[发明专利]医用图像分类装置及方法

说明书

本发明公开了一种医用图像分类装置，包括：样本库建立部，建立已有图像样本的数据库，并标注所述图像样本的类别；模型训练部，用于训练深度卷积神经网络模型；映射库建立部，建立与样本库中图像样本相对应的映射向量的数据库；图像输入部，用于将待分类的图像输入训练好的深度卷积神经网络模型，得到与待分类的图像相对应的映射向量；比较部，比较待分类的图像与图像样本的相似度；以及输出部，根据所述比较部的比较结果，输出分类结果。本发明提高了对医用图像识别的准确率。本发明还公开了一种医用图像分类方法。

技术领域

本发明涉及医用图像处理技术领域，具体地，涉及一种医用图像分类装 置及方法。

背景技术

在计算机和人工智能技术还没有足够成熟之前，大多数医疗机构和诊所 对于皮肤病的诊断检查方法局限于“望闻问切”，也就是通过询问病人的病史， 物理检查，实验室化验等等，综合皮肤病变部位的颜色纹理特征，生化反应 特性来判断病人所患皮肤病的病种。通过对医用图像进行分类来识别病种， 现有技术中，对医用图像的分类识别，往往需要对原始图像进行繁杂的预处 理，需要工程师手动的设计出特征提取器，提取图像中的病理特征，随后选 择合适的分类器进行分类。这类方法难以处理泛化性较强的问题，以及复杂的多分类任务。并且，当病种种类繁多，同一病理常具有不同的表现形式时， 现有的医用图像分类方法难以对图像进行准确识别和分类，图像识别的正确 率较低，鲁棒性较差。

发明内容

鉴于以上问题，本发明的目的是提供一种医用图像分类装置及方法，以 解决现有技术中图像识别正确率较低，鲁棒性较差的问题。

为了实现上述目的，本发明采用以下技术方案：

本发明所述医用图像分类装置，包括：

样本库建立部，包括标注单元，建立已有图像样本的数据库，并标注所 述图像样本的类别；

模型训练部，用于训练深度卷积神经网络模型；

映射库建立部，建立与样本库中图像样本相对应的映射向量的数据库；

图像输入部，用于将待分类的图像输入训练好的深度卷积神经网络模型， 得到与待分类的图像相对应的映射向量；

比较部，比较待分类的图像与图像样本的相似度；以及

输出部，根据所述比较部的比较结果，输出分类结果，

其中，所述模型训练部包括：

划分单元，将图像样本划分为训练集和测试集；

三元组构建单元，从所述训练集中构建三元组作为训练参数，所述三元 组包括基准图像、与所述基准图像属于相同类别的同类图像和与所述基准图 像属于不同类别的异类图像；

训练单元，将所述三元组输入深度卷积神经网络模型进行循环迭代训练。

优选地，所述训练单元包括：

向量距离差获取模块，获取所述基准图像与所述同类图像之间以及所述 基准图像与所述异类图像的映射向量之间的距离差；

判断模块，判断所获取的映射向量距离差是否满足下式(1)，

式(1)中，表示第i个三元组中基准图像的映射向量，表示第i个 三元组中同类图像的映射向量，表示第i个三元组中异类图像的映射向量， threshold表示用于区分图像是否同类的阈值，

若满足，则通过循环迭代模块进行训练参数的迭代训练，若不满足，则 通过训练参数调整模块进行训练参数的更新；

训练参数调整模块，根据下式(2)计算误差函数以及和的梯 度方向，从而调整训练参数，使得误差函数最小化，