CN108875909A - 医学影像的分类方法及装置 - Google Patents
医学影像的分类方法及装置 Download PDFInfo
- Publication number
- CN108875909A CN108875909A CN201810476371.5A CN201810476371A CN108875909A CN 108875909 A CN108875909 A CN 108875909A CN 201810476371 A CN201810476371 A CN 201810476371A CN 108875909 A CN108875909 A CN 108875909A
- Authority
- CN
- China
- Prior art keywords
- file
- illness
- classifier
- trained
- convolution kernel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
Abstract
本发明实施例公开了一种医学影像的分类方法及装置,先进行训练文件和验证文件的划分,然后添加未患病的标记值和患病的标记值,响应于对分类器的训练指令,将所述若干训练文件作为所述自动编码器的输入,通过对所述自动编码器进行预处理生成用于分类训练的卷积核,根据生成的所述卷积核,对分类器中的参数进行微调获得最优网络结构,然后响应于分类器的分类指令,根据获得所述最优网络结构的分类器,对输入的待分类医学影像进行分类,通过监督学习的方法建立有效的智能预测模型,从而能将卷积神经网络应用到医学影像分类中,为医护人员提供辅助决策的参考,节约人力资源的同时提高效率。
Description
技术领域
本发明涉及医疗检测领域,尤其涉及一种医学影像的分类方法及装置。
背景技术
医学影像在临床诊断和治疗中的应用日益广泛,如何利用大量的医学影像,辅助医生进行疾病的诊断和治疗是目前业界都在研究的问题。一个优秀的医学影像分类方法必须根据疾病种类及供体的完善细致分类,以便随时进行高效检索,及信息分析和挖掘。传统的医学影像都是采用人工识别、文字分类的方法,但是,随着医学影像的日益增多,尤其其中涉及的人种、性别、年龄等差异,导致其对人工识别的难度越来越大,且工作量日益增大。如何解决这个问题,引入日益成熟的计算机图像识别技术,取代人工来完成上述工作是未来的发展趋势。
卷积神经网络是近年发展起来,并引起广泛重视的一种高效识别方法。20世纪60年代,Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性,继而提出了卷积神经网络(Convolutional Neural Networks-简称CNN)。现在,CNN已经成为众多科学领域的研究热点之一,特别是在模式分类领域,由于该网络避免了对图像的复杂前期预处理,可以直接输入原始图像,因而得到了更为广泛的应用。
一般地,CNN的基本结构包括两层,其一为特征提取层,每个神经元的输入与前一层的局部接受域相连,并提取该局部的特征。一旦该局部特征被提取后,它与其它特征间的位置关系也随之确定下来;其二是特征映射层,网络的每个计算层由多个特征映射组成,每个特征映射是一个平面,平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数,使得特征映射具有位移不变性。此外,由于一个映射面上的神经元共享权值,因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层,这种特有的两次特征提取结构减小了特征分辨率。
因此,现代医学亟需一种自动化分类方法,能将卷积神经网络应用到医学影像分类中,为医护人员提供辅助决策的参考,节约人力资源的同时提高效率。
发明内容
本发明实施例的目的是提供一种医学影像的分类方法及装置,能将卷积神经网络应用到医学影像分类中,为医护人员提供辅助决策的参考,节约人力资源的同时提高效率。
为实现上述目的,本发明实施例提供了一种医学影像的分类方法,包括步骤:
分别对患病影像文件夹和未患病影像文件夹内的文件进行训练文件和验证文件的划分,并分别记录训练文件名和验证文件名;
加载所述患病影像文件夹和所述未患病影像文件夹内的文件目录,对所述患病影像文件夹和所述未患病影像文件夹内的文件进行归一化处理,对所述患病影像文件夹中的每一训练文件和验证文件添加未患病的标记值,对所述未患病影像文件夹中的每一训练文件和验证文件添加患病的标记值;
响应于对分类器的训练指令,根据记录的训练文件名获取若干训练文件,将所述若干训练文件作为所述自动编码器的输入,通过对所述自动编码器进行预处理生成用于分类训练的卷积核;其中,所述分类器包括分类输入层、自动编码器、至少一全连接层和分类输出层,所述自动编码器包括至少一卷积层和一池化层;
根据生成的所述卷积核,对分类器中的参数进行微调获得最优网络结构;
响应于分类器的分类指令,根据获得所述最优网络结构的分类器,对输入的待分类医学影像进行分类,生成所述待分类医学影像的预测值,根据所述待分类医学影像的预测值获得所述待分类医学影像的患病/未患病分类结果。
作为上述方案的改进,所述对所述患病影像文件夹和所述未患病影像文件夹内的文件进行归一化处理:
获取所述患病影像文件夹和所述未患病影像文件夹内每一文件的三阶张量,以最小三阶张量作为标准对所述患病影像文件夹和所述未患病影像文件夹内的文件进行归一化处理。
作为上述方案的改进,通过对分类器进行预处理生成用于分类训练的卷积核前还包括步骤:
对所述若干训练文件的三维张量进行采样。
作为上述方案的改进,所述通过对分类器进行预处理生成用于分类训练的卷积核包括:
编码阶段:以所述训练文件作为输入数据,通过所述卷积层由随机初始化的卷积核对所述训练文件进行特征提取;
解码阶段:将所述编码阶段的特征提取结果输入至全连接层进行解码生成输出数据;
训练阶段:根据所述输出数据和输入数据的差别,生成均方差损失值,对所述均方差损失值进行优化生成用于分类训练的卷积核。
作为上述方案的改进,由随机初始化的卷积核对所述训练文件进行特征提取后还包括:
通过所述池化层采用平均池化、最大值池化或随机池化的方法对卷积核的特征提取结果进行降采样处理。
作为上述方案的改进,所述对分类器中的参数进行微调获得最优网络结构包括:
将所述训练文件作为所述分类器的输入,改变所述分类器的参数生成不同的预测值,根据所述训练文件的标记值和预测值的差别,通过反向传播的方式获得最优的网络结构。
作为上述方案的改进,所述根据所述训练文件的标记值和预测值的差别,通过反向传播的方式获得最优的网络结构具体为:
根据所述训练文件的标记值和预测值的差别生成均方差损失值,通过梯度下降法对所述均方差损失值进行优化,从而获得所述均方差损失值最小时的网络参数;所述网络参数包括全连接层的权重、全连接层的偏置、卷积层的卷积核和卷积层的偏置;所述分类器的参数包括所述自动编码器中的卷积核个数、卷积核大小、卷积核滑动步长、每一全连接层的节点数、全连接层的层数和梯度下降步长中的一种或多种。
作为上述方案的改进,还包括步骤:
响应于对所述分类器的验证指令,根据记录的验证文件名获取若干验证文件,将所述若干验证文件作为所述分类器的输入,生成每一所述验证文件的预测值;
对所述验证文件的标记值和预测值进行比对,获得验证正确的次数;
根据所述验证正确的次数,生成评价所述分类器的AUC值和精度值;其中,所述精度值为验证正确的次数占所述验证文件的总数的比例。
本发明实施例还对应提供了一种医学影像的分类装置,包括:
文件划分模块,用于分别对患病影像文件夹和未患病影像文件夹内的文件进行训练文件和验证文件的划分,并分别记录训练文件名和验证文件名;
标记值添加模块,用于加载所述患病影像文件夹和所述未患病影像文件夹内的文件目录,对所述患病影像文件夹和所述未患病影像文件夹内的文件进行归一化处理,对所述患病影像文件夹中的每一训练文件和验证文件添加未患病的标记值,对所述未患病影像文件夹中的每一训练文件和验证文件添加患病的标记值;
预处理模块,用于响应于分类器的训练指令,用于根据记录的训练文件名获取若干训练文件,将所述若干训练文件作为所述自动编码器的输入,通过对所述自动编码器进行预处理生成用于分类训练的卷积核;其中,所述分类器包括分类输入层、自动编码器、至少一全连接层和分类输出层,所述自动编码器包括至少一卷积层和一池化层;
微调模块,用于根据生成的所述卷积核,对分类器中的参数进行微调获得最优网络结构;
预测模块,用于响应于分类器的分类指令,根据获得所述最优网络结构的分类器,对输入的待分类医学影像进行分类,生成所述待分类医学影像的预测值。
与现有技术相比,本发明实施例公开了一种医学影像的分类方法及装置,先进行训练文件和验证文件的划分,然后对每一训练文件和验证文件添加未患病的标记值和患病的标记值,响应于对分类器的训练指令,根据记录的训练文件名获取若干训练文件,将所述若干训练文件作为所述自动编码器的输入,通过对所述自动编码器进行预处理生成用于分类训练的卷积核,根据生成的所述卷积核,对分类器中的参数进行微调获得最优网络结构,然后响应于分类器的分类指令,根据获得所述最优网络结构的分类器,对输入的待分类医学影像进行分类,生成所述待分类医学影像的预测值,根据所述待分类医学影像的预测值获得所述待分类医学影像的患病/未患病分类结果,通过监督学习的方法建立有效的智能预测模型,从而能将卷积神经网络应用到医学影像分类中,为医护人员提供辅助决策的参考,节约人力资源的同时提高效率。
附图说明
图1是本发明实施例1提供的一种医学影像的分类方法的流程示意图。
图2是本发明实施例1提供的分类器的网络结构示意图。
图3是本发明实施例1提供的全连接层的结构示意图。
图4是本发明实施例1提供的卷积网络的结构示意图。
图5是本发明实施例1提供的自动编码器的结构示意图。
图6是本发明实施例2提供的一种医学影像的分类方法的流程示意图。
图7是本发明实施例3提供的一种医学影像的分类装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,是本发明实施例1提供的一种医学影像的分类方法的流程示意图,包括步骤:
S1、分别对患病影像文件夹和未患病影像文件夹内的文件进行训练文件和验证文件的划分,并分别记录训练文件名和验证文件名;
优选地,分别建立txt文件记录训练文件名和验证文件名。
另外,所述患病影像文件夹和未患病影像文件夹内的文件优选为MRI影像文件。
S2、加载所述患病影像文件夹和所述未患病影像文件夹内的文件目录,对所述患病影像文件夹和所述未患病影像文件夹内的文件进行归一化处理,对所述患病影像文件夹中的每一训练文件和验证文件添加未患病的标记值,对所述未患病影像文件夹中的每一训练文件和验证文件添加患病的标记值;
优选地,对所述患病影像文件夹和所述未患病影像文件夹内的文件进行归一化处理具体为:
获取所述患病影像文件夹和所述未患病影像文件夹内每一文件的三阶张量,以最小维度的三阶张量作为标准对所述患病影像文件夹和所述未患病影像文件夹内的文件进行归一化处理。
其中,对于3D影响,最小维度的三阶张量是指长宽高的最小值。
在步骤S2中,创建X0并赋值为未患病集合,并创建Y0向量并赋值为0;创建X1并赋值为患病集合,并创建Y1向量并赋值为1。
S3、响应于对分类器的训练指令,根据记录的训练文件名获取若干训练文件,将所述若干训练文件作为自动编码器的输入,通过对所述自动编码器进行预处理生成用于分类训练的卷积核;其中,所述分类器包括分类输入层、所述自动编码器、至少一全连接层和分类输出层,所述自动编码器包括至少一卷积层和一池化层;
如图2所示,为本发明实施例提供的一种分类器的神经网络结构示意图,包括分类输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和分类输出层,所述全连接层优选为四层结构,分别是2048个结点,512个结点,256个结点,128个结点。所述第一卷积层的卷积核大小可默认设置为8*8*8,即长宽高都是8像素,个数可默认设置为128;所述第二卷积层的卷积核大小卷积可默认设置为8*8*8,即长宽高都是8像素,个数可默认设置为68。在池化层和全连接层后可选择激活函数进行转换,在本实施例中,可优选“relu”,“tahn”,“liner”三种激活函数,其中relu和tahn是非线性激活函数。
其中,如图3所示,所述全连接层在分层结构中前一层的每一个节点会与后一层的每一个节点连接,总共的网络结构是全部节点的笛卡尔积的数量。如图4所示,卷积网络需要先设置图像的卷积规则,一般用矩阵乘法作为卷积规则,在一个图像张量上(3D影像是3阶张量)使用3阶张量作为卷积核,卷机核的大小作为可调参数,在3D影像上进行滑动,卷积核与影像的卷积值作为结果,卷机核在3D空间中滑动完毕会生成一个特征图,特征图同样是3D张量。此时将特征图进行池化操作,得到压缩版的特征图,池化的方式有最大值池化,最小值池化和均值池化,本系统使用的是均值池化。特征图经过池化后可选择使用激活函数处理,或者直接进入下一层卷积网络的训练。
优选地,通过对分类器进行预处理生成用于分类训练的卷积核前还包括步骤:
对所述若干训练文件的三维张量进行采样。
通过对训练文件的长宽高进行采样可降低计算的维度,减少计算量,提高训练的效率。
在另一优选实施例中,所述通过对分类器进行预处理生成用于分类训练的卷积核包括:
编码阶段:以所述训练文件作为输入数据,通过所述卷积层由随机初始化的卷积核对所述训练文件进行特征提取;
解码阶段:将所述编码阶段的特征提取结果输入至全连接层进行解码生成输出数据;
训练阶段:根据所述输出数据和输入数据的差别,生成均方差损失值,对所述均方差损失值进行优化生成用于分类训练的卷积核。
通过上述方式获取用于分类训练的卷积核,可避免直接生成卷积核训练分类器导致的特征提取的效率低下的问题,可预先生成卷积核再对置入分类器中进行训练,大大调高训练的精度。其中,预处理的方式是通过使输入图像和输出图像尽可能的方式来达到特征提取的方式,然后保存特征为结果文件,作为用于分类训练的卷积核。
如图5所示,为自动编码器的预处理过程,先通过卷积层和池化层进行编码,然后通过至少一层全连接层进行解码,然后计算输入图像和输出图像的差别,对该差别进行优化从而获得分类训练的卷积核。
另外,由随机初始化的卷积核对所述训练文件进行特征提取后还包括:
通过所述池化层采用平均池化、最大值池化或随机池化的方法对卷积核的特征提取结果进行降采样处理。
S4、根据生成的所述卷积核,对分类器中的参数进行微调获得最优网络结构;
其中,所述对分类器中的参数进行微调获得最优网络结构包括:
将所述训练文件作为所述分类器的输入,改变所述分类器的参数生成不同的预测值,根据所述训练文件的标记值和预测值的差别,通过反向传播的方式获得最优的网络结构。
在另一优选实施例中,所述根据所述训练文件的标记值和预测值的差别,通过反向传播的方式获得最优的网络结构具体为:
根据所述训练文件的标记值和预测值的差别生成均方差损失值,通过梯度下降法对所述均方差损失值进行优化,从而获得所述均方差损失值最小时的网络参数;所述网络参数包括全连接层的权重、全连接层的偏置、卷积层的卷积核和卷积层的偏置;所述分类器的参数包括所述自动编码器中的卷积核个数、卷积核大小、卷积核滑动步长、每一全连接层的节点数、全连接层的层数和梯度下降步长中的一种或多种。
在对均方差损失值最小值的求解可通过梯度下降的方式进行,在不断地梯度下降之后,模型的精度才能得到提高,梯度指数学意义上的梯度,将各层网络看作一个函数,损失值可看作一个关于网络参数的函数。若函数得到最值,必先取极值,梯度下降的目的是得到各个极值点计算损失值最小时候的网络参数的取值,从而获得一个精度最高的网络结构。
S5、响应于分类器的分类指令,根据获得所述最优网络结构的分类器,对输入的待分类医学影像进行分类,生成所述待分类医学影像的预测值,根据所述待分类医学影像的预测值获得所述待分类医学影像的患病/未患病分类结果。
参见图6,为本发明实施例2提供的一种医学影像的分类方法的流程示意图,在实施例1的基础上,实施例2的分类方法还包括步骤:
S6、响应于对所述分类器的验证指令,根据记录的验证文件名获取若干验证文件,将所述若干验证文件作为所述分类器的输入,生成每一所述验证文件的预测值;
S7、对所述验证文件的标记值和预测值进行比对,获得验证正确的次数;
S8、根据所述验证正确的次数,生成评价所述分类器的AUC值和精度值;其中,所述精度值为验证正确的次数占所述验证文件的总数的比例。
需要说明的是判断一个二元分类算法的好坏时,AUC可以起到很好的参考。AUC的值越接近于1,算法分类效果越好,意味着正确的判断比率高。
参见图7,是本发明实施例3提供的一种医学影像的分类装置的结构示意图,包括:
文件划分模块101,分别对患病影像文件夹和未患病影像文件夹内的文件进行训练文件和验证文件的划分,并分别记录训练文件名和验证文件名;
标记值添加模块102,用于加载所述患病影像文件夹和所述未患病影像文件夹内的文件目录,对所述患病影像文件夹和所述未患病影像文件夹内的文件进行归一化处理,对所述患病影像文件夹中的每一训练文件和验证文件添加未患病的标记值,对所述未患病影像文件夹中的每一训练文件和验证文件添加患病的标记值;
预处理模块103,响应于分类器的训练指令,用于根据记录的训练文件名获取若干训练文件,将所述若干训练文件作为所述自动编码器的输入,通过对所述自动编码器进行预处理生成用于分类训练的卷积核;其中,所述分类器包括分类输入层、自动编码器、至少一全连接层和分类输出层,所述自动编码器包括至少一卷积层和一池化层;
微调模块104,用于根据生成的所述卷积核,对分类器中的参数进行微调获得最优网络结构;
预测模块105,用于响应于分类器的分类指令,根据获得所述最优网络结构的分类器,对输入的待分类医学影像进行分类,生成所述待分类医学影像的预测值。
优选地,所述标记值添加模块102包括归一化处理单元,用于获取所述患病影像文件夹和所述未患病影像文件夹内每一文件的三阶张量,以最小三阶张量作为标准对所述患病影像文件夹和所述未患病影像文件夹内的文件进行归一化处理。
优选地,所述预处理模块103包括采样单元,用于对分类器进行预处理生成用于分类训练的卷积核前,对所述若干训练文件的三维张量进行采样。
优选地,所述预处理模块103还包括:
编码单元,用于以所述训练文件作为输入数据,通过所述卷积层由随机初始化的卷积核对所述训练文件进行特征提取;
解码单元,用于将所述编码阶段的特征提取结果输入至全连接层进行解码生成输出数据;
训练单元,用于根据所述输出数据和输入数据的差别,生成均方差损失值,对所述均方差损失值进行优化生成用于分类训练的卷积核。
优选地,所述编码单元还用于,由随机初始化的卷积核对所述训练文件进行特征提取后,通过所述池化层采用平均池化、最大值池化或随机池化的方法对卷积核的特征提取结果进行降采样处理。
优选地,所述微调模块104具体用于,将所述训练文件作为所述分类器的输入,改变所述分类器的参数生成不同的预测值,根据所述训练文件的标记值和预测值的差别,通过反向传播的方式获得最优的网络结构。
其中,所述根据所述训练文件的标记值和预测值的差别,通过反向传播的方式获得最优的网络结构具体为:
根据所述训练文件的标记值和预测值的差别生成均方差损失值,通过梯度下降法对所述均方差损失值进行优化,从而获得所述均方差损失值最小时的网络参数;所述网络参数包括全连接层的权重、全连接层的偏置、卷积层的卷积核和卷积层的偏置;所述分类器的参数包括所述自动编码器中的卷积核个数、卷积核大小、卷积核滑动步长、每一全连接层的节点数、全连接层的层数和梯度下降步长中的一种或多种。
优选地,所述装置还包括:
验证响应模块,用于响应于对所述分类器的验证指令,根据记录的验证文件名获取若干验证文件,将所述若干验证文件作为所述分类器的输入,生成每一所述验证文件的预测值;
正确次数获取模块,用于对所述验证文件的标记值和预测值进行比对,获得验证正确的次数;
验证参数获取模块,用于根据所述验证正确的次数,生成评价所述分类器的AUC值和精度值;其中,所述精度值为验证正确的次数占所述验证文件的总数的比例。
本实施的医学影像的分类装置的具体实施过程可参考上述对医学影像的分类方法的描述,在此不再赘述。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种医学影像的分类方法,其特征在于,包括步骤:
分别对患病影像文件夹和未患病影像文件夹内的文件进行训练文件和验证文件的划分,并分别记录训练文件名和验证文件名;
加载所述患病影像文件夹和所述未患病影像文件夹内的文件目录,对所述患病影像文件夹和所述未患病影像文件夹内的文件进行归一化处理,对所述患病影像文件夹中的每一训练文件和验证文件添加未患病的标记值,对所述未患病影像文件夹中的每一训练文件和验证文件添加患病的标记值;
响应于对分类器的训练指令,根据记录的训练文件名获取若干训练文件,将所述若干训练文件作为自动编码器的输入,通过对所述自动编码器进行预处理生成用于分类训练的卷积核;其中,所述分类器包括分类输入层、所述自动编码器、至少一全连接层和分类输出层,所述自动编码器包括至少一卷积层和一池化层;
根据生成的所述卷积核,对分类器中的参数进行微调获得最优网络结构;
响应于分类器的分类指令,根据获得所述最优网络结构的分类器,对输入的待分类医学影像进行分类,生成所述待分类医学影像的预测值,根据所述待分类医学影像的预测值获得所述待分类医学影像的患病/未患病分类结果。
2.如权利要求1所述的医学影像的分类方法,其特征在于,所述对所述患病影像文件夹和所述未患病影像文件夹内的文件进行归一化处理具体为:
获取所述患病影像文件夹和所述未患病影像文件夹内每一文件的三阶张量,以最小三阶张量作为标准对所述患病影像文件夹和所述未患病影像文件夹内的文件进行归一化处理。
3.如权利要求2所述的医学影像的分类方法,其特征在于,通过对分类器进行预处理生成用于分类训练的卷积核前还包括步骤:
对所述若干训练文件的三维张量进行采样。
4.如权利要求2所述的医学影像的分类方法,其特征在于,所述通过对分类器进行预处理生成用于分类训练的卷积核包括:
编码阶段:以所述训练文件作为输入数据,通过所述卷积层由随机初始化的卷积核对所述训练文件进行特征提取;
解码阶段:将所述编码阶段的特征提取结果输入至全连接层进行解码生成输出数据;
训练阶段:根据所述输出数据和输入数据的差别,生成均方差损失值,对所述均方差损失值进行优化生成用于分类训练的卷积核。
5.如权利要求4所述的医学影像的分类方法,其特征在于,由随机初始化的卷积核对所述训练文件进行特征提取后还包括:
通过所述池化层采用平均池化、最大值池化或随机池化的方法对卷积核的特征提取结果进行降采样处理。
6.如权利要求5所述的医学影像的分类方法,其特征在于,所述对分类器中的参数进行微调获得最优网络结构包括:
将所述训练文件作为所述分类器的输入,改变所述分类器的参数生成不同的预测值,根据所述训练文件的标记值和预测值的差别,通过反向传播的方式获得最优的网络结构。
7.如权利要求6所述的医学影像的分类方法,其特征在于,所述根据所述训练文件的标记值和预测值的差别,通过反向传播的方式获得最优的网络结构具体为:
根据所述训练文件的标记值和预测值的差别生成均方差损失值,通过梯度下降法对所述均方差损失值进行优化,从而获得所述均方差损失值最小时的网络参数;所述网络参数包括全连接层的权重、全连接层的偏置、卷积层的卷积核和卷积层的偏置;所述分类器的参数包括所述自动编码器中的卷积核个数、卷积核大小、卷积核滑动步长、每一全连接层的节点数、全连接层的层数和梯度下降步长中的一种或多种。
8.如权利要求1所述的医学影像的分类方法,其特征在于,所述方法还包括步骤:
响应于对所述分类器的验证指令,根据记录的验证文件名获取若干验证文件,将所述若干验证文件作为所述分类器的输入,生成每一所述验证文件的预测值;
对所述验证文件的标记值和预测值进行比对,获得验证正确的次数;
根据所述验证正确的次数,生成评价所述分类器的AUC值和精度值;其中,所述精度值为验证正确的次数占所述验证文件的总数的比例。
9.一种医学影像的分类装置,其特征在于,包括:
文件划分模块,用于分别对患病影像文件夹和未患病影像文件夹内的文件进行训练文件和验证文件的划分,并分别记录训练文件名和验证文件名;
标记值添加模块,用于加载所述患病影像文件夹和所述未患病影像文件夹内的文件目录,对所述患病影像文件夹和所述未患病影像文件夹内的文件进行归一化处理,对所述患病影像文件夹中的每一训练文件和验证文件添加未患病的标记值,对所述未患病影像文件夹中的每一训练文件和验证文件添加患病的标记值;
预处理模块,用于响应于分类器的训练指令,用于根据记录的训练文件名获取若干训练文件,将所述若干训练文件作为所述自动编码器的输入,通过对所述自动编码器进行预处理生成用于分类训练的卷积核;其中,所述分类器包括分类输入层、自动编码器、至少一全连接层和分类输出层,所述自动编码器包括至少一卷积层和一池化层;
微调模块,用于根据生成的所述卷积核,对分类器中的参数进行微调获得最优网络结构;
预测模块,用于响应于分类器的分类指令,根据获得所述最优网络结构的分类器,对输入的待分类医学影像进行分类,生成所述待分类医学影像的预测值。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810059406 | 2018-01-22 | ||
CN2018100594065 | 2018-01-22 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108875909A true CN108875909A (zh) | 2018-11-23 |
Family
ID=64334002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810476371.5A Pending CN108875909A (zh) | 2018-01-22 | 2018-05-17 | 医学影像的分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108875909A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522973A (zh) * | 2019-01-17 | 2019-03-26 | 云南大学 | 基于生成式对抗网络与半监督学习的医疗大数据分类方法及系统 |
CN110543364A (zh) * | 2019-07-21 | 2019-12-06 | 聊城市光明医院 | 一种医学影像快速加载方法及系统 |
CN111193254A (zh) * | 2019-12-06 | 2020-05-22 | 北京国电通网络技术有限公司 | 一种住宅日用电负荷预测方法和设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880881A (zh) * | 2012-09-25 | 2013-01-16 | 常州大学 | 一种基于二类支持向量机和遗传算法的轿车车型识别方法 |
CN107341518A (zh) * | 2017-07-07 | 2017-11-10 | 东华理工大学 | 一种基于卷积神经网络的图像分类方法 |
CN107492099A (zh) * | 2017-08-28 | 2017-12-19 | 京东方科技集团股份有限公司 | 医学图像分析方法、医学图像分析系统以及存储介质 |
-
2018
- 2018-05-17 CN CN201810476371.5A patent/CN108875909A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880881A (zh) * | 2012-09-25 | 2013-01-16 | 常州大学 | 一种基于二类支持向量机和遗传算法的轿车车型识别方法 |
CN107341518A (zh) * | 2017-07-07 | 2017-11-10 | 东华理工大学 | 一种基于卷积神经网络的图像分类方法 |
CN107492099A (zh) * | 2017-08-28 | 2017-12-19 | 京东方科技集团股份有限公司 | 医学图像分析方法、医学图像分析系统以及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522973A (zh) * | 2019-01-17 | 2019-03-26 | 云南大学 | 基于生成式对抗网络与半监督学习的医疗大数据分类方法及系统 |
CN110543364A (zh) * | 2019-07-21 | 2019-12-06 | 聊城市光明医院 | 一种医学影像快速加载方法及系统 |
CN111193254A (zh) * | 2019-12-06 | 2020-05-22 | 北京国电通网络技术有限公司 | 一种住宅日用电负荷预测方法和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pashaei et al. | Brain tumor classification via convolutional neural network and extreme learning machines | |
Purwar et al. | Hybrid prediction model with missing value imputation for medical data | |
Polat et al. | Classification of brain tumors from MR images using deep transfer learning | |
CN110188795A (zh) | 图像分类方法、数据处理方法和装置 | |
CN107871100A (zh) | 人脸模型的训练方法和装置、人脸认证方法和装置 | |
CN109559799A (zh) | 医学图像语义描述方法、描述模型的构建方法及该模型 | |
CN110033023A (zh) | 一种基于绘本识别的图像数据处理方法及系统 | |
CN109346159A (zh) | 病例图像分类方法、装置、计算机设备及存储介质 | |
CN109191445A (zh) | 基于人工智能的骨骼形变分析方法 | |
Cheng et al. | Classification of long sequential data using circular dilated convolutional neural networks | |
CN108875909A (zh) | 医学影像的分类方法及装置 | |
Chen et al. | Mobile convolution neural network for the recognition of potato leaf disease images | |
CN112633154B (zh) | 一种异源人脸特征向量之间的转换方法及系统 | |
Bodapati et al. | Msenet: Multi-modal squeeze-and-excitation network for brain tumor severity prediction | |
Xia et al. | Transferring ensemble representations using deep convolutional neural networks for small-scale image classification | |
Raghavendra et al. | Performance evaluation of random forest with feature selection methods in prediction of diabetes | |
Gang et al. | Recognition of honeycomb lung in CT images based on improved MobileNet model | |
CN113569895A (zh) | 图像处理模型训练方法、处理方法、装置、设备及介质 | |
CN112560639A (zh) | 人脸关键点数目转换方法、系统、电子设备及存储介质 | |
Amezcua et al. | A new fuzzy learning vector quantization method for classification problems based on a granular approach | |
Qian | Exploration of machine algorithms based on deep learning model and feature extraction | |
Wang et al. | GazeGNN: A Gaze-Guided Graph Neural Network for Disease Classification | |
Cai et al. | The multi-task learning with an application of Pareto improvement | |
CN114462526A (zh) | 一种分类模型训练方法、装置、计算机设备及存储介质 | |
McGarry et al. | The extraction and comparison of knowledge from local function networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181123 |
|
RJ01 | Rejection of invention patent application after publication |