[发明专利]一种基于可拓理论和深度学习的医学图像分类方法

权利要求书

1.一种基于可拓理论和深度学习的医学图像分类方法，其特征在于，包括以下步骤：

步骤1：获取三种不同类别的医学图像，筛选每类医学图像清晰的等量样本数据，实现医学图像样本的均衡，获取医学图像样本集；

步骤2：针对医学图像颜色特点，将样本图像进行R、G、B三通道转化，通过B、G通道结果的差值完成图像的颜色增强，获取B_g像素矩阵；

步骤3：利用平均池化操作对颜色增强后的图像像素矩阵进行降噪降维处理，减弱像素间误差，得到B_g-avg像素矩阵；

步骤4：利用基于可拓理论的分类器对图像进行第一阶段的分类，将图像初步分为良性病图像和疑似恶性病图像，得到第一阶段分类结果集；

步骤4.1：针对B_g-avg像素矩阵，确定蓝白结构区域的经典域U′_bw、蓝白结构区域的节域U_bw、其他病变区域的经典域U′_o、其他病变区域的节域U_o、健康区域的经典域U′_hs、健康区域的节域U_hs；

步骤4.2：根据可拓距离公式，分别计算像素区间与蓝白结构区域、其他病变区域以及健康区域在经典域中的可拓距离，记为ρ_m(X_ij,U′_m)；分别计算各像素区间与蓝白结构区域、其他病变区域以及健康区域在节域中的可拓距离，记为ρ_m(X_ij,U_m)；

其中，X_ij为B_g-avg像素矩阵中位置(i,j)的像素区间；m∈{bw,o,hs}；

步骤4.3：根据可拓位值公式，分别计算各像素区间与蓝白结构区域、其他病变区域以及健康区域的位值，记为D_m(X_ij,U′_m,U_m)；

步骤4.4：利用可拓关联函数公式，分别计算各像素区间与蓝白结构区域、其他病变区域以及健康区域的关联度，记为K_m(X_ij)；

步骤4.5：根据关联度值，利用可拓关联函数的分类原理对图像进行第一阶段的分类；

若maxK_m(X_ij)＝K_bw(X_ij)，则判定对应像素位于蓝白结构区域内；

若maxK_m(X_ij)＝K_o(X_ij)，则判定对应像素位于其他病变区域内；

若maxK_m(X_ij)＝K_hs(X_ij)，则判定对应像素位于健康区域内；

步骤5：将第一阶段的结果输入到基于深度学习的第二阶段分类器中，使用YOLOv3对第一阶段的良性结果集进行分类；使用YoDyCK对第一阶段的疑似恶性结果集进行分类，合并第二阶段分类输出，最终得到图像分类结果；

根据医学图像的特点，改进YOLOv3中的filter size，构建YoDyCK模型，在YoDyCK模型中，filter size为动态变化的。