【技术实现步骤摘要】
本专利技术涉及一种分类方法，更具体的说是涉及一种基于目标检测和图像分类的医学图像疾病分类方法。
技术介绍
1、医学疾病的诊断对患者预后评估以及治疗方案的选择至关重要，然而，医生对医学图像的准确解读需要较长时间专业经验的积累，有经验医生的培养周期相对较长。利用人工智能技术辅助疾病分类判断，不仅可以提高对医学图像的检测效率和检测精度，减少主观因素带来的误判，提高医生诊断速度，缓解临床医师工作压力，还能帮助缺少医疗资源的偏远地区、基层医院及体检中心提高筛查诊断的水平。
2、现有的医学图像分析方法大多采用卷积神经网络作为模型基础，如专利号为201910809281，名称为一种医学图像处理方法、医学图像识别方法及装置的专利技术专利所示，能够对医学图像的局部信息进行感知，然后在更高层将这些局部的信息进行合并，从而得到医学图像的全部表征信息，可以有效的从大量样本中学习到相应地特征，避免了复杂的特征提取过程。一些组合式的超声心动图分析方法采用pipeline的方式组合多个模型，能够有效的结合各个模型的优势。虽然，现有的深度学习方法在超声心动图判读方面具有较好的性能，但是，仍然存在如下缺点：
3、1.深度学习方法需要大量的标注数据集来进行学习，目前尚无高质量的大型公共数据库能够支撑深度学习模型的训练；
4、2.由于这些方法主要通过从完整的医学图像中去学习关键特征来实现超声心动图分析，这容易使模型受到无关信息和噪声的影响，从而影响模型的分类性能；
5、3.pipeline式的组合模型往往存在误差传播的
技术实现思路
1、针对现有技术存在的不足，本专利技术的目的在于提供一种基于目标检测和图像分类的医学图像疾病分类方法。
2、为实现上述目的，本专利技术提供了如下技术方案：一种基于目标检测和图像分类的医学图像疾病分类方法，其特征在于：包括如下步骤：
3、步骤一，通过目标检测模型提取病灶所在区域；
4、步骤二，将步骤一提取到的区域输入到特征抽取网络，获取区域特征，之后将获取的区域特征相互融合后输入疾病分类模型，得到图像分类结果；
5、步骤三，对完整的医学图进行特征提取，然后输入疾病分类模型，得到图像分类结果；
6、步骤四，将步骤二和步骤三获取的图像分类结果进行整合，完成分类。
7、作为本专利技术的进一步改进，所述步骤一中目标检测模型若没有检测到关键区域的图片，则将整张图片作为关键区域。
8、作为本专利技术的进一步改进，所述步骤二中特征抽取网络抽取区域特征的具体步骤为采用深度学习模型，通过卷积、残差计算、注意力机制提取关键区域中的病灶特征。
9、作为本专利技术的进一步改进，所述步骤一中的目标检测模型和疾病分类模型通过以下步骤训练获得：
10、步骤一一，构建联合训练框架，向构建的联合训练框架输入医学图像训练数据集，训练获得目标检测模型和疾病分类模型；
11、步骤一二，通过步骤一一获得的目标检测模型预测病灶区域，同时获取病灶区域误差，将医学图像数据输入疾病分类模型获取疾病分类结果和疾病分类误差；
12、步骤一三，判断在训练的每次迭代中生成随机数rand是否小于当前迭代的阈值p，若是则将预测病灶区域输入到疾病分类模型内，获取疾病分类结果和疾病分类误差，若不是则将真实病灶区域输入到疾病分类模型内，获取疾病分类结果和疾病分类误差；
13、步骤一四，将步骤一二获取的病灶区域误差、疾病分类误差和步骤一三获取的疾病分类误差整合成联合模型误差，同时判断该联合模型误差是否停止下降，若是则结束训练，否则返回步骤一一。
14、作为本专利技术的进一步改进，所述步骤四中图像分类结果进行整合的具体方式为通过权重相加的操作整合模块一和模块二的输出结果，得到最终的图像分类结果，具体如下式所示：
15、output＝α*output1+β*output2
16、α+β＝1
17、其中output为最终分类结果，output1为模块一输出结果，output2为模块二输出结果，α和β分别为模块一和模块二的权重值。
18、本专利技术的有益效果，提出了一种基于目标检测和图像分类的二分支两阶段疾病分类模型，缓解了数据不平衡问题，加强了模型对具体病灶区域的关注程度；在模型训练阶段引入了计划采样机制，缓解了模型间误差传播问题，以达到降低模型整体误差的目的；采用联合学习框架，加强了模型间的信息交流，以达到提升模型精度的目的，相比与现有技术中的方式，缓解了数据不平衡问题，加强了模型对具体病灶区域的关注程度，缓解了模型间误差传播问题，加强了模型间的信息交流。
本文档来自技高网...【技术保护点】
1.一种基于目标检测和图像分类的医学图像疾病分类方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于目标检测和图像分类的医学图像疾病分类方法，其特征在于：所述步骤一中目标检测模型若没有检测到关键区域的图片，则将整张图片作为关键区域。
3.根据权利要求2所述的基于目标检测和图像分类的医学图像疾病分类方法，其特征在于：所述步骤二中特征抽取网络抽取区域特征的具体步骤为采用深度学习模型，通过卷积、残差计算、注意力机制提取关键区域中的病灶特征。
4.根据权利要求3所述的基于目标检测和图像分类的医学图像疾病分类方法，其特征在于：所述步骤一中的目标检测模型和疾病分类模型通过以下步骤训练获得：
5.根据权利要求4所述的基于目标检测和图像分类的医学图像疾病分类方法，其特征在于：所述步骤四中图像分类结果进行整合的具体方式为通过权重相加的操作整合模块一和模块二的输出结果，得到最终的图像分类结果，具体如下式所示：
【技术特征摘要】
1.一种基于目标检测和图像分类的医学图像疾病分类方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的基于目标检测和图像分类的医学图像疾病分类方法，其特征在于：所述步骤一中目标检测模型若没有检测到关键区域的图片，则将整张图片作为关键区域。
3.根据权利要求2所述的基于目标检测和图像分类的医学图像疾病分类方法，其特征在于：所述步骤二中特征抽取网络抽取区域特征的具体步骤为采用深度学习模型，通过卷积、残差...
【专利技术属性】
技术研发人员：徐玮泽，潘晓华，舒强，叶菁菁，俞劲，张志伟，苏蒙蒙，
申请(专利权)人：浙江大学滨江研究院，
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。