[发明专利]一种医疗图像大数据3D残差网络分类方法

说明书

本发明提出了一种医疗图像大数据3D残差网络分类方法，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。

技术领域

本发明涉及大数据提取领域，尤其涉及一种医疗图像大数据3D残差网络分类方法。

背景技术

通过内窥镜获取的横断图像中，在边缘图像中会发生椭圆畸变，由于内窥镜图像获取过程中包括毛细血管在内会产生很多噪声，造成采样图像发生失真或者病灶不突出显示的问题，这在对内窥镜图像进行分类过程中普遍采用神经网络学习的方法进行不断学习，使获取图像更准确，但是因为类学习不充分，无法进行优化的学习方式，也不能准确分类和提取出来所需的医学影像，这就亟需本领域技术人员解决相应的技术问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种医疗图像大数据3D残差网络分类方法。

为了实现本发明的上述目的，本发明提供了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。

优选的，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。

优选的，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。

优选的，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，