用于医学图像的集成学习投票分类方法、系统及终端

本发明涉及医学图像分类，尤其涉及的是一种用于医学图像的集成学习投票分类方法、系统及终端。

背景技术：

1、糖尿病足溃疡(dfu)是糖尿病并发症的一种。和其他医学图像分类任务相同，采用单一的分类模型对dfu医学图像进行识别分类时，容易出现错误的判断结果。使用集成学习策略能够解决单一分类模型局部最小值所带来的泛化性差的问题。在集成学习策略中，通常会使用投票策略来集成各个分类模型的分类结果，例如多数投票与加权投票等。通过设定权重，统计得票等简单方法对分类结果进行二次判断来避免单一模型存在的“误判”。

2、但是，这些简单的投票策略没有考虑到在某些蕴含多种类别特征的复杂的医学图像处理过程中，得票多的类别在各类分类模型的分类结果中的置信度并不高，而能够作出高置信度、正确分类的分类模型往往只是其中的少数，这就意味着被抹除的“误判”结果其实是正确的。

3、因此，现有的集成学习分类方法的准确率不高。

技术实现思路

1、本发明的主要目的在于提供一种用于医学图像的集成学习投票分类方法、系统、智能终端及计算机可读存储介质，旨在解决现有的集成学习分类方法的准确率不高问题。

2、为了实现上述目的，本发明提供了一种用于医学图像的集成学习投票分类方法，所述方法包括：

3、获取医学图像；

4、将所述医学图像分别输入至每个分类模型进行预测，获得各个分类模型输出的预测类别、预测置信度，并根据投票方法获得投票类别；

5、在每个所述分类模型中查找与所述投票类别对应的预测置信度，获得最大预测置信度；

6、当所述最大预测置信度大于或等于专家阈值时，设定所述投票类别为所述医学图像的分类结果；

7、当所述最大预测置信度小于所述专家阈值时，将每一分类模型的预测置信度依次与所述专家阈值比较，若存在大于或等于所述专家阈值的预测置信度，则将该预测置信度对应的预测类别设定为所述医学图像的分类结果，否则，设定所述投票类别为所述医学图像的分类结果。

8、可选的，根据所述投票类别或所述预测置信度对应的预测类别确定所述专家阈值。

9、可选的，获得所述医学图像的分类结果之后，还对所述专家阈值进行更新。

10、可选的，所述对所述专家阈值进行更新，包括：

11、统计各个分类模型对所述专家阈值对应类别的样本图像预测正确且预测置信度高于预设阈值的样本个数；

12、根据所述样本个数与样本总数的比值，更新所述专家阈值。

13、可选的，所述根据所述样本个数与样本总数的比值，更新所述专家阈值，具体表达式为：

14、

15、其中b为超参数，默认为βt为属于类别c的样本个数与样本总数的比值。

16、为了实现上述目的，本发明还提供了一种用于医学图像的集成学习投票分类系统，所述系统包括：

17、图像获取模块，用于获取医学图像；

18、投票类别模块，用于将所述医学图像分别输入至每个分类模型进行预测，获得各个分类模型输出的预测类别、预测置信度，并根据投票方法获得投票类别；

19、判定模块，用于在每个分类模型中查找与所述投票类别对应的预测置信度，获得最大预测置信度；当所述最大预测置信度大于或等于专家阈值时，设定所述投票类别为所述医学图像的分类结果；当所述最大预测置信度小于所述专家阈值时，将每一分类模型的预测置信度依次与所述专家阈值比较，若存在大于或等于所述专家阈值的预测置信度，则将该预测置信度对应的预测类别设定为所述医学图像的分类结果，否则，设定所述投票类别为所述医学图像的分类结果。

20、可选的，还包括专家阈值更新模块，用于统计各个分类模型对所述专家阈值对应类别的样本图像预测正确且预测置信度高于预设阈值的样本个数；根据所述样本个数与样本总数的比值，更新所述专家阈值。

21、可选的，所述专家阈值根据所述投票类别或所述预测置信度对应的预测类别确定。

22、为了实现上述目的，本发明还提供了一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的用于医学图像的集成学习投票分类程序，上述用于医学图像的集成学习投票分类程序被上述处理器执行时实现任意一项上述用于医学图像的集成学习投票分类方法的步骤。

23、为了实现上述目的，本发明还提供了一种计算机可读存储介质，上述计算机可读存储介质上存储有用于医学图像的集成学习投票分类程序，上述用于医学图像的集成学习投票分类程序被处理器执行时实现任意一项上述用于医学图像的集成学习投票分类方法的步骤。

24、由上述可见，本发明首先采用投票方法确定投票类别以及投票类别的最大预测置信度。当该最大预测置信度不低于专家阈值时，直接选择投票类别作为医学图像的分类结果。否则，将所有分类模型预测类别的预测置信度值依次与专家阈值进行比较，如果有某一分类模型的预测置信度值大于专家阈值时，认定预测类别作为医学图像的分类结果。在没有任何一个预测置信度超过专家阈值的情况下，将大多数模型的投票类别作为医学图像的分类结果。分类结果准确。能够在考虑多数模型预测结果的前提下，也保证各类模型在其“专业”场景下的决定性作用。

技术特征：

1.用于医学图像的集成学习投票分类方法，其特征在于，所述方法包括：

2.如权利要求1所述的用于医学图像的集成学习投票分类方法，其特征在于，根据所述投票类别或所述预测置信度对应的预测类别确定所述专家阈值。

3.如权利要求1所述的用于医学图像的集成学习投票分类方法，其特征在于，获得所述医学图像的分类结果之后，还对所述专家阈值进行更新。

4.如权利要求3所述的用于医学图像的多分类模型集成投票分类方法，其特征在于，所述对所述专家阈值进行更新，包括：

5.如权利要求4所述的用于医学图像的集成学习投票分类方法，其特征在于，所述根据所述样本个数与样本总数的比值，更新所述专家阈值，具体表达式为：

6.用于医学图像的集成学习投票分类系统，其特征在于，所述系统包括：

7.如权利要求6所述的用于医学图像的集成学习投票分类系统，其特征在于，还包括专家阈值更新模块，用于统计各个分类模型对所述专家阈值对应类别的样本图像预测正确且预测置信度高于预设阈值的样本个数；根据所述样本个数与样本总数的比值，更新所述专家阈值。

8.如权利要求6所述的用于医学图像的集成学习投票分类系统，其特征在于，所述专家阈值根据所述投票类别或所述预测置信度对应的预测类别确定。

9.智能终端，其特征在于，所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的用于医学图像的集成学习投票分类程序，所述用于医学图像的集成学习投票分类程序被所述处理器执行时实现如权利要求1-5任意一项所述用于医学图像的集成学习投票分类方法的步骤。

10.计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有用于医学图像的集成学习投票分类程序，所述用于医学图像的集成学习投票分类程序被处理器执行时实现如权利要求1-5任意一项所述用于医学图像的集成学习投票分类方法的步骤。

技术总结
本发明公开了一种用于医学图像的集成学习投票分类方法、系统及终端，首先采用投票方法确定投票类别以及投票类别的最大预测置信度。当该最大预测置信度不低于专家阈值时，直接选择投票类别作为医学图像的分类结果。否则，将所有分类模型预测类别的预测置信度值依次与专家阈值进行比较，如果有某一分类模型的预测置信度值大于专家阈值时，认定预测类别作为医学图像的分类结果。在没有任何一个预测置信度超过专家阈值的情况下，将大多数模型的投票类别作为医学图像的分类结果。分类结果准确。能够在考虑多数模型预测结果的前提下，也保证各类模型在其“专业”场景下的决定性作用。

技术研发人员：李宽,陈浩源,伍欣,敖斌,文青,韩宇飞,殷建平
受保护的技术使用者：东莞理工学院
技术研发日：
技术公布日：2024/1/11