[发明专利]一种基于卷积神经网络的病变图像的分类和分割方法

权利要求书

1.一种基于卷积神经网络的病变图像的分类和分割方法，其特征在于：具体包括以下步骤：

(1)采集早期病变病人的标准白光图像，将采集到的白光图像基于严格的组织学证据进行标注类别和分割标注，将分类和标注好的图像作为图像数据库；

(2)构建病变分类网络Dual-stream ELNet，用训练样本集训练所述病变分类网络，确定网络参数，得到病变分类模型；(3)构建病变U-Net分割网络，用训练样本集训练所述病变分割网络，得到病变分割网络模型；

(4)将待测试的病变白光图像输入病变分类网络Dual-stream ELNet中，得到病变所属类别；将所述类别的病变白光图像输入到指定的U-Net分割网络模型中，得到病变分割结果，完成病变图像的分类和分割；

所述步骤（2）中构建的病变分类网络Dual-stream ELNet包括两个互补的网络，分别为Global Stream和Local Stream，所述Dual-stream ELNet模型包括多个卷积和池化层；

使用训练样本集进行病变分类网络训练的方法为：

将训练样本集的整体图像输入到Global Stream网络中，自动提取与病变大小和颜色对比度信息有关的全局特征，其中，通过采用21层网络层确定Global Stream网络参数，所述21层网络层包括16层卷积和5层池化自动优化权重参数；

通过Faster R-CNN获得图像的病变斑块，并且从正常类型的内窥镜图像中随机剪切出正常类型的斑块，将训练样本集的图像斑块输入到Local Stream网络中，Local Stream网络聚焦于与病变的纹理，形状和颜色有关的局部病变特征，其中，通过采用13层网络层确定Local Stream网络参数，所述13层网络层包括10卷积和3层池化层进行自动优化权重参数。

2.根据权利要求1所述的一种基于卷积神经网络的病变图像的分类和分割方法，其特征在于：所述步骤(1)中采集的白光图像的标准是选择可采用常规白光内窥镜检查的图像，所述可采用常规白光内窥镜检查的图像包括由执照医师手动注释的像素级注释。

3.根据权利要求1所述的一种基于卷积神经网络的病变图像的分类和分割方法，其特征在于：所述步骤(1)中的图像数据库中的80％的图像为训练数据集，10％的图像为测试数据集，剩余的10％的图像为验证数据集。

4.根据权利要求1所述的一种基于卷积神经网络的病变图像的分类和分割方法，其特征在于：在确定图像分类模型的基础上，对每个类别分别建立U-Net分割网络，得到图像病变的分割信息。