[发明专利]一种基于DenseNet网络的医学图像分类方法及系统

说明书

本发明公开了一种基于DenseNet网络的医学图像分类方法及系统，通过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，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；本发明在对原始图像样本进行预处理后，搭建了改进的DenseNet网络模型，能够更有效地提取特征，在有一定噪声的程度下，依然能得到拟合较好的侧位片图像矢状向分类模型，提高侧位片图像的矢状向分类准确率和分类精确率，改善侧位片图像的诊断效果。

技术领域

本发明属于医学图像计算机辅助处理技术领域，具体涉及一种基于DenseNet网络的医学图像分类方法及系统。

背景技术

在医学图像分析领域中，精确的计算机医学图像分析工具可以协助医生进行分析，提高分析效率和准确性。目前，国内外学者对医学图像研究主要分两大类，一类是基于传统机器学习方法，另一类是采用深度学习方法来研究医学图像。

在正畸领域，准确的分析结果与治疗计划和后续结果密切相关。矢状向骨面型分类是正畸诊断过程的基本组成部分，对正畸医师制定治疗方案和预测面部生长具有重要意义。矢状向骨面型分类是一个复杂的过程，传统上，矢状骨模式的诊断依赖于几种头影测量，然而，头影测量分析是一个耗时费力的过程，需要专业培训和反复练习。此外，由于分析的主观性，无法避免错误和偏见。因此，利用卷积神经网络对侧位片进行辅助分析成为了研究热点之一。

近年来，基于人工智能的数据分析越来越受到正畸医生的关注，深度学习算法、循环神经网络、生成式对抗网络、深度信念网络等作为人工智能和机器学习的重要部分，在众多领域得到了广泛应用。特别是深度卷积神经网络在图像分析和识别以及图像特征提取和模式学习方面表现出了优异的性能。一些研究报告称，深度卷积神经网络在应用于医学图像时也可以显示出优越的能力。

然而，由于一些医学图像有限并且存在各种程度的失真和退化，比如在拍摄时或医院导出数据时产生的噪声、模糊和压缩等等，导致分类任务艰难。同时，由于关乎医生临床分析，所以医学分类要求更精准。因此，寻找一种高准确率、高性能和高分类精确率的医学图像分类方法成为研究人员关注的问题。

发明内容

本发明的目的在于提供一种基于DenseNet网络的医学图像分类方法及系统，以克服现有技术存在各种程度的失真和退化，导致分类数据精度低的问题。

一种基于DenseNet网络的医学图像分类方法，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。