[发明专利]一种基于DenseNet网络的医学图像分类方法及系统

权利要求书

1.一种基于DenseNet网络的医学图像分类方法，其特征在于，包括以下步骤：

S1，采集侧位片数据信息并进行预处理，并从预处理之后的侧位片数据信息中选取训练集；

S3，基于改进的通道注意力模块构建改进的DenseNet模型，将上述训练集输入到所述改进的DenseNet网络模型中进行训练，得到训练好的侧位片图像分类模型，利用训练好的侧位片图像分类模型对待测图像进行识别分类。

2.根据权利要求1所述的一种基于DenseNet网络的医学图像分类方法，其特征在于，侧位片数据信采用患者侧面骨形态的侧位片图像原始数据信息，患者侧面骨形态的侧位片图像原始数据信息带有分类标签。

3.根据权利要求2所述的一种基于DenseNet网络的医学图像分类方法，其特征在于，分类标签为以上下颌位置关系决定的三种矢状向骨面型类别，包括：骨I类、骨II类以及骨III类。

4.根据权利要求1所述的一种基于DenseNet网络的医学图像分类方法，其特征在于，对侧位片数据信息进行预处理具体为数据增强，包括缩放、裁剪、平移。

5.根据权利要求1所述的一种基于DenseNet网络的医学图像分类方法，其特征在于，改进的通道注意力模块SEBlock：在通道注意力模块SEBlock中嵌套软阈值模块，在SEBlock块的全连接层前，加入自动学习得到阈值的软阈值模块，用于特征图的软阈值化。

6.根据权利要求5所述的一种基于DenseNet网络的医学图像分类方法，其特征在于，修改DenseNet特征网络中结构，构建改进的DenseNet网络模型，并对所述改进的DenseNet网络模型进行预训练，将所述训练集输入到所述改进的DenseNet网络模型中进行训练，得到训练好的DenseNet网络分类模型。

7.根据权利要求1所述的一种基于DenseNet网络的医学图像分类方法，其特征在于，基于改进的通道注意力模块构建改进的DenseNet模型：在DenseNet网络中Dense Block1和Transition Layer1后加入带有软阈值模块嵌入的通道注意力SEBlock模块，在DenseBlock3和Transition Layer3后加入原始的通道注意力SEBlock模块。

8.一种基于DenseNet网络的医学图像分类系统，其特征在于，包括预处理模块和分类模块；

预处理模块，用于采集侧位片数据信息并进行预处理，并从预处理之后的侧位片数据信息中选取训练集；

分类模块，用于保存基于改进的通道注意力模块构建改进的DenseNet模型，通过上述训练集输入到所述改进的DenseNet网络模型中进行训练，得到训练好的侧位片图像分类模型，利用训练好的侧位片图像分类模型对待测图像进行识别分类。

9.根据权利要求8所述的一种基于DenseNet网络的医学图像分类系统，其特征在于，侧位片数据信采用患者侧面骨形态的侧位片图像原始数据信息，患者侧面骨形态的侧位片图像原始数据信息带有分类标签。

10.根据权利要求8所述的一种基于DenseNet网络的医学图像分类系统，其特征在于，改进的通道注意力模块SEBlock：在通道注意力模块SEBlock中嵌套软阈值模块，在SEBlock块的全连接层前，加入自动学习得到阈值的软阈值模块，用于特征图的软阈值化；

修改DenseNet特征网络中结构，构建改进的DenseNet网络模型，并对所述改进的DenseNet网络模型进行预训练，将所述训练集输入到所述改进的DenseNet网络模型中进行训练，得到训练好的DenseNet网络分类模型。