[發明專利]醫療圖像分類模型的訓練方法、系統、存儲介質及醫療圖像處理裝置

在審

• 申請號: 202011178984.4
• 申請日: 2020-10-29
• 公開（公告）號: CN112259199A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 蘇炯龍;胡華峰
• 申請（專利權）人: 西交利物浦大學
• 主分類號: G16H30/20
• 分類號: G16H30/20;G16H30/40;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京艾普利德知識產權代理事務所(特殊普通合伙) 32297
• 代理人: 陸明耀;顧祥安

1.醫療圖像分類模型的訓練方法，其特征在于：包括如下步驟：

S1，獲取由不同類型間質性肺病的肺部CT切面圖及正常肺部的肺部CT切面圖轉變而成的普通RGB色彩圖，從獲取的每張普通RGB色彩圖中提取出具有一種類型間質性肺病或正常肺部的圖像塊并對圖像塊進行標記；

S2，提取每個圖像塊所在的醫療位置數據，并分析肺部種類與醫療位置數據的相關性；

S3，將S1中提取的圖像塊根據人體器官對應的亨氏單位擴充為三通道亨氏單位圖；

S4，將S2、S3處理得到的肺部種類與醫療位置數據的相關性信息及三通道亨氏單位圖輸入到基于復合卷積神經網絡的醫療圖像分類模型中進行模型訓練，至模型收斂。

2.根據權利要求1所述的醫療圖像分類模型的訓練方法，其特征在于：所述間質性肺病類型包括肺氣腫，肺部毛玻璃樣，肺部纖維化與肺部微結節。

3.根據權利要求1所述的醫療圖像分類模型的訓練方法，其特征在于：所述S1包括通過滑動窗口在每張普通RGB色彩圖上逐行滑動提取圖像塊，所述滑動窗口的尺寸為32×32。

4.根據權利要求3所述的醫療圖像分類模型的訓練方法，其特征在于：所述S1中，當滑動窗口中間質性肺病區域面積或正常肺部區域面積占比不低于75％時，提取相應的圖像塊，并進行標記，同一種間質性肺病對應的圖像塊采用同一種標記，不同間質性肺病對應的圖像塊及正常肺部對應的圖像塊采用不同的標記。

5.根據權利要求4所述的醫療圖像分類模型的訓練方法，其特征在于：所述S2步驟包括

S21，提取每個圖像塊所對應的醫療位置數據，并將其與圖像塊的標記存儲為一個字符對；

S22，將全部字符對進行統計學分析以驗證，肺部種類與醫療位置數據的相關性。

6.根據權利要求1所述的醫療圖像分類模型的訓練方法，其特征在于：所述S3中，所述三通道包括用于展現肺部一般特征的正常通道、用于描述低強度區域的低衰減通道以及用于描述高強度區域的高衰減通道。

7.根據權利要求1所述的醫療圖像分類模型的訓練方法，其特征在于：所述S4包括

S41，使用復合卷積神經網絡提取各個三通道亨氏單位圖的圖像特征；

S42，使用包括但不限于ReLU的激活函數對所提取的圖像特征采用非線性變換進行降采樣操作；

S43，使用最大池化層獲得三通道亨氏單位圖的低分辨率圖像，并使用步驟S41、S42中所提方法提取不同分辨率下的圖像特征并進行降采樣操作；

S44，模型的最后一層卷積層使用Softmax函數

獲得每個三通道亨氏單位圖屬于各個肺部種類的概率；

S45，使用肺部種類與醫療位置數據的相關性信息產生位置向量與上述產生的屬于各個肺部種類的概率相乘，得到每個三通道亨氏單位圖屬于各個肺部種類的最終概率；

S46，模型使用交叉熵損失函數

進行訓練。

8.根據權利要求7所述的醫療圖像分類模型的訓練方法，其特征在于：所述S41復合卷積神經網絡包括Xception卷積神經網絡和Inception-v3卷積神經網絡。

9.根據權利要求1-8任一所述的醫療圖像分類模型的訓練方法，其特征在于：還包括S5，使用格點搜索法自動選取最優的超參數進而決定最優化模型。