信息；采用所述全连接层对所述多个待检单层特征信息的维度进行统一；采用所述自注意力层对所述多个待检单层特征信息进行自注意力加权求和，获取所述待检三维图像的待检三维特征信息。4.根据权利要求1所述的医学图像分类方法，其特征在于，所述分类模型是通过以下步骤预先训练得到的：获取多个训练三维图像与一待训练的分类模型，根据所述多个训练三维图像中的任一于骨感染图像和骨肿瘤图像中的所属类型，对所述多个训练三维图像中的任一标记一训练标签，并将所述多个训练三维图像输入所述待训练的分类模型；采用所述ResNet残差神经网络分别获取所述多个训练三维图像中的任一的训练三维特征信息；采用所述Swin Transformer网络根据所述多个训练三维特征信息，获取所述多个训练三维图像中的任一的预测标签；分别对比所述多个训练三维图像中的任一所对应的预测标签与训练标签，获取一损失函数，并进行反向传播，以对所述待训练的分类模型进行参数优化；重复上述步骤，直到所述损失函数收敛，得到所述分类模型。5.根据权利要求4所述的医学图像分类方法，其特征在于，所述预先训练的步骤还包括：所述多个训练三维图像包括多个所属类型为骨感染图像的第一训练三维图像、多个所属类型为骨肿瘤图像的第二...

【专利技术属性】
技术研发人员：杜文鼎，陈斌，俞栋栋，祝思妤，
申请(专利权)人：杭州类脑科技有限公司，
类型：发明
国别省市：