[发明专利]一种医学图像分类方法、系统、终端以及存储介质

权利要求书

1.一种医学图像分类方法，其特征在于，包括：

获取医学图像数据集；

对所述医学图像数据集进行上采样，使得所述医学图像数据集中各个类别的图像样本达到均衡；

将所述上采样后的医学图像数据集输入卷积神经网络模型中进行训练，得到训练好的卷积神经网络模型，根据所述训练好的卷积神经网络模型进行医学图像分类；所述卷积神经网络模型包括InceptionV3、InceptionResNet以及Xception三个网络模型，将所述三个网络模型的输出结果进行汇总，输出图像分类结果；

所述对所述医学图像数据集进行上采样包括：

采用图像增强算法对所述医学图像数据集中除样本量最多的类别之外的其他类别的每张原始图像样本分别执行左右镜像翻转、上下镜像翻转、先左右镜像翻转随后上下镜像翻转以及不做任何翻转四种增强操作，得到每张原始图像样本在四种增强操作后的图像；

所述左右镜像翻转为按照设定概率将原始图像以图像垂直中心线进行镜像翻转；所述垂直翻转为按照设定概率将原始图像以图像水平中心线进行镜像翻转；

所述对所述医学图像数据集进行上采样还包括：

分别计算所述医学图像数据集中除样本量最多的类别之外的其他各个类别与所述样本量最多的类别之间的样本量差值，利用所述差值除以对应类别的样本量，得到所述其他各个类别需要随机增加的样本量n；

从所述其他各个类别的图像样本中选取需要上采样的图像作为“内容图像”，并分别从所述其他各个类别的图像样本中随机抽取n张图像作为“风格图像”，依次将所述“内容图像”和n张“风格图像”输入到图像风格转换模型中，通过所述图像风格转换模型输出所述其他各个类别的n张由“内容图像”和“风格图像”融合生成的上采样图像；其中，所述“内容图像”与“风格图像”的label一致；

所述InceptionV3、InceptionResNet以及Xception网络模型分别添加注意力机制，所述注意力机制包括通道注意力模块和空间注意力模块；

所述InceptionV3、InceptionResNet以及Xception网络模型分别包括两个输出分支，一个输出分支用于直接通过全连接网络输出预测结果，另一个输出分支用于将预测结果输出至下一级网络中，所述下一级网络用于将所述InceptionV3、InceptionResNet以及Xception网络模型的预测结果进行汇总后，输出图像分类结果；

所述卷积神经网络模型包括四个输出分支，分别为InceptionV3输出分支A、InceptionResNet输出分支B、Xception输出分支C以及汇总后的模型输出，根据各个分支的输出值和对应的真实label计算交叉熵损失得到各个输出分支的损失值，所述损失值具体为：

输出分支A的损失值为:Loss1＝categorical_crossentropy(分支A输出值,真实label)；

输出分支B的损失值为:Loss2＝categorical_crossentropy(分支B输出值,真实label)；

输出分支C的损失值为:Loss3＝categorical_crossentropy(分支C输出值,真实label)；

模型输出的损失值为:Loss4＝categorical_crossentropy(模型输出值,真实label)；

整个卷积神经网络模型的损失值为:Loss＝Loss1+Loss2+Loss3+Loss4；

所述真实label均为所述图像样本对应的真实标记值。

2.根据权利要求1所述的医学图像分类方法，其特征在于，所述对所述医学图像数据集进行上采样后还包括：

将所述上采样后的图像样本放缩至设定大小。

3.根据权利要求1所述的医学图像分类方法，其特征在于，所述卷积神经网络模型的四个输出值分别为p_a_1,p_a_2,p_a_3,p_a_4，p_a_1,p_a_2,p_a_3,p_a_4代表每个图像样本所属类别的概率值，其中a代表图像样本的编号,p_a_4为对p_a_1,p_a_2,p_a_3进行汇总后的输出结果。