[发明专利]基于变分自编码器的医学图像聚类方法

说明书

本发明提供了一种基于变分自编码器的医学图像聚类方法。所述基于变分自编码器的医学图像聚类方法包括如下步骤：待聚类医疗图像提出聚类请求；对所述待聚类医疗图像进行预处理形成预处理图像；根据所述预处理图像的像素大小构建基于变分自编码器的聚类模型，并设置所述变分自编码器的损失函数对所述聚类模型进行训练；调节聚类类别个数，并重复前序步骤；比较计算获得最佳的聚类类别数及聚类结果；展示最终聚类结果。与相关技术相比，本发明的基于变分自编码其的医学图像聚类方法训练时间更短，训练正确率更高，普适性更强。

技术领域

本发明涉及医疗信息处理技术领域，尤其涉及一种基于变分自编码器的医学图像聚类方法。

背景技术

如今计算机技术高速发展，数据信息呈爆炸性增长。医学影像技术在最近几年也经历了快速发展，通过各种医疗器械如电子计算机X射线断层扫描技术(CT)、核磁共振成像技术(MRI)等所获得的医学影像可以辅助医生对病人的病情进行诊断，同时在研究领域，医学科研人员也可以通过医学影像辅助分析病理。在临床上，每时每刻都会产生大量的医学图像，如何通过计算机、人工智能技术对医学图像进行分析，挖掘其内在价值，对医疗发展至关重要。

聚类是人工智能机器学习领域的一个重要组成部分，在生物信息学、web信息检索、数据挖掘中有着广泛应用。如在文本聚类领域，利用聚类方法将主题相近的文章聚在一起，在技术路径及技术预见领域有广泛应用。在医学图像分析领域中，分类任务越来越不能满足需要。每天有大量的医疗图像产生，对图像进行标注将消耗大量的人力物力，训练集构建困难。与图像分类不同，图像聚类是一种无监督学习，不需要提前准备训练集和数据标签，它会根据聚类图像固有的特征分成若干个类目，具有很好的研究及使用价值。

传统的聚类方法，如k-means算法、高斯混合模型、谱聚类在许多问题上具有广泛的应用，在大数据场景下，由于距离度量及原始数据空间限制而表现不佳，因此近来，许多学者致力于图像深度聚类的研究，如改进k-means算法使之能够应用于高维输入空间、联合降维技术和k-means算法对数据进行聚类、基于谱聚类算法研究如何将原始数据进行特征学习进而对其聚类及结合自编码器的深层嵌入方法。

相关技术中，如公告号为CN105139430A的中国专利公开一种基于图熵的医学图像聚类方法，包括：(1)待聚类图像提出聚类请求；(2)图像预处理过程；(3)图的稀疏化；(4)基于图熵的带权无向图聚类；(5)展示结果。利用图熵的方法对医学图像进行聚类，通过将医学图像集抽象成完全图，之后对其进行稀疏化剪枝处理，所留下的边说明两张图像均认为与对方很相似，最后提出带权无向图的聚类方法。通过以上过程对医学图像进行聚类，可以有效的降低聚类时间，利用这种方法可以辅助医生在日常工作中对病人的病情进行诊断。但该方法在预处理过程中假设稀疏化剪枝处理仍能代表初始的医疗图像，仍保存了初始图像的特征信息，在实际应用中缺乏对初始图像整体信息的分析，在高维数据分析中表现不佳。

因此，有必要提供一种新的基于变分自编码器的医学图像聚类方法来解决上述问题。

发明内容

针对相关技术的医疗图像聚类方法在高维数据分析中表现不佳的技术问题，本发明提供了一种普适性强、训练时间短、正确率高的基于变分自编码器的医学图像聚类方法。

一种基于变分自编码器的医学图像聚类方法，其包括如下步骤：

S1、待聚类医疗图像提出聚类请求；

S2、对所述待聚类医疗图像进行预处理形成预处理图像；

S3、根据所述预处理图像的像素大小构建基于变分自编码器的聚类模型，并设置所述变分自编码器的损失函数对所述聚类模型进行训练；

S4、调节聚类类别个数，并重复所述步骤S3；

S5、比较计算获得最佳的聚类类别数及聚类结果；

S6、展示最终聚类结果。