[发明专利]基于多模式深度学习的医学图像分类装置及其构建方法

摘要

本发明公开了一种基于深度学习的医学图像分类装置及其构建方法。所述装置包括输入模块、粗分模块、细分模块、整合模块和显示模块，其中粗分模块包括区域卷积神经网络RCNN，细分模块包括识别原始图像的第一循环卷积神经网络rCNN1、将图像转换为HOG图的方向梯度直方图模型以及识别HOG的支持向量机SVM、高斯混合模型GMM和第二循环卷积神经网络rCNN2，整合模块包括例如GMM的综合分类器，用于将细分模块的四个分类器输出的各个区域的识别置信分数作为一个输入向量经加权后输入，得到各个区域的最终识别置信分数。

主权项

1.一种基于深度学习的医学图像分类装置，包括：1)输入模块：用于输入待检测的原始医学图像；2)粗分模块：用于利用区域卷积神经网络对输入模块输入的原始医学图像进行区域分割和区域分类处理，得到病变组织区域和正常组织区域以及各个区域的第一识别置信分数；3)细分模块：包括第一循环卷积神经网络，用于处理区域卷积神经网络输出的病变组织区域和正常组织区域的原始图像以得到各个区域的第二识别置信分数；方向梯度直方图模型，用于将区域卷积神经网络输出的病变组织区域和正常组织区域的图像分别转换为归一化的方向梯度直方图；支持向量机，用于处理所述归一化的方向梯度直方图以得到各个区域的第三识别置信分数；高斯混合模型，用于处理所述归一化的方向梯度直方图以得到各个区域的第四识别置信分数；和第二循环卷积神经网络，用于处理所述归一化的方向梯度直方图以得到各个区域的第五识别置信分数；以及4)整合模块：用于将所述细分模块输出的所述各个区域的第二、第三、第四和第五识别置信分数作为一个输入向量经加权后输入综合分类器，得到各个区域的最终识别置信分数；和5)显示模块：用于显示标注有所述病变组织区域和正常组织区域的所述原始医学图像以及各个区域的最终识别置信分数。