[发明专利]一种医学图像分类方法、系统、介质及电子终端

说明书

本发明提供一种医学图像分类方法、系统、介质及电子终端，方法包括：构建基于深度学习的卷积神经网络；将采集的医学图像数据集输入卷积神经网络进行训练，获取分类模型，其中，训练过程包括：特征提取与分类、类分布不平衡优化；类分布不平衡优化的步骤包括：根据不同类别中的样本的数量，获取不同类别的权重参数和/或样本的不平衡比例，进而进行类不平衡优化；将待分类医学图像输入分类模型，进行医学图像分类；本发明中的医学图像分类方法，通过将医学图像数据集输入基于深度学习的卷积神经网络进行训练，训练过程包括：特征提取与分类、类分布不平衡优化，从而获得较优的分类模型，能够有效避免图像样本分布不平衡的问题，提高分类精确度。

技术领域

本发明涉及图像分类领域，尤其涉及一种医学图像分类方法、系统、介质及电子终端。

背景技术

随着机器诊断的发展，计算机辅助诊断(CAD)系统受到了越来越多的关注，它被广泛的应用于解剖医学图像分割、分类和检索等，用于减少医生的工作量，然而目前，解剖医学图像检索的方法主要是采用基于文本的检索方法，基于一个或多个图像的表示文本进行检索，而文本手册文字信息需要由丰富经验和知识的专家医生经过大量时间，总结记录下来，实施较困难，操作较复杂，且当所得图像样本分布不平衡时，难以实现准确分类，分类效率较低。

发明内容

本发明提供一种医学图像分类方法、系统、介质及电子终端，以解决现有技术中采用基于文本的方法对医学图像进行检索，操作较复杂，且当图像样本分布不平衡时，图像分类精确度较低的问题。

本发明提供的医学图像分类方法，包括：

构建基于深度学习的卷积神经网络；

将采集的医学图像数据集输入所述卷积神经网络进行训练，获取分类模型，其中，训练过程包括：特征提取与分类、类分布不平衡优化；

所述类分布不平衡优化的步骤包括：根据不同类别中的样本的数量，获取不同类别的权重参数和/或样本的不平衡比例，进而进行类不平衡优化；

将待分类医学图像输入所述分类模型，进行医学图像分类。

可选的，所述特征提取与分类的步骤包括：

将所述医学图像数据集输入所述卷积神经网络，进行特征提取，获取特征矩阵；

对所述特征矩阵进行向量化处理，获取特征向量；

通过所述卷积神经网络的全连接层对所述特征向量进行分类，获取第一分类结果；

将所述特征向量输入softmax分类器进行分类，获取第二分类结果；

将所述第二分类结果和所述第一分类结果进行对比，根据对比结果对所述卷积神经网络进行训练。

可选的，根据不同类别中的样本的数量，获取不同类别的权重参数的步骤包括：

根据不同类别中的样本的数量，获取不同类别的权重参数，所述样本包括：特征向量、与所述特征向量对应的类别标签；

根据所述权重参数，对不同类别的样本的数量不平衡进行优化；

根据所述权重参数，对不同类别的样本的数量不平衡进行优化的数学表达为：

FL(p_t)＝-α_t(1-p_t)^γlog(p_t)

其中，p_t为预测值，α为权重参数，(1-p_t)^γ为样本难度权重调因子，γ为抑制参数。

可选的，根据不同类别中的样本的数量，获取样本的不平衡比例的步骤还包括：

预先设置样本数量阈值；