CN110458246A - 一种基于深度学习的胆道结石分类方法 - Google Patents

一种基于深度学习的胆道结石分类方法 Download PDF

Info

Publication number
CN110458246A
CN110458246A CN201910793781.7A CN201910793781A CN110458246A CN 110458246 A CN110458246 A CN 110458246A CN 201910793781 A CN201910793781 A CN 201910793781A CN 110458246 A CN110458246 A CN 110458246A
Authority
CN
China
Prior art keywords
image
biliary calculi
disaggregated model
biliary
calculi
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
Application number
CN201910793781.7A
Other languages
English (en)
Inventor
聂生东
段辉宏
吴文浩
高磊
王旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201910793781.7A priority Critical patent/CN110458246A/zh
Publication of CN110458246A publication Critical patent/CN110458246A/zh
Pending legal-status Critical Current

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
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于深度学习的胆道结石分类方法，用于对胆道结石图像中的胆道结石进行分类，包括如下步骤：将胆道结石图像进行去噪处理，获得待分类图像；将待分类图像输入到训练验证完成后的最终胆道结石分类模型中，获得胆道结石图像中胆道结石的类型，其中，通过构建双通道网络模型，作为初始胆道结石分类模型，并选取合适的图像数据作为初始胆道结石分类模型的训练集和验证集，通过训练集和验证集对初始胆道结石分类模型进行训练和验证，并将最优模型作为最终胆道结石分类模型，通过该方法能够精准、直观的确定病人的胆道结石类型，从而有利于病人的治疗。

Description

一种基于深度学习的胆道结石分类方法
技术领域
本发明属于计算机辅助医学领域，涉及一种胆道结石分类方法，具体涉及一种基于深度学习的胆道结石分类方法。
背景技术
胆结石是一种常见的多发性消化系统疾病，根据结石中胆固醇含量的不同可以将胆结石分为胆固醇结石、胆色素结石以及混合性结石。内镜逆行胰胆管造影术(ERCP)能有效的诊断胰胆管系统的肿瘤、炎症、畸形，并能切开取石及进行鼻胆管引流，胰胆管系统狭窄部位支架的置入，能够减少外科手术的创伤，提高患者的生存质量和生存期。在保胆取石前进行ERCP诊疗不仅能将胆总管内结石清除，而且能充分了解肝总管、胆囊管与胆总管三者的解剖关系，使胆道系统在保胆取石过程中减小不必要的损伤。
胆结石的治疗方式与胆道结石的类型有很大关系，不同类型的结石对于溶石或碎石的疗效也有很大不同，如熊去氧胆酸对胆固醇结石的溶解疗效较好，但对非胆固醇结石的溶解效果并不理想。因此，判断胆道结石的类型对于治疗胆结石具有重要意义。
目前临床上一般通过B超、X射线、红外光谱等影像检查来确定结石的类型，但这些方式受设备仪器的测量精度以及测量结果分析计算误差的影响，准确度不高，且无法直观的反映胆道结石的类型，不利于医生的对症治疗。
发明内容
为解决上述问题，提供一种准确度更高，能够直观的反映胆道结石类型的胆道结石分类方法，本发明采用了如下技术方案：
本发明提供了一种基于深度学习的胆道结石分类方法，用于对胆道结石图像中的胆道结石进行分类，其特征在于，包括如下步骤：
步骤S1，将胆道结石图像进行去噪处理，获得待分类图像；
步骤S2，将待分类图像输入到训练验证完成后的最终胆道结石分类模型中，获得胆道结石图像中的胆道结石的胆道结石类型；
其中，最终胆道结石分类模型的训练验证过程包括如下步骤：
步骤T1，构建双通道网络模型，作为初始胆道结石分类模型，该初始胆道结石分类模型具有两个输入端以及与输入端相对应的第一初始全连接层和第二初始全连接层；
步骤T2，选取多个不同的胆道结石类型的内镜图像，作为训练图像和验证图像；
步骤T3，分别在训练图像和验证图像中截取结石区域，作为原始训练图像和原始验证图像，并分别截取原始训练图像和原始验证图像的中间区域，作为放大训练图像和放大验证图像；
步骤T4，将原始训练图像和放大训练图像作为初始胆道结石分类模型的训练集，将原始验证图像和放大验证图像作为初始胆道结石分类模型的验证集；
步骤T5，将训练集分别输入到初始胆道结石分类模型的两个输入端，从而对第一初始全连接层和第二初始全连接层进行更新，获取第一当前全连接层和第二当前全连接层；
步骤T6，将第一当前全连接层和第二当前全连接层进行整合，获得初始胆道结石分类模型的当前全连接层；
步骤T7，在初始胆道结石分类模型的当前全连接层上添加softmax层，获得待验证胆道结石分类模型；
步骤T8，将验证集输入到待验证胆道结石分类模型中，获得待验证胆道结石分类模型的准确率和损失率；
步骤T9，选取准确率最高且损失率最低的时刻对应的待验证胆道结石分类模型，作为最终胆道结石分类模型。
本发明提供的基于深度学习的胆道结石分类方法，还可以具有这样的技术特征，最终胆道结石分类模型还包括测试过程，具体包括如下步骤：
步骤A1，选取多个不同的胆道结石类型的内镜图像，作为测试图像；
步骤A2，在测试图像中截取结石区域，作为原始测试图像，截取测试训练图像的中间区域，作为放大测试图像；
步骤A3，将原始测试图像和放大测试图像作为最终胆道结石分类模型的测试集；
步骤A4，将测试集输入到最终胆道结石分类模型中，获取最终胆道结石分类模型的鲁棒性和评估结果；
步骤A5，根据评估结果对最终胆道结石分类模型进行优化调整。
本发明提供的基于深度学习的胆道结石分类方法，还可以具有这样的技术特征，在步骤A1中，包括如下子步骤：
步骤A1-1，选取多个不同的胆道结石类型的内镜图像，胆道结石类型包括胆固醇结石、胆色素结石和混合性结石；
步骤A1-2，将内镜图像进行数据增强，获得增强内镜图像；
步骤A1-3，将增强内镜图像进行多次旋转和去噪处理，获得最终内镜图像；
步骤A1-4，按照5:4:1的比例将最终内镜图像分为训练图像、验证图像和测试图像。
本发明提供的基于深度学习的胆道结石分类方法，还可以具有这样的技术特征，在步骤A2中，原始训练图像、原始验证图像和原始测试图像的大小为96像素×96像素，放大训练图像、放大验证图像和放大测试图像的大小为48像素×48像素。
本发明提供的基于深度学习的胆道结石分类方法，还可以具有这样的技术特征，在步骤S1中，包括如下子步骤：
步骤S1-1，根据结石区域对胆道结石图像进行截取，获得大小为96像素×96像素的原始待分类图像；
步骤S1-2，对原始待分类图像的中间区域进行截取，获得大小为48像素×48像素的放大待分类图像；
步骤S1-3，通过去噪算法对原始待分类图像和放大待分类图像进行去噪，并通过增强算法对原始待分类图像和放大待分类图像进行增强，获得待分类图像。
本发明提供的基于深度学习的胆道结石分类方法，还可以具有这样的技术特征，在步骤T1中，双通道网络模型为双通道VGG16网络模型，双通道VGG16网络模型包括两个结构相同但大小不同的VGG16网络模型。
本发明提供的基于深度学习的胆道结石分类方法，还可以具有这样的技术特征，在步骤T1中，初始胆道结石分类模型的参数设置分别为：批的大小设置为10，迭代次数设置为500。
本发明提供的基于深度学习的胆道结石分类方法，还可以具有这样的技术特征，在步骤T5中，包括如下子步骤：
步骤T5-1，将训练集内的每个原始训练图像以及每个原始训练图像对应的放大训练图像，作为一个训练子集；
步骤T5-2，将每个的训练子集依次输入到初始胆道结石分类模型的两个输入端，从而对第一初始全连接层和第二初始全连接层进行更新，获取第一当前全连接层和第二当前全连接层。
本发明提供的基于深度学习的胆道结石分类方法，还可以具有这样的技术特征，在步骤T8中，包括如下子步骤：
步骤T8-1，将验证集内的每个原始验证图像以及每个原始验证图像对应的放大验证图像，作为一个验证子集；
步骤T8-2，将每个的验证子集依次输入到待验证胆道结石分类模型中，获得待验证胆道结石分类模型的准确率和损失率。
发明作用与效果
根据本发明提供的基于深度学习的胆道结石分类方法，由于构建双通道网络模型，作为初始胆道结石分类模型，选取多个不同的胆道结石类型的内镜图像，作为训练图像和验证图像，分别在训练图像和验证图像中截取结石区域，作为原始训练图像和原始验证图像，并分别截取原始训练图像和原始验证图像的中间区域，作为放大训练图像和放大验证图像，将原始训练图像和放大训练图像作为初始胆道结石分类模型的训练集，将原始验证图像和放大验证图像作为初始胆道结石分类模型的验证集，将训练集分别输入到初始胆道结石分类模型的两个输入端，获得待验证胆道结石分类模型，将验证集输入到待验证胆道结石分类模型中，获得待验证胆道结石分类模型的准确率和损失率，选取准确率最高且损失率最低的时刻对应的待验证胆道结石分类模型，作为最终胆道结石分类模型，因此，相比于单通道的网络模型，本发明的最终胆道结石分类模型，通过两种像素大小的训练图像相配合的训练，能够多尺度的提取胆道结石图像的特征信息，并将提取的特征信息整合，从而能够从不同角度分析待分类胆道结石，进而能够更精准的判断胆道结石的类型。
进一步，由于将胆道结石图像进行去噪处理，获得待分类图像，将待分类图像输入到训练验证完成后的最终胆道结石分类模型中，获得胆道结石图像中的胆道结石的胆道结石类型，因此，相比于通过X线或CT影像的胆结石类型诊断方法，或通过化学性质分析的胆结石类型诊断方法，本发明通过最终胆道结石分类模型对胆道结石图像进行计算分析，能够在获取胆道结石图像后，便直接精准、直观的确定胆道结石类型，而不需要进行额外的手术验证，从而有利于病人的安全和医生的治疗。
附图说明
图1是本发明实施例的基于深度学习的胆道结石分类方法的构建最终胆道结石分类模型的整体流程示意图；
图2是本发明实施例的基于深度学习的胆道结石分类方法的最终胆道结石分类模型结构示意图；
图3是本发明实施例的基于深度学习的胆道结石分类方法的工作流程示意图；
图4是本发明实施例的基于深度学习的胆道结石分类方法的胆道结石分类流程示意图。
具体实施方式
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
图1是本发明实施例的基于深度学习的胆道结石分类方法的构建最终胆道结石分类模型的整体流程示意图。
如图1所示，本发明的基于深度学习的胆道结石分类方法通过最终胆道结石分类模型对胆道结石图像中的胆道结石进行分类，胆道结石根据胆固醇的含量分为胆固醇结石、胆色素结石和混合性结石，包括如下步骤：
其中，构建最终胆道结石分类模型的具体步骤为：
步骤T1，构建双通道网络模型，作为初始胆道结石分类模型。
图2是本发明实施例的基于深度学习的胆道结石分类方法的最终胆道结石分类模型结构示意图。
如图2所示，在本实施例中，初始胆道结石分类模型具有13个卷积层、5个池化层、1个softmax层、2个输入端以及与输入端相对应的第一初始全连接层和第二初始全连接层，第一初始全连接层和第二初始全连接层能够通过整合，形成一个新的全连接层。
初始胆道结石分类模型的参数为：批(epoch)的大小设置为10，迭代次数(batchsize)设置为500。
双通道网络模型为双通道VGG16网络模型，双通道VGG16网络模型包括两个结构相同但大小不同的VGG16网络模型，两个VGG16网络模型分别对应第一初始全连接层和第二初始全连接层。
其中，选取训练集、验证集和测试集的具体步骤为：
步骤T2，选取多个不同的胆道结石类型的内镜图像，作为训练图像、验证图像和测试图像。
在步骤T2中，包括如下子步骤：
步骤T2-1，从合作单位或数据库中选取多个不同的胆道结石类型的内镜图像。
步骤T2-2，将内镜图像进行数据增强，获得增强内镜图像，通过数据增强，能够突出内镜图像的特征信息。
步骤T2-3，将增强内镜图像进行多次旋转和去噪处理，获得最终内镜图像，通过多次旋转，能够增加数据的数量，通过去噪处理，能够消除噪声对分类结果的影响。
步骤T2-4，按照5:4:1的比例将最终内镜图像分为训练图像、验证图像和测试图像。
步骤T3，分别在训练图像、验证图像和测试图像中截取结石区域，作为原始训练图像、原始验证图像和原始测试图像，并分别截取原始训练图像、原始验证图像和原始测试图像的中间区域，作为放大训练图像、放大验证图像和放大测试图像。
在本实施例中，原始训练图像、原始验证图像和原始测试图像的大小为96像素×96像素，放大训练图像、放大验证图像和放大测试图像的大小为48像素×48像素。
步骤T4，将原始训练图像和放大训练图像作为初始胆道结石分类模型的训练集，将原始验证图像和放大验证图像作为初始胆道结石分类模型的验证集，将原始测试图像和放大测试图像作为最终胆道结石分类模型的测试集。
其中，最终胆道结石分类模型的训练过程，包括如下步骤：
步骤T5，将训练集分别输入到初始胆道结石分类模型的两个输入端，从而对第一初始全连接层和第二初始全连接层进行更新，获取第一当前全连接层和第二当前全连接层。
在步骤T5中，包括如下子步骤：
步骤T5-1，将训练集内的每个原始训练图像以及每个原始训练图像对应的放大训练图像，作为一个训练子集；
步骤T5-2，将每个的训练子集依次输入到初始胆道结石分类模型的两个输入端，从而对第一初始全连接层和第二初始全连接层进行更新，获取第一当前全连接层和第二当前全连接层。
步骤T6，将第一当前全连接层和第二当前全连接层进行整合，获得初始胆道结石分类模型的当前全连接层。
步骤T7，在初始胆道结石分类模型的当前全连接层上添加softmax层，获得待验证胆道结石分类模型。
其中，终胆道结石分类模型的验证过程，包括如下步骤：
步骤T8，将验证集输入到待验证胆道结石分类模型中，获得待验证胆道结石分类模型的准确率和损失率。
在步骤T8中，包括如下子步骤：
步骤T8-1，将验证集内的每个原始验证图像以及每个原始验证图像对应的放大验证图像，作为一个验证子集。
步骤T8-2，将每个的验证子集依次输入到待验证胆道结石分类模型中，获得待验证胆道结石分类模型的准确率和损失率。
步骤T9，选取准确率最高且损失率最低的时刻对应的待验证胆道结石分类模型，作为最终胆道结石分类模型。
其中，最终胆道结石分类模型的测试过程，包括如下步骤：
步骤T10，将测试集输入到最终胆道结石分类模型中，获取最终胆道结石分类模型的鲁棒性和评估结果。
在步骤T10中，包括如下子步骤：
步骤T10-1，将测试集内的每个原始测试图像以及每个原始测试图像对应的放大测试图像，作为一个测试子集。
步骤T10-2，将每个的测试子集依次输入到最终胆道结石分类模型中，获取最终胆道结石分类模型的鲁棒性和评估结果，评估结果包括准确率、敏感性和特异性等评价指标。
步骤T11，根据评估结果对最终胆道结石分类模型进行优化调整，通过准确率、敏感性和特异性等评价指标判断最终胆道结石分类模型的缺点或不足，并针对性的进行优化调整，不断循环往复进行，从而得到最优的一个最终胆道结石分类模型。
图3是本发明实施例的基于深度学习的胆道结石分类方法的工作流程示意图。
图4是本发明实施例的基于深度学习的胆道结石分类方法的胆道结石分类流程示意图。
如图3和图4所示，本实施例中，采用上述最终胆道结石分类模型对待处理的胆道结石图像中的胆道结石进行分类，包括如下步骤：
步骤S1，将胆道结石图像进行去噪处理，获得待分类图像。
在步骤S1中，包括如下子步骤：
步骤S1-1，根据结石区域对胆道结石图像进行截取，获得大小为96像素×96像素的原始待分类图像；
步骤S1-2，对原始待分类图像的中间区域进行截取，获得大小为48像素×48像素的放大待分类图像；
步骤S1-3，通过去噪算法对原始待分类图像和放大待分类图像进行去噪，并通过增强算法对原始待分类图像和放大待分类图像进行增强，获得待分类图像。
步骤S2，将待分类图像输入到训练验证完成后的最终胆道结石分类模型中，获得胆道结石图像中的胆道结石的胆道结石类型。
根据本实施例的最终胆道结石分类模型对胆道结石图像中的胆道结石进行分类，与现有技术中常用的胆道结石分类方法进行对比，对比结果如表1所示，
方法与指标 准确率 AUC
方法1 93.75％ -
方法2 - 0.878
本发明方法 94.67％ 0.907
表1
表1中，方法1是通过X线对胆道结石的类型进行分类，方法2是通过化学成分分析对胆道结石的类型进行分类，根据表1的对比结果，通过本实施例的最终胆道结石分类模型对胆道结石图像中的胆道结石进行分类，准确率和AUC(衡量学习网络优劣的性能指标)均得到提升，从而能够精准的确定胆道结石的类型，进而有利于手术的进行。
实施例作用与效果
根据本发明提供的基于深度学习的胆道结石分类方法，由于构建双通道网络模型，作为初始胆道结石分类模型，选取多个不同的胆道结石类型的内镜图像，作为训练图像和验证图像，分别在训练图像和验证图像中截取结石区域，作为原始训练图像和原始验证图像，并分别截取原始训练图像和原始验证图像的中间区域，作为放大训练图像和放大验证图像，将原始训练图像和放大训练图像作为初始胆道结石分类模型的训练集，将原始验证图像和放大验证图像作为初始胆道结石分类模型的验证集，将训练集分别输入到初始胆道结石分类模型的两个输入端，获得待验证胆道结石分类模型，将验证集输入到待验证胆道结石分类模型中，获得待验证胆道结石分类模型的准确率和损失率，选取准确率最高且损失率最低的时刻对应的待验证胆道结石分类模型，作为最终胆道结石分类模型，因此，相比于单通道的网络模型，本发明的最终胆道结石分类模型，通过两种像素大小的训练图像相配合的训练，能够多尺度的提取胆道结石图像的特征信息，并将提取的特征信息整合，从而能够从不同角度分析待分类胆道结石，进而能够更精准的判断胆道结石的类型。
进一步，由于将胆道结石图像进行去噪处理，获得待分类图像，将待分类图像输入到训练验证完成后的最终胆道结石分类模型中，获得胆道结石图像中的胆道结石的胆道结石类型，因此，相比于通过X线或CT影像的胆结石类型诊断方法，或通过化学性质分析的胆结石类型诊断方法，本发明通过最终胆道结石分类模型对胆道结石图像进行计算分析，能够在获取胆道结石图像后，便直接精准、直观的确定胆道结石类型，而不需要进行额外的手术验证，从而有利于病人的安全和医生的治疗。
在本实施例中，由于选取多个不同的胆道结石类型的内镜图像，作为测试图像，在测试图像中截取结石区域，作为原始测试图像，截取测试训练图像的中间区域，作为放大测试图像，将原始测试图像和放大测试图像作为最终胆道结石分类模型的测试集，将测试集输入到最终胆道结石分类模型中，因此，能够获取最终胆道结石分类模型的鲁棒性和评估结果，并能够根据评估结果对最终胆道结石分类模型进行优化调整，不断进行循环往复操作，能够获得最优的最终胆道结石分类模型，从而提高胆道结石分类的准确度。
在本实施例中，由于选取多个不同的胆道结石类型的内镜图像，将内镜图像进行数据增强，获得增强内镜图像，将增强内镜图像进行多次旋转和去噪处理，获得最终内镜图像，最后按照5:4:1的比例将最终内镜图像分为训练图像、验证图像和测试图像，因此，能够通过数据增强和去噪处理，使训练图像、验证图像和测试图像的特征更加突出，有利于特征信息的提取，且通过将增强内镜图像进行多次旋转，能够增加数据的数量，有利于模型的训练。
在本实施例中，由于原始训练图像、原始验证图像和原始测试图像的大小为96像素×96像素，放大训练图像、放大验证图像和放大测试图像的大小为48像素×48像素，因此，能够从不同的尺度提取图像的特征信息，从而使最终获得的训练验证完成后的最终胆道结石分类模型对胆道结石的分类更精准。
在本实施例中，由于根据结石区域对胆道结石图像进行截取，获得大小为96像素×96像素的原始待分类图像，对原始待分类图像的中间区域进行截取，获得大小为48像素×48像素的放大待分类图像，通过去噪算法对原始待分类图像和放大待分类图像进行去噪，并通过增强算法对原始待分类图像和放大待分类图像进行增强，获得待分类图像，因此，能够使待分类图像与最终胆道结石分类模型匹配，从而有利于对待分类胆道结石进行分类，同时，通过对待分类图像进行去噪和增强，能够使待分类图像的特征更明显，有利于提高分类结果的准确度。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (9)

1.一种基于深度学习的胆道结石分类方法，用于对胆道结石图像中的胆道结石进行分类，其特征在于，包括如下步骤：
步骤S1，将所述胆道结石图像进行去噪处理，获得待分类图像；
步骤S2，将所述待分类图像输入到训练验证完成后的最终胆道结石分类模型中，获得所述胆道结石图像中的所述胆道结石的胆道结石类型；
其中，所述最终胆道结石分类模型的训练验证过程包括如下步骤：
步骤T1，构建双通道网络模型，作为初始胆道结石分类模型，该初始胆道结石分类模型具有两个输入端以及与所述输入端相对应的第一初始全连接层和第二初始全连接层；
步骤T2，选取多个不同的所述胆道结石类型的内镜图像，作为训练图像和验证图像；
步骤T3，分别在所述训练图像和所述验证图像中截取结石区域，作为原始训练图像和原始验证图像，并分别截取所述原始训练图像和所述原始验证图像的中间区域，作为放大训练图像和放大验证图像；
步骤T4，将所述原始训练图像和所述放大训练图像作为所述初始胆道结石分类模型的训练集，将所述原始验证图像和所述放大验证图像作为所述初始胆道结石分类模型的验证集；
步骤T5，将所述训练集分别输入到所述初始胆道结石分类模型的两个所述输入端，从而对所述第一初始全连接层和所述第二初始全连接层进行更新，获取第一当前全连接层和第二当前全连接层；
步骤T6，将所述第一当前全连接层和所述第二当前全连接层进行整合，获得所述初始胆道结石分类模型的当前全连接层；
步骤T7，在所述初始胆道结石分类模型的所述当前全连接层上添加softmax层，获得待验证胆道结石分类模型；
步骤T8，将所述验证集输入到所述待验证胆道结石分类模型中，获得所述待验证胆道结石分类模型的准确率和损失率；
步骤T9，选取所述准确率最高且所述损失率最低的时刻对应的所述待验证胆道结石分类模型，作为所述最终胆道结石分类模型。
2.根据权利要求1所述的基于深度学习的胆道结石分类方法，其特征在于：
其中，所述最终胆道结石分类模型还包括测试过程，具体包括如下步骤：
步骤A1，选取多个不同的所述胆道结石类型的所述内镜图像，作为测试图像；
步骤A2，在所述测试图像中截取结石区域，作为原始测试图像，截取所述测试训练图像的中间区域，作为放大测试图像；
步骤A3，将所述原始测试图像和所述放大测试图像作为所述最终胆道结石分类模型的测试集；
步骤A4，将所述测试集输入到所述最终胆道结石分类模型中，获取所述最终胆道结石分类模型的鲁棒性和评估结果；
步骤A5，根据所述评估结果对所述最终胆道结石分类模型进行优化调整。
3.根据权利要求2所述的基于深度学习的胆道结石分类方法，其特征在于：
其中，在步骤A1中，包括如下子步骤：
步骤A1-1，选取多个不同的所述胆道结石类型的所述内镜图像，所述胆道结石类型包括胆固醇结石、胆色素结石和混合性结石；
步骤A1-2，将所述内镜图像进行数据增强，获得增强内镜图像；
步骤A1-3，将所述增强内镜图像进行多次旋转和去噪处理，获得最终内镜图像；
步骤A1-4，按照5:4:1的比例将所述最终内镜图像分为所述训练图像、所述验证图像和所述测试图像。
4.根据权利要求2所述的基于深度学习的胆道结石分类方法，其特征在于：
其中，在步骤A2中，所述原始训练图像、原始验证图像和原始测试图像的大小为96像素×96像素，所述放大训练图像、放大验证图像和放大测试图像的大小为48像素×48像素。
5.根据权利要求1所述的基于深度学习的胆道结石分类方法，其特征在于：
其中，在步骤S1中，包括如下子步骤：
步骤S1-1，根据所述结石区域对所述胆道结石图像进行截取，获得大小为96像素×96像素的原始待分类图像；
步骤S1-2，对所述原始待分类图像的中间区域进行截取，获得大小为48像素×48像素的放大待分类图像；
步骤S1-3，通过去噪算法对所述原始待分类图像和所述放大待分类图像进行去噪，并通过增强算法对所述原始待分类图像和所述放大待分类图像进行增强，获得所述待分类图像。
6.根据权利要求1所述的基于深度学习的胆道结石分类方法，其特征在于：
其中，在步骤T1中，所述双通道网络模型为双通道VGG16网络模型，
所述双通道VGG16网络模型包括两个结构相同但大小不同的VGG16网络模型。
7.根据权利要求1所述的基于深度学习的胆道结石分类方法，其特征在于：
其中，在步骤T1中，所述初始胆道结石分类模型的参数设置分别为：批的大小设置为10，迭代次数设置为500。
8.根据权利要求1所述的基于深度学习的胆道结石分类方法，其特征在于：
其中，在步骤T5中，包括如下子步骤：
步骤T5-1，将训练集内的每个所述原始训练图像以及每个所述原始训练图像对应的所述放大训练图像，作为一个训练子集；
步骤T5-2，将每个所述的训练子集依次输入到所述初始胆道结石分类模型的两个所述输入端，从而对所述第一初始全连接层和所述第二初始全连接层进行更新，获取第一当前全连接层和第二当前全连接层。
9.根据权利要求1所述的基于深度学习的胆道结石分类方法，其特征在于：
其中，在步骤T8中，包括如下子步骤：
步骤T8-1，将验证集内的每个所述原始验证图像以及每个所述原始验证图像对应的所述放大验证图像，作为一个验证子集；
步骤T8-2，将每个所述的验证子集依次输入到所述待验证胆道结石分类模型中，获得所述待验证胆道结石分类模型的准确率和损失率。
CN201910793781.7A 2019-08-27 2019-08-27 一种基于深度学习的胆道结石分类方法 Pending CN110458246A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910793781.7A CN110458246A (zh) 2019-08-27 2019-08-27 一种基于深度学习的胆道结石分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910793781.7A CN110458246A (zh) 2019-08-27 2019-08-27 一种基于深度学习的胆道结石分类方法

Publications (1)

Publication Number Publication Date
CN110458246A true CN110458246A (zh) 2019-11-15

Family

ID=68489235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910793781.7A Pending CN110458246A (zh) 2019-08-27 2019-08-27 一种基于深度学习的胆道结石分类方法

Country Status (1)

Country Link
CN (1) CN110458246A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111105873A (zh) * 2019-12-24 2020-05-05 武汉大学 经内镜逆行胰胆管造影术中辅助诊断和测量方法及系统
CN112220441A (zh) * 2020-10-14 2021-01-15 泰州国安医疗用品有限公司 微创式体内数据采集系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096535A (zh) * 2016-06-07 2016-11-09 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种基于双线性联合cnn的人脸验证方法
CN109215021A (zh) * 2018-09-06 2019-01-15 中国石油大学(华东) 一种基于深度学习的胆石病ct医疗图像快速识别方法
CN109285128A (zh) * 2018-09-06 2019-01-29 中国石油大学(华东) 一种基于深度学习的胆石病ct医疗图像数据增强方法
CN109636788A (zh) * 2018-12-11 2019-04-16 中国石油大学(华东) 一种基于深度神经网络的ct图像胆结石智能检测模型

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106096535A (zh) * 2016-06-07 2016-11-09 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种基于双线性联合cnn的人脸验证方法
CN109215021A (zh) * 2018-09-06 2019-01-15 中国石油大学(华东) 一种基于深度学习的胆石病ct医疗图像快速识别方法
CN109285128A (zh) * 2018-09-06 2019-01-29 中国石油大学(华东) 一种基于深度学习的胆石病ct医疗图像数据增强方法
CN109636788A (zh) * 2018-12-11 2019-04-16 中国石油大学(华东) 一种基于深度神经网络的ct图像胆结石智能检测模型

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘文定 等: "基于ROI-CNN 的赛罕乌拉国家级自然保护区陆生野生动物自动识别", 《北京林业大学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111105873A (zh) * 2019-12-24 2020-05-05 武汉大学 经内镜逆行胰胆管造影术中辅助诊断和测量方法及系统
CN112220441A (zh) * 2020-10-14 2021-01-15 泰州国安医疗用品有限公司 微创式体内数据采集系统

Similar Documents

Publication Publication Date Title
CN108389201B (zh) 基于3d卷积神经网络与深度学习的肺结节良恶性分类方法
Ghesu et al. Quantifying and leveraging predictive uncertainty for medical image assessment
CN110600122A (zh) 一种消化道影像的处理方法、装置、以及医疗系统
Du et al. Identification of COPD from multi-view snapshots of 3D lung airway tree via deep CNN
CN108257132A (zh) 一种基于机器学习的ct图像质量评估的方法
CN109378068B (zh) 一种鼻咽癌疗效的自动评测方法及系统
JP2023544466A (ja) Ｐｅｔ／ｃｔに基づく肺腺癌扁平上皮癌診断モデルの訓練方法及び装置
CN110458246A (zh) 一种基于深度学习的胆道结石分类方法
US20070049839A1 (en) System and method for automated airway evaluation for multi-slice computed tomography (msct) image data using airway lumen diameter, airway wall thickness and broncho-arterial ratio
CN110731773A (zh) 一种基于心电波形图全局与局部深度特征融合的异常心电图筛查方法
CN111754530B (zh) 一种前列腺超声图像分割分类方法
CN112950614A (zh) 一种基于多尺度空洞卷积的乳腺癌检测方法
KR20210080328A (ko) 의료용 인공 신경망 기반 대표 영상을 제공하는 의료 영상 판독 지원 장치 및 방법
CN115512110A (zh) 一种涉及跨模态注意力机制的医学图像肿瘤分割方法
CN109087357A (zh) 扫描定位方法、装置、计算机设备及计算机可读存储介质
Wu et al. A precision diagnostic framework of renal cell carcinoma on whole-slide images using deep learning
CN117218127B (zh) 超声内镜辅助监测系统及方法
CN112863699B (zh) 一种基于移动端的esd术前讨论系统
CN113889261A (zh) 基于病理特征辅助的pet/ct自动肺癌诊断分类模型训练方法
CN113706475A (zh) 基于图像分割的置信度分析方法及装置
CN116543187A (zh) 一种面向双模g型臂x光机的图像匹配方法
CN104268566A (zh) 淋巴结疾病智能诊断系统中的数据处理方法
CN113796850A (zh) 甲状旁腺mibi图像分析系统、计算机设备及存储介质
EP4154262A1 (fr) Méthode de prédiction de la récidive d'une lésion par analyse d'images
CN116402812B (zh) 一种医疗用影像数据的处理方法及系统

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191115