[发明专利]用于医学图像分类的证据推理方法及可视化证据标记方法

说明书

本发明公开了一种用于医学图像分类的证据推理方法，包括获取已有的医学图像并与真实标签一一对应标记得到训练数据集；构建用于医学图像分类的证据推理原始模型；采用训练数据集训练用于医学图像分类的证据推理原始模型得到用于医学图像分类的证据推理模型；采用用于医学图像分类的证据推理模型对实际的医学图像分类并给出对应的分类证据。本发明还公开了一种包括所述用于医学图像分类的证据推理方法的可视化证据标记方法。本发明首次将证据推理集成到深度学习框架中，可用于提高医学图像分类的可解释性和泛化性；同时提出了一种新的显式证据推理范式来计算医学图像的分类结果；因此本发明具有较好的可解释性，而且可靠性高，准确性好。

技术领域

本发明属于图像处理领域，具体涉及用于医学图像分类的证据推理方法及可视化证据标记方法。

背景技术

随着经济技术的发展和人们生活水平的提高，人们对于健康的关注也越来越高。近年来，随着深度学习在医疗技术领域的创新和不断应用，智慧医疗领域也得到了快速发展。计算机辅助分类方法在医学图像分类任务上的应用，极大方便了医护人员，并且也节约了大量的人力和物力。

但是现有的计算机辅助分类方法仍然存在缺陷：一是模型的分类过程如同黑箱一样，对用户并没有提供可信的分类依据；如输入一张医学图像(比如眼底图像)，现有的模型只能给出正常或异常的分类结果，但并没有提供支撑判断分类的证据；而没有证据支撑的辅助分类过程在医学领域是不可接受。二是现有的计算机辅助分类方法不具备推理能力；现有的方法通过低语义的信息与医学图像分类概率建立关联，容易造成伪相关，导致分类结果的可靠性不高，准确性也不好。

发明内容

本发明的目的之一在于提供一种用于医学图像分类的证据推理方法，其中包含特征聚合投票和动态图网络推理结构能够使得分类过程更加可信和透明，而且具有较好的可解释性，可靠性高、准确性好。

本发明的目的之二在于提供一种包括了用于医学图像分类的证据推理方法的可视化证据标记方法。

本发明提供的这种用于医学图像分类的证据推理方法，包括如下步骤：

S1.获取已有的医学图像，并与各个医学图像的真实标签进行一一对应标记，得到训练数据集，再提取医学图像的特征图；

S2.构建用于医学图像分类的证据推理原始模型：

构建证据推理模型：

S2.1.采用特征聚合投票的方式将医学图像所对应的特征图转化为符号结点；一个符号结点表示一类医学图像属性；

S2.2.以步骤S2.1得到的符号结点作为图网络的结点，以结点与结点之间的相关性为图网络的边，构建图网络；

S2.3.对全局属性的相关性进行建模，并采用步骤S2.2得到的图网络进行证据推理，得到支撑医学图像分类的证据信息，并将证据信息量化为数值参数；

利用构建的证据推理模型，进行医学图像的分类：

S2.4.设定医学图像的原始概率分布，并采用步骤S2.3得到的量化后的证据信息对医学图像的原始概率分布进行优化；

S2.5.对分类结果进行数值化评估；

S3.采用步骤S1得到的训练数据集，对步骤S2构建的用于医学图像分类的证据推理原始模型进行训练，得到用于医学图像分类的证据推理模型；

S4.采用步骤S3得到的用于医学图像分类的证据推理模型，对实际的待分类的医学图像进行分类，并给出对应的分类证据。

步骤S1所述的获取已有的医学图像，并与各个医学图像的真实标签进行一一对应标记，得到训练数据集，再提取医学图像的特征图，具体为将已有的医学图像分为正常和异常，并将分类结果作为真实标签，与医学图像进行一一对应，从而构建训练数据集，然后采用Resnet50骨架网络提取医学图像的特征图。