[发明专利]一种医学图像分类方法、系统、介质及电子终端

权利要求书

1.一种医学图像分类方法，其特征在于，包括：

构建基于深度学习的卷积神经网络；

将采集的医学图像数据集输入所述卷积神经网络进行训练，获取分类模型，其中，训练过程包括：特征提取与分类、类分布不平衡优化；

所述类分布不平衡优化的步骤包括：根据不同类别中的样本的数量，获取不同类别的权重参数和/或样本的不平衡比例，进而进行类不平衡优化；

将待分类医学图像输入所述分类模型，进行医学图像分类。

2.根据权利要求1所述的医学图像分类方法，其特征在于，所述特征提取与分类的步骤包括：

将所述医学图像数据集输入所述卷积神经网络，进行特征提取，获取特征矩阵；

对所述特征矩阵进行向量化处理，获取特征向量；

通过所述卷积神经网络的全连接层对所述特征向量进行分类，获取第一分类结果；

将所述特征向量输入softmax分类器进行分类，获取第二分类结果；

将所述第二分类结果和所述第一分类结果进行对比，根据对比结果对所述卷积神经网络进行训练。

3.根据权利要求1所述的医学图像分类方法，其特征在于，根据不同类别中的样本的数量，获取不同类别的权重参数的步骤包括：

根据不同类别中的样本的数量，获取不同类别的权重参数，所述样本包括：特征向量、与所述特征向量对应的类别标签；

根据所述权重参数，对不同类别的样本的数量不平衡进行优化；

根据所述权重参数，对不同类别的样本的数量不平衡进行优化的数学表达为：

FL(p_t)＝-α_t(1-p_t)γlog(p_t)

其中，p_t为预测值，α为权重参数，(1-p_t)^γ为样本难度权重调因子，γ为抑制参数。

4.根据权利要求1所述的医学图像分类方法，其特征在于，根据不同类别中的样本的数量，获取样本的不平衡比例的步骤包括：

预先设置样本数量阈值；

根据不同类别中的样本的数量和所述样本数量阈值，获取待优化类，所述待优化类中的样本的数量小于所述特征向量数量阈值，所述样本包括：特征向量、与所述特征向量对应的类别标签；

根据所述待优化类中的样本，获取新的合成样本，进而对不同类的分布不平衡进行优化。

5.根据权利要求4所述的医学图像分类方法，其特征在于，根据所述待优化类中的样本，获取新的合成样本的步骤包括：

定义所述待优化类中的样本为初始样本；

获取所述初始样本到所述待优化类中的其他样本的欧式距离；

根据预先设置的距离阈值和所述欧式距离，获取一个或多个近邻样本，所述近邻样本与所述初始样本相对应，所述初始样本到对应近邻样本的欧式距离小于所述距离阈值；

根据不同类别中的样本的数量和所述样本数量阈值，确定样本的不平衡比例；

根据所述不平衡比例，获取新的合成样本，进而减少不同类的分布不平衡。

6.根据权利要求5所述的医学图像分类方法，其特征在于，根据所述不平衡比例，获取新的合成样本的步骤包括：

根据所述不平衡比例，获取合成样本的需求数量；

根据所述需求数量，获取待合成样本，所述待合成样本的数量与所述需求数量相同；

根据所述待合成样本，获取新的合成样本，其数学表达为：

其中，为新的合成样本，Xⁱ为初始样本，σ为均匀分布在[0，1]范围内的随机数，X^t为待合成样本，k为待合成样本的数量。

7.根据权利要求1所述的医学图像分类方法，其特征在于，所述训练过程还包括：特征编码，所述特征编码的步骤包括：

对获取的样本进行自编码，获取编码结果，所述样本包括：特征向量、与所述特征向量对应的类别标签；

将所述编码结果输入解码器进行解码，获取解码结果；

根据所述解码结果以及与所述解码结果相对应的样本，对所述卷积神经网络中的编码参数进行调整。