System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 基于多源异构信息融合的肺癌图像分类方法、系统及介质技术方案_技高网

基于多源异构信息融合的肺癌图像分类方法、系统及介质技术方案

技术编号:43166708 阅读:5 留言:0更新日期:2024-11-01 19:58
本发明专利技术涉及图像处理技术领域,更具体涉及基于多源异构信息融合的肺癌图像分类方法、系统及介质。该方法包括:步骤S1:基于多源异构图像获取原始图像;步骤S2:将第二图像和第三图像的背景去除并放大至多个预设倍数得到训练图像;步骤S3:通过模型创建单元生成第一模型,并使用训练图像训练第一模型,将患者的目标图像放大至多个预设倍数输入第一模型,获取多个目标子图像;步骤S4:获取与第i病理类型相似度最高的两个病理类型,并通过模型创建单元创建第iA模型和第iB模型;步骤S5:根据第iA模型和第iB模型输出的匹配度之和判断目标图像的病理类型。本发明专利技术解决了肺癌图像分类不精确的问题,提高了肺癌图像分类的精度。

【技术实现步骤摘要】

本专利技术涉及图像处理,更具体涉及基于多源异构信息融合的肺癌图像分类方法、系统及介质


技术介绍

1、随着科技的不断进步,医疗领域也在不断地发展,其中,医学影像技术的应用越来越广泛,通过对患者的医学影像进行分析,可以减少医护人员的工作量,同时还能提高医学图像的识别精度,例如:中国专利cn114267432b,该专利技术公开了生成对抗网络交替训练及医疗图像分类方法、装置、介质,通过对生成器和判别器的收敛程度进行度量,能够量化生成器和判别器的训练收敛程度;通过制定自适应交替训练策略,能够根据当前生成器和判别器的收敛程度,自适应地确定下一次是训练生成器还是判别器;通过基于自适应生成对抗网络对医疗影像进行疾病分类,能够提高分类准确率和识别效果,辅助医护人员对疾病进行诊断。还例如美国专利us20230146953a1,通过训练好的机器学习图像生成器用于基于三维患者成像数据生成一组训练图像,其中每个训练图像被标记有对应的二维投影的投影角度。使用训练图像集,训练机器学习图像分类器模型以识别x射线图像中的患者旋转角度。x射线图像使用机器学习图像分类器模型进行处理,以识别患者旋转角度。训练机器学习医疗状况分类器模型以使用标记的x射线图像识别医疗状况。机器学习医疗状况分类器模型确定患者x射线图像中的医疗状况指示。上述两篇专利都实现了医疗影像的分类,但是都没考虑到在训练图像数量较少时,扩展训练图像,增加训练数据的数量,也没有考虑到在输入图像较大时,将图像分割成多个,也没有针对相似度较高的病理类型创建模型并进行训练从而提高分类精度。


<p>技术实现思路

1、为了更好的解决上述问题,本专利技术提供一种基于多源异构信息融合的肺癌图像分类方法,所述方法包括如下步骤:

2、步骤s1:通过收集单元从存储单元中获取多个已知病理类型的多源异构图像,并基于所述多源异构图像获取原始图像;

3、步骤s2:将所述原始图像放大至预设尺寸,并将放大后所述原始图像作为第一图像,在所述第一图像的面积大于等于设定面积时,通过分割单元将所述第一图像分割成多个第二图像,将面积小于所述设定面积的所述第一图像作为第三图像,并将所述第二图像和所述第三图像的背景去除并放大至多个预设倍数得到训练图像;

4、步骤s3:通过模型创建单元生成第一模型,并使用所述训练图像训练所述第一模型,将患者的目标图像放大至多个所述预设倍数输入所述第一模型,获取多个目标子图像;

5、步骤s4:根据所述原始图像对应的病理类型获取每一所述病理类型对应的所述训练图像,并将任意两种所述病理类型的所述训练图像进行比较,获取与第i病理类型相似度最高的两个病理类型,并通过所述模型创建单元创建所述第i病理类型对应的第ia模型和第ib模型,并基于所述第i病理类型和所述两个病理类型对应的训练图像训练所述第ia模型和所述第ib模型;

6、步骤s5:将多个所述目标子图像分别输入所述第i病理类型对应的所述第ia模型和所述第ib模型,并根据所述第ia模型和所述第ib模型分别输出的所述目标图像与所述第i病理类型的匹配度之和判断所述目标图像所属的病理类型。

7、作为本专利技术的一种优选技术方案,所述步骤s1中,所述多源异构图像包含的病理信息为多源异构信息,所述多源异构图像根据包括多种不同来源的图像,获取每一所述来源的图像数量,在所述图像数量小于设定数量时,将所述来源的图像中具有相同病理类型的任意两张所述多源异构图像的有效位置进行部分交换,获取新的所述原始图像。

8、作为本专利技术的一种优选技术方案,所述步骤s3包括:通过所述模型创建单元创建所述第一模型,并使用所述训练图像通过神经网络卷积算法训练所述第一模型,并将所述患者的所述目标图像放大至多个所述预设倍数,并将放大后的图像作为输入图像,将多个所述输入图像输入所述第一模型并获取多组输出图像,其中所述输出图像为全部所述输入图像分割后的图像,并根据所述输出图像的聚类结果获取所述目标子图像,其中所述目标子图像包括所述目标图像的全部内容。

9、作为本专利技术的一种优选技术方案,所述步骤s4包括如下步骤:

10、步骤s41:根据所述原始图像对应的病理类型获取每一所述病理类型对应的所述训练图像,并将任意两种所述病理类型的所述训练图像进行比较,并获取比较结果;

11、步骤s42:根据所述比较结果,获取与第i病理类型相似度最高的第j病理类型和第k病理类型;

12、步骤s43:通过所述模型创建单元创建第ia模型和第ib模型,并通过所述训练图像中与所述第i病理类型和所述第j病理类型对应的第一学习图像训练所述第ia模型,并通过所述训练图像中与所述第i病理类型和所述第k病理类型对应的第二学习图像训练所述第ib模型,其中,i的取值范围为大于等于1小于等于n的正整数,n为所述原始图像对应的全部病理类型数量。

13、作为本专利技术的一种优选技术方案,所述步骤s5包括如下步骤:

14、步骤s51:将多个所述目标子图像分别输入所述第ia模型和所述第ib模型,并获取所述第ia模型输出的第一数值和第二数值,及所述第ib模型输出的第三数值和第四数值,其中,所述第一数值为所述第ia模型输出所述目标图像与所述第i病理类型的匹配度,所述第二数值为所述第ia模型输出所述目标图像与所述第j病理类型的匹配度;所述第三数值为所述第ib模型输出所述目标图像与所述第i病理类型的匹配度,所述第四数值为所述第ib模型输出所述目标图像与所述第k病理类型的匹配度;

15、步骤s52:通过计算所述第一数值和所述第三数值的和作为第i匹配度累计值,在所述匹配度累计值,在所述第m匹配度累计值为全部所述第i匹配度累计值中最大,且所述第m匹配度累计值对应的所述第一数值和所述第二数值都大于第一阈值时,将所述第m匹配度累计值对应的第m病理类型作为所述目标图像对应的病理类型;

16、其中,j、k、m的取值范围为大于等于1小于等于n的正整数,n为所述原始图像对应的全部病理类型数量。

17、作为本专利技术的一种优选技术方案,所述步骤s5还包括:在第n病理类型对应的匹配度累计值最大,且所述第n病理类型对应的第na模型或者第nb模型输出的所述第一数值和所述第三数值差异大于预设差异,即所述第一数值或者所述第三数值其中一个大于等于所述第一阈值另外一个小于等于第二阈值时,重复所述步骤s4的方法重新训练所述第n病理类型对应的所述第na模型和所述第nb模型,其中,所述第一阈值大于所述第二阈值。

18、作为本专利技术的一种优选技术方案,在所述第n病理类型对应的匹配度累计值最大,且所述第n病理类型对应的所述第一数值和所述第三数值都小于所述第二阈值时,重复所述步骤s2-所述步骤s3的方法重新获取多个所述目标子图像。

19、作为本专利技术的一种优选技术方案,所述训练图像包含了全部肺癌病理类型的图像和正常图像。

20、本专利技术还提供一种基于多源异构信息融合的肺癌图像分类系统,所述系统用于实现上述的方法,所述系统包括本文档来自技高网...

【技术保护点】

1.一种基于多源异构信息融合的肺癌图像分类方法,其特征在于,所述方法包括如下步骤:

2.根据权利要求1所述的方法,其特征在于,所述步骤S1中,所述多源异构图像包含的病理信息为多源异构信息,所述多源异构图像根据包括多种不同来源的图像,获取每一所述来源的图像数量,在所述图像数量小于设定数量时,将所述来源的图像中具有相同病理类型的任意两张所述多源异构图像的有效位置进行部分交换,获取新的所述原始图像。

3.根据权利要求1所述的方法,其特征在于,所述步骤S3包括:通过所述模型创建单元创建所述第一模型,并使用所述训练图像通过神经网络卷积算法训练所述第一模型,并将所述患者的所述目标图像放大至多个所述预设倍数,并将放大后的图像作为输入图像,将多个所述输入图像输入所述第一模型并获取多组输出图像,其中所述输出图像为全部所述输入图像分割后的图像,并根据所述输出图像的聚类结果获取所述目标子图像,其中所述目标子图像包括所述目标图像的全部内容。

4.根据权利要求1所述的方法,其特征在于,所述步骤S4包括如下步骤:

5.根据权利要求4所述的方法,其特征在于,所述步骤S5包括如下步骤:

6.根据权利要求5所述的方法,其特征在于,所述步骤S5还包括:在第n病理类型对应的匹配度累计值最大,且所述第n病理类型对应的第nA模型或者第nB模型输出的所述第一数值和所述第三数值差异大于预设差异,即所述第一数值或者所述第三数值其中一个大于等于所述第一阈值另外一个小于等于第二阈值时,重复所述步骤S4的方法重新训练所述第n病理类型对应的所述第nA模型和所述第nB模型,其中,所述第一阈值大于所述第二阈值。

7.根据权利要求6所述的方法,其特征在于,在所述第n病理类型对应的匹配度累计值最大,且所述第n病理类型对应的所述第一数值和所述第三数值都小于所述第二阈值时,重复所述步骤S2-所述步骤S3的方法重新获取多个所述目标子图像。

8.根据权利要求1所述的方法,其特征在于,所述训练图像包含了全部肺癌病理类型的图像和正常图像。

9.一种基于多源异构信息融合的肺癌图像分类系统,所述系统用于实现如权利要求1-8任一项所述的方法,其特征在于,所述系统包括:

10.一种计算机存储介质,其特征在于,所述存储介质存储有程序指令,其中在所述程序指令运行时控制所述存储介质所在设备执行权利要求1-8任一项所述的方法。

...

【技术特征摘要】

1.一种基于多源异构信息融合的肺癌图像分类方法,其特征在于,所述方法包括如下步骤:

2.根据权利要求1所述的方法,其特征在于,所述步骤s1中,所述多源异构图像包含的病理信息为多源异构信息,所述多源异构图像根据包括多种不同来源的图像,获取每一所述来源的图像数量,在所述图像数量小于设定数量时,将所述来源的图像中具有相同病理类型的任意两张所述多源异构图像的有效位置进行部分交换,获取新的所述原始图像。

3.根据权利要求1所述的方法,其特征在于,所述步骤s3包括:通过所述模型创建单元创建所述第一模型,并使用所述训练图像通过神经网络卷积算法训练所述第一模型,并将所述患者的所述目标图像放大至多个所述预设倍数,并将放大后的图像作为输入图像,将多个所述输入图像输入所述第一模型并获取多组输出图像,其中所述输出图像为全部所述输入图像分割后的图像,并根据所述输出图像的聚类结果获取所述目标子图像,其中所述目标子图像包括所述目标图像的全部内容。

4.根据权利要求1所述的方法,其特征在于,所述步骤s4包括如下步骤:

5.根据权利要求4所述的方法,其特征在于,所述步骤s5包括如下步骤:

6.根据权...

【专利技术属性】
技术研发人员:方达钱凯邰永航黄小乔李成立张超
申请(专利权)人:云南师范大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1