本发明专利技术公开了一种基于深度迁移学习的医学图像分类模型的训练方法及系统，本发明专利技术涉及医学分类技术领域。包括以下步骤：获取已知特征信息的肠道医学图像及其环境参数，并进行图像预处理以生成训练数据集。特征信息包括纹理熵、边缘轮廓、色彩对比度、形状面积和圆形度。对环境参数进行归一化和滑动窗口滤波，以构建湿度、光照和振动影响函数。接着，建立第一分类模型和第二分类模型，通过深度迁移学习进行预训练，并基于环境影响参数动态调整学习率。最终，将待识别的肠道医学图像及其环境参数输入训练模型，得到对应的图像类型和病灶类型，提升了医学图像分析的自动化水平，还有助于辅助医生进行更为科学和精准的诊断。
【技术实现步骤摘要】
本专利技术涉及医学分类，具体为一种基于深度迁移学习的医学图像分类模型的训练方法及系统。
技术介绍
1、随着医学成像技术的不断发展，医学影像在疾病诊断和治疗中的重要性愈加凸显。尤其是在肠道疾病的诊断中，内镜检查、ct、mri等多种影像技术被广泛应用。然而，传统的医学图像分析方法往往依赖于专业医生的经验和判断，难以保证结果的准确性和一致性。此外，医学图像的复杂性、噪声和不同采集条件下的变异性使得自动化分析面临严峻挑战。医学图像中的特征信息，如纹理、边缘、色彩对比度、形状等，常常是提取疾病信息的重要依据，但手动提取这些特征耗时且容易出错，限制了大规模应用的可能性。
2、此外，环境因素对医学图像质量的影响也不容忽视。光照强度、湿度、振动等环境参数在图像采集过程中可能导致图像模糊、失真甚至伪影，进而影响疾病的准确诊断。对于肠道医学图像来说，病灶部位的变化可能被环境噪声掩盖，使得图像分析与实际病情脱节。因此，如何将环境参数与肠道医学图像特征有效结合、并通过高效的深度学习模型进行分析，是当前医学图像处理领域亟待解决的技术问题。
>3、现有技术中的，本文档来自技高网...
【技术保护点】
1.一种基于深度迁移学习的医学图像分类模型的训练方法，其特征在于，具体步骤包括：
2.根据权利要求1所述的一种基于深度迁移学习的医学图像分类模型的训练方法，其特征在于：对获取的肠道医学图像进行预处理，得到样本训练图像，其中所述预处理包括统一图像尺寸大小、图像增强及去噪预处理，其中采用小波变换的去噪方法对每张肠道医学图像进行去噪处理，采用双边滤波对每张肠道医学图像进行图像增强预处理；
3.根据权利要求2所述的一种基于深度迁移学习的医学图像分类模型的训练方法，其特征在于：对采集肠道医学图像时记录的对应环境参数进行归一化处理，并对归一化后的环境参数实施滑动窗口滤波，得到...
【技术特征摘要】
1.一种基于深度迁移学习的医学图像分类模型的训练方法，其特征在于，具体步骤包括：
2.根据权利要求1所述的一种基于深度迁移学习的医学图像分类模型的训练方法，其特征在于：对获取的肠道医学图像进行预处理，得到样本训练图像，其中所述预处理包括统一图像尺寸大小、图像增强及去噪预处理，其中采用小波变换的去噪方法对每张肠道医学图像进行去噪处理，采用双边滤波对每张肠道医学图像进行图像增强预处理；
3.根据权利要求2所述的一种基于深度迁移学习的医学图像分类模型的训练方法，其特征在于：对采集肠道医学图像时记录的对应环境参数进行归一化处理，并对归一化后的环境参数实施滑动窗口滤波，得到对应时刻的环境参数的精确值，其中进行归一化处理具体所依据的公式为：
4.根据权利要求3所述的一种基于深度迁移学习的医学图像分类模型的训练方法，其特征在于：基于环境参数精确值，生成构建环境影响参数函数，其中环...
【专利技术属性】
技术研发人员：赵振峰，张玮峰，霍忠堂，王彩兰，
申请(专利权)人：江苏爱影医疗科技有限公司，
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。