本发明涉及骨龄等级评定技术领域,具体地,本发明涉及一种基于二次分类的手腕骨等级识别方法。
背景技术:
深度学习在图像识别、自然语言处理、语音识别等领域有着非常广泛的前景。由于深度学习中的某些等级的数据集是有限的,因此如何尽量准确识别出少量等级的数据是有待研究的关键问题之一。
深度学习网络对于数量太少的类别的数据集学习能力是非常差。比如说,假设弱类别的数量只有强类别数量的十分之一,那么最终训练出来的模型对于弱类别的判断是非常不准确。因此,如何提高较少数量类别的数据的识别正确率是非常值得持续深入研究的重要问题。
近年来,深度学习在图片识别领域取得了非常大的突破目前为止,已有一些文献将深度学习运用在医学图像识别上,但都是对于整张骨龄片进行判断,并没有根据手腕骨的特征骨头的等级进行对骨龄的更加精准的预测,即鲜有用于医学图像中x光图特征的检测识别。
技术实现要素:
本发明目的是克服现有手腕骨等级识别不够精准的缺点,将基于深度学习的图像识别方法引入到了手腕骨等级识别方法中以实现在某些类别样本不足的情况下进行更精准的判断。
本发明解决技术问题采用如下技术方案:
一种基于二次分类的手腕骨等级识别方法,包括以下步骤:
步骤1)根据实际情况利用一批手腕骨样本集训练出一个全分类的深度学习网络模型,样本集中每个手腕骨样本都已标定了骨头发育等级;
步骤2)针对样本集,统计出每个等级的样本数目,用nmax表示数目最多的那一等级样本的数目;
步骤3)把样本数目少于0.25*nmax的等级找出来,用x1,x2,…,xn来表示这些等级;
步骤4)对每个i∈{1,2,…,n},利用手腕骨样本集训练出一个以xi-2,xi-1和xi这3个等级为输出的支持向量机三分类模型和一个以xi,xi+1和xi+2这3个等级为输出的支持向量机三分类模型;
步骤5)对于任何一张需要判断等级的手腕骨片,用步骤1)中所得的全分类网络模型来进行等级识别,用x表示该手腕骨片识别出来的等级;
步骤6)判断x是否比x1,x2,…,xn中某个值大1或者小1,如果x=xi-1,i∈{1,2,…,n},则进一步利用以xi-2,xi-1和xi这3个等级为输出的三分类模型进行判别,其输出作为最终等级输出;如果x=xi+1,i∈{1,2,…,n},则进一步利用以xi,xi+1和xi+2这3个等级为输出的三分类模型进行判别,其输出作为最终等级输出。
本发明具有如下有益效果:本发明利用深度学习的方法对医学图像进行判断。使支持向量机与深度学习网络结合使用进行二次判断,达到更好的效果。本发明在保证在不影响其他类别图片判断的前提下,对于数量较少的类别的图片能够做出加精准的判断。本发明可以应用至图像识别领域,可极大的提升数量较少的类别的图片的识别率。
具体实施方式
下面结合实施例对本发明的技术方案作进一步阐述。
实施例
本实施例提供了一种基于二次分类的手腕骨等级识别方法,具体步骤分为:
步骤1)根据实际情况利用一批手腕骨样本集训练出一个全分类的深度学习网络模型,样本集中每个手腕骨样本都已标定了骨头发育等级;
步骤2)针对样本集,统计出每个等级的样本数目,用nmax表示数目最多的那一等级样本的数目;
步骤3)把样本数目少于0.25*nmax的等级找出来,用x1,x2,…,xn来表示这些等级;
步骤4)对每个i∈{1,2,…,n},利用手腕骨样本集训练出一个以xi-2,xi-1和xi这3个等级为输出的支持向量机三分类模型和一个以xi,xi+1和xi+2这3个等级为输出的支持向量机三分类模型;
步骤5)对于任何一张需要判断等级的手腕骨片,用步骤1)中所得的全分类网络模型来进行等级识别,用x表示该手腕骨片识别出来的等级;
步骤6)判断x是否比x1,x2,…,xn中某个值大1或者小1,如果x=xi-1,i∈{1,2,…,n},则进一步利用以xi-2,xi-1和xi这3个等级为输出的三分类模型进行判别,其输出作为最终等级输出;如果x=xi+1,i∈{1,2,…,n},则进一步利用以xi,xi+1和xi+2这3个等级为输出的三分类模型进行判别,其输出作为最终等级输出。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。