[發(fā)明專利]一種多模型融合醫(yī)學(xué)圖像分類方法及設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202010632879.7
• 申請(qǐng)日: 2020-07-02
• 公開（公告）號(hào): CN111753925A
• 公開（公告）日: 2020-10-09
• 發(fā)明（設(shè)計(jì)）人: 盧旭;劉釗
• 申請(qǐng)（專利權(quán)）人: 廣東技術(shù)師范大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州恒華智信知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44299
• 代理人: 姜宗華

1.一種多模型融合醫(yī)學(xué)圖像分類方法，其特征在于，包括以下步驟：

建立VGG16+ResNet50網(wǎng)絡(luò)模型；

將待分類的醫(yī)學(xué)圖像輸入至所述VGG16+ResNet50網(wǎng)絡(luò)模型中進(jìn)行分類；

將分類完成后的醫(yī)學(xué)圖像輸出。

2.根據(jù)權(quán)利要求1所述的一種多模型融合醫(yī)學(xué)圖像分類方法，其特征在于，所述建立VGG16+ResNet50網(wǎng)絡(luò)模型步驟包括：

構(gòu)建帶有分類標(biāo)注信息的醫(yī)學(xué)圖像數(shù)據(jù)集；

調(diào)用VGG16+ResNet50網(wǎng)絡(luò)；

將所述帶有分類標(biāo)注信息的醫(yī)學(xué)圖像數(shù)據(jù)集中的醫(yī)學(xué)圖像輸入所述VGG16+ResNet50網(wǎng)絡(luò)中；

根據(jù)所述醫(yī)學(xué)圖像的分類標(biāo)注信息，對(duì)所述VGG16+ResNet50網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得訓(xùn)練結(jié)果；

根據(jù)所述訓(xùn)練結(jié)果，建立VGG16+ResNet50網(wǎng)絡(luò)模型。

3.根據(jù)權(quán)利要求2所述的一種多模型融合醫(yī)學(xué)圖像分類方法，其特征在于，所述根據(jù)所述醫(yī)學(xué)圖像的分類標(biāo)注信息，對(duì)所述VGG16+ResNet50網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得訓(xùn)練結(jié)果步驟包括：

將帶有分類標(biāo)注信息的醫(yī)學(xué)圖像輸入VGG16+ResNet50網(wǎng)絡(luò)后，對(duì)醫(yī)學(xué)圖像進(jìn)行裁剪泛化和張量化處理；

輸入VGG16的卷積神經(jīng)網(wǎng)絡(luò)對(duì)醫(yī)學(xué)圖像進(jìn)行特征提取，獲得VGG16醫(yī)學(xué)圖像特征圖；將全連接層的輸出1000分類改為2分類，所述VGG16醫(yī)學(xué)圖像特征圖經(jīng)過全連接層得到VGG16檢測(cè)結(jié)果。

輸入ResNet50的卷積神經(jīng)網(wǎng)絡(luò)對(duì)醫(yī)學(xué)圖像進(jìn)行特征提取，獲得ResNet50醫(yī)學(xué)圖像特征圖；將全連接層的輸出1000分類改為2分類，所述ResNet50醫(yī)學(xué)圖像特征圖經(jīng)過全連接層得到ResNet50檢測(cè)結(jié)果。

通過VGG16+ResNet50多模型融合，對(duì)所述VGG16檢測(cè)結(jié)果與ResNet50檢測(cè)結(jié)果進(jìn)行多模型融合加權(quán)平均。

4.根據(jù)權(quán)利要求3所述的一種多模型融合醫(yī)學(xué)圖像分類方法，其特征在于，所述多模型融合加權(quán)平均包括步驟：

通過將VGG16檢測(cè)結(jié)果乘以所在權(quán)重加上所述ResNet50檢測(cè)結(jié)果乘以所在權(quán)重，將所得結(jié)果與判別中間值0.5相比較，小于0.5判定陰性，大于0.5則為陽(yáng)性；

所述VGG16檢測(cè)結(jié)果與所述ResNet50檢測(cè)結(jié)果權(quán)重值之和為1。

5.一種多模型融合醫(yī)學(xué)圖像分類設(shè)備，其特征在于，包括：

模型建立模塊，用于建立VGG16+ResNet50網(wǎng)絡(luò)模型；

輸入模塊，將待分類的醫(yī)學(xué)圖像輸入至所述VGG16+ResNet50網(wǎng)絡(luò)模型中進(jìn)行分類；

輸出模塊，用于輸出分類完成后的醫(yī)學(xué)圖像。

6.根據(jù)權(quán)利要求5所述的一種多模型融合醫(yī)學(xué)圖像分類設(shè)備，其特征在于，所述模型建立模塊包含：

獲取單元，用于獲取病人的醫(yī)學(xué)圖像；

識(shí)別單元，用于標(biāo)注醫(yī)學(xué)圖像的陰陽(yáng)屬性，構(gòu)建帶有分類標(biāo)注信息的醫(yī)學(xué)圖像數(shù)據(jù)集；

調(diào)用單元，用于調(diào)用VGG16+ResNet50網(wǎng)絡(luò)；

輸入單元，用于將所述帶有分類標(biāo)注信息的醫(yī)學(xué)圖像數(shù)據(jù)集中的醫(yī)學(xué)圖像輸入所述VGG16+ResNet50網(wǎng)絡(luò)中；

訓(xùn)練單元，用于根據(jù)所述醫(yī)學(xué)圖像的分類標(biāo)注信息，對(duì)所述VGG16+ResNet50網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得訓(xùn)練結(jié)果；

模型建立單元，用于根據(jù)所述訓(xùn)練結(jié)果，建立VGG16+ResNet50網(wǎng)絡(luò)模型。

7.根據(jù)權(quán)利要求6所述的一種多模型融合醫(yī)學(xué)圖像分類設(shè)備，其特征在于，所述訓(xùn)練單元包括：

特征提取子單元，用于通過卷積神經(jīng)網(wǎng)絡(luò)對(duì)醫(yī)學(xué)圖像進(jìn)行特征提取，獲得對(duì)應(yīng)的醫(yī)學(xué)圖像特征圖；

融合子單元，用于實(shí)現(xiàn)對(duì)VGG16+ResNet50多模型檢測(cè)到的結(jié)果進(jìn)行加權(quán)平均融合；

分類子單元，用于實(shí)現(xiàn)對(duì)經(jīng)過VGG16+ResNet50多模型加權(quán)平均融合后的醫(yī)學(xué)圖像中目標(biāo)進(jìn)行定位及分類。