[发明专利]一种基于深度学习的耳内镜图像神经网络模型构建方法及智能分类处理方法

说明书

本发明公开了一种基于深度学习的耳内镜图像神经网络模型构建方法及智能分类处理方法，该模型构建方法包括步骤A：从医院病例数据库中选取耳内镜图像构建耳内镜数据集，将数据集划分为测试集以及训练集；步骤B：加载预训练的神经网络模型，在所得到的训练集上微调预训练的神经网络模型，获得训练得到的神经网络模型；步骤C：在测试集上验证步骤B训练得到的神经网络模型的性能，筛选出最优神经网络模型。本发明同时公开了一种基于深度学习的耳内镜图像智能分类处理方法，该智能分类处理方法还包括步骤D：通过步骤C获得的最优神经网络模型，对新增的耳内镜图像进行智能分类，输出分类结果。

技术领域

本发明涉及耳内镜图像的建模及处理方法，具体是指一种基于深度学习的耳内镜图像神经网络模型构建方法及智能分类处理方法，该建模及处理方法适用于机器学习、生物医学和图像处理领域。

背景技术

人工智能(AI)在计算机医学领域发展得已较成熟，特别是在近年来人工智能飞速发展，使其在图像处理的准确度上与医生不相上下。在国内医疗信息化和分级诊疗的大背景之下，人工智能与医学影像的市场空间在不断地增长。

中耳炎是最常见的耳部疾病，而其中又属慢性化脓性中耳炎与分泌性中耳炎最常见。慢性化脓性中耳炎是中耳黏膜，骨膜或骨质的化脓性炎症，以反复性耳流脓、听力下降和鼓膜穿孔为主要特征，早期排查能防止恶化，避免发展为神经性耳聋或骨质破坏，此外，最新对于慢性化脓性中耳炎的分类方式将其分为活动期与静止期，其手术方案略有区别，静止期可直接进行手术，而活动期需先给予抗炎治疗待脓液止住3个月后方可实行手术。分泌性中耳炎尤其在儿童时期多发，其流行性统计分析结果表明，在我国有90％的学龄前儿童患过分泌性中耳炎，大部分能够自愈，而部分则不能自愈，此类儿童患有分泌性中耳炎若得不到及时治疗，将会导致其言语功能发育障碍，早期筛查具有十分重要的意义；成人型分泌性中耳炎发病率较低，多伴有鼻咽部疾病。

然而，传统医疗服务模式单一、总体服务能力低下，无法负荷大规模人群眼部疾病的筛查和诊治，导致有限的医疗资源与我国耳病人群庞大医疗需求之间的供需矛盾日益突出。因此，亟需进行医疗服务模式的变革，以提升我国耳科医疗总体服务能力，打破医疗供需不平衡的恶性循环。

发明内容

本发明的目的之一在于提供一种基于深度学习的耳内镜图像神经网络模型构建方法，该模型构建方法能够用于图像的分类处理。

本发明的这一目的通过如下的技术方案来实现：一种基于深度学习的耳内镜图像神经网络模型构建方法，其特征在于，该方法包括如下步骤：

步骤A：从医院病例数据库中选取耳内镜图像构建耳内镜数据集，将数据集划分为测试集以及训练集；

步骤B：加载预训练的神经网络模型，在所得到的训练集上微调预训练的神经网络模型，获得训练得到的神经网络模型；

步骤C：在测试集上验证步骤B训练得到的神经网络模型的性能，筛选出最优神经网络模型。

本发明中，所述步骤A中构建数据集的方法如下：

(a1)利用中山大学孙逸仙纪念医院耳鼻喉科的耳内镜数据库，获取耳内镜的图像组成耳内镜数据集；

(a2)按照病变程度将耳内镜图像分成正常、分泌性中耳炎、慢性化脓性中耳炎活动期、慢性化脓性中耳炎静止期四种类型，并且进行标注；

(a3)筛除各种类型中图像模糊以及未拍摄到病变部位的耳内镜图像；

(a4)随机选取耳内镜数据集的病例，使用交叉验证方法，划分多个测试集以及训练集，耳内镜数据集中一个病例会包含多张病例图像，具体划分时确保同一个病例的多张病例图像不会同时在训练集和测试集出现，即该病例包含的所有图片，要么全在训练集，要么全在测试集。

本发明中，所述步骤B中神经网络模型的训练方法如下：