[發(fā)明專利]基于隱式表觀學(xué)習(xí)的乳腺X射線影像分類模型訓(xùn)練方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010147323.9
• 申請(qǐng)日: 2020-03-05
• 公開(kāi)（公告）號(hào): CN111415741B
• 公開(kāi)（公告）日: 2023-09-26
• 發(fā)明（設(shè)計(jì)）人: 高飛;剛亞棟;張番棟;張笑春;俞益洲
• 申請(qǐng)（專利權(quán)）人: 北京深睿博聯(lián)科技有限責(zé)任公司;杭州深睿博聯(lián)科技有限公司
• 主分類號(hào): G16H50/20
• 分類號(hào): G16H50/20;G06V10/764;G06V10/774;G06V10/82;G06N3/084
• 代理公司: 北京天方智力知識(shí)產(chǎn)權(quán)代理有限公司 11719
• 代理人: 谷成

1.一種基于隱式表觀學(xué)習(xí)的乳腺X射線影像分類模型訓(xùn)練方法，其特征在于，包括：

基于預(yù)訓(xùn)練的特征提取模型提取乳腺X射線影像中的多個(gè)類型的病灶特征；

分別對(duì)所述多個(gè)類型的病灶特征進(jìn)行特征抽象建模以獲取多個(gè)隱式表觀特征描述信息；所述隱式表觀特征是包含了病灶良惡性分類所需細(xì)節(jié)特征的表觀特征，每一種隱式表觀特征對(duì)應(yīng)了類似的表觀特性；所述表觀特征包括但不限于病灶邊緣特征、病灶形狀特征和病灶紋理特征；所述表觀特征無(wú)論是在模型的訓(xùn)練還是預(yù)測(cè)階段都是未知的，由無(wú)監(jiān)督方式得到的所述隱式表觀特征來(lái)近似；

基于所述多個(gè)隱式表觀特征描述信息獲取用于表征所述多個(gè)類型的病灶特征之間關(guān)聯(lián)關(guān)系的聯(lián)合隱式表觀特征；

將所述聯(lián)合隱式表觀特征輸入神經(jīng)網(wǎng)絡(luò)模型以獲取預(yù)測(cè)分析結(jié)果；以及

基于所述預(yù)測(cè)分析結(jié)果計(jì)算損失函數(shù)取值，并基于所述損失函數(shù)取值調(diào)整所述神經(jīng)網(wǎng)絡(luò)模型的參數(shù)。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述分別對(duì)所述多個(gè)類型的病灶特征進(jìn)行特征抽象建模以獲取多個(gè)隱式表觀特征描述信息包括：

將所述多個(gè)類型的病灶特征分別輸入對(duì)應(yīng)的隱式表觀建模模型以獲取所述多個(gè)隱式表觀特征描述信息，其中，所述隱式表觀建模模型包括卷積層和全連接層。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述多個(gè)類型的病灶特征包括病灶分布特征；

其中，所述分別對(duì)所述多個(gè)類型的病灶特征進(jìn)行特征抽象建模以獲取多個(gè)隱式表觀特征描述信息包括：

將病灶區(qū)域的所述病灶分布特征輸入分布隱式表觀建模模型以獲取用于描述病灶分布情況的第一分布描述信息；

將所述病灶區(qū)域的周邊區(qū)域的所述病灶分布特征輸入所述分布隱式表觀建模模型以獲取用于描述病灶周邊區(qū)域分布情況的第二分布描述信息；以及

將所述第一分布描述信息和所述第二分布描述信息進(jìn)行整合變換以獲取與所述病灶分布特征對(duì)應(yīng)的所述隱式表觀特征描述信息。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述將所述第一分布描述信息和所述第二分布描述信息進(jìn)行整合的方式包括以下方式的一種：特征拼接、特征加和以及特征轉(zhuǎn)換。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于所述多個(gè)隱式表觀特征描述信息獲取用于表征所述多個(gè)類型的病灶特征之間關(guān)聯(lián)關(guān)系的聯(lián)合隱式表觀特征包括：

通過(guò)內(nèi)積或核函數(shù)計(jì)算所述多個(gè)隱式表觀特征描述信息之間的所述聯(lián)合隱式表觀特征。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于所述預(yù)測(cè)分析結(jié)果計(jì)算損失函數(shù)取值，并基于所述損失函數(shù)取值調(diào)整所述神經(jīng)網(wǎng)絡(luò)模型的參數(shù)包括：

基于所述預(yù)測(cè)分析結(jié)果計(jì)算交叉熵分類損失函數(shù)取值，利用隨機(jī)梯度下降的方式調(diào)整所述神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，以對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行端到端的訓(xùn)練。

7.一種基于隱式表觀學(xué)習(xí)的乳腺X射線影像分類模型訓(xùn)練裝置，其特征在于，包括：

特征提取模塊，配置為基于預(yù)訓(xùn)練的特征提取模型提取乳腺X射線影像中的多個(gè)類型的病灶特征；

特征建模模塊，配置為分別對(duì)所述多個(gè)類型的病灶特征進(jìn)行特征抽象建模以獲取多個(gè)隱式表觀特征描述信息；所述隱式表觀特征是包含了病灶良惡性分類所需細(xì)節(jié)特征的表觀特征，每一種隱式表觀特征對(duì)應(yīng)了類似的表觀特性；所述表觀特征包括但不限于病灶邊緣特征、病灶形狀特征和病灶紋理特征；所述表觀特征無(wú)論是在模型的訓(xùn)練還是預(yù)測(cè)階段都是未知的，由無(wú)監(jiān)督方式得到的所述隱式表觀特征來(lái)近似；

特征關(guān)聯(lián)模塊，配置為基于所述多個(gè)隱式表觀特征描述信息獲取用于表征所述多個(gè)類型的病灶特征之間關(guān)聯(lián)關(guān)系的聯(lián)合隱式表觀特征；

預(yù)測(cè)分析模塊，配置為將所述聯(lián)合隱式表觀特征輸入神經(jīng)網(wǎng)絡(luò)模型以獲取預(yù)測(cè)分析結(jié)果；以及

參數(shù)調(diào)整模塊，配置為基于所述預(yù)測(cè)分析結(jié)果計(jì)算損失函數(shù)取值，并基于所述損失函數(shù)取值調(diào)整所述神經(jīng)網(wǎng)絡(luò)模型的參數(shù)。