CN116012649A - 用于医学图像的集成学习投票分类方法、系统及终端 - Google Patents

Abstract

本发明公开了一种用于医学图像的集成学习投票分类方法、系统及终端，首先采用投票方法确定投票类别以及投票类别的最大预测置信度。当该最大预测置信度不低于专家阈值时，直接选择投票类别作为医学图像的分类结果。否则，将所有分类模型预测类别的预测置信度值依次与专家阈值进行比较，如果有某一分类模型的预测置信度值大于专家阈值时，认定预测类别作为医学图像的分类结果。在没有任何一个预测置信度超过专家阈值的情况下，将大多数模型的投票类别作为医学图像的分类结果。分类结果准确。能够在考虑多数模型预测结果的前提下，也保证各类模型在其“专业”场景下的决定性作用。

Description

用于医学图像的集成学习投票分类方法、系统及终端

技术领域

本发明涉及医学图像分类技术领域，尤其涉及的是一种用于医学图像的集成学习投票分类方法、系统及终端。

背景技术

糖尿病足溃疡(DFU)是糖尿病并发症的一种。和其他医学图像分类任务相同，采用单一的分类模型对DFU医学图像进行识别分类时，容易出现错误的判断结果。使用集成学习策略能够解决单一分类模型局部最小值所带来的泛化性差的问题。在集成学习策略中，通常会使用投票策略来集成各个分类模型的分类结果，例如多数投票与加权投票等。通过设定权重，统计得票等简单方法对分类结果进行二次判断来避免单一模型存在的“误判”。

但是，这些简单的投票策略没有考虑到在某些蕴含多种类别特征的复杂的医学图像处理过程中，得票多的类别在各类分类模型的分类结果中的置信度并不高，而能够作出高置信度、正确分类的分类模型往往只是其中的少数，这就意味着被抹除的“误判”结果其实是正确的。

因此，现有的集成学习分类方法的准确率不高。

发明内容

本发明的主要目的在于提供一种用于医学图像的集成学习投票分类方法、系统、智能终端及计算机可读存储介质，旨在解决现有的集成学习分类方法的准确率不高问题。

为了实现上述目的，本发明提供了一种用于医学图像的集成学习投票分类方法，所述方法包括：

获取医学图像；

将所述医学图像分别输入至每个分类模型进行预测，获得各个分类模型输出的预测类别、预测置信度，并根据投票方法获得投票类别；

在每个所述分类模型中查找与所述投票类别对应的预测置信度，获得最大预测置信度；

当所述最大预测置信度大于或等于专家阈值时，设定所述投票类别为所述医学图像的分类结果；

当所述最大预测置信度小于所述专家阈值时，将每一分类模型的预测置信度依次与所述专家阈值比较，若存在大于或等于所述专家阈值的预测置信度，则将该预测置信度对应的预测类别设定为所述医学图像的分类结果，否则，设定所述投票类别为所述医学图像的分类结果。

可选的，根据所述投票类别或所述预测置信度对应的预测类别确定所述专家阈值。

可选的，获得所述医学图像的分类结果之后，还对所述专家阈值进行更新。

可选的，所述对所述专家阈值进行更新，包括：

统计各个分类模型对所述专家阈值对应类别的样本图像预测正确且预测置信度高于预设阈值的样本个数；

根据所述样本个数与样本总数的比值，更新所述专家阈值。

可选的，所述根据所述样本个数与样本总数的比值，更新所述专家阈值，具体表达式为：

其中B为超参数，默认为

β_t为属于类别c的样本个数与样本总数的比值。

为了实现上述目的，本发明还提供了一种用于医学图像的集成学习投票分类系统，所述系统包括：

图像获取模块，用于获取医学图像；

投票类别模块，用于将所述医学图像分别输入至每个分类模型进行预测，获得各个分类模型输出的预测类别、预测置信度，并根据投票方法获得投票类别；

判定模块，用于在每个分类模型中查找与所述投票类别对应的预测置信度，获得最大预测置信度；当所述最大预测置信度大于或等于专家阈值时，设定所述投票类别为所述医学图像的分类结果；当所述最大预测置信度小于所述专家阈值时，将每一分类模型的预测置信度依次与所述专家阈值比较，若存在大于或等于所述专家阈值的预测置信度，则将该预测置信度对应的预测类别设定为所述医学图像的分类结果，否则，设定所述投票类别为所述医学图像的分类结果。

可选的，还包括专家阈值更新模块，用于统计各个分类模型对所述专家阈值对应类别的样本图像预测正确且预测置信度高于预设阈值的样本个数；根据所述样本个数与样本总数的比值，更新所述专家阈值。

可选的，所述专家阈值根据所述投票类别或所述预测置信度对应的预测类别确定。

为了实现上述目的，本发明还提供了一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的用于医学图像的集成学习投票分类程序，上述用于医学图像的集成学习投票分类程序被上述处理器执行时实现任意一项上述用于医学图像的集成学习投票分类方法的步骤。

为了实现上述目的，本发明还提供了一种计算机可读存储介质，上述计算机可读存储介质上存储有用于医学图像的集成学习投票分类程序，上述用于医学图像的集成学习投票分类程序被处理器执行时实现任意一项上述用于医学图像的集成学习投票分类方法的步骤。

由上述可见，本发明首先采用投票方法确定投票类别以及投票类别的最大预测置信度。当该最大预测置信度不低于专家阈值时，直接选择投票类别作为医学图像的分类结果。否则，将所有分类模型预测类别的预测置信度值依次与专家阈值进行比较，如果有某一分类模型的预测置信度值大于专家阈值时，认定预测类别作为医学图像的分类结果。在没有任何一个预测置信度超过专家阈值的情况下，将大多数模型的投票类别作为医学图像的分类结果。分类结果准确。能够在考虑多数模型预测结果的前提下，也保证各类模型在其“专业”场景下的决定性作用。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1是本发明提供的用于医学图像的集成学习投票分类方法实施例的流程示意图；

图2是动态更新专家阈值实施例的流程示意图；

图3是图1实施例的实验结果对比示意图；

图4是本发明实施例提供的用于医学图像的集成学习投票分类系统的结构示意图；

图5是本发明实施例提供的智能终端的内部结构原理框图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似的，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。

下面结合本发明实施例的附图，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的一部分实施例，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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

糖尿病足溃疡(DFU)是糖尿病并发症的一种。和其他医学图像分类任务相同，采用单一的分类模型对DFU医学图像进行识别分类时，容易出现错误的判断结果。而使用集成学习策略能够解决单一分类模型局部最小值所带来的泛化性差的问题。在集成学习策略中，通常会使用投票策略来集成各个模型的分类结果。例如多数投票与加权投票等，通过设定权重，统计得票等简单方法对分类结果进行二次判断来避免单一模型存在的误判。

但是，这些投票策略通常需要使用的分类模型性能接近，在此前提下，分类性能的提升并不明显，且意义不大。并且在一些复杂图像任务中，某些特定分类的图像中往往会蕴含着与其它不同类别图像所相似的特征信息。而在多个性能不同模型集成的情况下，这些简单的投票策略也没有考虑到在某些蕴含多种类别特征的复杂的图像处理过程中，得票多的类别在各类模型分类结果中的置信度并不高，能够作出高置信度、正确分类的模型往往只是其中的少数，这就意味着被抹除的“误判”结果其实是正确的，导致出现误判。

针对上述技术问题，本发明提供了一种用于医学图像的集成学习投票分类方法，基于在多个性能不同的分类模型集成的情况下，我们更应该去相信某一拥有高置信度的分类结果(相当于专家意见)。因此，对多个不同的分类模型的分类结果进行投票时，引入“专家意见”概念，从而充分利用分类模型集合的各个分类模型的特点，有效地提高多个分类模型集成模型在医学图像分类任务的准确性和泛化性。

示例性方法

本发明实施例提供一种用于医学图像的集成学习投票分类方法，部署于移动终端、电脑、服务器等电子设备上，实现对DFU图像分类。需要说明的是，虽然本实施例以对DFU图像分类为例进行说明，但是本发明的用于医学图像的集成学习投票分类方法也可以用于对其他类型的医学图像进行分类。

具体的，如图1所示，上述分类方法包括如下步骤：

步骤S100：获取医学图像；

具体地，医学图像为糖尿病足溃疡图像，可以为单张图像样本也可以为多张图像样本组成的样本集。可以从医院的数据库中集中获取，也可以提供接收接口以图像数据流的形式依次接收医学图像。

步骤S200：将医学图像分别输入每个分类模型进行预测，获得各个分类模型输出的预测类别、预测置信度，并根据投票方法获得投票类别；

具体地，每个分类模型对输入的医学图像分别进行预测，输出预测类别和预测置信度。例如：分类模型A输出的预测类别为神经性溃疡、该预测类别对应的预测置信度为0.55；分类模型B输出的预测类别为神经性溃疡、该预测类别对应的预测置信度为0.60；分类模型C输出的预测类别为混合性溃疡、该预测类别对应的预测置信度为0.95。

对于任何一个分类模型，我们不仅总体上希望该分类模型的分类准确率尽可能地高，还希望能较为准确地估计分类结果的准确性，也就是分类类别的置信度。可以通过计算每个分类模型输出的类别的熵值来量化样本属于某个类别的置信度。熵值越小，置信度越好。熵值可以采用交叉熵函数计算获得。置信度为本领域的常用技术手段，在此不再赘述。

分类模型的输出结果中包含每种类别的概率，一般情况下选择概率最高的类别作为该分类模型的预测类别，为了提高模型的处理效率，可以只计算预测类别对应的预测置信度。

获得各个分类模型的输出结果后，采用集成学习中的投票方法(如多数投票或加权投票)对这些输出结果进行投票，获得投票类别。上述示例中，投票类别为：神经性溃疡。

集成学习框架中的分类模型优选为多种不同性能的分类模型，可以提升分类结果的差异性，对DFU图像的特征提取更全面。

步骤S300：在每个分类模型中查找与投票类别对应的预测置信度，获得最大预测置信度；

具体地，投票类别是大多数分类模型的预测类别，根据投票类别查找每个分类模型的预测置信度，获得预测置信度的最大值，即最大预测置信度。为了加快处理效率，可以只查找预测类别与投票类别相同的分类模型，忽略那些预测类别与投票类别不同的分类模型。即只关注预测类别与投票类别相同的所有分类模型中，最高的置信度值。

步骤S400：当最大预测置信度大于或等于专家阈值时，设定投票类别为医学图像的分类结果；

具体地，在医学图像分类任务中，置信度往往能够起到重要的决定作用。专家阈值为一种置信度阈值，超过专家阈值的置信度，意味着该预测类别结果的重要性高、类似于“专家意见”。

当获得的最大预测置信度大于或等于专家阈值时，类似于专家也投票给该投票类别，可以确定该投票类别为正确分类结果，将投票类别为医学图像的分类结果并输出。

考虑到不同类别的复杂性，根据不同的类别确定不相同的专家阈值。本实施例中，根据投票类别获取对应的预设专家阈值。可选的，专家阈值可以默认为一固定值，如0.95。

步骤S500：当最大预测置信度小于专家阈值时，将每一分类模型的预测置信度依次与专家阈值比较，若存在大于或等于专家阈值的预测置信度，则将该预测置信度对应的预测类别设定为医学图像的分类结果，否则，设定投票类别为医学图像的分类结果。

具体地，在一些复杂图像任务中，一些分类模型虽然做出了与其它大多数分类模型不同的分类预测，但是该结果却可能有着很高的置信度。在普通投票过程中，这些预测类别可能被抹除，而获得另外类别的投票类别。而这种置信度，在医学图像分类任务中，往往能够起到重要的决定作用。

当上述最大预测置信度小于专家阈值时，在多个性能不同的分类模型集成的情况下，我们更应该去相信某一拥有高置信度的分类结果。将每一分类模型输出的预测置信度依次与专家阈值比较，如果某一个分类模型的预测置信度大于或等于专家阈值，则将该分类模型的预测类别作为医学图像的分类结果；否则，在没有任何一个预测置信度超过专家阈值的情况下，将大多数模型的投票类别作为医学图像的分类结果。

将每一分类模型输出的预测置信度依次与专家阈值比较时，根据每一预测置信度对应的预测类别确定专家阈值。可选的，专家阈值可以统一默认为一固定值，如0.95。

在DFU医学图像数据集中，由于无症状、轻症与重症患者所占比例不同，使得DFU医学图像数据集存在各类数据分布不平衡的特点，是一个不平衡数据集，并且在一些复杂的图像类别中(例如重症DFU病人的医学图像)往往会蕴含着与其不同类别(例如各类型不同症状的轻症DFU病人)的医学图像所相似的图像特征。固定的高置信度阈值对于某些难以学习且数量较少的分类而言很难起到其该有的作用，因此，还需要根据DFU图像的分布及网络模型的学习情况，不断地对该阈值作出动态的调整。因此进一步地，获得医学图像的分类结果之后，还对专家阈值进行动态更新。

由上所述，本实施例首先采用投票方法确定投票类别以及投票类别的最大预测置信度。当该最大预测置信度不低于与投票类别相对应的专家阈值时，直接选择投票类别作为医学图像的分类结果。否则，将所有分类模型预测类别的预测置信度值依次与专家阈值进行比较，如果有某一分类模型的预测置信度值大于预测类别对应的专家阈值时，认定预测类别作为医学图像的分类结果。在没有任何一个预测置信度超过专家阈值的情况下，将大多数模型的投票类别作为医学图像的分类结果。分类结果准确。投票策略动态选择是单纯地集成结果，还是选择提高某一分类模型对于特定图片的预测权重。使得投票策略能够在考虑多数模型预测结果的前提下，也保证各类模型在其“专业”场景下的决定性作用。

在一些实施例中，设定一个与专家阈值相反的业余阈值，当预测结果置信度较低时，对低置信度的结果进行抛弃，保留高置信度结果，再进行集成对比。

在一些实施例中，对专家阈值进行动态更新，如图2所述，具体步骤包括：

步骤S600：统计各个分类模型对属于专家阈值对应类别的样本图像预测正确且预测置信度高于预设阈值的样本个数；

步骤S700：根据样本个数与样本总数的比值，更新专家阈值。

具体地，假定专家阈值对应类别为c，统计各个分类模型对类别c的样本图像预测正确且预测置信度高于预设阈值τ的样本个数σ_t(c)，预设阈值τ为预先设定的默认值，通常为0.95；

计算样本个数σ_t(c)与总样本个数N_t(c)的比值，具体表达式为：

其中，σ_t()为在时刻t对于类别c、所有样本中分类预测正确且置信度高于预设阈值τ的样本个数，N_t()为在时刻t对于类别c进行分类预测的总样本数量。

当β_t()大于0.8时，认定该类别属于容易学习的类别，专家阈值理应设定为预设阈值τ。反之，认定该类别为难以学习的复杂类别，专家阈值应当进行适当的下调。同时，为了防止某些类别实在难以学习，从而导致专家阈值不断下滑导致其失去了“专家”应有的“权威性”。也为了解决在初始阶段分类模型还未有各类别图像预测统计数据时，高阈值所带来的初始学习难度过大的问题，设定一个最低的专家阈值。如当β_t()的值低于0.6时，专家阈值将采用预先设定的最低阈值超参数(通常为0.7)，而不再随着β_t()的下降而下降。具体表达式为：

其中B为超参数，默认为

β_t为属于类别c的样本个数与样本总数的比值。

由上所述，针对DFU医学图像数据集为不平衡数据集的特点，在分类模型的训练过程中不断动态调整专家阈值，让分类模型在不同分类的判定过程中根据学习程度的不同来制定不同的划分标准，从而有效地减少分类模型对于DFU医学图像的误判。既可以保证多数量类别预测的稳定性，又可以对于少数复杂类别的预测做出动态调整，从而使得多模型投票框架能够最大程度发挥出各个模型的最佳性能。

在对DFU医学图像分类实验测试的过程中，选取了BiT-M_R101，DenseNet201，EfficientNet-B3三个分类模型。实验结果如图3所示。无论哪种组合策略，集合了三类分类模型的预测结果(Voting&E.O.)总是优于使用传统多模型分类模型投票框架(PluralityVoting)的预测结果。当参与投票的分类模型之间的性能差异很大时，不同模型对图像所作出判断的置信度不相同，具有“专家意见”的投票会比多数投票的结果更好。

高置信度的结果更符合现实中领域专家的想法。通过优先考虑高置信度的结果以防止多重低置信度干扰最终结果。

示例性设备

如图4所示，对应于用于医学图像的集成学习投票分类方法，本发明实施例还提供一种用于医学图像的集成学习投票分类系统，具体的，所述系统包括：

图像获取模块600，用于获取医学图像；

投票类别模块610，用于将所述医学图像分别输入至每个分类模型进行预测，获得各个分类模型输出的预测类别、预测置信度，并根据投票方法获得投票类别；

判定模块620，用于在每个分类模型中查找与所述投票类别对应的预测置信度，获得最大预测置信度；当所述最大预测置信度大于或等于专家阈值时，设定所述投票类别为所述医学图像的分类结果；当所述最大预测置信度小于所述专家阈值时，将每一分类模型的预测置信度依次与所述专家阈值比较，若存在大于或等于所述专家阈值的预测置信度，则将该预测置信度对应的预测类别设定为所述医学图像的分类结果，否则，设定所述投票类别为所述医学图像的分类结果。

可选的，还包括专家阈值更新模块，用于统计各个分类模型对所述专家阈值对应类别的样本图像预测正确且预测置信度高于预设阈值的样本个数；根据所述样本个数与样本总数的比值，更新所述专家阈值。

可选的，所述专家阈值根据所述投票类别或所述预测置信度对应的预测类别确定。

本实施例中，上述用于医学图像的集成学习投票分类系统可以参照上述用于医学图像的集成学习投票分类方法中的对应描述，在此不再赘述。

基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图5所示。上述智能终端包括通过系统总线连接的处理器、存储器、网络接口以及显示屏。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和用于医学图像的集成学习投票分类程序。该内存储器为非易失性存储介质中的操作系统和用于医学图像的集成学习投票分类程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该用于医学图像的集成学习投票分类程序被处理器执行时实现上述任意一种用于医学图像的集成学习投票分类方法的步骤。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。

本领域技术人员可以理解，图5中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的用于医学图像的集成学习投票分类程序，上述用于医学图像的集成学习投票分类程序被上述处理器执行时进行以下操作指令：

获取医学图像；

将所述医学图像分别输入至每个分类模型进行预测，获得各个分类模型输出的预测类别、预测置信度，并根据投票方法获得投票类别；

在每个所述分类模型中查找与所述投票类别对应的预测置信度，获得最大预测置信度；

当所述最大预测置信度大于或等于专家阈值时，设定所述投票类别为所述医学图像的分类结果；

当所述最大预测置信度小于所述专家阈值时，将每一分类模型的预测置信度依次与所述专家阈值比较，若存在大于或等于所述专家阈值的预测置信度，则将该预测置信度对应的预测类别设定为所述医学图像的分类结果，否则，设定所述投票类别为所述医学图像的分类结果。

可选的，根据所述投票类别或所述预测置信度对应的预测类别确定所述专家阈值。

可选的，获得所述医学图像的分类结果之后，还对所述专家阈值进行更新。

可选的，所述对所述专家阈值进行更新，包括：

统计各个分类模型对所述专家阈值对应类别的样本图像预测正确且预测置信度高于预设阈值的样本个数；

根据所述样本个数与样本总数的比值，更新所述专家阈值。

可选的，所述根据所述样本个数与样本总数的比值，更新所述专家阈值，具体表达式为：

其中B为超参数，默认为

β_t为属于类别c的样本个数与样本总数的比值。

本发明实施例还提供一种计算机可读存储介质，上述计算机可读存储介质上存储有用于医学图像的集成学习投票分类程序，上述用于医学图像的集成学习投票分类程序被处理器执行时实现本发明实施例提供的任意一种用于医学图像的集成学习投票分类方法的步骤。

应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以由另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不是相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.用于医学图像的集成学习投票分类方法，其特征在于，所述方法包括：

获取医学图像；

将所述医学图像分别输入至每个分类模型进行预测，获得各个分类模型输出的预测类别、预测置信度，并根据投票方法获得投票类别；

在每个所述分类模型中查找与所述投票类别对应的预测置信度，获得最大预测置信度；

当所述最大预测置信度大于或等于专家阈值时，设定所述投票类别为所述医学图像的分类结果；

当所述最大预测置信度小于所述专家阈值时，将每一分类模型的预测置信度依次与所述专家阈值比较，若存在大于或等于所述专家阈值的预测置信度，则将该预测置信度对应的预测类别设定为所述医学图像的分类结果，否则，设定所述投票类别为所述医学图像的分类结果。

2.如权利要求1所述的用于医学图像的集成学习投票分类方法，其特征在于，根据所述投票类别或所述预测置信度对应的预测类别确定所述专家阈值。

3.如权利要求1所述的用于医学图像的集成学习投票分类方法，其特征在于，获得所述医学图像的分类结果之后，还对所述专家阈值进行更新。

4.如权利要求3所述的用于医学图像的多分类模型集成投票分类方法，其特征在于，所述对所述专家阈值进行更新，包括：

统计各个分类模型对所述专家阈值对应类别的样本图像预测正确且预测置信度高于预设阈值的样本个数；

根据所述样本个数与样本总数的比值，更新所述专家阈值。

5.如权利要求4所述的用于医学图像的集成学习投票分类方法，其特征在于，所述根据所述样本个数与样本总数的比值，更新所述专家阈值，具体表达式为：

其中B为超参数，默认为

β_t为属于类别c的样本个数与样本总数的比值。

6.用于医学图像的集成学习投票分类系统，其特征在于，所述系统包括：

图像获取模块，用于获取医学图像；

投票类别模块，用于将所述医学图像分别输入至每个分类模型进行预测，获得各个分类模型输出的预测类别、预测置信度，并根据投票方法获得投票类别；

判定模块，用于在每个分类模型中查找与所述投票类别对应的预测置信度，获得最大预测置信度；当所述最大预测置信度大于或等于专家阈值时，设定所述投票类别为所述医学图像的分类结果；当所述最大预测置信度小于所述专家阈值时，将每一分类模型的预测置信度依次与所述专家阈值比较，若存在大于或等于所述专家阈值的预测置信度，则将该预测置信度对应的预测类别设定为所述医学图像的分类结果，否则，设定所述投票类别为所述医学图像的分类结果。

7.如权利要求6所述的用于医学图像的集成学习投票分类系统，其特征在于，还包括专家阈值更新模块，用于统计各个分类模型对所述专家阈值对应类别的样本图像预测正确且预测置信度高于预设阈值的样本个数；根据所述样本个数与样本总数的比值，更新所述专家阈值。

8.如权利要求6所述的用于医学图像的集成学习投票分类系统，其特征在于，所述专家阈值根据所述投票类别或所述预测置信度对应的预测类别确定。

9.智能终端，其特征在于，所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的用于医学图像的集成学习投票分类程序，所述用于医学图像的集成学习投票分类程序被所述处理器执行时实现如权利要求1-5任意一项所述用于医学图像的集成学习投票分类方法的步骤。

10.计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有用于医学图像的集成学习投票分类程序，所述用于医学图像的集成学习投票分类程序被处理器执行时实现如权利要求1-5任意一项所述用于医学图像的集成学习投票分类方法的步骤。

Images