[發明專利]一種基于可拓理論和深度學習的醫學圖像分類方法

有效

• 申請號: 202110690614.7
• 申請日: 2021-06-22
• 公開（公告）號: CN113313203B
• 公開（公告）日: 2022-11-01
• 發明（設計）人: 潘海為;邊曉菲;張可佳;陳春伶;崔倩娜;牟雪蓮;滕騰
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06N20/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明屬于圖像識別技術領域，具體涉及一種基于可拓理論和深度學習的醫學圖像分類方法。本發明提供了融合醫學領域知識、深度學習和精細化策略的分類方法，該方法結合了醫學領域特征和深度學習特征，對醫學圖像進行快速、準確的分類。本發明利用可拓理論中可拓關聯函數來檢測藍白結構的存在性，將醫學圖像初步分類為良性病圖像和疑似惡性病圖像，采用了基于YOLOv3的改進模型YoDyCK模型，可快速準確地提取疑似惡性病圖像的深度學習特征，從而提高醫學圖像的最終分類準確度和效率。

技術領域

本發明屬于圖像識別技術領域，具體涉及一種基于可拓理論和深度學習的醫學圖像分類方法。

背景技術

近年來醫學圖像的研究成為醫學和計算機交叉學科研究的熱點。隨著醫療數字化設備的快速發展，醫學圖像被廣泛應用于臨床診斷過程中，因此醫生對醫學圖像進行準確且快速的診斷尤為重要。對于醫生來說，對醫學圖像進行分類是一項繁瑣且耗時的工作。以皮膚病圖像為例，在中國這樣人口眾多的國家，醫生每天可能需要閱讀數百張皮膚病圖像。從每張圖像中獲取診斷信息大約需要5-10分鐘。這對醫生來說是一項非常繁重的工作，將花費他們大量的時間，且易導致誤診率的增加。因此基于可拓理論和深度學習的醫學圖像分類模型具有較高的學術價值和實際應用前景。

目前，國內外的醫學圖像分類方法主要分為傳統方法與深度學習方法。傳統方法，基于圖像的顏色和紋理等特征，提出了顏色直方圖等方法，但是這些方法的局限性較大，無法對醫學圖像分類的指征做全面提取，且工作量較大，費時費力。深度學習方法，能較好的提取圖像的顏色和紋理等特征，提升圖像分類的效率，然而部分重要醫學領域特征無法被有效利用。因此，如何將醫學領域特征與深度學習特征進行有效的融合，快速的對醫學圖像進行準確的分類是現有技術中需要解決的主要技術問題。

發明內容

本發明的目的在于提供能夠有效提取、融合醫學領域特征與深度學習領域特征，準確、高效地進行醫學圖像分類的一種基于可拓理論和深度學習的醫學圖像分類方法。

本發明的目的通過如下技術方案來實現：

包括以下步驟：

步驟1：獲取三種不同類別的醫學圖像，篩選每類醫學圖像清晰的等量樣本數據，實現醫學圖像樣本的均衡，獲取醫學圖像樣本集；

步驟2：針對醫學圖像顏色特點，將樣本圖像進行R、G、B三通道轉化，通過B、G通道結果的差值完成圖像的顏色增強，獲取B_g像素矩陣；

步驟3：利用平均池化操作對顏色增強后的圖像像素矩陣進行降噪降維處理，減弱像素間誤差，得到B_g-avg像素矩陣；

步驟4：利用基于可拓理論的分類器對圖像進行第一階段的分類，將圖像初步分為良性病圖像和疑似惡性病圖像，得到第一階段分類結果集；

步驟4.1：針對B_g-avg像素矩陣，確定藍白結構區域的經典域U′_bw、藍白結構區域的節域U_bw、其他病變區域的經典域U′_o、其他病變區域的節域U_o、健康區域的經典域U′_hs、健康區域的節域U_hs；

步驟4.2：根據可拓距離公式，分別計算像素區間與藍白結構區域、其他病變區域以及健康區域在經典域中的可拓距離，記為ρ_m(X_ij,U′_m)；分別計算各像素區間與藍白結構區域、其他病變區域以及健康區域在節域中的可拓距離，記為ρ_m(X_ij,U_m)；

其中，X_ij為B_g-avg像素矩陣中位置(i,j)的像素區間；m∈{bw,o,hs}；