CN113361633A - 一种医疗图像大数据3d残差网络分类方法 - Google Patents

Abstract

本发明提出了一种医疗图像大数据3D残差网络分类方法，包括如下步骤：S1，通过去噪算法对图像中的噪声进行平滑处理；通过3D残差网络输出预测图像，通过判断属性函数进行图像分类；S2，对分类后的图像通过加权过程实现损失函数计算，从而获取图像增强的内窥镜图像。

Description

一种医疗图像大数据3D残差网络分类方法

技术领域

本发明涉及大数据提取领域，尤其涉及一种医疗图像大数据3D残差网络分类方法。

背景技术

通过内窥镜获取的横断图像中，在边缘图像中会发生椭圆畸变，由于内窥镜图像获取过程中包括毛细血管在内会产生很多噪声，造成采样图像发生失真或者病灶不突出显示的问题，这在对内窥镜图像进行分类过程中普遍采用神经网络学习的方法进行不断学习，使获取图像更准确，但是因为类学习不充分，无法进行优化的学习方式，也不能准确分类和提取出来所需的医学影像，这就亟需本领域技术人员解决相应的技术问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种医疗图像大数据3D残差网络分类方法。

为了实现本发明的上述目的，本发明提供了一种医疗图像大数据3D残差网络分类方法，其特征在于，包括如下步骤：

S1，通过去噪算法对图像中的噪声进行平滑处理；通过3D残差网络输出预测图像，通过判断属性函数进行图像分类；

S2，对分类后的图像通过加权过程实现损失函数计算，从而获取图像增强的内窥镜图像。

优选的，所述S1包括：

S1-1，通过计算全部时间轴上的图像特征权重E_i＝|q_i-h|²·|q_i-g_t|，得到病灶图像特征向量，通过二维平滑函数进行平滑处理；

q_i为包含病灶图像的编码参数，h为参考病灶图像的编码参数，通过相减求绝对值再平方的计算方法，得到病灶图像编码差值，g_t为在按照时间轴顺序输出的图像编码参数，与噪声编码参数相减之后得到时间属性的病灶图像编码参数，i为正整数，t为时间；L_i为病灶图像长度，x为图像x轴坐标，y为图像y轴坐标，W病灶图像类别参数。

优选的，所述S1还包括：

S1-2，根据病灶图像的x和y轴坐标位置，通过训练3D残差网络，计算病灶图像和平滑图像之间的差值，更新3D残差网络的病灶图像参数，从而输出预测的病灶图像；

其中病灶图像参数运算过程为

capacity(x,y)为病灶图像中连通域的全部像素坐标，j(x,y)为3D残差网络中输出的病灶图像结果概率，k(x,y)为发现病灶图像的加权概率；

计算j(x,y)＝l(x,y)·j_i(x,y)·μ，

l(x,y)为病灶图像的坐标权重，j_i(x,y)为3D残差网络中输出的第i个病灶图像的结果概率，μ为3D残差网络中输出的病灶图像计算因子；

k(x,y)＝l(x,y)·k_i(x,y)·σ；k_i(x,y)为发现第i个病灶图像的加权概率，σ为发现病灶图像的计算因子。

优选的，所述S1包括：

S2-3，对于病灶图像进行预测之后，通过判断属性函数进行病灶图像分类，

对于不同病灶图像的类别，进行概率分布计算，所得到的概率分布需要调用3D残差网络训练的病灶图像，对病灶图像的不同特征进行分类操作，

概率分布为

H为全部病灶的坐标图像，f为病灶图像的种类，z_f为每种病灶图像的提取数量，φ为正则参数，Q_x为病灶图像X轴坐标的提取权值，Q_y为病灶图像Y轴坐标的提取权值。

优选的，所述S2包括：

进行加权的损失函数为

其中，U_i为线性增量，T(x,y)为观察病灶图像所获得的差异坐标，η为惩罚因子，V为获取增强病灶图像的计算参数，ψ为辅助因子，I(x,y)为病灶细节纹理特征的增强图像坐标。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

通过本发明的工作方法获取图像更准确，图像的类学习更充分，实现了优化的3D残差网络学习方式，准确分类和提取出来所需的医学影像。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明总体示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

如图1所示，本发明公开一种医疗图像大数据3D残差网络分类方法，包括如下步骤：

S1，将内窥镜图像转换为灰度图像；将图像亮度进行提升，获取纹理特征描述直方图；截取图像中的最大连通区域；

S1-1，将全部内窥镜图像按照采集时间进行分组处理，图像序列为{w₁,w₂,...,w_n}的目标图像序列，由于内窥镜图像为圆形，带有血管信息的图像进行灰度处理，处理的目标图像形成目标图像向量序列{a₁,a₂,...,a_n}，对目标图像向量序列进行堆叠操作，形成图像向量矩阵

n为获取的内窥镜图像个数，b为向量维度；

S1-2，为了能够更加容易观察到异常特征，对内窥镜图像进行颜色空间转换，根据彩色图像RGB转换至HSV颜色空间，分别计算色调H，饱和度S和亮度V的分量：

通过计算红颜色分量R最大像素值P_max减去最小像素值P_min得到相应差值，其中，P_max>P_min，获取的角度分量

V＝P_max，

通过HSV颜色分量的计算将亮度提升，从而帮助判断内窥镜图像突变区域，在HSV颜色空间提升亮度判断时，突变区域的中心区域是否在内窥镜图像中心位置，S1-3，通过计算内窥镜图像纹理特征直方图

获取整体灰度图像中的特定纹理特征；

截取整体灰度图像中特定纹理特征的最大连通域

其中CD(x,y)为图像帧的坐标函数，λ为图像的编码参数，C为图像的增量因子，C_differ为图像帧的差异坐标函数，W为图像纹理差异的判断权重，ε为图像增强参数；

S2，对于纹理特征直方图获取的最大连通域，刻画纹理特征图像的最大轮廓，通过去噪算法对图像中的噪声进行平滑处理；通过3D残差网络输出预测图像，通过判断属性函数进行图像分类；

S2-1，通过计算全部时间轴上的图像特征权重E_i＝|q_i-h|²·|q_i-g_t|，得到病灶图像特征向量，通过二维平滑函数进行平滑处理；

q_i为包含病灶图像的编码参数，h为参考病灶图像的编码参数，通过相减求绝对值再平方的计算方法，得到病灶图像编码差值，g_t为在按照时间轴顺序输出的图像编码参数，与噪声编码参数相减之后得到时间属性的病灶图像编码参数，i为正整数，t为时间；L_i为病灶图像长度，x为图像x轴坐标，y为图像y轴坐标，W病灶图像类别参数；

S2-2，根据病灶图像的x和y轴坐标位置，通过训练3D残差网络，计算病灶图像和平滑图像之间的差值，更新3D残差网络的病灶图像参数，从而输出预测的病灶图像；

其中病灶图像参数运算过程为

capacity(x,y)为病灶图像中连通域的全部像素坐标，j(x,y)为3D残差网络中输出的病灶图像结果概率，k(x,y)为发现病灶图像的加权概率；

计算j(x,y)＝l(x,y)·j_i(x,y)·μ，

l(x,y)为病灶图像的坐标权重，j_i(x,y)为3D残差网络中输出的第i个病灶图像的结果概率，μ为3D残差网络中输出的病灶图像计算因子；

k(x,y)＝l(x,y)·k_i(x,y)·σ；k_i(x,y)为发现第i个病灶图像的加权概率，σ为发现病灶图像的计算因子；

S2-3，对于病灶图像进行预测之后，通过判断属性函数进行病灶图像分类，

对于不同病灶图像的类别，例如：有血凝、肿瘤、等；进行概率分布计算，所得到的概率分布需要调用3D残差网络训练的病灶图像，对病灶图像的不同特征进行分类操作，

概率分布为

H为全部病灶的坐标图像，f为病灶图像的种类，z_f为每种病灶图像的提取数量，φ为正则参数，Q_x为病灶图像X轴坐标的提取权值，Q_y为病灶图像Y轴坐标的提取权值，

S3，对分类后的图像通过加权过程实现损失函数计算，从而获取图像增强的内窥镜图像；

进行加权的损失函数为

其中，U_i为线性增量，T(x,y)为观察病灶图像所获得的差异坐标，η为惩罚因子，V为获取增强病灶图像的计算参数，ψ为辅助因子，I(x,y)为病灶细节纹理特征的增强图像坐标；

输出的增强图像通道X_super将进行3D残差网络计算之后的病灶图像，通过加权损失函数进行噪声剔除操作，从而对增强后的病灶图像的位置坐标能够更准确的的定位，突出强化病灶细节和病灶的种类，在最初的HSV色调、饱和度和亮度的计算增强后，能够获取更加准确的病灶图像。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (5)

1.一种医疗图像大数据3D残差网络分类方法，其特征在于，包括如下步骤：

S1，通过去噪算法对图像中的噪声进行平滑处理；通过3D残差网络输出预测图像，通过判断属性函数进行图像分类；

S2，对分类后的图像通过加权过程实现损失函数计算，从而获取图像增强的内窥镜图像。

2.根据权利要求1所述的医疗图像大数据3D残差网络分类方法，其特征在于，所述S1包括：

S1-1，通过计算全部时间轴上的图像特征权重E_i＝|q_i-h|²·|q_i-g_t|，得到病灶图像特征向量，通过二维平滑函数进行平滑处理；

q_i为包含病灶图像的编码参数，h为参考病灶图像的编码参数，通过相减求绝对值再平方的计算方法，得到病灶图像编码差值，g_t为在按照时间轴顺序输出的图像编码参数，与噪声编码参数相减之后得到时间属性的病灶图像编码参数，i为正整数，t为时间；L_i为病灶图像长度，x为图像x轴坐标，y为图像y轴坐标，W病灶图像类别参数。

3.根据权利要求1所述的医疗图像大数据3D残差网络分类方法，其特征在于，所述S1还包括：

S1-2，根据病灶图像的x和y轴坐标位置，通过训练3D残差网络，计算病灶图像和平滑图像之间的差值，更新3D残差网络的病灶图像参数，从而输出预测的病灶图像；

其中病灶图像参数运算过程为

capacity(x,y)为病灶图像中连通域的全部像素坐标，j(x,y)为3D残差网络中输出的病灶图像结果概率，k(x,y)为发现病灶图像的加权概率；

计算j(x,y)＝l(x,y)·j_i(x,y)·μ，

l(x,y)为病灶图像的坐标权重，j_i(x,y)为3D残差网络中输出的第i个病灶图像的结果概率，μ为3D残差网络中输出的病灶图像计算因子；

k(x,y)＝l(x,y)·k_i(x,y)·σ；k_i(x,y)为发现第i个病灶图像的加权概率，σ为发现病灶图像的计算因子。

4.根据权利要求1所述的医疗图像大数据3D残差网络分类方法，其特征在于，所述S1包括：

S2-3，对于病灶图像进行预测之后，通过判断属性函数进行病灶图像分类，

对于不同病灶图像的类别，进行概率分布计算，所得到的概率分布需要调用3D残差网络训练的病灶图像，对病灶图像的不同特征进行分类操作，

概率分布为

H为全部病灶的坐标图像，f为病灶图像的种类，z_f为每种病灶图像的提取数量，φ为正则参数，Q_x为病灶图像X轴坐标的提取权值，Q_y为病灶图像Y轴坐标的提取权值。

5.根据权利要求1所述的医疗图像大数据3D残差网络分类方法，其特征在于，所述S2包括：

进行加权的损失函数为

其中，U_i为线性增量，T(x,y)为观察病灶图像所获得的差异坐标，η为惩罚因子，V为获取增强病灶图像的计算参数，ψ为辅助因子，I(x,y)为病灶细节纹理特征的增强图像坐标。

Images