[发明专利]消化道内窥镜图像的多分类方法、分类装置及存储介质

权利要求书

1.一种消化道内窥镜图像的多分类方法，其特征在于，所述方法包括：

获取内窥镜图像，对内窥镜图像进行预分类，并将预分类后的内窥镜图像分成训练集、验证集以及测试集；

构建卷积神经网络，将训练集中的内窥镜图像输入至所述卷积神经网络中进行迭代训练，并使用验证集判断迭代训练是否完成；

当判断迭代训练完成后，输出训练后的图像分类模型，并将测试集输入至所述图像分类模型中，输出内窥镜图像属于各种类型的预测概率，判定内窥镜图像对应的类型；

所述构建卷积神经网络，将训练集中的内窥镜图像输入至所述卷积神经网络中进行迭代训练，并使用验证集判断迭代训练是否完成的步骤，包括：

构建卷积神经网络，所述卷积神经网络包括卷积层、池化层以及全连接层；

将训练集中的内窥镜图像输入至所述卷积神经网络中，并设置好网络参数；

通过卷积神经网络从训练集中的图像中提取图像特征，并进行迭代训练，每次迭代结束后输出一个包含损失函数以及分类准确性的图像分类模型；

每次迭代训练结束后，使用验证集判断迭代训练是否完成；

所述卷积神经网络根据每一层不同的功能使用不同的激活函数；

所述网络参数包括有学习率、损失函数和迭代次数。

2.根据权利要求1所述的消化道内窥镜图像的多分类方法，其特征在于，所述获取内窥镜图像，对内窥镜图像进行预分类，并将预分类后的内窥镜图像分成训练集、验证集以及测试集的步骤，包括：

通过内窥镜对用户拍摄内窥镜图像，并根据先验知识将采集到的内窥镜图像按照不同病症阶段进行预分类，获取预分类的分类结果；

将预分类后得到的各类型的内窥镜图像按照预定比例分成训练集、验证集以及测试集。

3.根据权利要求2所述的消化道内窥镜图像的多分类方法，其特征在于，所述验证集与测试集中，各类型的内窥镜图像的数量相同。

4.根据权利要求1所述的消化道内窥镜图像的多分类方法，其特征在于，所述获取内窥镜图像，对内窥镜图像进行预分类，并将预分类后的内窥镜图像分成训练集、验证集以及测试集的步骤之后，还包括：

将训练集、验证集以及测试集中的内窥镜图像去中心化，使其均值为零；并将训练集、验证集以及测试集中的内窥镜图像正则化。

5.根据权利要求1所述的消化道内窥镜图像的多分类方法，其特征在于，所述构建卷积神经网络包括：

在构建卷积神经网络的过程中，将大尺度的卷积分解成多个小尺度的卷积；

将n*n的卷积分解成1*n和n*1卷积的串联；

使用并行结构来优化Pooling层，再将特征维度拼合到一起，构建所述卷积神经网络。

6.根据权利要求1所述的消化道内窥镜图像的多分类方法，其特征在于，所述当判断迭代训练完成后，输出训练后的图像分类模型，并将测试集输入至所述图像分类模型中，输出内窥镜图像属于各种类型的预测概率，判定内窥镜图像对应的类型的步骤，包括：

当判断迭代训练完成后，获取准确性最高的图像分类模型；

将测试集中的内窥镜图像输入所述图像分类模型中，所述图像分类模型自动对所述测试集中内窥镜图像进行分类；

输出内窥镜图像属于各种类型的预测概率，并将预测概率最高类型判定为所述内窥镜图像对应的类型。

7.根据权利要求6所述的消化道内窥镜图像的多分类方法，其特征在于，所述当判断迭代训练完成后，输出训练后的图像分类模型，并将训练集输入至所述图像分类模型中，输出内窥镜图像属于各种类型的预测概率，判定内窥镜图像对应的类型的步骤，还包括：

将通过图像分类模型判定的内窥镜图像的类型与预分类中的确定的所述内窥镜图像的类型进行比较；

若通过图像分类模型判定出的类型与预分类中判定的类型相同，则说明所述图像分类模型分类准确。