[发明专利]一种基于机器学习的医学图像分类方法及系统

权利要求书

1.一种基于机器学习的医学图像分类方法，其特征在于，包括：

获取医学图像测试集；所述医学图像测试集由多个医学图像测试样本组成；

将所述医学图像测试集输入至训练好的卷积神经网络特征提取网络中，得到测试特征初始集；所述训练好的卷积神经网络特征提取网络包括输入层、输出层、多个卷积层和多个池化层；所述测试特征初始集由多个医学图像测试初始特征组成；所述医学图像测试初始特征是所述训练好的卷积神经网络特征提取网络中的卷积层输出的特征；

对所述测试特征初始集进行对齐融合和特征降维，得到测试特征集；所述测试特征集由多个尺寸相同的医学图像测试特征组成；

采用自助抽样法依次对所述医学图像测试集和所述测试特征集进行随机抽样，得到多个测试样本子集；

将所述测试样本子集输入至对应的训练好的极限学习机模型中，得到测试集初始分类结果；一个所述测试样本子集对应一个所述训练好的极限学习机模型；一个所述训练好的极限学习机模型对应一个所述测试集初始分类结果；

将多个所述测试集初始分类结果输入至训练好的随机森林模型中，得到医学图像测试集分类结果。

2.根据权利要求1所述的一种基于机器学习的医学图像分类方法，其特征在于，所述训练好的卷积神经网络特征提取网络的确定方法为：

获取医学图像训练集；所述医学图像训练集由多个医学图像训练样本和对应的类标签组成；

构建卷积神经网络模型；所述卷积神经网络模型包括待定参数的输入层、待定参数的输出层、待定参数的全连接层、多个待定参数的卷积层和多个待定参数的池化层；

将所述医学图像训练集输入至所述卷积神经网络模型中，确定每个层的待定参数，得到训练好的卷积神经网络模型；

去除所述训练好的卷积神经网络模型中的全连接层，得到训练好的卷积神经网络特征提取网络。

3.根据权利要求1所述的一种基于机器学习的医学图像分类方法，其特征在于，所述训练好的极限学习机模型的确定方法为：

获取医学图像训练集；所述医学图像训练集由多个医学图像训练样本和对应的类标签组成；

将多个所述医学图像训练样本输入至训练好的卷积神经网络特征提取网络中，得到训练特征初始集；所述训练特征初始集由多个医学图像训练初始特征组成；所述医学图像训练初始特征是所述训练好的卷积神经网络特征提取网络中的卷积层输出的特征；

对所述训练特征初始集进行对齐融合和特征降维，得到训练特征集；所述训练特征集由多个尺寸相同的医学图像训练特征组成；

采用自助抽样法依次对所述医学图像训练集和所述训练特征集进行随机抽样，得到多个训练样本子集；

构建参量待定的极限学习机模型；

将每个所述训练样本子集分别输入至所述参量待定的极限学习机模型中，得到多个训练好的极限学习机模型。

4.根据权利要求1所述的一种基于机器学习的医学图像分类方法，其特征在于，所述训练好的随机森林模型的确定方法为：

获取医学图像训练集；所述医学图像训练集由多个医学图像训练样本和对应的类标签组成；

将多个所述医学图像训练样本输入至训练好的卷积神经网络特征提取网络中，得到训练特征初始集；所述训练特征初始集由多个医学图像训练初始特征组成；所述医学图像训练初始特征是所述训练好的卷积神经网络特征提取网络中的卷积层输出的特征；

对所述训练特征初始集进行对齐融合和特征降维，得到训练特征集；所述训练特征集由多个尺寸相同的医学图像训练特征组成；

采用自助抽样法依次对所述医学图像训练集和所述训练特征集进行随机抽样，得到多个训练样本子集；

将所述训练样本子集输入至对应的训练好的极限学习机模型中，得到训练集初始分类结果；一个所述训练样本子集对应一个所述训练好的极限学习机模型；一个所述训练好的极限学习机模型对应一个所述训练集初始分类结果；

构建参量待定的随机森林模型；

将多个所述训练集初始分类结果作为所述参量待定的随机森林模型的输入，将对应训练样本子集中类标签作为所述参量待定的随机森林模型的输出，对所述参量待定的随机森林模型进行训练，得到训练好的随机森林模型。