[发明专利]医学图像分类的方法和装置

说明书

本发明提供一种医学图像分类的方法和装置，能够解决医学图像自动分类准确率低的问题。该方法包括：对医学图像进行实例化，得到输入实例；通过卷积神经网络自动学习并提取所述输入实例的特征；根据所述特征，通过分类器将所述输入实例进行分类，得到输入实例分类结果；根据所述输入实例分类结果，通过柔性最大传递函数对所述医学图像进行分类，得到最终分类结果。

技术领域

本发明涉及计算机技术领域，尤其涉及一种医学图像分类的方法和装置。

背景技术

随着医学成像技术的迅速发展，各种医学图像呈爆炸式增长，成为医学临床诊断和教学研究必不可少的工具。与此同时，医学图像的诊断识别，成为医学领域的研究热点。如何准确高效地确定医学图像的类别，也成为众多研究中的关键点。

现有的医学图像分类算法主要分为特征学习和分类器的设计两部分。目前的特征学习过程主要是依靠医生根据医学图像复杂的临床特征，通过人为观察总结出来比较显著的特征，并用数学语言表达出来；然后根据不同特征设计相应的分类器；最后通过全监督学习的方式训练得到目标分类器。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：

依靠医生手动提取的特征具有一定的不全面性，不能全面综合地表达输入的医学图像；基于全监督方式的分类器的训练过程需要大量人工详细标注的样本，而此过程耗时耗力且具有一定的主观性。

发明内容

有鉴于此，本发明实施例提供一种医学图像分类的方法、装置和装置，能够解决医学图像自动分类准确率低的问题。

为实现上述目的，根据本发明实施例的一个方面，提供了一种医学图像分类的方法。

本发明实施例一种医学图像分类的方法包括：对医学图像进行实例化，得到输入实例；通过卷积神经网络自动学习并提取所述输入实例的特征；根据所述特征，通过分类器将所述输入实例进行分类，得到输入实例分类结果；根据所述输入实例分类结果，通过柔性最大传递函数对所述医学图像进行分类，得到最终分类结果。

可选地，所述对医学图像进行实例化包括：将所述医学图像以滑动窗的方式分割。

可选地，所述通过卷积神经网络自动学习并提取所述输入实例的特征包括：通过所述卷积神经网络自动学习所述输入实例的特征，通过所述卷积神经网络中的全连接层提取出所述输入实例的特征。

可选地，所述分类器为单层决策树分类器。

为实现上述目的，根据本发明实施例的一个方面，提供了一种医学图像分类的装置。

本发明实施例一种医学图像分类的装置包括：实例化模块，用于对医学图像实例化以得到输入实例；特征学习和提取模块，用于通过卷积神经网络自动学习并提取所述输入实例的特征；实例分类模块，用于根据所述特征，通过分类器将所述输入实例进行分类，得到输入实例分类结果；图像分类模块，用于根据所述输入实例分类结果，通过柔性最大传递函数对所述医学图像进行分类，得到最终分类结果。

可选地，所述实例化模块包括：将所述医学图像以滑动窗的方式分割。

可选地，所述特征学习和提取模块包括：通过所述卷积神经网络自动学习所述输入实例的特征，通过所述卷积神经网络中的全连接层提取出所述输入实例的特征。

可选地，所述实例分类模块中，采用单层决策树作为分类器。

为实现上述目的，根据本发明实施例的再一方面，提供了一种实现医学图像分类的方法的电子设备。

本发明实施例的一种电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例的医学图像分类的方法。