[發明專利]一種醫學圖像的識別與分類的方法及終端

在審

• 申請號: 202110375116.3
• 申請日: 2021-04-08
• 公開（公告）號: CN112949770A
• 公開（公告）日: 2021-06-11
• 發明（設計）人: 邢力剛;于金明;尹勇;鞏貫忠;黃雪芳;謝寶文;雷國勝
• 申請（專利權）人: 深圳市醫諾智能科技發展有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳市博銳專利事務所 44275
• 代理人: 歐陽燕明

本發明公開一種醫學圖像的識別與分類的方法及終端，根據獲取的醫學圖像確定樣本集；對所述樣本集進行特征提取，得到深層特征與淺層特征；根據所述深層特征與淺層特征建立醫學圖像識別分類模型，基于所述樣本集對所述醫學圖像識別分類模型進行訓練并優化，得到優化后的醫學圖像識別分類模型；根據所述優化后的醫學圖像識別分類模型對待處理的醫學圖像進行識別與分類，由于提取特征時使用的特征提取網絡為深度學習網絡，因此從根本上消除了訓練網絡梯度消失與爆炸的問題，使信息能夠在所搭建的網絡的高層和低層之間暢通傳遞，從而能夠快速并準確地對醫學圖像進行識別與分類。

技術領域

本發明涉及圖像處理技術領域，尤其涉及一種醫學圖像的識別與分類的方法及終端。

背景技術

在常見的癌癥類型中，大腸癌都被認為最常見的惡性腫瘤之一。大腸癌的早期癥狀不明顯以及具有發病的部位不同產生不同的臨床癥狀，所以對大腸癌的早期診斷和快速識別尤為重要。隨著影像識別的技術的不斷提高，人工智能醫療手段多次運用在醫學影像的識別分類上。目前的醫學影像的識別上，采用的方式一般基于傳統的機器學習模型和普通深度學習的方式。但是大多數基于統計的機器學習的缺點在于強假設性，導致降低了模型識別分類的準確率。

在最新研究中表明，一般人群中的大腸癌的發病率越來越高，大腸癌也逐漸成為人們關注的重點癌癥疾病之一。越早發現疾病將會提高癌癥疾病被治愈的可能性，所以早期的診斷成功將直接影響癌癥的治愈性。在諸多的前期的診斷中，傳統的方式是經過切片、染色以及觀察，最后通過專業醫生的經驗判定是否發生癌變，進而判定是何種癌變，這也就直接導致了診斷工作量大和診斷時間長。伴隨著人工智能的發展，圖像識別技術輔助識別技術的在各個領域運用較為成功，其中，前列腺癌和宮頸癌的成功也使人們對大腸癌識別注意力從傳統研究轉向了人工智能。針對大腸癌組織切片，MRI(Magnetic ResonanceImaging，磁共振成像)和CT(Computed Tomography，電子計算機斷層掃描)影像的識別尤為重要。其中，組織切片的類較多，所需要識別的圖片具有較高的相似度，識別的難度極大提高。

在近些年的研究中，應用卷積神經網絡成為了圖片識別方向的主流方法。目前，設計了具有淺層卷積層的定制卷積神經網絡，以對具有間質性肺病的肺圖像斑塊進行分類；提出了一種分層的路徑演化方法來壓縮深度卷積神經網絡，以對數字乳房斷層合成中的腫塊進行分類。但是由于卷積神經網絡醫學圖像分類過程中需要池化，池化作為一種簡單的路由方式，在上層和下層之間的傳遞丟棄了部分特征，這些部分特征的價值可能是十分重要的，對于卷積神經網絡的池化可能會丟失整體特征相關性一般而言，卷積神經網絡某個神經元無法確定一個特征的在不同方向的位置，模糊了特征空間關系，無法快速、準確地對醫學圖像進行分類和識別。

發明內容

本發明所要解決的技術問題是：提供一種醫學圖像的識別與分類的方法及終端，能夠快速并準確地對醫學圖像進行識別與分類。

為了解決上述技術問題，本發明采用的一種技術方案為：

一種醫學圖像的識別與分類的方法，包括步驟：

根據獲取的醫學圖像確定樣本集；

對所述樣本集進行特征提取，得到深層特征與淺層特征；

根據所述深層特征與淺層特征建立醫學圖像識別分類模型，基于所述樣本集對所述醫學圖像識別分類模型進行訓練并優化，得到優化后的醫學圖像識別分類模型；

根據所述優化后的醫學圖像識別分類模型對待處理的醫學圖像進行識別與分類。

為了解決上述技術問題，本發明采用的另一種技術方案為：

一種醫學圖像的識別與分類的終端，包括存儲器、處理器及存儲在存儲器上并可在所述處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現以下步驟：

根據獲取的醫學圖像確定樣本集；