[發(fā)明專利]一種提高計(jì)算機(jī)輔助診斷系統(tǒng)圖片分類準(zhǔn)確度的方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011457683.5
• 申請(qǐng)日: 2020-12-10
• 公開（公告）號(hào): CN112420170B
• 公開（公告）日: 2022-12-09
• 發(fā)明（設(shè)計(jì)）人: 劉峽壁;楊松曉;鄭中樞
• 申請(qǐng)（專利權(quán)）人: 北京理工大學(xué)
• 主分類號(hào): G16H30/20
• 分類號(hào): G16H30/20;G06F16/55;G06N3/04
• 代理公司: 北京正陽理工知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11639
• 代理人: 張利萍

本發(fā)明涉及一種提高計(jì)算機(jī)輔助診斷系統(tǒng)圖片分類準(zhǔn)確度的方法，屬于計(jì)算機(jī)視覺技術(shù)領(lǐng)域。本方法基于深度學(xué)習(xí)的融合醫(yī)學(xué)圖像特征和臨床特征，首先對(duì)系統(tǒng)影像數(shù)據(jù)和臨床數(shù)據(jù)進(jìn)行預(yù)處理。然后，將系統(tǒng)的臨床數(shù)據(jù)C_i經(jīng)過卷積層和最大池化操作，得到高維特征向量。將影像信息經(jīng)過殘差塊進(jìn)行特征提取。將最后得到的影像特征圖調(diào)整為一維向量，并與臨床特征向量進(jìn)行拼接，得到一個(gè)新的更大的特征向量。將該特征向量通過一層全連接層和Softmax函數(shù)，最終得到各個(gè)分類結(jié)果的概率。本發(fā)明方法，與現(xiàn)有的計(jì)算機(jī)輔助診斷系統(tǒng)圖片分類方法相比，可使計(jì)算機(jī)輔助診斷系統(tǒng)在各種實(shí)際應(yīng)用場景下獲得快速、高可靠的圖片分類。

技術(shù)領(lǐng)域

本發(fā)明涉及一種提高計(jì)算機(jī)輔助診斷系統(tǒng)圖片分類準(zhǔn)確度的方法，屬于計(jì)算機(jī)視覺技術(shù)領(lǐng)域。

背景技術(shù)

計(jì)算機(jī)輔助診斷(computer aided diagnosis，CAD)系統(tǒng)，是通過影像學(xué)、圖像處理技術(shù)以及其他可能的生理、生化手段，結(jié)合計(jì)算機(jī)的分析計(jì)算，輔助發(fā)現(xiàn)病灶，提高診斷的準(zhǔn)確率。計(jì)算機(jī)輔助診斷的過程包括病人一般資料和檢查資料的搜集、醫(yī)學(xué)信息的量化處理、統(tǒng)計(jì)學(xué)分析，直至最后得出診斷。隨著人工智能技術(shù)的發(fā)展，近年來，計(jì)算機(jī)輔助診斷系統(tǒng)得到了廣泛的應(yīng)用。

圖片分類處理，是計(jì)算機(jī)輔助診斷系統(tǒng)的重要問題。目前，現(xiàn)有的計(jì)算機(jī)輔助診斷系統(tǒng)的圖片分類方法，主要分為兩類：

1.基于傳統(tǒng)機(jī)器學(xué)習(xí)方法的圖片分類方法。該方法通常采用支持向量機(jī)(SVM)、決策樹等機(jī)器學(xué)習(xí)方法，對(duì)經(jīng)過數(shù)字圖像處理后得到的特征進(jìn)行分類。它對(duì)特征提取的要求很高，而且由于醫(yī)學(xué)圖像的復(fù)雜度較高，傳統(tǒng)方法的分類能力不足，導(dǎo)致圖片分類準(zhǔn)確率較低。

2.基于卷積神經(jīng)網(wǎng)絡(luò)的圖片分類方法。主要分成四類：第一類是采用2D醫(yī)學(xué)影像的方法，這類方法通常取一組三維影像中的幾張切片作為代表進(jìn)行特征提取和分類。第二類是采用3D醫(yī)學(xué)影像的方法，這類方法直接將三維影像作為輸入，進(jìn)行特征的提取和分類。第三類是加入臨床信息和醫(yī)學(xué)影像的方法，這類方法在前面兩類的基礎(chǔ)上添加了臨床信息作為輸入，對(duì)純影像分類的結(jié)果進(jìn)行補(bǔ)充。第四類則是采用多模態(tài)數(shù)據(jù)進(jìn)行診斷的方法。

上述圖片分類方法存在以下不足和缺陷：

基于傳統(tǒng)機(jī)器學(xué)習(xí)的圖片分類方法，雖然實(shí)現(xiàn)相對(duì)簡單，但由于醫(yī)學(xué)圖像中特征在姿態(tài)、尺度等方面的多樣化，傳統(tǒng)機(jī)器學(xué)習(xí)的分類性能不足，分類的準(zhǔn)確率往往達(dá)不到實(shí)際應(yīng)用的要求。

基于卷積神經(jīng)網(wǎng)絡(luò)的圖片分類方法，由于采用了復(fù)雜的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，分類精度會(huì)優(yōu)于傳統(tǒng)方法。但是，使用2D醫(yī)學(xué)影像的分類方法在選取的感興趣區(qū)域(ROI)不合適時(shí)，會(huì)導(dǎo)致神經(jīng)網(wǎng)絡(luò)無法有效學(xué)習(xí)到特征提取的方法，從而大大降低分類準(zhǔn)確率。使用3D醫(yī)學(xué)影像的分類方法中，由于選用了整個(gè)三維影像，不存在感興趣區(qū)域的選取問題，但是，三維影像帶來的高復(fù)雜度和高內(nèi)存占用會(huì)帶來大量的計(jì)算消耗，大大降低方法的分類效率，使用如此巨大的計(jì)算消耗換取準(zhǔn)確率提升的幾個(gè)百分點(diǎn)，得不償失。加入臨床信息補(bǔ)充純影像分類結(jié)果時(shí)，由于臨床信息的數(shù)量較少，大量的影像特征會(huì)將臨床信息淹沒，導(dǎo)致神經(jīng)網(wǎng)絡(luò)無法充分使用臨床信息。在使用多模態(tài)數(shù)據(jù)的方法中，由于采用了多種影像數(shù)據(jù)，例如MRI和PET，網(wǎng)絡(luò)獲得的信息會(huì)更多，分類準(zhǔn)確率也有提升，但是網(wǎng)絡(luò)復(fù)雜度和計(jì)算消耗極大，計(jì)算效率很低。

發(fā)明內(nèi)容

本發(fā)明的目的是針對(duì)現(xiàn)有的計(jì)算機(jī)輔助診斷系統(tǒng)圖片分類技術(shù)存在的不足，基于深度學(xué)習(xí)融合醫(yī)學(xué)圖像特征和臨床特征，提出一種能夠有效提高計(jì)算機(jī)輔助診斷系統(tǒng)的圖片分類準(zhǔn)確率的方法。

本發(fā)明采取的技術(shù)方案如下：

一種提高計(jì)算機(jī)輔助診斷系統(tǒng)圖片分類準(zhǔn)確率的方法，包括以下步驟：

步驟1：進(jìn)行相關(guān)定義。

定義1：初始影像數(shù)據(jù)，記作I_ori；

定義2：初始臨床數(shù)據(jù)，記作C_ori；