CN110363240A - 一种医学影像分类方法与系统 - Google Patents
一种医学影像分类方法与系统 Download PDFInfo
- Publication number
- CN110363240A CN110363240A CN201910604977.7A CN201910604977A CN110363240A CN 110363240 A CN110363240 A CN 110363240A CN 201910604977 A CN201910604977 A CN 201910604977A CN 110363240 A CN110363240 A CN 110363240A
- Authority
- CN
- China
- Prior art keywords
- medical image
- matrix
- indicate
- sample
- neural network
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Abstract
本发明公开了一种医学影像分类方法与系统,包括以下步骤:1)收集医学影像,利用超像素分割方法将收集到的医学影像分割成超像素的集合,进而获得样本集合,2)分别计算特征相似矩阵与空间相似矩阵,进而得到综合相似矩阵,3)构建神经网络模型,4)训练神经网络模型,5)利用训练好的神经网络模型对医学影像进行分类。本发明的优点在于:1)不需要大量的标注,降低了人工标注的成本;2)考虑了样本的特征相似度与空间相关性,有效地利用了无标注样本的特性,提高了分类效率。
Description
技术领域
本发明涉及医学图像处理领域,特别是涉及一种医学影像分类方法与系统。
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。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。专利《CN108875909A医学影像的分类方法及装置》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。专利《CN103473569A基于SVM的医学影像分类方法》公开了一种基于SVM的医学影像分类方法,其特征在于:其包括以下步骤:1)将医学影像存储于原始影像数据库,医学影像包括数字相片及供体信息;2)利用特征识别器,识别所述原始影像数据库中的医学影像的医学特征;3)利用分类器根据所述特征识别器获得的医学特征对疾病进行识别,并根据疾病种类存储在分类影像数据库中。本发明的基于SVM的医学影像分类方法利用Adaboost级联分类器进行预先训练,针对不同的样本具有较好的识别率和误识率,并且计算速度快,可以快速进行大量的医学影像识别和分类,可用于大规模的医学影像数据库系统。专利《CN109858562A一种医学影像的分类方法、装置和存储介质》公开了一种医学影像的分类方法、装置和存储介质;本发明实施例先获取多个医学影像样本,对该医学影像样本中的病变特征进行分类,根据分类结果构建出该医学影像样本的提升树模型,得到第一分类器组,再采用该第一分类器组从该病变特征中筛选出满足第一预设条件的病变特征,得到目标病变特征集,接着,利用该目标病变特征集对预设的第二分类器进行训练,得到训练后第二分类器,然后,基于该训练后第二分类器对待分类的医学影像进行目标病变特征检测,得到分类结果;该方案可以有效地提高医学影像的分类的准确性。
发明内容
已有的技术没有充分考虑实际情况中可能出现的标签成本过高、标签不足的问题。本发明技术克服现有技术的不足,提出了一种医学影像分类方法,具体包括以下步骤:
第1步:收集医学影像,利用超像素分割方法将收集到的医学影像分割成超像素的集合,然后以每个超像素为单位抽取特征以形成特征向量,每个特征向量即一个样本;xi或xj表示一个样本,i、j取自{1,2,···,l+u},l为有标注样本的数量,u为无标注样本的数量;
第2步:确定相似性矩阵;特征相似矩阵W1定义如下:
其中,为W1中的元素,i、j取自{1,2,···,l+u},N1(xi)表示在特征向量的欧式距离度量下距离xi最近的k个样本点集合,N1(xj)表示在特征向量的欧式距离度量下距离xj最近的k个样本点集合,t1>0;
空间相似矩阵W2定义如下:
其中,为W2中的元素,i、j取自{1,2,···,l+u},N2(xi)表示在空间坐标的欧式距离度量下距离xi最近的k个样本点集合,N2(xj)表示在空间坐标的欧式距离度量下距离xj最近的k个样本点集合,t2>0;
计算综合相似矩阵A=μW1+(1-μ)W2,μ∈(0,1);
第3步:构建神经网络模型如下:X(h)=σh(BX(h-1)Θ(h-1)),其中,h表示神经网络层数序号,H表示最大层数,h=1,2,...,H,X(h)表示第h层的神经元,σh(·)为第h层的激活函数,Θ(h-1)为可以训练的权重矩阵,B=IN+D(-1/2)AD(-1/2)+[D(-1/2)AD(-1/2)]2,IN为N阶单位方阵,D为A的度矩阵,即D为对角阵,且第i个对角元素aij为A中第i行第j列元素;
第4步:训练神经网络模型;
第5步:利用训练好的神经网络模型对医学影像进行分类。
其中,
所述步骤3中涉及的隐藏层的激活函数采用Relu(·)=max(0,·),即X(h)=Relu(BX(h-1)Θ(h-1))。
其中,
所述步骤1中提取的超像素特征为纹理特征。
本发明还提出一种电子设备,其特征在于,包括:处理器、存储器、总线及存储在存储器上并可在处理器上运行的计算机程序;其中,所述处理器,存储器通过所述总线完成相互间的通信;所述处理器执行所述计算机程序时实现上述一种医学影像分类方法。
本发明还提出一种非暂态计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述一种医学影像分类方法。
与已有的技术相比,本发明具有以下优点:1)不需要大量的标注,降低了人工标注的成本;2)考虑了样本的特征相似度与空间相关性,有效地利用了无标注样本的特性,提高了分类效率。
附图说明
图1为本发明流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图与具体实施例对本发明进行详细说明。
一种医学影像分类方法,如图1所示,具体包括以下步骤:
第1步:收集医学影像,利用超像素分割方法将收集到的医学影像分割成超像素的集合,然后以每个超像素为单位抽取特征以形成特征向量,每个特征向量即一个样本;xi或xj表示一个样本,i、j取自{1,2,···,l+u},l为有标注样本的数量,u为无标注样本的数量;
第2步:确定相似性矩阵;特征相似矩阵W1定义如下:
其中,为W1中的元素,i、j取自{1,2,···,l+u},N1(xi)表示在特征向量的欧式距离度量下距离xi最近的k个样本点集合,N1(xj)表示在特征向量的欧式距离度量下距离xj最近的k个样本点集合,t1>0;
空间相似矩阵W2定义如下:
其中,为W2中的元素,i、j取自{1,2,···,l+u},N2(xi)表示在空间坐标的欧式距离度量下距离xi最近的k个样本点集合,N2(xj)表示在空间坐标的欧式距离度量下距离xj最近的k个样本点集合,t2>0;
计算综合相似矩阵A=μW1+(1-μ)W2,μ∈(0,1);
第3步:构建神经网络模型如下:X(h)=σh(BX(h-1)Θ(h-1)),其中,h表示神经网络层数序号,H表示最大层数,h=1,2,...,H,X(h)表示第h层的神经元,σh(·)为第h层的激活函数,Θ(h-1)为可以训练的权重矩阵,B=IN+D(-1/2)AD(-1/2)+[D(-1/2)AD(-1/2)]2,IN为N阶单位方阵,D为A的度矩阵,即D为对角阵,且第i个对角元素aij为A中第i行第j列元素;
第4步:训练神经网络模型;
第5步:利用训练好的神经网络模型对医学影像进行分类。
优选地,
所述步骤3中涉及的隐藏层的激活函数采用Relu(·)=max(0,·),即X(h)=Relu(BX(h-1)Θ(h-1))。
优选地,
所述步骤1中提取的超像素特征为纹理特征。
本发明还提出一种电子设备,其特征在于,包括:处理器、存储器、总线及存储在存储器上并可在处理器上运行的计算机程序;其中,所述处理器,存储器通过所述总线完成相互间的通信;所述处理器执行所述计算机程序时实现上述一种医学影像分类方法。
本发明还提出一种非暂态计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述一种医学影像分类方法。
提供以上实施例仅仅是为了描述本发明的目的,而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改,均应涵盖在本发明的范围之内。
Claims (5)
1.一种医学影像分类方法,其特征在于,具体包括以下步骤:
第1步:收集医学影像,利用超像素分割方法将收集到的医学影像分割成超像素的集合,然后以每个超像素为单位抽取特征以形成特征向量,每个特征向量即一个样本;xi或xj表示一个样本,i、j取自{1,2,···,l+u},l为有标注样本的数量,u为无标注样本的数量;
第2步:确定相似性矩阵;特征相似矩阵W1定义如下:
其中,为W1中的元素,i、j取自{1,2,···,l+u},N1(xi)表示在特征向量的欧式距离度量下距离xi最近的k个样本点集合,N1(xj)表示在特征向量的欧式距离度量下距离xj最近的k个样本点集合,t1>0;
空间相似矩阵W2定义如下:
其中,为W2中的元素,i、j取自{1,2,···,l+u},N2(xi)表示在空间坐标的欧式距离度量下距离xi最近的k个样本点集合,N2(xj)表示在空间坐标的欧式距离度量下距离xj最近的k个样本点集合,t2>0;
计算综合相似矩阵A=μW1+(1-μ)W2,μ∈(0,1);
第3步:构建神经网络模型如下:X(h)=σh(BX(h-1)Θ(h-1)),其中,h表示神经网络层数序号,H表示最大层数,h=1,2,...,H,X(h)表示第h层的神经元,σh(·)为第h层的激活函数,Θ(h-1)为可以训练的权重矩阵,B=IN+D(-1/2)AD(-1/2)+[D(-1/2)AD(-1/2)]2,IN为N阶单位方阵,D为A的度矩阵,即D为对角阵,且第i个对角元素aij为A中第i行第j列元素;
第4步:训练神经网络模型;
第5步:利用训练好的神经网络模型对医学影像进行分类。
2.根据权利要求1所述的一种医学影像分类方法,其特征在于,
所述步骤3中涉及的隐藏层的激活函数采用Relu(·)=max(0,·),即X(h)=Relu(BX(h -1)Θ(h-1))。
3.根据权利要求1所述的一种医学影像分类方法,其特征在于,
所述步骤1中提取的超像素特征为纹理特征。
4.一种电子设备,其特征在于,包括:处理器、存储器、总线及存储在存储器上并可在处理器上运行的计算机程序;其中,所述处理器,存储器通过所述总线完成相互间的通信;所述处理器执行所述计算机程序时实现如权利要求1-3中任一项所述的方法。
5.一种非暂态计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如权利要求1-3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910604977.7A CN110363240B (zh) | 2019-07-05 | 2019-07-05 | 一种医学影像分类方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910604977.7A CN110363240B (zh) | 2019-07-05 | 2019-07-05 | 一种医学影像分类方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110363240A true CN110363240A (zh) | 2019-10-22 |
CN110363240B CN110363240B (zh) | 2020-09-11 |
Family
ID=68217946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910604977.7A Active CN110363240B (zh) | 2019-07-05 | 2019-07-05 | 一种医学影像分类方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363240B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046951A (zh) * | 2019-12-12 | 2020-04-21 | 安徽威奥曼机器人有限公司 | 一种医学影像分类方法 |
CN112749723A (zh) * | 2019-10-31 | 2021-05-04 | 顺丰科技有限公司 | 样本标注方法、装置、计算机设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5825936A (en) * | 1994-09-22 | 1998-10-20 | University Of South Florida | Image analyzing device using adaptive criteria |
CN102968635A (zh) * | 2012-11-23 | 2013-03-13 | 清华大学 | 一种基于稀疏编码的图像视觉特征提取方法 |
CN104881681A (zh) * | 2015-05-22 | 2015-09-02 | 浙江大学 | 基于混合图模型的图像序列类别标注方法 |
US20170032221A1 (en) * | 2015-07-29 | 2017-02-02 | Htc Corporation | Method, electronic apparatus, and computer readable medium of constructing classifier for disease detection |
CN108257135A (zh) * | 2018-02-01 | 2018-07-06 | 浙江德尚韵兴图像科技有限公司 | 基于深度学习方法解读医学图像特征的辅助诊断系统 |
CN108319969A (zh) * | 2018-01-12 | 2018-07-24 | 复旦大学 | 基于稀疏表示框架的较高级别脑胶质瘤生存期预测方法和系统 |
CN109584283A (zh) * | 2018-11-29 | 2019-04-05 | 合肥中科离子医学技术装备有限公司 | 一种基于卷积神经网络的医学图像配准算法 |
CN109858562A (zh) * | 2019-02-21 | 2019-06-07 | 腾讯科技(深圳)有限公司 | 一种医学影像的分类方法、装置和存储介质 |
-
2019
- 2019-07-05 CN CN201910604977.7A patent/CN110363240B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5825936A (en) * | 1994-09-22 | 1998-10-20 | University Of South Florida | Image analyzing device using adaptive criteria |
CN102968635A (zh) * | 2012-11-23 | 2013-03-13 | 清华大学 | 一种基于稀疏编码的图像视觉特征提取方法 |
CN104881681A (zh) * | 2015-05-22 | 2015-09-02 | 浙江大学 | 基于混合图模型的图像序列类别标注方法 |
US20170032221A1 (en) * | 2015-07-29 | 2017-02-02 | Htc Corporation | Method, electronic apparatus, and computer readable medium of constructing classifier for disease detection |
CN108319969A (zh) * | 2018-01-12 | 2018-07-24 | 复旦大学 | 基于稀疏表示框架的较高级别脑胶质瘤生存期预测方法和系统 |
CN108257135A (zh) * | 2018-02-01 | 2018-07-06 | 浙江德尚韵兴图像科技有限公司 | 基于深度学习方法解读医学图像特征的辅助诊断系统 |
CN109584283A (zh) * | 2018-11-29 | 2019-04-05 | 合肥中科离子医学技术装备有限公司 | 一种基于卷积神经网络的医学图像配准算法 |
CN109858562A (zh) * | 2019-02-21 | 2019-06-07 | 腾讯科技(深圳)有限公司 | 一种医学影像的分类方法、装置和存储介质 |
Non-Patent Citations (2)
Title |
---|
LIQING等: "medical image classification with convolution neural network", 《ICARCV》 * |
荣晶施等: "基于对称性理论的医图像多阶段分类算法", 《计算机学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112749723A (zh) * | 2019-10-31 | 2021-05-04 | 顺丰科技有限公司 | 样本标注方法、装置、计算机设备和存储介质 |
CN111046951A (zh) * | 2019-12-12 | 2020-04-21 | 安徽威奥曼机器人有限公司 | 一种医学影像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110363240B (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418117B (zh) | 一种基于无人机图像的小目标检测方法 | |
Wang et al. | Adaptive pruning of transfer learned deep convolutional neural network for classification of cervical pap smear images | |
CN108960073A (zh) | 面向生物医学文献的跨模态图像模式识别方法 | |
CN107203775B (zh) | 一种图像分类的方法、装置和设备 | |
Junos et al. | An optimized YOLO‐based object detection model for crop harvesting system | |
Pan et al. | Cell detection in pathology and microscopy images with multi-scale fully convolutional neural networks | |
CN110210538A (zh) | 一种家居图像多目标识别方法及装置 | |
CN104346503A (zh) | 一种基于人脸图像的情感健康监控方法及手机 | |
CN106650804A (zh) | 一种基于深度学习特征的人脸样本清洗方法及系统 | |
CN110110724A (zh) | 基于指数型挤压函数驱动胶囊神经网络的文本验证码识别方法 | |
CN108416795B (zh) | 基于排序池化融合空间特征的视频动作识别方法 | |
Gang et al. | Recognition of honeycomb lung in CT images based on improved MobileNet model | |
CN110363240A (zh) | 一种医学影像分类方法与系统 | |
CN111209935A (zh) | 基于自适应域转移的无监督目标检测方法及系统 | |
CN115601602A (zh) | 癌症组织病理图像分类方法、系统、介质、设备及终端 | |
CN112183237A (zh) | 基于颜色空间自适应阈值分割的白细胞自动分类方法 | |
Dulal et al. | Automatic Cattle Identification using YOLOv5 and Mosaic Augmentation: A Comparative Analysis | |
Xia et al. | A multi-scale multi-attention network for dynamic facial expression recognition | |
Jyothi et al. | Deep learning for retrieval of natural flower videos | |
Chen et al. | Automatic identification of commodity label images using lightweight attention network | |
CN116824270A (zh) | 一种基于注意力机制改进的小样本车型识别方法 | |
CN105701499B (zh) | 一种用于脑部mri图像分类的图像处理方法 | |
Peng et al. | Fully convolutional neural networks for tissue histopathology image classification and segmentation | |
CN110543364A (zh) | 一种医学影像快速加载方法及系统 | |
CN116229510A (zh) | 一种无监督跨模态行人重识别方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200812 Address after: 325200 Anyang Street Economic Development Zone, Ruian City, Wenzhou City, Zhejiang Province (4th floor of the main building of Zhejiang Henghui Clothing Co., Ltd.) Applicant after: Zhejiang medek Medical Technology Co., Ltd Address before: 230601 Anhui Hefei economic and Technological Development Zone, Shizhu road 339, Venus commercial city two phase 2005 Applicant before: ANHUI WEIAOMAN ROBOT Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |