[發明專利]基于深度殘差網絡的骨科病病變分類分級方法

有效

• 申請號: 201810142302.0
• 申請日: 2018-02-11
• 公開（公告）號: CN108399616B
• 公開（公告）日: 2021-11-16
• 發明（設計）人: 鄧亞平;王璐;賈顥
• 申請（專利權）人: 西安理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G16H50/20;G16H30/20;G06F16/51;G06N3/04
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 羅磊

1.基于深度殘差網絡的骨科病病變分類分級方法，其特征在于，具體按照以下步驟實施：

步驟1，離線學習

將經過專業分類并做好標記的骨科病病變圖像進行預處理，然后進行深度殘差神經網絡訓練；

步驟2，在線學習

將經步驟1訓練好的深度殘差神經網絡進行備份后部署到日常診療中，同時使用在線學習的訓練方法，使深度殘差神經網絡通過日常的診療數據不斷的自我修正，具體按照以下步驟實施：

步驟2.1，圖像預處理

將醫療診斷中的醫學圖像轉化為jpg或png格式文件，并將圖像進行大小調整，像素歸一化；

步驟2.2，將經步驟2.1處理的圖像變為數字矩陣；

步驟2.3，將步驟1訓練好的深度殘差神經網絡進行備份后，將經步驟2.2形成的數字矩陣輸入至經步驟1訓練好的深度殘差神經網絡中，深度殘差網絡經最后一層輸出對應醫學圖像的病變分類分級，并經過標準病例生成處理，使其變為標準病例格式；

步驟2.4，修正判斷

人為對步驟2.3生成的對應醫學圖像的病變分類分級進行判斷，若步驟2.3為誤判，則為圖像打上正確的分類分級標簽，并且重新生成正確的標準病例，若步驟2.3分類分級正確，則直接使用標準病例以及當前的深度殘差神經網絡；

步驟2.5，將步驟2.4進行判斷且確定步驟2.3為誤判的圖像打上正確的分類分級標簽后，將其輸入到備份的深度殘差神經網絡中進行訓練，得到經再次訓練的深度殘差神經網絡；

步驟2.6，檢測精度

使用剩余的測試集圖像對經步驟2.5生成的經再次訓練的深度殘差神經網絡進行測試，若精度高于原訓練好的深度殘差神經網絡則替代原有深度殘差神經網絡，否則將拋棄訓練后網絡，維持原有深度殘差神經網絡。

2.根據權利要求1所述的基于深度殘差網絡的骨科病病變分類分級方法，其特征在于，所述步驟1具體按照以下步驟實施：

步驟1.1，準備離線圖像庫

圖像庫包含經過專業分類并做好診斷標記的各類骨科病病變圖像，每類病變圖像應確保一定量的數量，其中，診斷標記包括兩部分，第一部分為病變類型，第二部分為病變程度；

步驟1.2，將經步驟1.1做好分類標記的圖像進行預處理

將經步驟1.1做好分類標記的圖像變為jpg或png格式文件，然后在保留最大分辨率的前提下進行圖像歸一化，并且打亂圖像排布，使其病變類型、病變程度分布在圖像庫中處于均勻狀態；

步驟1.3，將經步驟1.2處理的所有圖像分為訓練集和測試集兩個部分，其中訓練集中的圖像占所有圖像的80%，測試集中的圖像占所有圖像的20%，訓練集和測試集中均包括圖像的每一個類；

步驟1.4，將經步驟1.3處理的訓練集和測試集中的圖像以及經過人工分類分級的標簽均變為矩陣形式；

步驟1.5，構建深度殘差神經網絡框架，其中，深度殘差神經網絡包括三個部分，第一部分為輸入層，第二部分為隱含層，第三部分為輸出層，所述隱含層連接在輸入層上，所述輸出層連接在所述隱含層上；

步驟1.6，訓練深度殘差神經網絡

將步驟1.5所建立的深度殘差神經網絡框架，使用經步驟1.4處理的訓練集的圖像數據進行訓練，訓練時遍歷訓練集中的每一個圖像，每一個完整的遍歷被稱為一個世代，經過若干次訓練，即經過若干個世代，得到訓練好的深度殘差神經網絡；

步驟1.7，過擬合判斷

使用經步驟1.6訓練好后的深度殘差神經網絡，用1/4的測試集數據進行測試，若準確度大幅下降，則調整深度殘差神經網絡的超參數，然后重新訓練深度殘差神經網絡，訓練后再次執行過擬合判斷，如此循環，直至未出現過擬合，則使用當前深度殘差神經網絡來進行實際診療判斷。

3.根據權利要求2所述的基于深度殘差網絡的骨科病病變分類分級方法，其特征在于，所述步驟1.4中，將經步驟1.3處理的訓練集和測試集中的圖像均變為矩陣形式，其圖像矩陣格式為：[圖像序號，圖像長度，圖像寬度，3]，其中，3代表RGB三色通道，每個圖像對應的標簽轉化為3維矩陣形式，其格式為：[圖像序號，病癥類型，病癥等級]，其中，標簽的序號與該標簽所對應圖像為一一對應關系。