[发明专利]一种基于机器学习的医学图像分类方法及系统

说明书

本发明公开了一种基于机器学习的医学图像分类方法及系统。所述方法包括：获取医学图像测试集；将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；对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；采用自助抽样法依次对医学图像测试集和测试特征集进行随机抽样，得到多个测试样本子集；将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；将多个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。本发明能够在提高分类效率的同时，提高分类的准确度。

技术领域

本发明涉及医学图像分类领域，特别是涉及一种基于机器学习的医学图像分类方法及系统。

背景技术

由于医学图像中蕴含着丰富的图像和医学信息，近年来面向医学图像的数据挖掘技术成为医学和计算机交叉学科研究的热点。随着医疗数字化设备的快速发展，医学信息数据库被广泛使用。病人的结构化文本信息，以及大量的非结构化医学图像信息，为医学图像的数据挖掘提供了丰富的数据资源。

医学图像可以有效的辅助医师在诊断过程中对病理变化区域进行检测、定位以及判断它的良恶性，因此被广泛应用于临床诊断过程中。然而，具有不同知识背景的医生即使对同一张医学图像可能存在不同的判断，所以，运用数据挖掘方法研究医学图像分类算法，对辅助医生根据医学图像进行诊断，提高其效率和精度，具有较高的学术价值和实际应用前景。

目前，随着人工智能的发展，机器学习作为人工智能核心技术得到了广泛的应用，尤其是在医学图像分类方面。当前常用的机器学习算法包括神经网络、支持向量机(SVM)、决策树、朴素贝叶斯分类器、随机森林、极限学习机(ELM)等。

卷积神经网络(CNN)作为神经网络的一种，在医学图像分类识别中得到了广泛的应用。CNN通过卷积层、池化层等变换，能够自动得到图像在不同尺度下的特征值，避免了复杂的手工特征提取，是一个较好的特征提取器。CNN的最后一层通常采用全连接或SVM作为分类器，但是全连接与SVM均具有计算复杂度高的缺点。

ELM由于只含有一个隐藏层，且输入层与隐藏层的权重值和偏置值不需要进行迭代更新，ELM相比SVM等算法，虽然具有计算复杂度低、训练速度快的优点，但是其随机产生输入层与隐藏层的网络权重值和偏置值会造成ELM对未在训练集中出现的样本泛化能力差、输出结果不稳定，不能达到理想的精度。

综上，现有的医学图像分类方法存在时间复杂度较高、分类准确率较低的问题。

发明内容

基于此，有必要提供一种基于机器学习的医学图像分类方法及系统，以实现在提高分类效率的同时，提高分类的准确度。

为实现上述目的，本发明提供了如下方案：

一种基于机器学习的医学图像分类方法，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；