[发明专利]乳腺医学超声图像的自动化分类方法及装置

说明书

本申请提供一种乳腺医学超声图像的自动化分类方法及装置，方法包括：对获取的目标乳腺医学超声图像进行预处理；对预处理后的所述目标乳腺医学超声图像进行HSV颜色空间转换，得到该目标乳腺医学超声图像对应的色调H通道特征；将预处理后的所述目标乳腺医学超声图像对应的色调H通道特征作为预测样本，输入预设的目标深度卷积神经网络，并将该目标深度卷积神经网络的输出作为所述目标乳腺医学超声图像的分类结果。本申请能够有效提高对乳腺医学超声图像的特征识别的准确性及效率，并能够有效可靠提高对乳腺医学超声图像的分类过程的高效性及智能化程度，以及提高乳腺医学超声图像的分类结果的准确性。

技术领域

本申请涉及充图像处理技术领域，具体涉及一种乳腺医学超声图像的自动化分类方法及装置。

背景技术

随着科技在医学领域的飞速发展，通过人工对乳腺医学图像进行区域分割、特征提取及分类的技术已无法满足现代化乳腺医学的自动化需求。因此，为了有效适应现在医学影像大数据智能诊断的发展趋势，如何对乳腺医学图像进行智能化程度更高的分类已成为了重要的医学课题。

现有技术中，对乳腺医学图像进行分类的方式为利用限制玻尔兹曼机(RBM)设计个双层特征提取器提取和学习与任务相关的特征，而后利用支持向量机(SVM)输出乳腺影像数据特征类型。

然而，由于双层特征提取器并非严格意义上的深度学习模型，使得现有的乳腺医学图像的分类方法的智能化程度不足，且其较浅的网络结果也导致其提取特征在数量和质量上均受限，因此，现有的乳腺医学图像的分类方法存在分类准确性低及性能差的问题。

发明内容

针对现有技术中的问题，本申请提供一种乳腺医学超声图像的自动化分类方法及装置，能够有效提高对乳腺医学超声图像的特征识别的准确性及效率，并能够有效可靠提高对乳腺医学超声图像的分类过程的高效性及智能化程度，以及提高乳腺医学超声图像的分类结果的准确性。

为解决上述技术问题，本申请提供以下技术方案：

第一方面，本申请提供一种乳腺医学超声图像的自动化分类方法，包括：

对获取的目标乳腺医学超声图像进行预处理；

对预处理后的所述目标乳腺医学超声图像进行HSV颜色空间转换，得到该目标乳腺医学超声图像对应的色调H通道特征；

将预处理后的所述目标乳腺医学超声图像对应的色调H通道特征作为预测样本，输入预设的目标深度卷积神经网络，并将该目标深度卷积神经网络的输出作为所述目标乳腺医学超声图像的分类结果。

进一步地，所述对获取的目标乳腺医学超声图像进行预处理，包括：

获取目标乳腺医学超声图像；

对所述目标乳腺医学超声图像进行数据清洗；

对经数据清洗后的目标乳腺医学超声图像中的目标区域进行标记，得到所述目标乳腺医学超声图像的样本标签。

进一步地，所述对预处理后的所述目标乳腺医学超声图像进行HSV颜色空间转换，得到该目标乳腺医学超声图像对应的色调H通道特征，包括：

对预处理后的所述目标乳腺医学超声图像进行HSV颜色空间转换，得到该目标乳腺医学超声图像对应的HSV颜色特征；

在所述HSV颜色特征中提取所述目标乳腺医学超声图像对应的色调H通道值。

进一步地，在所述对获取的目标乳腺医学超声图像进行预处理之前，所述乳腺医学超声图像的自动化分类方法还包括：

构建一深度卷积神经网络，以及，根据多个历史乳腺医学超声图像获取该深度卷积神经网络的训练样本集；

应用所述训练样本集对所述深度卷积神经网络进行模型训练。