[发明专利]一种基于迁移学习的癌症图像预测判别方法和系统

说明书

本发明公开了一种基于迁移学习的癌症图像预测判别方法和系统，该方法包括迁移学习模型的训练和基于迁移学习模型进行图像分类两部分，其中第一部分包括迁移学习模型的构建、数据集构建和迁移学习模型的训练和保存，第二部分通过加载第一部分保存好的迁移学习分类模型，输入需要判断的图像进行类别预测；该系统包括：至少一个处理器；至少一个存储器，用于存储至少一个运行程序以及待识别医学图像；当上述程序在上述处理器中运行时，使所述至少一个处理器实现所述中的医学图像预测识别。本发明用于对医学影像大数据进行智能化分析和判别，提供快速和相对精准的医疗辅助诊断，从而提高临床诊断的精确性和效率。

技术领域

本发明属于医学图像数据处理领域，具体涉及一种基于迁移学习的癌症图像预测判别方法和系统。

背景技术

随着计算机存储能力和计算能力的高速发展，人工智能相关技术得到了极大的发展，特别是自然语言处理和计算机视觉的相关技术。

现如今，人工智能的浪潮正席卷着各个行业，伴随着民众生活水平的提升，以及人口老龄化的到来，人们对健康的需求日益增长，这使得医疗行业面临着医疗资源的供给能来无法完全满足民众对高水平医疗需求的问题，例如影像科医生资源短缺，因为现有的癌症筛查分析是基于医疗测试，对待分析的病人进行医学影像测试，医生根据测试结果对待分析病人是否患有癌症进行判断，因此现在的癌症分析是依靠人工判断的，其主观性很强。例如对于直肠癌患者的诊断过程中，将会产生大量的医学图像，然后专业医生需要对这些图片逐一观察来判断是否患有癌症，这无疑会产生严重的时间消耗，同时也会大量积压医生的时间，造成医院的资源浪费。此外随着病人患者的增多，需要判别检查的图片增多，这种。

发明内容

本发明的目的在于克服上述由人判别癌症图像的工作方式效率低下，需要耗费更多的人力物力的问题，提供了一种基于迁移学习的癌症图像预测判别方法和系统，用于对医学影像大数据进行智能化分析和判别，提供快速和相对精准的医疗辅助诊断，从而提高临床诊断的精确性和效率。

为实现上述目的，本发明采取以下技术方案予以实现：

一种基于迁移学习的癌症图像预测判别方法，该方法包括迁移学习模型的训练和基于迁移学习模型进行图像分类两部分，具体包括以下步骤：

第一部分：迁移学习模型的训练

迁移学习模型的构建：迁移已经训练好的卷积神经网络模型，该模型包括基本的卷积层、池化层，最后由全连接层输出结果；结合医学图像分类任务对卷积神经网络模型的全连接层进行参数和结构调整，得到迁移模型，具体如下；

数据集构建：对大量已知结果的医学图像进行分类和标签标记，按照设定比例将标记好的图像划分为训练集、验证集和测试集三部分；

迁移学习模型的训练和保存：根据反向传播方法用划分好的训练数据集训练迁移学习模型，同时用验证集进行验证，计算出验证集的准确率，保存最后5次验证集进行验证时的模型参数，用测试集测试最终模型准确率；

第二部分：基于迁移学习模型进行图像分类

加载第一部分保存好的准确率最高的迁移学习分类模型，输入需要判断的图像进行类别预测。

本发明进一步的改进在于，所述迁移学习模型为Inception-v3，迁移学习模型的构建为：将深度学习模型Inception-v3的bottleneck出输出后连接新的全连接层，新的全连接层为2048个输入神经元和2个输出神经元以实现图像的二分类。

本发明进一步的改进在于，数据集构建为：首先专业医生根据以往大量病例的图像数据进行判别是否患有癌症，对该图像数据是否患有癌症进行标签标记来作为模型训练的数据集；然后数据集的预处理，将第一步制作好的数据集取其中80％作为训练集，10％作为验证集，10％作为测试集。