本发明专利技术涉及医疗数据分析技术领域,具体为一种基于卷积神经网络的多级医学图像分类模型建立方法,本发明专利技术首先将数据集中的图像的主类区分出来;在获得其主类后,分析图像的原始残差特征,与来自完全连接层的张量相连接;再使输出程序通过
【技术实现步骤摘要】
一种基于卷积神经网络的多级医学图像分类模型建立方法
[0001]本专利技术涉及医疗数据分析
,具体为一种基于卷积神经网络的多级医学图像分类模型建立方法
。
技术介绍
[0002]正确的疾病诊断对于患者的及时治疗和恢复是至关重要的,而医疗物联网
(IoMT)
能够通过各种由网络介质连接的设备采集患者的相关病理数据,以用于对疾病的分析并及时提供预后
、
诊断
、
治疗
、
后勤及其他服务
。
随着
AI
技术飞速发展,现代的
IoMT
在连接医疗人员
、
患者和设备方面也更加智能
。
随着物联网
(IoT)
技术的发展,医疗行业也在逐步实现智能化
。
医疗物联网
(IoMT)
通过各种网络介质连接的设备,收集相关数据,以用于分析和及时提供预后
、
诊断
、
治疗
、
后勤及其他服务
。
而
AI
技术的成功应用使得
IoMT
在连接医疗人员
、
患者和设备方面更智能
。
[0003]目前,
AI
技术有被应用于疾病的诊断中,而基于
AI
的
CAD
系统模型可能比专业医疗人员更准确地诊断疾病,因为人类无法保证总是准确解释胸部
x
光片
、CT
扫描和
MRI
等医疗数据,在疾病早期就进行及时治疗
。
它也可以提供远程监控等服务,使医疗机构获得有关患者病情的实时医疗信息
。
[0004]当下已有许多用分类医学图像来诊断疾病的案例,如
DL
技术和
TL
技术经常被用来对医学图像和诊断疾病进行分类
。
其中,
CNN
模型主要用于医学图像分类和疾病诊断,它能直接从数据中提取深度特征
。
因此在训练中使用
CNN
模型自动提取对人类来说不太明显的临床特征,在医学图像分析中更具前瞻性,包括但不限于使用计算机断层图像的胰腺分割
、
脑肿瘤分割和颈动脉内膜
‑
中层分割
。
但现有的诊断模型的准确性较低,这意味着训练这些方法的数据不足,也即需要更多的模板来应对数据挑战,从而提高分类模型的预测精度
。
技术实现思路
[0005]本专利技术的技术问题在于现有的诊断模型的准确性较低,训练数据不足,影响到分类模型的预测精度
。
[0006]本专利技术提供的基础方案:一种基于卷积神经网络的多级医学图像分类模型建立方法,包括步骤:
[0007]S1
:建立初始图像分类模型;
[0008]S2
:通过迁移学习提高图像分类模型的分类性能;
[0009]S3
:对数据进行预处理和扩充;
[0010]S4
:建立模型评估标准;
[0011]S5
:生成实际图像分类模型
。
[0012]进一步,所述
S2
包括步骤:
[0013]S21
:预训练
ResNet50
架构;
[0014]S22
:通过预训练模型得到的上层参数初始化相同的网络结构,再使用
ResNet50
模
型从预训练模型转移到第四卷积层为止的上层参数;
[0015]S23
:数据预处理与判别特征学习;
[0016]S24
:主类预测,将医学图像输入到
ResNet50
模型中以提取高级特征;
[0017]S25
:子类预测,将主类预测的全连接层特征与原始
ResNet50
特征级串联并进行特征提取识别;
[0018]S26
:将提取的特征权重传输至初始图像分类模型
。
[0019]进一步,所述
S21
中包括步骤:
[0020]S211
:预训练,从图像中提取高级特征,通过具有自注意力机制的卷积层来捕捉更深层的信息;
[0021]S212
:数据预处理,将图像进行旋转
、
翻转
、
缩放和模糊等归一化和增强调整,以提高输入图像的质量;
[0022]S213
:微调,通过少量数据集来微调,从而适应特定任务
。
[0023]进一步,所述
S24
中包括步骤:
[0024]S241
:将医学图像输入到
ResNet50
模型中以提取高级特征;
[0025]S242
:将特征馈送到具有自注意力机制和全局平均池化的卷积层中,以提取判别特征并降低空间维度;
[0026]S243
:将连接的特征馈送到全连接层和归一化指数函数中激活,以获得每个主要类别的概率
。
[0027]进一步,所述
S25
中包括步骤:
[0028]S251
:将来自主类预测的全连接层特征与原始
ResNet50
特征级串联并行特征提取识别;
[0029]S252
:使用具有自注意力机制和全局平均池化的卷积层来进一步特征提取识别;
[0030]S253
:将特征馈送到全连接层和归一化指数函数中激活,以获得所选主类内每个子类的概率
。
[0031]进一步,所述图像分类模型采用二维
CNN
模型,包括多个卷积层
、
汇集层和完全连接层
。
[0032]进一步,所述图像分类模型在卷积正向传递过程中,滤波器在输入上滑动,并通过计算每个元素的逐点积并将它们相加以获得该点的激活来计算所示的激活
。
[0033]进一步,所述图像分类模型使用激活函数引入非线性,使用取样层来生成输入的汇总统计信息并降低维度,图像分类模型的输出被展平为单个向量
。
[0034]进一步,所述
S3
中采用了一种涉及随机变换的数据扩充技术来扩充实际数据集
。
[0035]进一步,所述
S4
中的模型评估标准包括准确性
、
特异性
、
敏感性和
AUC
‑
ROC
四个指标
。
[0036]本专利技术的原理及优点在于:
[0037]本专利技术首先将数据集中的图像的主类区分出来;在获得其主类后,分析图像的原始残差特征,与来自完全连接层的张量相连接;再使输出程序通过
CNN
注本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种基于卷积神经网络的多级医学图像分类模型建立方法,其特征在于,包括步骤:
S1
:建立初始图像分类模型;
S2
:通过迁移学习提高图像分类模型的分类性能;
S3
:对数据进行预处理和扩充;
S4
:建立模型评估标准;
S5
:生成实际图像分类模型
。2.
根据权利要求1所述的一种基于卷积神经网络的多级医学图像分类模型建立方法,其特征在于,所述
S2
包括步骤:
S21
:预训练
ResNet50
架构;
S22
:通过预训练模型得到的上层参数初始化相同的网络结构,再使用
ResNet50
模型从预训练模型转移到第四卷积层为止的上层参数;
S23
:数据预处理与判别特征学习;
S24
:主类预测,将医学图像输入到
ResNet50
模型中以提取高级特征;
S25
:子类预测,将主类预测的全连接层特征与原始
ResNet50
特征级串联并进行特征提取识别;
S26
:将提取的特征权重传输至初始图像分类模型
。3.
根据权利要求2所述的一种基于卷积神经网络的多级医学图像分类模型建立方法,其特征在于,所述
S21
中包括步骤:
S211
:预训练,从图像中提取高级特征,通过具有自注意力机制的卷积层来捕捉更深层的信息;
S212
:数据预处理,将图像进行旋转
、
翻转
、
缩放和模糊等归一化和增强调整,以提高输入图像的质量;
S213
:微调,通过少量数据集来微调,从而适应特定任务
。4.
根据权利要求3所述的一种基于卷积神经网络的多级医学图像分类模型建立方法,其特征在于,所述
S24
中包括步骤:
S241
:将医学图像输入到
ResNet50
模型中以提取高级特征;...
【专利技术属性】
技术研发人员:李建平,阿明,
申请(专利权)人:电子科技大学,
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。