一种肺部恶性肿瘤医学影像数据分类处理方法及系统

1.本发明涉及数据处理技术领域，尤其涉及一种肺部恶性肿瘤医学影像数据分类处理方法及系统。


背景技术：

2.目前，医学影像学成为肺部肿瘤分析的主要手段。计算机辅助分析是一种非常有前途的技术，可以极大地提高医疗水平和数据分析准确性。但是，现有模型未考虑到医疗影像中存在数据不确定性的问题。具体来说，医疗影像数据包括x光片、ct扫描、mri等多种类型，这些数据都存在着不确定性的问题。x光片的数据不确定性来自于拍摄时的曝光时间和角度等因素，这些因素都会影响图像的质量。ct扫描的数据不确定性来自于扫描时的条件和参数，如扫描仪的型号、扫描速度、扫描位置等因素，这些因素都会影响图像的质量。mri数据的不确定性来自于扫描时的参数，如扫描仪的型号、扫描速度、扫描位置等因素，这些因素都会影响图像的质量。同时，不同医师对同一张影像的不同判断也是不确定性的来源之一。
3.由于这些不确定性的问题，肺部肿瘤医学影像数据分类处理准确率低，导致由数据不确定性引起的决策失误。


技术实现要素：

4.本发明的目的在于提供一种肺部恶性肿瘤医学影像数据分类处理方法及系统，旨在解决肺部肿瘤医学影像数据分类处理准确率低，导致由数据不确定性引起的决策失误的问题。
5.为实现上述目的，第一方面，本发明提供了肺部恶性肿瘤医学影像数据分类处理方法，可以包括以下步骤：
6.获取采集到的肺部医学影像数据进行预处理；
7.基于预处理数据建立并训练肺部恶性肿瘤数据分类模型；
8.获取待分类处理的医学影像数据，基于所述肺部恶性肿瘤数据分类模型，得到数据不确定性估计值；
9.获取所述数据不确定性估计值基于三支决策理论比较，通过终端输出分类处理结果。
10.在一实施例中，所述获取采集到的肺部医学影像数据进行预处理，其中，预处理过程包括：
11.灰度化处理、噪声抑制处理、图像增强处理、检测结节处理。
12.在一实施例中，基于预处理数据建立并训练肺部恶性肿瘤数据分类模型，其中，所述肺部恶性肿瘤数据分类模型使用resnet-18做为骨干网络。
13.在一实施例中，所述使用resnet-18做为骨干网络，具体包括：
14.以resnet-18为基础，建立骨干网络，除去resnet-18最后的全连接层，所述骨干网
络包含一个7
×
7卷积层，一个bn层，一个3
×
3最大池化层、4个残差块和一个全局平均池化层。
15.在一实施例中，基于预处理数据建立并训练肺部恶性肿瘤数据分类模型，具体步骤包括：
16.对每个数据样本xi输出两个512维的向量分别作为特征空间中均值ui和标准差σi，训练过程中，利用重参数化技巧模拟特征空间中的随机采样得到特征向量si＝μi+εσi,ε～n(0,ι)，其中i为单位矩阵，即ε服从标准正态分布，并且使用损失函数l＝l
softmax
+λl
kl
进行优化；实际应用中，使用已求得的均值ui表征特征向量si；
17.其中，每个数据样本xi在特征空间的表示zi为高斯分布，为分类损失，n为训练集样本数，yi表示第i个训练样本的真实标签，si指的是模型为第i个样本在特征空间的向量表示，c表示分类问题中的总类别数，wc表示与第c类相关联的权重向量，w
yi
表示与第yi类相关联的权重向量，为kl正则化项，λ为正则化系数，μ为均值，σ2为方差，该损失函数的目标是最小化真实分布和模型分布之间的kl散度。
18.在一实施例中，获取所述数据不确定性估计值基于三支决策理论比较，通过终端输出分类处理结果，具体包括：
19.根据所述不确定性估计值与经验阈值的比较，得出医学影像为正域、负域、边界域的分类结果；其中，所述不确定性估计值小于所述经验阈值时，得出医学影像为正域或医学影像为负域的分类结果；所述不确定性估计值大于或等于所述经验阈值时，得出医学影像为边界域的分类结果。
20.第二方面，本发明提供一种肺部恶性肿瘤医学影像数据分类处理系统，应用于如第一方面所述的肺部恶性肿瘤医学影像数据分类处理方法，包括数据采集模块、数据预处理模块、模型建立训练模块、数据处理输出模块和分类处理结果查询模块；其中，
21.所述数据采集模块，用于采集病患基本信息和通过医疗设备采集所拍摄到的病患肺部医学影像数据；
22.所述数据预处理模块，用于对采集到的肺部医学影像数据进行灰度化处理、噪声抑制处理、图像增强处理、检测结节处理；
23.所述模型建立训练模块，基于预处理数据建立并训练肺部恶性肿瘤数据分类模型；
24.所述数据处理输出模块，用于获取待分类处理的医学影像数据，基于所述肺部恶性肿瘤数据分类模型，得到数据不确定性估计值；获取所述数据不确定性估计值基于三支决策理论比较，通过终端输出分类处理结果。
25.本发明的一种肺部恶性肿瘤医学影像数据分类处理方法及系统，通过获取采集到的肺部医学影像数据进行预处理；基于预处理数据建立并训练肺部恶性肿瘤数据分类模型；获取待分类处理的医学影像数据，基于所述肺部恶性肿瘤数据分类模型，得到数据不确定性估计值；获取所述数据不确定性估计值基于三支决策理论比较，通过终端输出分类处理结果。通过对医学影像数据进行预处理、模型建立、处理、比较，得到分类结果，数据分类
处理准确率高，有利于医生后续快速准确做出决策。
附图说明
26.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
27.图1是本发明提供的一种肺部恶性肿瘤医学影像数据分类处理方法的流程示意图。
28.图2是本发明提供的一种网络结构示意图；
29.图3是本发明提供的步骤s103的具体流程示意图；
30.图4是本发明提供的一种肺部恶性肿瘤医学影像数据分类处理系统的时序图。
具体实施方式
31.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
32.本发明实施例公开了一种肺部恶性肿瘤医学影像数据分类处理方法及系统，实现把肺部医学影像数据进行预处理分析、模型建立、处理、比较、得出数据分类结果，当分类结果为医学影像为正域或医学影像为负域时，直接得出结果，医生直接进行对应决策，当分类结果为医学影像为边界域时，对应的医学图像数据会传输展示至医生面前，帮助医生快速、准确、全面的做出决策，提高分类处理的准确性以及缩短了后续医生做出决策的时间。以下分别详细说明。
33.第一方面，请参阅图1，图1是本发明提供的一种肺部恶性肿瘤医学影像数据分类处理方法的流程示意图。本发明实施例的恶性肿瘤医学影像数据分类处理方法可以包括以下步骤：
34.s101、获取采集到的肺部医学影像数据进行预处理；
35.在本实施方式中，所述肺部医学影像数据包括x光片数据、ct扫描数据、mri数据；预处理过程包括灰度化处理、噪声抑制处理、图像增强处理、检测结节处理，并将结节区域裁剪为64
×
64的结节影像片段，以提高后续处理的准确性。
36.s102、基于预处理数据建立并训练肺部恶性肿瘤数据分类模型；
37.在本实施方式中，建立并训练肺部恶性肿瘤检测模型，所述模型使用resnet-18做为骨干网络，所述骨干网络包含一个7
×
7卷积层，一个bn层，一个3
×
3最大池化层、4个残差块和一个全局平均池化层。在骨干网络后使用两个全连接层，对每个数据样本xi输出两个512维的向量分别作为特征空间中均值ui(用于建模特征表示)和标准差σi(用作建模数据不确定性)，训练过程中，假设每个样本xi在特征空间的表示zi为高斯分布，利用重参数化技巧模拟特征空间中的随机采样得到特征向量si＝μi+εσi,ε～n(0,ι)，其中i为单位矩阵，即ε服从标准正态分布，并对此表示运用softmax分类器，分类并且输出数据不确定性值。综合模型输出、数据不确定性和kl正则化的损失函数来训练模型，即使用损失函数l＝l
softmax
+λl
kl
进行优化。
38.其中，为分类损失；
39.n为训练集样本数，yi表示第i个训练样本的真实标签，si指的是模型为第i个样本在特征空间的向量表示，c表示分类问题中的总类别数，wc表示与第c类相关联的权重向量，表示与第yi类相关联的权重向量；
40.为kl正则化项；
41.λ为正则化系数，是一个超参数，μ为均值，σ2为方差，该损失函数的目标是最小化真实分布和模型分布之间的kl散度，使用随机梯度下降法训练网络。
42.s103、获取待分类处理的医学影像数据，基于所述肺部恶性肿瘤数据分类模型，得到数据不确定性估计值；获取所述数据不确定性估计值基于三支决策理论比较，通过终端输出分类处理结果。
43.在本实施方式中，利用数据不确定性对肺部医学影像数据的不确定性进行描述，计算分类损失l
cls
(由softmax和kl散度正则化组成)，根据损失利用三支决策理论将医学影像分为正域、负域和边界域。
44.具体的，在训练阶段，当肺部肿瘤数据用于图像处理时，就结合神经网络决策融合结果和医生专家知识数据进行综合判断，并根据综合判断结果对神经网络进行反馈修正。
45.在实际应用阶段，请参阅图2，图2是本发明提供的一种网络结构示意图。已训练的肺部恶性肿瘤分类模型，输出分类结果和数据不确定性估计值，通过将不确定性估计值σ和经验阈值θ比对，经验阈值θ可用验证数据中网络输出的所有不确定性估计值σ的均值比对指标可以是欧式距离或余弦距离，根据医生专家知识数据建立决策可靠性检验机制，请参阅图3，图3是本发明提供的步骤s103的具体流程示意图，利用三支决策理论，当不确定性估计值小于经验阈值，即σ＜θ时，认为模型结果可信，将模型分类结果{恶性、良性}作为三支决策理论的正域和负域，当不确定性估计值大于或等于经验阈值，即σ≥θ时，认为模型结果不可信，将其判定为三支决策的边界域，后续由医生专家进行再决策，将预测结果交给医生专家决定，一方面尽可能减少误诊出现，另一方面将专家分析的结果作为依据再次对神经网络进行反馈修正，即，在通过终端输出分类处理结果之后，所述方法还包括获取基于医学影像为边界域的分类结果得到的最终分析结果输入至所述肺部恶性肿瘤数据分类模型进行修正。提高数据分类处理的准确性。此反馈修正机制是一种动态调整网络参数或者网络拓扑结构的方法，通过结合模型输出结果和专家知识数据两方面的信息，进一步提升了结果的准确性和可靠性，确保了本发明所提出的肺部恶性肿瘤医学影像数据分类处理方法兼具高效率和高精度两大特点。
46.第二方面，本发明提供一种肺部恶性肿瘤医学影像数据分类处理系统包括数据采集模块、数据预处理模块、模型建立训练模块和数据处理输出模块；
47.在本实施方式中，请参阅图4，图4是本发明提供的一种肺部恶性肿瘤医学影像数据分类处理系统的时序图，所述数据采集模块，用于采集病患基本信息和通过医疗设备采集所拍摄到的病患肺部医学影像数据；病患基本信息包括姓名，年龄，病例，联系方式；医学
影像图像包括x光片数据、ct扫描数据、mri数据。用户登录系统，录入基本信息，选择是否自动上传医疗影像；当选择自动上传医疗影像或手动上传医疗影像时，所述数据预处理模块，对采集到的肺部医学影像数据进行灰度化处理、噪声抑制处理、图像增强处理、检测结节处理；所述模型建立训练模块，基于预处理数据建立并训练肺部恶性肿瘤数据分类模型，即获取预处理后的数据进行模型建立和训练；所述数据处理输出模块，用于获取待分类处理的医学影像数据，基于所述肺部恶性肿瘤数据分类模型，得到数据不确定性估计值；获取所述数据不确定性估计值基于三支决策理论比较，通过终端输出分类处理结果。当分类结果为医学影像为正域或医学影像为负域时，直接得出结果，医生直接进行对应决策，用户可登录系统进行报告下载及打印，当分类结果为医学影像为边界域时，对应的医学图像数据会传输展示至医生面前，医生分析得出结果，用户可登录系统进行报告下载及打印，帮助医生快速、准确、全面的做出决策，提高分类处理的准确性以及缩短了后续医生做出决策的时间。具体实施方式描述请参阅第一方面s101至s103具体实施方式的描述，此处不再赘述。
48.以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

技术特征：
1.一种肺部恶性肿瘤医学影像数据分类处理方法，其特征在于，包括以下步骤：获取采集到的肺部医学影像数据进行预处理；基于预处理数据建立并训练肺部恶性肿瘤数据分类模型；获取待分类处理的医学影像数据，基于所述肺部恶性肿瘤数据分类模型，得到数据不确定性估计值；获取所述数据不确定性估计值基于三支决策理论比较；通过终端输出分类处理结果。2.如权利要求1所述的肺部恶性肿瘤医学影像数据分类处理方法，其特征在于，所述获取采集到的肺部医学影像数据进行预处理，其中，预处理过程包括：灰度化处理、噪声抑制处理、图像增强处理、检测结节处理。3.如权利要求2所述的肺部恶性肿瘤医学影像数据分类处理方法，其特征在于，基于预处理数据建立并训练肺部恶性肿瘤数据分类模型，其中，所述肺部恶性肿瘤数据分类模型使用resnet-18做为骨干网络。4.如权利要求3所述的肺部恶性肿瘤医学影像数据分类处理方法，其特征在于，所述使用resnet-18做为骨干网络，具体包括：以resnet-18为基础，建立骨干网络，除去resnet-18最后的全连接层，所述骨干网络包含一个7
×
7卷积层，一个bn层，一个3
×
3最大池化层、4个残差块和一个全局平均池化层。5.如权利要求1所述的肺部恶性肿瘤医学影像数据分类处理方法，其特征在于，基于预处理数据建立并训练肺部恶性肿瘤数据分类模型，具体步骤包括：对每个数据样本x
i
输出两个512维的向量分别作为特征空间中均值u
i
和标准差σ
i
，训练过程中，利用重参数化技巧模拟特征空间中的随机采样得到特征向量s
i
＝μ
i
+εσ
i
,ε～n(0,ι)，其中i为单位矩阵，即ε服从标准正态分布，并且使用损失函数l＝l
softmax
+λl
kl
进行优化；实际应用中，使用已求得的均值u
i
表征特征向量s
i
；其中，每个数据样本x
i
在特征空间的表示z
i
为高斯分布；为分类损失；n为训练集样本数，y
i
表示第i个训练样本的真实标签，s
i
指的是模型为第i个样本在特征空间的向量表示，c表示分类问题中的总类别数，w
c
表示与第c类相关联的权重向量，表示与第y
i
类相关联的权重向量；为kl正则化项；λ为正则化系数，μ为均值，σ2为方差，该损失函数的目标是最小化真实分布和模型分布之间的kl散度。6.如权利要求5所述的肺部恶性肿瘤医学影像数据分类处理方法，其特征在于，获取所述数据不确定性估计值基于三支决策理论比较，通过终端输出分类处理结果，具体包括：根据所述不确定性估计值与经验阈值的比较，得出医学影像为正域、负域、边界域的分类结果；其中，所述不确定性估计值小于所述经验阈值时，得出医学影像为正域或医学影像为负域的分类结果；所述不确定性估计值大于或等于所述经验阈值时，得出医学影像为边界域的分类结果。
7.一种肺部恶性肿瘤医学影像数据分类处理系统，应用于如权利要求1至权利要求6任一项所述的肺部恶性肿瘤医学影像数据分类处理方法，其特征在于，包括数据采集模块、数据预处理模块、模型建立训练模块、数据处理输出模块和分类处理结果查询模块；其中，所述数据采集模块，用于采集病患基本信息和通过医疗设备采集所拍摄到的病患肺部医学影像数据；所述数据预处理模块，用于对采集到的肺部医学影像数据进行灰度化处理、噪声抑制处理、图像增强处理、检测结节处理；所述模型建立训练模块，基于预处理数据建立并训练肺部恶性肿瘤数据分类模型；所述数据处理输出模块，用于获取待分类处理的医学影像数据，基于所述肺部恶性肿瘤数据分类模型，得到数据不确定性估计值；获取所述数据不确定性估计值基于三支决策理论比较，通过终端输出分类处理结果。

技术总结
本发明涉及数据处理技术领域，具体涉及一种肺部恶性肿瘤医学影像数据分类处理方法及系统，其中，肺部恶性肿瘤医学影像数据分类处理方法包括获取采集到的肺部医学影像数据进行预处理；基于预处理数据建立并训练肺部恶性肿瘤数据分类模型；获取待分类处理的医学影像数据，基于所述肺部恶性肿瘤数据分类模型，得到数据不确定性估计值；获取所述数据不确定性估计值基于三支决策理论比较，通过终端输出分类处理结果。通过对医学影像数据进行预处理、模型建立、处理、比较，得到分类结果，数据分类处理准确率高，有利于医生后续快速准确做出决策。策。策。


技术研发人员：张里博 罗涛 陈可涵 赵库 熊伟明 李栋 余志航
受保护的技术使用者：西南大学
技术研发日：2023.05.26
技术公布日：2023/8/24