[發明專利]一種多模型融合醫學圖像分類方法及設備

在審

• 申請號: 202010632879.7
• 申請日: 2020-07-02
• 公開（公告）號: CN111753925A
• 公開（公告）日: 2020-10-09
• 發明（設計）人: 盧旭;劉釗
• 申請（專利權）人: 廣東技術師范大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州恒華智信知識產權代理事務所(普通合伙) 44299
• 代理人: 姜宗華

本發明公開一種多模型融合醫學圖像分類方法，包括建立VGG16+ResNet50網絡模型；將待分類的醫學圖像輸入至所述VGG16+ResNet50網絡模型中進行分類；將分類完成后的醫學圖像輸出。本發明還提供一種多模型融合醫學圖像分類設備。與現有技術相比，本發明能夠實現對醫學圖像的精確分類，進而減輕醫生的工作負擔，解決現有醫學圖像分類準確率不高、醫生人數不足的問題。

技術領域

本發明涉及醫學圖像處理技術領域，特別涉及一種多模型融合醫學圖像分類方法及設備。

背景技術

醫學圖像分類是計算機視覺領域的一個重要研究方向，分類技術給醫學領域中的檢測和疾病治療提供應用價值；隨著人工智能在醫學領域的迅速發展，醫學圖像分類在模式識別領域得到了廣泛的研究和運用。

由于醫學圖顯存在嚴重的斑點噪聲和低信噪比等問題，且大多數醫學圖像分類算法不具有像素級分類，使得當前醫學圖像分類不夠精準、復雜程度高，給醫生后期的判斷和工作都帶來不少的困擾和壓力。

因此，如何提供一種能夠提高分類準確性的醫學圖像分類算法和設備，是本領域技術人員亟待解決的問題。

發明內容

針對現有技術的不足，本發明實施例提供了一種多模型融合醫學圖像分類方法及設備，能夠實現對醫學圖像的精確分類，進而減輕醫生的工作負擔。

本發明提供的一種多模型融合醫學圖像分類方法，包括以下步驟：

建立VGG16+ResNet50網絡模型；

將待分類的醫學圖像輸入至所述VGG16+ResNet50網絡模型中進行分類；

將分類完成后的醫學圖像輸出。

優選地，所述建立VGG16+ResNet50網絡模型步驟包括：

構建帶有分類標注信息的醫學圖像數據集；

調用VGG16+ResNet50網絡；

將所述帶有分類標注信息的醫學圖像數據集中的醫學圖像輸入所述VGG16+ResNet50網絡中；

根據所述醫學圖像的分類標注信息，對所述VGG16+ResNet50網絡進行訓練，獲得訓練結果；

根據所述訓練結果，建立VGG16+ResNet50網絡模型。

優選地，所述根據所述醫學圖像的分類標注信息，對所述VGG16+ResNet50網絡進行訓練，獲得訓練結果步驟包括：

將帶有分類標注信息的醫學圖像輸入VGG16+ResNet50網絡后，對醫學圖像進行裁剪泛化和張量化處理；

輸入VGG16的卷積神經網絡對醫學圖像進行特征提取，獲得VGG16醫學圖像特征圖；將全連接層的輸出1000分類改為2分類，所述VGG16醫學圖像特征圖經過全連接層得到VGG16檢測結果。

輸入ResNet50的卷積神經網絡對醫學圖像進行特征提取，獲得ResNet50醫學圖像特征圖；將全連接層的輸出1000分類改為2分類，所述ResNet50醫學圖像特征圖經過全連接層得到ResNet50檢測結果。

通過VGG16+ResNet50多模型融合，對所述VGG16檢測結果與ResNet50檢測結果進行多模型融合加權平均。

優選地，所述多模型融合加權平均包括步驟：

通過將VGG16檢測結果乘以所在權重加上所述ResNet50檢測結果乘以所在權重，將所得結果與判別中間值0.5相比較，小于0.5判定陰性，大于0.5則為陽性；

所述VGG16檢測結果與所述ResNet50檢測結果權重值之和為1。