[发明专利]一种医疗图像大数据3D残差网络分类方法

权利要求书

1.一种医疗图像大数据3D残差网络分类方法，其特征在于，包括如下步骤：

S1，通过去噪算法对图像中的噪声进行平滑处理；通过3D残差网络输出预测图像，通过判断属性函数进行图像分类；

S2，对分类后的图像通过加权过程实现损失函数计算，从而获取图像增强的内窥镜图像。

2.根据权利要求1所述的医疗图像大数据3D残差网络分类方法，其特征在于，所述S1包括：

S1-1，通过计算全部时间轴上的图像特征权重E_i＝|q_i-h|²·|q_i-g_t|，得到病灶图像特征向量，通过二维平滑函数进行平滑处理；

q_i为包含病灶图像的编码参数，h为参考病灶图像的编码参数，通过相减求绝对值再平方的计算方法，得到病灶图像编码差值，g_t为在按照时间轴顺序输出的图像编码参数，与噪声编码参数相减之后得到时间属性的病灶图像编码参数，i为正整数，t为时间；L_i为病灶图像长度，x为图像x轴坐标，y为图像y轴坐标，W病灶图像类别参数。

3.根据权利要求1所述的医疗图像大数据3D残差网络分类方法，其特征在于，所述S1还包括：

S1-2，根据病灶图像的x和y轴坐标位置，通过训练3D残差网络，计算病灶图像和平滑图像之间的差值，更新3D残差网络的病灶图像参数，从而输出预测的病灶图像；

其中病灶图像参数运算过程为capacity(x,y)为病灶图像中连通域的全部像素坐标，j(x,y)为3D残差网络中输出的病灶图像结果概率，k(x,y)为发现病灶图像的加权概率；

计算j(x,y)＝l(x,y)·j_i(x,y)·μ，

l(x,y)为病灶图像的坐标权重，j_i(x,y)为3D残差网络中输出的第i个病灶图像的结果概率，μ为3D残差网络中输出的病灶图像计算因子；

k(x,y)＝l(x,y)·k_i(x,y)·σ；k_i(x,y)为发现第i个病灶图像的加权概率，σ为发现病灶图像的计算因子。

4.根据权利要求1所述的医疗图像大数据3D残差网络分类方法，其特征在于，所述S1包括：

S2-3，对于病灶图像进行预测之后，通过判断属性函数进行病灶图像分类，

对于不同病灶图像的类别，进行概率分布计算，所得到的概率分布需要调用3D残差网络训练的病灶图像，对病灶图像的不同特征进行分类操作，

概率分布为H为全部病灶的坐标图像，f为病灶图像的种类，z_f为每种病灶图像的提取数量，φ为正则参数，Q_x为病灶图像X轴坐标的提取权值，Q_y为病灶图像Y轴坐标的提取权值。

5.根据权利要求1所述的医疗图像大数据3D残差网络分类方法，其特征在于，所述S2包括：

进行加权的损失函数为

其中，U_i为线性增量，T(x,y)为观察病灶图像所获得的差异坐标，η为惩罚因子，V为获取增强病灶图像的计算参数，ψ为辅助因子，I(x,y)为病灶细节纹理特征的增强图像坐标。