[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

说明书

本发明属于图像识别技术领域，具体涉及一种基于可拓理论和深度学习的医学图像分类方法。本发明提供了融合医学领域知识、深度学习和精细化策略的分类方法，该方法结合了医学领域特征和深度学习特征，对医学图像进行快速、准确的分类。本发明利用可拓理论中可拓关联函数来检测蓝白结构的存在性，将医学图像初步分类为良性病图像和疑似恶性病图像，采用了基于YOLOv3的改进模型YoDyCK模型，可快速准确地提取疑似恶性病图像的深度学习特征，从而提高医学图像的最终分类准确度和效率。

技术领域

本发明属于图像识别技术领域，具体涉及一种基于可拓理论和深度学习的医学图像分类方法。

背景技术

近年来医学图像的研究成为医学和计算机交叉学科研究的热点。随着医疗数字化设备的快速发展，医学图像被广泛应用于临床诊断过程中，因此医生对医学图像进行准确且快速的诊断尤为重要。对于医生来说，对医学图像进行分类是一项繁琐且耗时的工作。以皮肤病图像为例，在中国这样人口众多的国家，医生每天可能需要阅读数百张皮肤病图像。从每张图像中获取诊断信息大约需要5-10分钟。这对医生来说是一项非常繁重的工作，将花费他们大量的时间，且易导致误诊率的增加。因此基于可拓理论和深度学习的医学图像分类模型具有较高的学术价值和实际应用前景。

目前，国内外的医学图像分类方法主要分为传统方法与深度学习方法。传统方法，基于图像的颜色和纹理等特征，提出了颜色直方图等方法，但是这些方法的局限性较大，无法对医学图像分类的指征做全面提取，且工作量较大，费时费力。深度学习方法，能较好的提取图像的颜色和纹理等特征，提升图像分类的效率，然而部分重要医学领域特征无法被有效利用。因此，如何将医学领域特征与深度学习特征进行有效的融合，快速的对医学图像进行准确的分类是现有技术中需要解决的主要技术问题。

发明内容

本发明的目的在于提供能够有效提取、融合医学领域特征与深度学习领域特征，准确、高效地进行医学图像分类的一种基于可拓理论和深度学习的医学图像分类方法。

本发明的目的通过如下技术方案来实现：

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}；