申请/专利权人：中国科学院自动化研究所

申请日：2021-03-12

公开（公告）日：2023-04-28

公开（公告）号：CN112861994B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/25;G06V10/80;G06V10/774;G06V10/82;G06T7/00;G06V10/26;G06T7/62;A61B6/03;A61B6/00;G06N3/0464;G06N3/047;G06N3/096

优先权：

专利状态码：有效-授权

法律状态：2023.04.28#授权;2021.06.15#实质审查的生效;2021.05.28#公开

摘要：本发明属于医学图像处理领域，具体涉及了一种基于Unet迁移学习的胃印戒细胞癌图像智能分类系统，旨在解决现有技术因胃癌病灶形状不规则、特征提取质量低，导致胃印戒细胞癌图像分类结果不准确的问题。本发明包括：感兴趣区域提取模块，对获取的待分类胃部CT进行胃癌病灶感兴趣区域提取；预处理模块，对提取的Rec_ROI进行图像增强；智能分类模块，通过训练好的智能分类模型完成待分类预处理图像的智能分类；筛选融合模块，将智能分类结果与筛选的显著临床因子融合生成待分类胃部CT图像的最终分类结果。本发明速度快、精度高、鲁棒性强，在临床上具有很大的实用价值。

主权项：1.一种基于Unet迁移学习的胃印戒细胞癌图像智能分类系统，其特征在于，该系统包括以下模块：感兴趣区域提取模块，用于对获取的待分类胃部CT进行胃癌病灶感兴趣区域提取，获得待分类胃癌病灶区域图像；预处理模块，用于对所述待分类胃癌病灶区域图像进行图像增强处理，获得待分类预处理图像；智能分类模块，用于通过训练好的智能分类模型进行所述待分类预处理图像的智能分类，获得智能分类结果；筛选融合模块，用于将所述智能分类结果与筛选的显著临床因子融合生成所述待分类胃部CT图像的最终分类结果；所述智能分类模型，其结构为：以Unet网络的编码块作为智能分类模型的基础架构，在所述Unet网络的编码块的每个尺度的卷积层后分别增加一个残差块，获得调整后的编码块，在所述调整后的编码块后顺次增加节点数为1024、512、64的三个全连接层，获得智能分类模型，其训练方法为：步骤B10，将训练好的分割模型的编码块的参数迁移到所述智能分类模型中进行编码块的权重初始化，并通过Xavier方法进行所述智能分类模型全连接层的权重初始化；步骤B20，获取智能分类模型训练样本集，并通过系统的感兴趣区域提取模块和预处理模块获取所述智能分类模型训练样本集中每一个训练样本对应的待分类预处理训练样本，并获取每个训练样本的类别标签；步骤B30，随机选取设定数量的待分类预处理训练样本和对应的类别标签，输入权重初始化后的智能分类模型获得智能分类模型的输出结果；步骤B40，若所述智能分类模型的输出结果与类别标签的交叉损失值不满足模型训练结束条件，则微调所述智能分类模型的参数并跳转步骤B30进行迭代训练，直至所述交叉损失值满足模型训练结束条件，获得训练好的智能分类模型；所述分割模型，其结构为：以Unet网络作为分割模型的基础架构，在所述Unet网络每个尺度的卷积层后分别增加一个残差块，在所有的卷积层后增加一个BatchNormalization层以及LeakyRelu激活函数，获得分割模型，其训练方法为：步骤A10，获取分割模型训练样本集，并通过系统的感兴趣区域提取模块和预处理模块获取所述分割模型训练样本集中每一个训练样本对应的待分割预处理训练样本；步骤A20，分别将每一个待分割预处理训练样本进行图像二值化，以获得的二值化图作为训练样本对应的样本标签；步骤A30，随机选取设定数量的待分割预处理训练样本和对应的样本标签，输入所述分割模型获得分割模型的输出结果；步骤A40，若所述分割模型的输出结果与样本标签的Dice损失值不满足模型训练结束条件，则调整所述分割模型的参数并跳转步骤A30进行迭代训练，直至所述Dice损失值满足模型训练结束条件，获得训练好的分割模型。

全文数据：

权利要求：

百度查询： 中国科学院自动化研究所 基于Unet迁移学习的胃印戒细胞癌图像智能分类系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD