本发明专利技术提供了一种基于医学影像的医疗诊断辅助方法，属于计算机辅助技术领域，包括如下步骤：基于多种医疗数据采用多种分类模型进行分类，得到多个分类决策值；对多个分类决策值进行决策融合，得到一个分类决策值作为分类结果输出。本发明专利技术还提供一种医疗诊断辅助系统。本发明专利技术通过采用三维卷积神经网络模型进行分类，能极大的避免三维重建步骤可能导致的数据误差，并以医学检查指标作为协同，从而有效提升准确率；采用多种模型，能分别适应多种需求，从而具备更好的泛化性。从而具备更好的泛化性。从而具备更好的泛化性。
【技术实现步骤摘要】
一种基于医学影像的医疗诊断辅助方法及系统
[0001]本专利技术涉及一种基于医学影像的医疗诊断辅助方法及系统，属于计算机辅助技术 领域。
技术介绍
[0002]随着人工智能相关技术的发展，现有技术中出现大量基于人工智能技术辅助医疗 诊断的系统，如申请号为CN201911176103.2的专利技术专利公开了一种基于AlexNet 网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质。
[0003]然而，医学影像的本质是三维实体在二维平面的映射，其表现是二维形式，但用 实际上如果采用二维视角进行处理，则难免需要进行三维重建步骤，由此可能导 致较大的数据误差，从而严重准确性。
[0004]基于这一原则，本申请的专利技术人发现：目前现有技术对医学影像进行智能识别的 技术，其思路主要还是如上述采用二维识别的方式，准确率严重受限，唯有在额 外加入三维重建步骤之后才能有效提升准确率，而三维重建步骤的数据误差难以 避免，由此导致准确率难以有效提升。
技术实现思路
[0005]为解决上述技术问题，本专利技术提供了一种基于医学影像的医疗诊断辅助系统及方 法，该基于医学影像的医疗诊断辅助系统及方法通过采用三维卷积神经网络模型 进行分类，能极大的避免三维重建步骤可能导致的数据误差，并以医学检查指标 作为协同，从而有效提升准确率。
[0006]本专利技术通过以下技术方案得以实现。
[0007]本专利技术提供的一种基于医学影像的医疗诊断辅助方法，包括如下步骤：
[0008]图像分类：对原始医学影像数据进行预处理得到图像数据后，采用三维卷积神经 网络模型，对图像数据进行疾病分类得到图像分类标识；
[0009]指标分类：采用Boosting算法对医学检查指标进行疾病分类得到指标分类标识；
[0010]分类融合：采用融合算法对图像分类标识和指标分类标识进行结果融合，得到最 终分类结果。
[0011]所述三维卷积神经网络模型为采用三维卷积核的，AlexNet模型、ResNet18模型 或ResNet50模型；AlexNet模型由5层卷积层、3层最大池化层和3层全连接层 组成；ResNet18模型和ResNet50模型均由1层卷积层、4个由多卷积层和残差 函数构成的残差块、1层全连接层组成。
[0012]除AlexNet模型的池化层外，AlexNet模型、ResNet18模型和ResNet50模型每 一层均使用ReLU激活函数。
[0013]所述ResNet18模型的每一残差块包含两层卷积核为3
×3×
3的卷积层；所述 ResNet50模型的每一残差块包含三层卷积层，三层卷积层的卷积核分别为1
×1ꢀ×
所述
积神经网络模型的训练数据集。
[0031]数据增广处理包括对图像的水平翻转、垂直翻转、旋转变换。
[0032]实施例1
[0033]采用上述方案，如图1所示，图像分类具体操作包括：
[0034](1)空间配准：将原始医疗图像映射到标准空间，实现空间配准；
[0035](2)偏置场校正：使用FSL工具实现影像的偏置场校正；
[0036](3)人体组织自动提取：基于现有的人体组织自动提取技术，对图像中的部分 组织进行提取；
[0037](4)其它预处理：影像的裁剪、大小重整及体素归一化等通用预处理；
[0038](5)数据增广处理：医学图像的水平翻转、垂直翻转、旋转变换等。
[0039]从原理而言，AlexNet、ResNet18及Resnet50三个分类模型，分别适用于不同数 据集规模下的医学影像分类任务。
[0040]经典卷积神经网络AlexNet在保证模型精度的同时可使得训练时间最少。除此之 外，由于其简洁的网络结构，能减轻在小数据集上发生的过拟合情况，使得模型 获得更好的泛化效果。AlexNet模型包括5层卷积层，3层最大池化层和3层全 连接层。为了避免训练过程中可能出现的梯度消失情况，在部分卷积层和全连接 层使用了ReLU激活函数，减少了参数之间的相互依赖关系并减少了计算量。同 时，在每个全连接层之间均使用Dropout正则化函数，在训练中以一定概率隐藏 部分神经单元，从而达到减轻过拟合的效果。
[0041]虽然AlexNet的11层网络架构能以一个尚可的准确率完成大多数图像分类任务， 但对于有充足的训练时间和计算资源的分类任务来说，AlexNet模型的深度限制 了其获得更高准确率的可能。因此为了获得更高的准确率，还设计实现了 ResNet18医学影像诊断模型和ResNet50医学影像诊断模型两种网络结构。 ResNet18和ResNet50的实现都遵循了基本的ResNet架构，由1个卷积层、4个 由多个卷积层和残差函数组成的残差块以及1个全连接层组成，同时每个卷积层 间都使了ReLU激活函数，在全连接层后也进行Dropout，而两者的不同仅存在 于每个残差块中包含的卷积层数量及参数设置上。
[0042]AlexNet模型、ResNet18模型和ResNet50模型的网络结构参数如表1所示：
[0043]表1 3D AlexNet及3D ResNet模型架构
[0044][0045][0046]本专利技术由于使用三维卷积核进行特征的捕捉和计算，避免了三维重建步骤可能导 致的数据误差。不同于一般卷积核是h
×
w的平面，三维卷积核是一个h
×
w
×
d 的立方体，根据设定的不同大小，将三维卷积核投影到特征图的下一层。
[0047]其网络特征图的计算公式如下：
[0048]N
(h,w,d)
＝W
(h,w,d)
/S(h,w,d∈R
+
)
[0049]其中，N表示新生成的特征图大小，h,w,d分别表示特征图的长度、宽度及深度， W表示上一层输出的图像大小，S为卷积步幅。
[0050]实施例2
[0051]采用上述方案，指标分类中，Boosting算法为XGBoost算法，包含了十五个参数，涵
盖 算法的基分类器、学习目标、学习步长、子分类器节点深度和权重等。由于参数众多， 因此使用网格搜索算法进行参数选择和优化，以获得更优的参数组合并达到更好的训练 效果，为了防止模型在训练过程中出现的过拟合现象，同时使得模型能够在数据量级不 大的情况下尽可能多的使用数据进行训练，在模型训练时使用十折交叉验证，以保证模 型准确率的可靠性。
[0052]医学检查指标中，血压类指标包含收缩压、舒张压、血糖，血常规类指标包含白 细胞(WBC)、中性粒细胞百分比(Neu％)、单核细胞百分比(MON％)、嗜酸性粒细 胞百分比(Eos％)、中性粒细胞数目(Neu#)、嗜酸性粒细胞数目(Eos#)、红细胞压 积(HCT)、红细胞分布宽度标准差(RDW
‑
SD)、血小板(PLT)、血小板平均体积 (MPV)、血小板分本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于医学影像的医疗诊断辅助方法，其特征在于：包括如下步骤：图像分类：对原始医学影像数据进行预处理得到图像数据后，采用三维卷积神经网络模型，对图像数据进行疾病分类得到图像分类标识；指标分类：采用Boosting算法对医学检查指标进行疾病分类得到指标分类标识；分类融合：采用融合算法对图像分类标识和指标分类标识进行结果融合，得到最终分类结果。2.如权利要求1所述的基于医学影像的医疗诊断辅助方法，其特征在于：所述三维卷积神经网络模型为采用三维卷积核的，AlexNet模型、ResNet18模型或ResNet50模型；AlexNet模型由5层卷积层、3层最大池化层和3层全连接层组成；ResNet18模型和ResNet50模型均由1层卷积层、4个由多卷积层和残差函数构成的残差块、1层全连接层组成。3.如权利要求1所述的基于医学影像的医疗诊断辅助方法，其特征在于：除AlexNet模型的池化层外，AlexNet模型、ResNet18模型和ResNet50模型每一层均使用ReLU激活函数。4.如权利要求2所述的基于医学影像的医疗诊断辅助方法，其特征在于：所述ResNet18模型的每一残差块包含两层卷积核为3
×3×
3的卷积层；所述ResNet50模型的每一残差块包含三层卷积层，三层卷积层的卷积核分别为1
×1...
【专利技术属性】
技术研发人员：李晖，韦海涛，冯刚，张大斌，
申请(专利权)人：贵州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。