[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

本發明公開了一種基于深度殘差網絡的骨科病病變分類分級方法，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。本發明的基于深度殘差網絡的骨科病病變分類分級方法，解決了現有卷積神經網絡隨著神經網絡構架深度的增加，出現精度飽和隨后精度下降，且離線學習的方法無法對每天產生的診療數據加以利用，因而無法隨著診療數目的增加進行自我修正的問題。

技術領域

本發明屬于骨科病病變分類方法技術領域，涉及一種基于深度殘差網絡的骨科病病變分類分級方法。

背景技術

現有技術中，對腰椎間盤突出，肩周炎，膝蓋損傷，頸椎病，這一類病變分類分級依然依靠人工對現有的醫學造影來進行人工判斷?，F在通過CT、X光，核磁共振，等醫學造影技術產生了大量的醫學診斷影像資料。但是醫生個人無法充分利用?，F在的方法依舊是依賴醫生個人經驗和能力，進行人工判斷的方式來對這幾種病變分類分級，因而及其依賴醫生的個人經驗，技術素養，人工成本極高，判斷準確性受人為因素影響極大，時間成本非常高，診斷效率低下。因而尋求一種自動，高效，準確的輔助診斷方式變得十分迫切。

當今類似問題解決方法是使用卷積神經網絡對醫學影像進行分類分級，但是卷積神經網絡自身存在著精度飽和問題，在數據量一定的情況下，想要進一步提高精度就需要增加卷積神經網絡深度，然而隨著深度的增加卷積神經網絡精度會首先上升，然后出現飽和，因此精度無法進一步提升?，F使用卷積神經網絡解決方案精度僅為80％左右，其存在精度無法繼續提高的瓶頸，同時現有技術使用離線學習的方式來進行神經網絡訓練，即使用離線數據庫訓練完畢后將經過離線訓練最優的神經網絡結構部署到實際診斷中，使用固定數據庫。但是現實情況下，每天的診斷都在產生著大量的數據，而離線學習的方式無法使用這些新產生的數據，從而造成了現有醫療數據的極大浪費。

發明內容

本發明的目的是提供一種基于深度殘差網絡的骨科病病變分類分級方法，解決了現有卷積神經網絡隨著神經網絡構架深度的增加，出現精度飽和隨后精度下降，且離線學習的方法無法對每天產生的診療數據加以利用，因而無法隨著診療數目的增加進行自我修正的問題。

本發明所采用的技術方案是，基于深度殘差網絡的骨科病病變分類分級方法，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。

本發明的特征還在于，

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；