【技术实现步骤摘要】
本专利技术涉及ct图像分类，具体为一种基于深度学习的肺炎ct图像分类方法及系统。
技术介绍
1、ct图像分类技术是指利用计算机视觉和机器学习方法对ct图像进行分类的技术，ct图像分类的目标是根据ct图像中的特征和模式来判断图像所代表的目标或病变类型，具体针对肺炎ct图像进行分类的技术，其是可以应用于肺炎的自动诊断和筛查，辅助医生进行肺炎的检测和分类。
2、现有申请公布号为cn114549480a的专利中指出的技术方案包括：步骤一、预处理：在nnu-net网络中输入原始肺部ct三维图像进行预处理；步骤二、三维采样：在肺部感兴趣的区域提取相互重叠的局部片块图像；步骤三、肺叶分割：采用densevnet网络对预处理后的图像进行肺叶分割，得到结果后利用分块的中间点为种子点进行区域生长；步骤四、肺炎病灶分割和鉴别：以左右肺叶为感兴趣区域，找出其最小包围盒，进行裁剪，对裁剪后的图像输入到3dunet分割网络后通过分类网络自动进行鉴别诊断；步骤五、病灶量化：统计肺炎病灶在肺叶中的分布，得到肺炎在每个肺叶中的具体分布情况；
3、另有申请公布号为cn111681219a的专利中指出的技术方案包括：包括：从一个ct序列中选择n张图像输入到预先训练好的第一肺炎深度学习模型进行分类，得到是否患有肺炎的分类结果；将患有肺炎的图像输入到预先训练好的第二肺炎深度学习模型进行分类，得到病人是否患有肺炎的第一分类结果；将患有肺炎的图像对应的临床诊断特征数据输入到预先训练好的svm模型进行分类，得到是否患有肺炎的第二分类结果；将第一分类结果
4、然而，上述的两项专利中所采取的方案均是为提高获取分类结果的效率及准确性，结合现有技术而言，在对肺炎ct图像进行分类和识别的过程中，往往是利用相关算法和网络搭建的模型进行自动识别，对于模型的维护并未提及，搭建完对应的模型后进行直接使用，从而能够实现对肺炎ct图像的高效分类，对于所搭建的模型性能水平无法做出准确、有效的判定，若是所搭建的模型性能水平较低，则会影响对肺炎ct图像分类判断的准确性，同时判断效率也得不到提升。
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种基于深度学习的肺炎ct图像分类方法及系统，该图像分类系统利用深度学习的卷积神经网络，结合分类训练模块的使用，通过大规模的训练和优化，能够提高图像分类的准确性，利用相互配合的预测评估模块和调整策略模块，实现对图像分类系统的实时预测处理，综合考了各个经过计算处理后的衡量参数后，能够确保生成性能评估值pev的有效性和准确性，根据性能评估值pev能够快速判定出图像分类系统的性能水平，并依据性能评估值pev做出相应的调整策略，提高肺炎ct图像分类判断的效率，解决了
技术介绍
中提出的问题。
2、为实现以上目的，本专利技术通过以下技术方案予以实现：
3、一种基于深度学习的肺炎ct图像分类系统，包括：
4、数据预处理模块，对肺炎ct图像进行预处理，包括图像的缩放、裁剪和灰度化处理；
5、特征提取模块，采用深度学习的卷积神经网络来提取肺炎ct图像的特征，通过多层卷积和池化操作，卷积神经网络学习并提取图像中的区域性和全局性特征，其特征在于：
6、分类训练模块，使用已经提取的特征作为输入，结合分类模型进行训练，且分类模型根据已有的标注数据学习到一个分类器，将肺炎ct图像分类为真肺炎或假肺炎；
7、预测评估模块，应用分类模型对新的未知肺炎ct图像进行预测，预测结果通过计算衡量参数进行评估，搭建数据分析模型，以获取用于衡量系统性能的性能评估值pev，并将性能评估值pev与预设的评估阈值pol进行对比，得到对比结果；
8、若是性能评估值pev超过评估阈值pol，则不做出响应动作；若是性能评估值pev未超过评估阈值pol，则触发调整策略模块，利用网络搜索的方式调整卷积神经网络的超参数，直至性能评估值pev超过评估阈值pol。
9、进一步的，在分类训练模块中，分类模型包括支持向量机、随机森林和多层感知机。
10、进一步的，将支持向量机作为分类模型时，分类训练模块的运行过程为：将提取的特征作为输入，使真肺炎ct图像和假肺炎ct图像分别标记为正例和负例，通过训练后，支持向量机调整自身的决策边界，使其区分正例和负例，在训练完成后，支持向量机通过输入一个新的ct图像，根据学到的决策边界，判断该图像是否属于真肺炎ct图像。
11、进一步的，对于分类模型的训练，需要有一组已经标注好的数据作为训练集，已有的标注数据是带有标签的肺炎ct图像，标签表示图像是否为肺炎。
12、进一步的，学习一个分类器的过程包括如下步骤：
13、s101、数据准备：将已有的标注数据划分为训练集和验证集；
14、s102、特征提取：对肺炎ct图像进行特征提取，获取图像的特征作为分类任务输入；
15、s103、数据标注转换：将真肺炎和假肺炎的标签转换为分类任务所需的标签；
16、s104、模型训练：使用训练集的特征和标签，结合分类模型，进行模型的训练，训练过程中，通过优化模型的损失函数，不断调整模型的参数；
17、s105、模型验证和调优：使用验证集评估训练得到的分类器性能，并根据评估结果进行模型调优，通过调整模型超参数或增加模型复杂度的方法改进分类器的泛化能力；
18、s106、模型应用：经过训练和调优后，得到一个能够将肺炎ct图像分类为真肺炎或假肺炎的分类器。
19、进一步的，在预测评估模块中，衡量参数包括准确率、召回率以及f1-score指标，分类模型进行相同预测操作的次数为f次，且f=1、2、…、n，n为正整数。
20、进一步的，准确率表示分类模型预测正确的样本比例，计算公式为：准确率=预测正确的样本数/总样本数；召回率表示分类模型正确预测为真肺炎的样本占真实肺炎样本的比例，计算公式为：召回率=真正例/ (真正例+假反例)；f1-score指标表示综合考虑了准确率和召回率的综合评价指标，计算公式为：f1-score指标= 2*(准确率*召回率)/ (准确率+召回率)。
21、进一步的，获取性能评估值pev的过程为：
22、s201、获取准确率平均值、召回率平均值以及f1-score指标平均值，其中，准确率平均值的计算公式为：准确率平均值=（）/f，召回率平均值和f1-score指标平均值的计算公式与准确率平均值的计算公式相同；
23、s202、获取性能评估值pev所依据的公式如下：
24、；
25、式中，、、分别为准确率平均值、召回率平均值以及f1-score指标平均值的预设比例系数，且，g为常数修正系数。
26、进一步的，还包括触发调整策略模块内置的模型切换子模块，若是超出预定时间周期t，还是无法使性能评估值pev本文档来自技高网...
【技术保护点】
1.一种基于深度学习的肺炎CT图像分类系统，包括：
2.根据权利要求1所述的一种基于深度学习的肺炎CT图像分类系统，其特征在于：在分类训练模块中，分类模型包括支持向量机、随机森林和多层感知机。
3.根据权利要求2所述的一种基于深度学习的肺炎CT图像分类系统，其特征在于：将支持向量机作为分类模型时，分类训练模块的运行过程为：将提取的特征作为输入，使真肺炎CT图像和假肺炎CT图像分别标记为正例和负例，通过训练后，支持向量机调整自身的决策边界，使其区分正例和负例，在训练完成后，支持向量机通过输入一个新的CT图像，根据学到的决策边界，判断该图像是否属于真肺炎CT图像。
4.根据权利要求3所述的一种基于深度学习的肺炎CT图像分类系统，其特征在于：对于分类模型的训练，需要有一组已经标注好的数据作为训练集，已有的标注数据是带有标签的肺炎CT图像，标签表示图像是否为肺炎。
5.根据权利要求4所述的一种基于深度学习的肺炎CT图像分类系统，其特征在于：学习一个分类器的过程包括如下步骤：
6.根据权利要求5所述的一种基于深度学习的肺炎CT图像
7.根据权利要求6所述的一种基于深度学习的肺炎CT图像分类系统，其特征在于：准确率表示分类模型预测正确的样本比例，计算公式为：准确率=预测正确的样本数/总样本数；召回率表示分类模型正确预测为真肺炎的样本占真实肺炎样本的比例，计算公式为：召回率=真正例/ (真正例+假反例)；F1-score指标表示综合考虑了准确率和召回率的综合评价指标，计算公式为：F1-score指标= 2*(准确率*召回率) / (准确率+召回率)。
8.根据权利要求7所述的一种基于深度学习的肺炎CT图像分类系统，其特征在于：获取性能评估值Pev的过程为：
9.根据权利要求8所述的一种基于深度学习的肺炎CT图像分类系统，其特征在于：还包括触发调整策略模块内置的模型切换子模块，若是超出预定时间周期T，还是无法使性能评估值Pev超过评估阈值Pol，则切换分类模型，直至使性能评估值Pev超过评估阈值Pol为止。
10.一种基于深度学习的肺炎CT图像分类方法，使用权利要求1至9中的任一种所述系统，其特征在于：包括如下步骤：
...【技术特征摘要】
1.一种基于深度学习的肺炎ct图像分类系统，包括：
2.根据权利要求1所述的一种基于深度学习的肺炎ct图像分类系统，其特征在于：在分类训练模块中，分类模型包括支持向量机、随机森林和多层感知机。
3.根据权利要求2所述的一种基于深度学习的肺炎ct图像分类系统，其特征在于：将支持向量机作为分类模型时，分类训练模块的运行过程为：将提取的特征作为输入，使真肺炎ct图像和假肺炎ct图像分别标记为正例和负例，通过训练后，支持向量机调整自身的决策边界，使其区分正例和负例，在训练完成后，支持向量机通过输入一个新的ct图像，根据学到的决策边界，判断该图像是否属于真肺炎ct图像。
4.根据权利要求3所述的一种基于深度学习的肺炎ct图像分类系统，其特征在于：对于分类模型的训练，需要有一组已经标注好的数据作为训练集，已有的标注数据是带有标签的肺炎ct图像，标签表示图像是否为肺炎。
5.根据权利要求4所述的一种基于深度学习的肺炎ct图像分类系统，其特征在于：学习一个分类器的过程包括如下步骤：
6.根据权利要求5所述的一种基于深度学习的肺炎ct图像分类系统，其特征在于：在预测评估模块中，衡量参数包括准确率...
【专利技术属性】
技术研发人员：王兴国，尹智星，
申请(专利权)人：深圳市健怡康医疗器械科技有限公司，
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。