本發明涉及人工智能領域，特別是涉及一種基于深度多特征增強網絡的醫學圖像分類方法、系統及計算機可讀存儲介質。

背景技術：

1、急性胰腺炎是一種常見的疾病，這種疾病來勢急、變化快，沒有及時就診，病情迅速轉為重癥胰腺炎。重癥胰腺炎的并發癥是非常兇險的，一般來說多半伴有心、肺、腎重要器官的障礙和衰竭，病死率可以達到30％。臨床普遍采用balthazar?ct平掃形態評分進行胰腺形態改變評分，共分a-e五級。上述a級胰腺的形態基本上趨于正常，b級胰腺稍微水腫，胰腺明顯增大，c級胰腺水腫，出現胰腺周圍滲出，并沒有明顯的胰周積液，d級是胰腺的周圍水腫，滲出相對明顯，伴有單個的胰周積液，e級胰腺腫脹，伴有胰腺內部的低密度灶，提示出現胰腺壞死，胰周有多個液體積聚。

2、目前臨床醫學普遍采用人工的方式對胰腺ct影像進行分級，偶有采用深度學習技術進行分級。

3、而采用人工評分主要有以下缺點：1.分級差異性較大，雖然指南上已經對各分級給出了定義，但是該評級沒有給出嚴格的定義，導致不同醫生對指南理解不一致；2.分級過程對專業依賴度較高，對于一些低年資醫生往往無法勝任；3.分級工作量大，對于危重程度的住院患者，在整個住院期間會有大量的ct影像需要進行分級；4.分級往往不夠及時，甚至出現大量缺失，造成了寶貴的臨床過程數據浪費。

4、采用深度學習技術：深度學習技術雖然作為近年來醫學圖像特征提取的熱門技術，能夠通過卷積操作自動提取視覺特征。但是胰腺的ct影像分級涉及到胰腺幾何特征、對比度等手工設計特征，由于深度學習技術可解釋性差，無法提取醫學圖像的特定特征，因而深度學習技術在胰腺ct分級領域一直沒有大的進展。

技術實現思路

1、基于此，有必要針對于上述人工評分造成分級差異大，依賴醫生主觀判斷，造成臨床過程數據浪費；目前深度學習技術無法提取ct影像的醫學圖像的特定特征，提供一種基于深度多特征增強網絡的醫學圖像分類方法。

2、一種基于深度多特征增強網絡的醫學圖像分類方法，包括：

3、獲取關于患者的胰腺ct醫學圖像；

4、對所述胰腺ct醫學圖像進行圖像特征提取，以得到胰腺ct醫學圖像對應的形態特征信息、紋理特征信息及深度特征信息；

5、對所述形態特征信息、紋理特征信息以及深度特征信息進行融合，以得到綜合特征信息；

6、對所述綜合特征信息進行圖像重構，以得到由紋理特征信息與形態特征信息增強重構后的增強重構圖像信息；

7、基于softmax交叉熵損失函數，對所述增強重構圖像信息進行分類訓練，以得到胰腺ct醫學圖像對應的分級信息。

8、在其中一個優選實施方式中，所述對所述胰腺ct醫學圖像進行圖像特征提取，以得到胰腺ct醫學圖像對應的形態特征信息、紋理特征信息及深度特征信息，包括：

9、采用廣義線性模型方法對所述ct醫學圖像進行形態特征信息提取，以獲取對應ct醫學圖像對應的形態特征信息；

10、在其中一個優選實施方式中，對所述胰腺ct醫學圖像進行圖像特征提取，以得到胰腺ct醫學圖像對應的形態特征信息、紋理特征信息及深度特征信息，包括：

11、采用局部二值模式對所述ct醫學圖像進行紋理特征提取。

12、在其中一個優選實施方式中，對所述胰腺ct醫學圖像進行圖像特征提取，以得到胰腺ct醫學圖像對應的形態特征信息、紋理特征信息及深度特征信息，包括：

13、通過深度特征提取器對所述ct醫學圖影進行深度特征提取，所述深度特征提取器由含有l層的卷積層疊加而成，每一層的輸出特征映射可表示為：

14、

15、其中，wk和bk是第k個卷積層的權重和偏置參數，σ是激活函數，且1<k<l。

16、在其中一個優選實施方式中，所述對所述形態特征信息、紋理特征信息以及深度特征信息進行融合，以得到綜合特征信息之前，還包括：

17、通過主成分分析法對所述形態特征信息、紋理特征信息降維處理，以使所述形態特征信息、紋理特征信息與深度特征信息的維度一致，所述降維處理后的形態特征信息滿足：

18、

19、其中，i代表自然數，ff(xi)表示形態特征提取，表示降維處理后的特征信息，表示原始的特征信息。

20、在其中一個優選實施方式中，所述對所述形態特征信息、紋理特征信息以及深度特征信息進行融合，以得到綜合特征信息，包括：

21、采用元素相乘的融合方法對所述形態特征信息、紋理特征信息及深度特征信息進行融合，所述綜合特征信息滿足：

22、

23、其中，表示形態特征信息，表示紋理特征信息，表示深度特征信息，表示綜合特征信息。

24、在其中一個優選實施方式中，所述對所述綜合特征信息進行圖像重構的重構過程由重構損失函數進行約束。

25、本發明上述實施方式通過一種基于深度多特征增強網絡的醫學圖像分類方法，將胰腺ct影像的形態特征、紋理特征等與深度特征融合，形成深度增強網絡，然后通過半監督學習該網絡進行優化。在少量標記樣本的情況下，訓練一個有效的分類網絡，實現對急性胰腺炎智能ct分級。通過上述實施方式可以自動實現患者胰腺ct影像的智能分級，有效輔助臨床對患者進行針對性治療，提高患者臨床治愈率。同時分級數據以結構化形勢存儲在患者治療過程數據中，進而更好的支撐后續的醫療研究。

26、一種基于胰腺炎ct影像的分級系統，包括：

27、ct圖像獲取模塊，用以獲取關于患者的胰腺ct醫學圖像；

28、特征提取模塊，用以對所述胰腺ct醫學圖像進行圖像特征提取，以得到胰腺ct醫學圖像對應的形態特征信息、紋理特征信息及深度特征信息；

29、特征融合模塊，用以對所述形態特征信息、紋理特征信息以及深度特征信息進行融合，以得到綜合特征信息；

30、圖像重構模塊，用以對所述綜合特征信息進行圖像重構，以得到由紋理特征信息與形態特征信息增強重構后的增強重構圖像信息；

31、分類訓練模塊，用于基于softmax交叉熵損失函數，對所述增強重構圖像信息進行分類訓練，以得到胰腺ct醫學圖像對應的分級信息。

32、在其中一個優選實施方式中，所述特征提取模塊包括：

33、通過深度特征提取器對所述ct醫學圖影進行深度特征提取，所述深度特征提取器由含有l層的卷積層疊加而成，每一層的輸出特征映射可表示為：

34、

35、其中，wk和bk是第k個卷積層的權重和偏置參數，σ是激活函數，且1<k<l。

36、本發明上述實施方式通過一種基于深度多特征增強網絡的醫學圖像分類系統，將胰腺ct影像的形態特征、紋理特征等與深度特征融合，形成深度增強網絡，然后通過半監督學習該網絡進行優化。在少量標記樣本的情況下，訓練一個有效的分類網絡，實現對急性胰腺炎智能ct分級。通過上述實施方式可以自動實現患者胰腺ct影像的智能分級，有效輔助臨床對患者進行針對性治療，提高患者臨床治愈率。同時分級數據以結構化形勢存儲在患者治療過程數據中，進而更好的支撐后續的醫療研究。

37、一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時，實現以上所述的一種基于深度多特征增強網絡的醫學圖像分類方法。

38、本發明上述實施方式通過計算機可讀存儲介質通過執行上述分類方法，將胰腺ct影像的形態特征、紋理特征等與深度特征融合，形成深度增強網絡，然后通過半監督學習該網絡進行優化。在少量標記樣本的情況下，訓練一個有效的分類網絡，實現對急性胰腺炎智能ct分級。通過上述實施方式可以自動實現患者胰腺ct影像的智能分級，有效輔助臨床對患者進行針對性治療，提高患者臨床治愈率。同時分級數據以結構化形勢存儲在患者治療過程數據中，進而更好的支撐后續的醫療研究。