一种医学图像的分类方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种医学图像的分类方法、装置、设备及存储介质。该方法包括：将获取到的待测医学图像以及与所述待测医学图像对应的临床特征数据输入到预先训练完成的目标图像分类模型中；其中，所述目标图像分类模型包括主干网络、类别分支网络和分类网络；通过所述主干网络，基于输入的待测医学图像，确定待测特征图；通过所述类别分支网络，基于所述临床特征数据和所述主干网络输出的待测特征图，确定融合特征图；通过所述分类网络，基于所述类别分支网络输出的所述融合特征图，输出所述待测医学图像对应的目标分类结果。本发明专利技术实施例解决了现有的目标图像分类模型的输入数据过于简单的问题，提高了目标图像分类模型的分类准确率。确率。确率。

【技术实现步骤摘要】
一种医学图像的分类方法、装置、设备及存储介质


[0001]本专利技术涉及医学图像处理
，尤其涉及一种医学图像的分类方法、装置、设备及存储介质。

技术介绍

[0002]随着信息技术和医学影像成像技术的发展，医疗大数据时代已经到来。医学图像爆炸式增长需要更多的具有丰富经验的医师完成疾病的诊断，这无疑会给医师带来沉重的工作压力，误诊漏诊情况时有发生。计算机辅助诊断系统能够克服人工识别易受主观经验、疲劳程度等主观因素的影响,不但可以提高放射医师诊断的效率，还能提高其精度。目前神经网络算法在图像识别方面得到越来越多的应用，具有不需要过多人工干预、自动提取图像特征且学习能力强等优点。
[0003]现有的神经网络算法直接将医学图像作为目标图像分类模型的输入数据，对目标图像分类模型进行训练。但由于其输入数据过于简单，导致训练得到目标图像分类模型的分类准确率并不高。

技术实现思路

[0004]本专利技术实施例提供了一种医学图像的分类方法、装置、设备及存储介质，以解决现有的目标图像分类模型的输入数据过于简单的问题，提高目标图像分类模型的分类准确率。
[0005]根据本专利技术一个实施例提供了一种医学图像的分类方法，该方法包括：
[0006]将获取到的待测医学图像以及与所述待测医学图像对应的临床特征数据输入到预先训练完成的目标图像分类模型中；其中，所述目标图像分类模型包括主干网络、类别分支网络和分类网络；
[0007]通过所述主干网络，基于输入的待测医学图像，确定待测特征图；
[0008]通过所述类别分支网络，基于所述临床特征数据和所述主干网络输出的待测特征图，确定融合特征图；
[0009]通过所述分类网络，基于所述类别分支网络输出的所述融合特征图，输出所述待测医学图像对应的目标分类结果。
[0010]根据本专利技术另一个实施例提供了一种医学图像的分类装置，该装置包括：
[0011]临床特征数据输入模块，用于将获取到的待测医学图像以及与所述待测医学图像对应的临床特征数据输入到预先训练完成的目标图像分类模型中；其中，所述目标图像分类模型包括主干网络、类别分支网络和分类网络；
[0012]待测特征图确定模块，用于通过所述主干网络，基于输入的待测医学图像，确定待测特征图；
[0013]融合特征图确定模块，用于通过所述类别分支网络，基于所述临床特征数据和所述主干网络输出的待测特征图，确定融合特征图；
[0014]目标分类结果输出模块，用于通过所述分类网络，基于所述类别分支网络输出的所述融合特征图，输出所述待测医学图像对应的目标分类结果。
[0015]根据本专利技术另一个实施例提供了一种电子设备，所述电子设备包括：
[0016]至少一个处理器；以及
[0017]与所述至少一个处理器通信连接的存储器；其中，
[0018]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例所述的医学图像的分类方法。
[0019]根据本专利技术另一个实施例，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的医学图像的分类方法。
[0020]本专利技术实施例的技术方案，通过将获取到的待测医学图像以及与待测医学图像对应的临床特征数据输入到预先训练完成的目标图像分类模型中；其中，目标图像分类模型包括主干网络、类别分支网络和分类网络，通过主干网络，基于输入的待测医学图像，确定待测特征图，通过类别分支网络，基于临床特征数据和主干网络输出的待测特征图，确定融合特征图，通过分类网络，基于类别分支网络输出的融合特征图，输出待测医学图像对应的目标分类结果，解决了现有的目标图像分类模型的输入数据过于简单的问题，提高了目标图像分类模型的分类准确率。
[0021]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0022]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0023]图1为本专利技术实施例一所提供的一种医学图像的分类方法的流程图；
[0024]图2为本专利技术实施例一所提供的一种图像增强模型的网络架构的示意图；
[0025]图3为本专利技术实施例一所提供的一种医学图像的分类方法的具体实例的流程图；
[0026]图4为本专利技术实施例二所提供的一种医学图像的分类方法的流程图；
[0027]图5为本专利技术实施例二所提供的一种类别感知模块的网络架构的示意图；
[0028]图6为本专利技术实施例二所提供的另一种类别感知模块的网络架构的示意图；
[0029]图7为本专利技术实施例三所提供的一种医学图像的分类装置的结构示意图；
[0030]图8为本专利技术实施例四所提供的一种电子设备的结构示意图。
具体实施方式
[0031]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，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他实施例，都应当属于本专利技术保护的范围。
[0032]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0033]实施例一
[0034]图1为本专利技术实施例一所提供的一种医学图像的分类方法的流程图，本实施例可适用于对医学图像进行分类的情况，该方法可以由医学图像的分类装置来执行，该医学图像的分类装置可以采用硬件和/或软件的形式实现，该医学图像的分类装置可配置于终端设备中。如图1所示，该方法包括：
[0035]S110、将获取到的待测医学图像以及与待测医学图像对应的临床特征数据输入到预先训练完成的目标图像分类模型中。
[0036]其中，示例性的，医学图像包括但不限于胃部图像、头部图像、胸部图像、血管图像或上肢图像等等，此处对医学图像中包含的组织器官的类型不作限定。
[0037]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学图像的分类方法，其特征在于，包括：将获取到的待测医学图像以及与所述待测医学图像对应的临床特征数据输入到预先训练完成的目标图像分类模型中；其中，所述目标图像分类模型包括主干网络、类别分支网络和分类网络；通过所述主干网络，基于输入的待测医学图像，确定待测特征图；通过所述类别分支网络，基于所述临床特征数据和所述主干网络输出的待测特征图，确定融合特征图；通过所述分类网络，基于所述类别分支网络输出的所述融合特征图，输出所述待测医学图像对应的目标分类结果。2.根据权利要求1所述的方法，其特征在于，所述类别分支网络包括类别感知模块和临床信息融合模块，所述类别感知模块用于基于所述主干网络输出的待测特征图，输出类别特征图；所述临床信息融合模块用于基于所述临床特征数据和所述类别感知模块输出的类别特征图，输出融合特征图。3.根据权利要求2所述的方法，其特征在于，所述临床信息融合模块包括第一神经网络层、融合层和第二神经网络层，所述第一神经网络层用于将基于输入的临床特征数据确定的第一网络特征图输出给所述融合层；所述融合层用于对输入的所述第一网络特征图和类别特征图执行融合操作，输出参考特征图；所述第二神经网络层用于基于所述融合层输出的所述参考特征图，输出融合特征图。4.根据权利要求2或3所述的方法，其特征在于，所述类别感知模块包括池化单元和输出层，其中，所述池化单元包括全局池化层、第一平均池化层和特征处理层，所述全局池化层用于对输入的所述待测特征图执行全局池化操作，得到全局池化特征图；所述第一平均池化层用于对所述主干网络输出的所述待测特征图执行平均池化操作，得到第一平均池化特征图；所述特征处理层用于基于所述全局池化层输出的全局池化特征图和所述第一平均池化层输出的第一平均池化特征图，确定中间特征图；所述输出层用于基于所述特征处理层输出的中间特征图，输出类别特征图。5.根据权利要求4所述的方法，其特征在于，所述全局池化层包括全局最大池化层和第二平均池化层，其中，所述全局最大池化层用于对所述主干网络输出的所述待测特征图执行全局最大池化操作，得到最大池化特征图；所述第二平均池化层用于对所述全局最大池化层输出的最大池化特征图执行平均池化...

【专利技术属性】
技术研发人员：吴少智，曹云建，刘欣刚，田淼，彭攀，
申请(专利权)人：电子科技大学长三角研究院衢州，
类型：发明
国别省市：