CN110097128A - 医学图像分类装置及*** - Google Patents
医学图像分类装置及*** Download PDFInfo
- Publication number
- CN110097128A CN110097128A CN201910376120.4A CN201910376120A CN110097128A CN 110097128 A CN110097128 A CN 110097128A CN 201910376120 A CN201910376120 A CN 201910376120A CN 110097128 A CN110097128 A CN 110097128A
- Authority
- CN
- China
- Prior art keywords
- image
- classifier
- medical
- module
- roi region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明实施例公开了一种医学图像分类装置及***。其中,装置包括分类器预构建模块和图像分类模块。分类器预构建模块用于提取训练样本集中每个医学样本图像的多个ROI区域图像,然后利用三维卷积神经网络分别对每类ROI区域图像进行训练,得到相应的基分类器;基于预先设定的适应度值,利用遗传算法从多个基分类器中选择最优基分类器,最后基于各最优分类器生成图像分类器。图像分类模块用于将待识别医学图像输入至预先构建的图像分类器中,得到待识别医学图像的分类结果。本申请提高了医学图像分类的准确度,有利于精准识别早期阿尔茨海默病医学图像,为早期阿尔茨海默症患者的预防和诊断提供辅助。
Description
技术领域
本发明实施例涉及医学图像处理技术领域,特别是涉及一种医学图像分类装置及***。
背景技术
阿尔茨海默病为一种起病隐匿的进行性发展的神经***退行性疾病,医学上可通过结构影像或功能性神经影像发现阿尔茨海默病。
结构影像例如头部CT(Computer Tomography,计算机断层扫描)和MRI(MagneticResonance Imaging,核磁共振成像)检查,可显示脑皮质萎缩明显,特别是海马及内侧颞叶,支持阿尔茨海默的临床诊断。功能性神经影像可如正电子扫描和单光子发射计算机断层扫描可提高痴呆诊断可信度。
阿尔茨海默不同时期的临床表现不同,如晚期可见额叶代谢减低,如何识别阿尔茨海默病早期人群,为早期阿尔茨海默病患者的预防和诊断提供辅助,为本领域技术人员亟待解决的问题。
相关技术一般通过对采集的医学图像进行分析实现阿尔茨海默病患者医学图像的识别,但是,在医学图像分析过程中,由于阿尔茨海默病病因迄今未明,选取医学图像的ROI((region of interest,感兴趣区域)性能不好,导致最后图像分类效果准确度不高。
发明内容
本公开实施例提供了一种医学图像分类装置及***,提高了医学图像分类的准确度,有利于精准识别早期阿尔茨海默病医学图像,为早期阿尔茨海默症患者的预防和诊断提供辅助。
为解决上述技术问题,本发明实施例提供以下技术方案:
本发明实施例一方面提供了一种医学图像分类装置,包括分类器预构建模块和图像分类模块;
所述分类器预构建模块包括ROI区域提取子模块、模型训练子模块、最优组合筛选子模块及模型集成子模块;
所述图像分类模块用于将待识别医学图像输入至预先构建的图像分类器中,得到所述待识别医学图像的分类结果;
其中,所述ROI区域提取子模块用于提取训练样本集中每个医学样本图像的多个ROI区域图像,所述训练样本集包括健康人群和阿尔兹海默症不同患病阶段患者的脑区图像;所述模型训练子模块用于利用三维卷积神经网络分别对每类ROI区域图像进行训练,得到相应的基分类器;所述最优组合筛选子模块用于基于预先设定的适应度值,利用遗传算法从多个基分类器中选择最优基分类器;所述模型集成子模块用于基于各最优分类器生成所述图像分类器。
可选的,所述模型集成子模块包括:
目标ROI区域确定单元,用于为确定每个最优基分类器对应的目标ROI区域;
目标ROI区域组合图像提取单元,用于对所述训练样板集中的每个医学样本图像,同时提取多个目标ROI区域,以构成目标ROI区域组合图像;
初始图像分类器训练单元,用于利用所述三维卷积神经网络对各目标ROI区域组合图像进行训练,得到初始图像分类器;
集成单元,用于将所述初始图像分类器和各最优基分类器进行集成,以生成所述图像分类器。
可选的,所述分类器预构建模块还包括基分类器挑选子模块,所述基分类器挑选子模块包括:
排序单元,用于根据基分类器的分类准确率对各基分类器进行排序,
删除单元,用于删除分类准确率不大于预设阈值的基分类器。
可选的,所述ROI区域提取子模块为利用ALL116模板提取每个医学样本图像的116个ROI区域图像的模块。
可选的,所述三维卷积神经网络为采用VGG16模型的二维网络层次和三维网络结构,且过滤器数量为8个的网络结构。
可选的,所述分类器预构建模块还包括图像预处理子模块,所述图像预处理子模块包括:
第一去噪单元,用于对所述训练样本集中每个医学样本图像进行头动校正和剥头骨操作,以去除噪声和非脑组织结构影响;
配准处理单元,用于将经过处理的各医学样本图像进行空间标准化,以配准至统一坐标空间。
可选的,所述图像预处理子模块还包括:
高斯平滑处理单元,用于对经过空间标准化处理的各医学样本图像进行高斯平滑处理。
可选的,所述图像预处理子模块还包括:
归一化单元,用于对经过高斯平滑处理的各医学样本图像进行灰度归一化。
本发明实施例另一方面提供了一种医学图像分类***,包括如上任意一项所述医学图像分类装置。
可选的,还包括与所述医学图像分类装置相连的医学影像数据库模块;
所述医学影像数据库模块用于存储当前待识别的医学图像信息,所述医学图像信息包括待识别医学图像和标签信息,所述标签信息为所述医学图像分类装置输出的所述待识别医学图像的分类结果。
本申请提供的技术方案的优点在于,通过遗传算法与3DCNN结合构建用于对医学图像进行识别的图像分类器,3DCNN不仅可以对图像的关键特征进行学习,还可降低过拟合风险;基于遗传算法能解决优化问题的全局最优解且优化结果与初始条件无关,可以搜索对疾病人群分类具有显著效果的ROI图像区域组合,最终确定大脑哪些区域的图像对分类有积极影响,确保选取的ROI脑区功能跟该疾病的临床表现具有一定的吻合性,最后将遗传算法挑选不同的ROI模型进行集成,最终形成一个高效的强分类器,从而获得更准确、稳定和强壮的结果,提高了医学图像分类的准确度,有利于精准识别早期阿尔茨海默病医学图像,为早期阿尔茨海默症患者的预防和诊断提供辅助。
此外,本发明实施例还针对医学图像分类方法提供了相应的***,进一步使得所述方法更具有实用性,所述***具有相应的优点。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的医学图像分类装置的一种具体实施方式结构图;
图2为本发明实施例提供的一种图像分类器构建过程的流程示意图;
图3为本发明实施例提供根据一示例性CNN工作原理示意图;
图4为本发明实施例提供根据三维卷积神经网络结构示意图;
图5为本发明实施例提供根据图像预处理结果示意图;
图6为本发明实施例提供的一种图像分类方法的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
在介绍了本发明实施例的技术方案后,下面详细的说明本申请的各种非限制性实施方式。
首先参见图1,图1为本发明实施例提供的一种医学图像分类装置在一种具体实施方式下的框架示意图,本发明实施例可包括以下内容:
医学图像分类装置可包括分类器预构建模块1和图像分类模块2。
在本实施例中,分类器预构建模块1用于预先构建用于识别医学图像的模块,构建流程可参阅图2所示,具体可包括ROI区域提取子模块、模型训练子模块、最优组合筛选子模块及模型集成子模块。
其中,ROI区域提取子模块用于提取训练样本集中每个医学样本图像的多个ROI区域图像,也就是说,每个医学样本图像提取的ROI区域的个数、类别均相同。每张医学样本图像的ROI区域的个数和类别,本领域技术人员可根据实际情况进行选取。训练样本集可包括健康人群的脑区图像以及阿尔兹海默症不同患病阶段患者的脑区图像,且每张脑区图像都预先设置一个标签信息,该标签信息标识用于标识相对应的脑区图像的疾病状况,例如第一张样本图像为健康人群的样本图像,其标签可设置为y=0,第二张样本图像为早期阿尔兹海默症患者的样本图像,其标签可设置为y=1,第三张样本图像为晚期阿尔兹海默症患者的样本图像,其标签可设置为y=2,脑区图像例如可为脑CT图像或MRI图像。由于医学样本图像为脑区图像,可将脑区图像的每个分区作为ROI区域,例如中央前回ROI区域、背外侧额上回ROI区域、额中回ROI区域、海马旁回ROI区域。采用ROI图像而不是全脑图像作为模型输入减少了网络计算量,提高了卷积神经网络训练速度。
可以理解的是,从原始医学样本图像扣取一个ROI区域,便生成该ROI区域对应的ROI区域图像,扣取处理的ROI区域图像与原始医学样本图像具有相同的标签信息,可采用任何一种从原始医学样本图像中扣取ROI区域生成ROI区域图像的方法,本申请对此不做任何限定。可选的,可采用ALL116模板提取每个医学样本图像的116个ROI区域图像,AAL(Anatomical Automatic Labeling,解剖学的自动标记),为由Montreal NeurologicalInstitute(MNI)机构提供的,该模板一共有116个区域,其中90个区域属于大脑,剩余26个属于小脑结构。利用ALL116模板可提取这116个区域的图像,从而生成116个ROI区域图像,每一类ROI区域图像包含的图像个数为训练样本集包含的总样本数。
在本申请中,模型训练子模块用于利用三维卷积神经网络(3DConvolutionalNeural Networks,3DCNN)分别对每类ROI区域图像进行训练,得到相应的基分类器,也就是说,每类ROI区域图像训练一个基分类器,该基分类器可作为一个独立分类器对医学图像进行识别分类,根据分类准确度可知该ROI区域对阿尔兹海默症的影响程度。
图3为CNN的工作原理图,CNN包括卷积层和池化层。卷积层也叫做特征提取层,对输入图像数据应用若干个过滤器,一个输入参数被用来做多个类型的特征提取。卷积层用于提取输入图像数据的特征。每个不同的卷积核提取出来的图像数据特征也会有所不同,卷积核数量越多,提取出来的图像数据特征也就越多。对图像应用一个过滤器后得到的结果称为特征图谱,特征图谱的数量和过滤器的数量保持一致。在网络训练过程中,如果只通过卷积层提取图像的特征,当遇到尺寸较大的图像时运算量会十分庞大,网络训练的速度也较慢。为了减少运算量,减少网络训练时间,卷积神经网络在卷积层后面连接了一层池化层,它能够降低图像的分辨率,减少数据运算量,同时可以增强网络对图像变化的适应性。
在一种实施方式中,三维卷积神经网络的结构可参阅图4所示,三维卷积神经网络结构可为采用VGG16模型的二维网络层次和三维网络结构,且过滤器数量为8个的网络结构。例如可包括含有第一卷积层、第二卷积层、第一池化层的第一模块、含有第三卷积层、第四卷积层、第二池化层的第二模块、含有第五卷积层、第六卷积层、第七卷积层、第三池化层的第三模块、第一全连接层FC1、第二全连接层FC2、第三全连接层FC3、Softmax层。输入图像依次经过第一模块处理后传输至第二模块,经第二模块处理后将处理结果传输至第三模块,经第三模块处理后由全连接层输出。至于如何利用卷积神经网络训练样本得到模型,可参阅任何一种相关技术描述的实现过程,此处,便不再赘述。
本实施例中,最优组合筛选子模块用于基于预先设定的适应度值,利用遗传算法从多个基分类器中选择最优基分类器。健康脑区图像和患阿尔兹海默症脑区图像在不同脑区区域呈现的临床表象不同,处于不同患病阶段的脑区图像的同一部分呈现的临床表象可能相同,也可能不同,这就需要根据图像分类需求,例如识别早期阿尔兹海默症脑区图像,确定对该分类结果影响较大的脑区区域,作为最优ROI区域。由于遗传算法(GA)可解决优化问题的全局最优解,并且优化结果与初始条件无关,具有较强的鲁棒性,可采用遗传算法从多个基分类器中选择最优基分类器组合,每个最优基分类器对应的ROI区域即为最优ROI区域,也即是对分类结果影响较大的脑区区域。在遗传算法寻优过程中,可预先设定适应度值用于作为评判标准,适应度值可为基分类器分类准确度,也可为F值,本申请对此不做任何限定。至于如何利用遗传算法寻优基分类器的最优组合,可参阅任何一种相关技术描述的实现过程,此处,便不再赘述。
可以理解的是,模型集成子模块用于基于各最优分类器生成图像分类器,将不同的ROI网络模型进行集成来提高疾病人群的分类效果。可采用任何一种集成学习模型将多个单一的分类器,如基分类器或初始图像分类器有机地结合起来,获得一个统一的集成学习模型,从而可获得更准确、稳定和强壮的分类结果。
图像分类模块2用于将待识别医学图像输入至预先构建的图像分类器中,得到待识别医学图像的分类结果。若图像分类器用于对阿尔兹海默症患者脑区图像的识别分类,那么待识别医学图像的分类结果为患病或健康;若图像分类器进一步用于对阿尔兹海默症患病阶段的患者脑区图像的识别分类,那么待识别医学图像的分类结果为早期患病、中期患病、晚期患病或健康。
在本发明实施例提供的技术方案中,通过遗传算法与3DCNN结合构建用于对医学图像进行识别的图像分类器,3DCNN不仅可以对图像的关键特征进行学习,还可降低过拟合风险;基于遗传算法能解决优化问题的全局最优解且优化结果与初始条件无关,可以搜索对疾病人群分类具有显著效果的ROI图像区域组合,最终确定大脑哪些区域的图像对分类有积极影响,确保选取的ROI脑区功能跟该疾病的临床表现具有一定的吻合性,最后将遗传算法挑选不同的ROI模型进行集成,最终形成一个高效的强分类器,从而获得更准确、稳定和强壮的结果,提高了医学图像分类的准确度,有利于精准识别早期阿尔茨海默病医学图像,为早期阿尔茨海默症患者的预防和诊断提供辅助。
在本申请中,可将GA算法寻优得到的每个最优基分类器之间进行集成,生成最终的图像分类器;此外,还可针对最优基分类器对应的ROI区域图像进行训练,排除其他局部区域图像的影响,训练得到的模型和其他最优分类器进行集成,在该实施方式中,模型集成子模块可包括目标ROI区域确定单元、目标ROI区域组合图像提取单元、初始图像分类器训练单元及集成单元。
其中,目标ROI区域确定单元用于为确定每个最优基分类器对应的目标ROI区域,由于每类ROI区域图像训练得到一个基分类器,故可根据基分类器锁定该类ROI区域,即为最优ROI区域,也就是目标ROI区域。目标ROI区域组合图像提取单元用于对训练样板集中的每个医学样本图像,同时提取多个目标ROI区域,以构成目标ROI区域组合图像;举例来说,GA算法寻优后的最优ROI区域为内侧颞叶、中央前回、背外侧额上回、额中回、海马旁回,那么将对于每个医学样本图像,同时提取每个脑区图像的内侧颞叶、中央前回、背外侧额上回、额中回、海马旁回这些区域并处理组合为目标ROI区域组合图像,目标ROI区域组合图像的数量可与训练样板集中包含医学样本图像的总个数相同。初始图像分类器训练单元用于利用三维卷积神经网络对各目标ROI区域组合图像进行训练,得到初始图像分类器;至于如何利用卷积神经网络训练样本得到模型,可参阅任何一种相关技术描述的实现过程,此处,便不再赘述。集成单元,用于将初始图像分类器和各最优基分类器进行集成,以生成图像分类器。
本发明实施例通过GA算法选定的最优ROI组合还可经过3DCNN训练,有利于提取图像的深层关键特征,排除其他局部图像区域的影响,有利于提升分类器的性能。
考虑到所挑选的ROI区域中可能存在对分类识别效果影响不大的区域,为了降低整个模型训练时间,提高分类器训练效率,分类器预构建模块1还可包括基分类器挑选子模块,基分类器挑选子模块包括排序单元和删除单元。
其中,排序单元用于根据基分类器的分类准确率对各基分类器进行排序;删除单元,用于删除分类准确率不大于预设阈值的基分类器。可从训练样本集中选取一部分样本图像作为验证样本,验证每个基分类器对验证样本图像的分类准确度,将每个基分类器的分类准确率作为衡量其对分类识别结果的贡献程度。阈值可根据实际情况进行确定,本申请对此不做任何限定。
在另外一种实施方式中,为了便于后续医学图像分类的准确度和效率,还可对训练样本集中的各医学样本图像进行图像预处理,目的将原始图像进行规范化以及适当的降低噪声处理。基于此,分类器预构建模块1还可包括图像预处理子模块,利用可利用SPM12软件进行图像预处理,原始医学样本图像经图像预处理后处理结果可参阅图5所示,图像预处理子模块具体可包括第一去噪单元和配准处理单元。
第一去噪单元,用于对训练样本集中每个医学样本图像进行头动校正和剥头骨操作,以去除噪声和非脑组织结构影响。
配准处理单元,用于将经过处理的各医学样本图像进行空间标准化,以配准至统一坐标空间,从而消除每个医学样本图像对应的个体间的差异。
此外,为了去除噪声对图像的影响,使得数据更接近似于正太分布,以此来增加参数检验的有效性,图像预处理子模块还可包括高斯平滑处理单元,用于对经过空间标准化处理的各医学样本图像进行高斯平滑处理。
在高斯去噪处理之后,为了后续计算方便,还可将图像进行归一化,也即图像预处理子模块还可包括归一化单元,用于对经过高斯平滑处理的各医学样本图像进行灰度归一化。
需要说明的是,为了提高待识别图像的分类效果,在将待识别医学图像输入至图像分类器之前,还可对该图像进行图像预处理,也即分别进行头动校正、剥头骨操作、高斯平滑处理及灰度归一化处理。
本发明实施例还针对医学图像分类装置提供了相应的实现方法,下面对本发明实施例提供的医学图像分类方法进行介绍,下文描述的医学图像分类方法与上文描述的医学图像分类装置可相互对应参照。
请参见图6,图6为本发明实施例提供的另一种医学图像分类方法的流程示意图,本发明实施例例如可应用于阿尔兹海默症的诊断***中,具体的可包括以下内容:
S601:获取待识别医学图像。
S602:将待识别医学图像输入至预先构建的图像分类器中,得到待识别医学图像的分类结果。
其中,图像分类器的构建过程包括:
提取训练样本集中每个医学样本图像的多个ROI区域图像;训练样本集包括健康人群和处于不同阿尔兹海默症患病阶段患者的脑区图像;
利用三维卷积神经网络分别对每类ROI区域图像进行训练,得到相应的基分类器;
基于预先设定的适应度值,利用遗传算法从多个基分类器中选择最优基分类器,基于各最优分类器生成图像分类器。
可选的,基于各最优分类器生成图像分类器可包括:
确定每个最优基分类器对应的目标ROI区域;
对训练样板集中的每个医学样本图像,同时提取多个目标ROI区域,以构成目标ROI区域组合图像;
利用三维卷积神经网络对各目标ROI区域组合图像进行训练,得到初始图像分类器;
将初始图像分类器和各最优基分类器进行集成,以生成图像分类器。
另外一种实施方式中,在利用三维卷积神经网络分别对每类ROI区域图像进行训练,得到相应的基分类器之后,利用遗传算法从多个基分类器中选择最优基分类器之前,还可包括:
根据基分类器的分类准确率对各基分类器进行排序;
删除分类准确率不大于预设阈值的基分类器。
其他一些实施方式中,在提取训练样本集中每个医学样本图像的多个ROI区域图像之前,还可包括:
对训练样本集中每个医学样本图像进行头动校正和剥头骨操作,以去除噪声和非脑组织结构影响;
将经过处理的各医学样本图像进行空间标准化,以配准至统一坐标空间;
对经过空间标准化处理的各医学样本图像进行高斯平滑处理,并进行灰度归一化。
由上可知,本发明实施例提高了医学图像分类的准确度,有利于精准识别早期阿尔茨海默病医学图像,为早期阿尔茨海默症患者的预防和诊断提供辅助。
本发明实施例还提供了一种医学图像分类***,可包括如上任意一个实施例所述的医学图像分类装置。
训练样本个数和种类直接决定图像分类器的分类效果,为了提高图像分类器的分类准确率,可将训练样本实时进行扩充。可选的,还可包括与医学图像分类装置相连的医学影像数据库模块。医学影像数据库模块中包含多张医学样本图像,训练样本集中的每个医学样本图像可直接从医学影像数据库模块中获取。医学影像数据库模块用于存储当前待识别的医学图像信息,医学图像信息包括待识别医学图像和标签信息,标签信息为医学图像分类装置输出的待识别医学图像的分类结果。
也就是说,医学图像分类装置对输入的待识别医学图像进行图像分类识别之后,可将输出的识别分类结果发送给医学影像数据库模块进行存储,至于待识别医学图像可直接从***中获取,也可设置医学图像分类装置在发送分类结果时同时发送该待识别医学图像。
本发明实施例所述医学图像分类装置的各功能模块的功能可根据上述装置实施例中的具体实现,其具体实现过程可以参照上述装置实施例的相关描述,此处不再赘述。
由上可知,本发明实施例提高了医学图像分类的准确度,有利于精准识别早期阿尔茨海默病医学图像,为早期阿尔茨海默症患者的预防和诊断提供辅助。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种医学图像分类装置及***进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种医学图像分类装置,其特征在于,包括分类器预构建模块和图像分类模块;
所述分类器预构建模块包括ROI区域提取子模块、模型训练子模块、最优组合筛选子模块及模型集成子模块;
所述图像分类模块用于将待识别医学图像输入至预先构建的图像分类器中,得到所述待识别医学图像的分类结果;
其中,所述ROI区域提取子模块用于提取训练样本集中每个医学样本图像的多个ROI区域图像,所述训练样本集包括健康人群和阿尔兹海默症不同患病阶段患者的脑区图像;所述模型训练子模块用于利用三维卷积神经网络分别对每类ROI区域图像进行训练,得到相应的基分类器;所述最优组合筛选子模块用于基于预先设定的适应度值,利用遗传算法从多个基分类器中选择最优基分类器;所述模型集成子模块用于基于各最优分类器生成所述图像分类器。
2.根据权利要求1所述的医学图像分类装置,其特征在于,所述模型集成子模块包括:
目标ROI区域确定单元,用于为确定每个最优基分类器对应的目标ROI区域;
目标ROI区域组合图像提取单元,用于对所述训练样板集中的每个医学样本图像,同时提取多个目标ROI区域,以构成目标ROI区域组合图像;
初始图像分类器训练单元,用于利用所述三维卷积神经网络对各目标ROI区域组合图像进行训练,得到初始图像分类器;
集成单元,用于将所述初始图像分类器和各最优基分类器进行集成,以生成所述图像分类器。
3.根据权利要求2所述的医学图像分类装置,其特征在于,所述分类器预构建模块还包括基分类器挑选子模块,所述基分类器挑选子模块包括:
排序单元,用于根据基分类器的分类准确率对各基分类器进行排序,
删除单元,用于删除分类准确率不大于预设阈值的基分类器。
4.根据权利要求2所述的医学图像分类装置,其特征在于,所述ROI区域提取子模块为利用ALL116模板提取每个医学样本图像的116个ROI区域图像的模块。
5.根据权利要求1所述的医学图像分类装置,其特征在于,所述三维卷积神经网络为采用VGG16模型的二维网络层次和三维网络结构,且过滤器数量为8个的网络结构。
6.根据权利要求1至5任意一项所述的医学图像分类装置,其特征在于,所述分类器预构建模块还包括图像预处理子模块,所述图像预处理子模块包括:
第一去噪单元,用于对所述训练样本集中每个医学样本图像进行头动校正和剥头骨操作,以去除噪声和非脑组织结构影响;
配准处理单元,用于将经过处理的各医学样本图像进行空间标准化,以配准至统一坐标空间。
7.根据权利要求6所述的医学图像分类装置,其特征在于,所述图像预处理子模块还包括:
高斯平滑处理单元,用于对经过空间标准化处理的各医学样本图像进行高斯平滑处理。
8.根据权利要求7所述的医学图像分类装置,其特征在于,所述图像预处理子模块还包括:
归一化单元,用于对经过高斯平滑处理的各医学样本图像进行灰度归一化。
9.一种医学图像分类***,其特征在于,包括如权利要求1-8任意一项所述医学图像分类装置。
10.根据权利要求9所述的医学图像分类装置,其特征在于,还包括与所述医学图像分类装置相连的医学影像数据库模块;
所述医学影像数据库模块用于存储当前待识别的医学图像信息,所述医学图像信息包括待识别医学图像和标签信息,所述标签信息为所述医学图像分类装置输出的所述待识别医学图像的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910376120.4A CN110097128B (zh) | 2019-05-07 | 2019-05-07 | 医学图像分类装置及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910376120.4A CN110097128B (zh) | 2019-05-07 | 2019-05-07 | 医学图像分类装置及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110097128A true CN110097128A (zh) | 2019-08-06 |
CN110097128B CN110097128B (zh) | 2023-02-07 |
Family
ID=67447072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910376120.4A Active CN110097128B (zh) | 2019-05-07 | 2019-05-07 | 医学图像分类装置及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110097128B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674773A (zh) * | 2019-09-29 | 2020-01-10 | 燧人(上海)医疗科技有限公司 | 一种痴呆症的识别***、装置及存储介质 |
CN112364892A (zh) * | 2020-10-21 | 2021-02-12 | 北京麟卓信息科技有限公司 | 一种基于动态模型的图像识别方法及装置 |
CN112561935A (zh) * | 2020-12-26 | 2021-03-26 | 广东工业大学 | 一种阿尔兹海默症的识别方法、装置和设备 |
CN112884754A (zh) * | 2021-03-11 | 2021-06-01 | 广东工业大学 | 一种多模态阿尔兹海默症医学图像识别分类方法和*** |
CN113344198A (zh) * | 2021-06-09 | 2021-09-03 | 北京三快在线科技有限公司 | 一种模型训练的方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107131883A (zh) * | 2017-04-26 | 2017-09-05 | 中山大学 | 基于视觉的全自动移动终端室内定位*** |
CN107480677A (zh) * | 2017-08-07 | 2017-12-15 | 北京深睿博联科技有限责任公司 | 一种识别三维ct图像中感兴趣区域的方法及装置 |
US20180276813A1 (en) * | 2017-03-23 | 2018-09-27 | International Business Machines Corporation | Weakly supervised probabilistic atlas generation through multi-atlas label fusion |
CN109589092A (zh) * | 2018-10-08 | 2019-04-09 | 广州市本真网络科技有限公司 | 基于集成学习的阿尔茨海默症确定方法及*** |
-
2019
- 2019-05-07 CN CN201910376120.4A patent/CN110097128B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180276813A1 (en) * | 2017-03-23 | 2018-09-27 | International Business Machines Corporation | Weakly supervised probabilistic atlas generation through multi-atlas label fusion |
CN107131883A (zh) * | 2017-04-26 | 2017-09-05 | 中山大学 | 基于视觉的全自动移动终端室内定位*** |
CN107480677A (zh) * | 2017-08-07 | 2017-12-15 | 北京深睿博联科技有限责任公司 | 一种识别三维ct图像中感兴趣区域的方法及装置 |
CN109589092A (zh) * | 2018-10-08 | 2019-04-09 | 广州市本真网络科技有限公司 | 基于集成学习的阿尔茨海默症确定方法及*** |
Non-Patent Citations (2)
Title |
---|
MOMOYO ITO等: "Extraction of brain regions for image diagnosis of Alzheimer-type Dementia based on atrophy progress speeds", 《IEEE NUCLEAR SCIENCE SYMPOSUIM & MEDICAL IMAGING CONFERENCE》 * |
任湘: "基于深度学习的DCE-MRI乳腺癌诊断及分子分型预测", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674773A (zh) * | 2019-09-29 | 2020-01-10 | 燧人(上海)医疗科技有限公司 | 一种痴呆症的识别***、装置及存储介质 |
CN112364892A (zh) * | 2020-10-21 | 2021-02-12 | 北京麟卓信息科技有限公司 | 一种基于动态模型的图像识别方法及装置 |
CN112364892B (zh) * | 2020-10-21 | 2021-11-23 | 北京麟卓信息科技有限公司 | 一种基于动态模型的图像识别方法及装置 |
CN112561935A (zh) * | 2020-12-26 | 2021-03-26 | 广东工业大学 | 一种阿尔兹海默症的识别方法、装置和设备 |
CN112561935B (zh) * | 2020-12-26 | 2022-09-16 | 广东工业大学 | 一种大脑影像智能分类方法、装置和设备 |
CN112884754A (zh) * | 2021-03-11 | 2021-06-01 | 广东工业大学 | 一种多模态阿尔兹海默症医学图像识别分类方法和*** |
CN113344198A (zh) * | 2021-06-09 | 2021-09-03 | 北京三快在线科技有限公司 | 一种模型训练的方法及装置 |
CN113344198B (zh) * | 2021-06-09 | 2022-08-26 | 北京三快在线科技有限公司 | 一种模型训练的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110097128B (zh) | 2023-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097128A (zh) | 医学图像分类装置及*** | |
Cao et al. | Multi-task neural networks for joint hippocampus segmentation and clinical score regression | |
US10997466B2 (en) | Method and system for image segmentation and identification | |
CN110070935B (zh) | 基于对抗神经网络的医学图像合成方法、分类方法及装置 | |
CN110121749A (zh) | 用于图像采集的深度学习医疗***和方法 | |
CN108230296A (zh) | 图像特征的识别方法和装置、存储介质、电子装置 | |
CN106339571A (zh) | 用于分类医学图像数据组的人工神经网络 | |
US11693071B2 (en) | Systems and methods for mapping neuronal circuitry and clinical applications thereof | |
CN107624193A (zh) | 腹腔镜和内窥镜2d/2.5d图像数据中语义分割的方法和*** | |
CN110363760A (zh) | 用于识别医学图像的计算机*** | |
CN1934589A (zh) | 为医学成像提供自动决策支持的***和方法 | |
Fashandi et al. | An investigation of the effect of fat suppression and dimensionality on the accuracy of breast MRI segmentation using U‐nets | |
CN110910342A (zh) | 通过使用深度学习来分析骨骼创伤 | |
Sankari et al. | Automatic tumor segmentation using convolutional neural networks | |
Chuang et al. | Efficient triple output network for vertebral segmentation and identification | |
AU2019204365C1 (en) | Method and System for Image Segmentation and Identification | |
Boorboor et al. | NeuRegenerate: A framework for visualizing neurodegeneration | |
CN109124635A (zh) | 模型生成方法、磁共振成像扫描方法及*** | |
Braik et al. | Exploration of genetic algorithms and particle swarm optimization in improving the quality of medical images | |
Leo et al. | Neural Foraminal Stenosis Classifications using Multi-Feature Hierarchical Clustering and Delineation | |
Paul et al. | Computer-Aided Diagnosis Using Hybrid Technique for Fastened and Accurate Analysis of Tuberculosis Detection with Adaboost and Learning Vector Quantization | |
Kamber | Automated detection of multiple sclerosis lesions in magnetic resonance images of the human brain | |
EP4152248A1 (en) | Medical image analysis system | |
Gómez López | Soft computing y visión por ordenador para la identificación forense mediante comparación de radiografías | |
Kumar et al. | Impact of Tuning Parameters for Diagnosing Knee Osteoporosis: A Comparative Study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |