【技术实现步骤摘要】
本专利技术涉及图像分类，尤其涉及的是一种医学影像多分类方法、终端及可读存储介质。
技术介绍
1、近十几年来，随着医疗大数据和人工智能技术的快速发展，海量患者的临床数据得以为机器学习算法提供条件，机器学习通过使用统计方法，对算法模型进行训练，以进行分类或预测，并揭示大量数据中隐藏的潜在规律，机器学习已经被广泛应用在医疗场景中，如疾病早期筛查与诊断，医疗辅助决策，基因组学分析等。越来越多的学者开始利用机器学习技术探索，以对患者的早期诊断提供高准确率分类的参考依据，从而辅助医疗人员的决策。
2、然而，尽管目前的分类模型大多都能达到较高的准确度，但大多局限于进行二分类领域，即在某种病症中，根据患者的医疗影像，将患者区分为正常和异常中的一种，这种方法对于具有多个阶段的疾病，无法准确的反映疾病发展情况。
技术实现思路
1、本专利技术的目的是提供一种医学影像多分类方法、终端及可读存储介质，旨在解决现有技术对于具有多个阶段的疾病，无法准确的反映疾病发展情况的问题。
2、本专利技术解决技术问题所采用的技术方案如下：
3、本专利技术提供一种医学影像多分类方法，所述医学影像多分类方法包括：
4、获取医疗影像，将医疗影像分别输入多个用于在两个病症阶段组合之间分类的次分类模块，各个次分类模块根据输入的医疗影像输出分类结果，所述组合包括病症的所有阶段构成集合中2个元素的全部组合；
5、将各个次分类模块的分类结果输入计算模块，计算模块根据各个分类结果输
6、进一步地，所述次分类模块包括依次连接的一个3d卷积神经网络模块和一个线性支持向量机分类器模块；
7、所述次分类模块根据输入的医疗影像输出分类结果，具体包括：
8、3d卷积神经网络模块根据输入的医疗影像提取医疗影像特征；
9、线性支持向量机分类器模块根据医疗影像特征输出分类结果。
10、进一步地，所述次分类模块包括依次连接的至少一个卷积-池化层和扁平层；
11、所述3d卷积神经网络模块根据输入的医疗影像提取医疗影像特征，具体包括：
12、卷积-池化层根据输入的医疗影像提取医疗影像特征图；
13、扁平层将医疗影像特征图展平成1d向量作为医疗影像特征输出。
14、进一步地，所述线性支持向量机分类器模块根据医疗影像特征输出分类结果，具体包括：
15、计算医疗影像特征的决策函数值wtx+b，其中，w为决策超平面的法向量，x为医疗影像特征；
16、根据决策函数值确定医疗影像的病症阶段；
17、根据医疗影像特征的病症阶段，计算医疗影像特征的相对距离：
18、
19、其中，d为样本点到决策函数值的相对距离，c为医疗影像特征的病症阶段对应的重心；
20、根据医疗影像特征的相对距离，计算医疗影像特征的病症阶段的置信度作为分类结果输出：
21、
22、其中f(d)为置信度。
23、进一步地，所述计算模块根据各个分类结果输出最终的分类结果，具体包括：
24、将各个病症阶段的置信度与对应病症阶段的基向量相乘，并将相乘之后的结果相加得到诊断向量；
25、计算诊断向量与各个病症阶段对应的诊断极值点的诊断距离，根据诊断距离输出最终的分类结果。
26、进一步地，所述方法具体应用于阿尔兹海默症的病症阶段分类，，所述病症阶段具体包括正常人、轻度认知障碍患者和阿尔兹海默症患者；
27、所述病症阶段的基向量包括：
28、
29、
30、
31、其中，表示阿尔兹海默症患者的基向量，表示正常人的基向量，表示轻度认知障碍患者的基向量；
32、所述各个病症阶段对应的诊断极值点包括正常人对应的诊断极值点[0,1,2]、轻度认知障碍患者对应的诊断极值点[0.5,2,0.5]和阿尔兹海默症患者对应的诊断极值点[2,1,0]。
33、进一步地，所述将医疗影像分别输入多个用于在两个病症阶段组合之间分类的次分类模块，具体包括：
34、对医疗影像进行预处理，得到预处理影像；
35、将预处理影像分别输入多个用于在两个病症阶段组合之间分类的次分类模块。
36、进一步地，所述方法具体应用于阿尔兹海默症的病症阶段分类，；
37、所述预处理包括ac矫正、头骨去除和小脑切除、图像分割、异源图像配准、标准化和平滑处理。
38、此外，为实现上述目的，本专利技术还提供一种终端，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的医学影像多分类程序，所述医学影像多分类程序被所述处理器执行时控制终端实现如上所述的医学影像多分类方法的步骤。
39、此外，为实现上述目的，本专利技术还提供一种可读存储介质，所述可读存储介质存储有医学影像多分类程序，所述医学影像多分类程序被处理器执行时实现如上所述的医学影像多分类方法的步骤。
40、本专利技术采用上述技术方案具有以下效果：
41、本专利技术通过多个在病症的两个阶段之间进行分类的分类器，以进行多次的二分类，从而得到各个病症在多个阶段中可能的置信度，将多次二分类的结果进行统合计算，得到最终的分类结果，从而对于多个阶段的疾病，能够准确的反映疾病发展情况，给到医疗人员更为精确的分类结果，更好的辅助医疗人员的诊断和决策。
本文档来自技高网...【技术保护点】
1.一种医学影像多分类方法，其特征在于，所述医学影像多分类方法包括：
2.根据权利要求1所述的一种医学影像多分类方法，其特征在于，所述次分类模块包括依次连接的一个3D卷积神经网络模块和一个线性支持向量机分类器模块；
3.根据权利要求2所述的一种医学影像多分类方法，其特征在于，所述次分类模块包括依次连接的至少一个卷积-池化层和扁平层；
4.根据权利要求3所述的一种医学影像多分类方法，其特征在于，所述线性支持向量机分类器模块根据医疗影像特征输出分类结果，具体包括：
5.根据权利要求4所述的一种医学影像多分类方法，其特征在于，所述计算模块根据各个分类结果输出最终的分类结果，具体包括：
6.根据权利要求5所述的一种医学影像多分类方法，其特征在于，所述方法具体应用于阿尔兹海默症的病症阶段分类，所述病症阶段具体包括正常人、轻度认知障碍患者和阿尔兹海默症患者；
7.根据权利要求1所述的一种医学影像多分类方法，其特征在于，所述将医疗影像分别输入多个用于在两个病症阶段组合之间分类的次分类模块，具体包括：
8.根据权
9.一种终端，其特征在于，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的医学影像多分类程序，所述医学影像多分类程序被所述处理器执行时控制终端实现如权利要求1-8任一项所述的医学影像多分类方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质存储有医学影像多分类程序，所述医学影像多分类程序被处理器执行时实现如权利要求1-8任一项所述的医学影像多分类方法的步骤。
...【技术特征摘要】
1.一种医学影像多分类方法，其特征在于，所述医学影像多分类方法包括：
2.根据权利要求1所述的一种医学影像多分类方法，其特征在于，所述次分类模块包括依次连接的一个3d卷积神经网络模块和一个线性支持向量机分类器模块；
3.根据权利要求2所述的一种医学影像多分类方法，其特征在于，所述次分类模块包括依次连接的至少一个卷积-池化层和扁平层；
4.根据权利要求3所述的一种医学影像多分类方法，其特征在于，所述线性支持向量机分类器模块根据医疗影像特征输出分类结果，具体包括：
5.根据权利要求4所述的一种医学影像多分类方法，其特征在于，所述计算模块根据各个分类结果输出最终的分类结果，具体包括：
6.根据权利要求5所述的一种医学影像多分类方法，其特征在于，所述方法具体应用于阿尔兹海默症的病症阶段分类，所述病...
【专利技术属性】
技术研发人员：陈若棋，朱云龙，李茗，李凯文，苏宇程，彭衍华，许适当，
申请(专利权)人：华南理工大学，
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。