[發(fā)明專利]基于多視圖學(xué)習(xí)和深度監(jiān)督自編碼器的醫(yī)學(xué)影像分類方法及裝置

在審

• 申請?zhí)枺?/td>: 202011368629.3
• 申請日: 2020-11-30
• 公開（公告）號: CN112488102A
• 公開（公告）日: 2021-03-12
• 發(fā)明（設(shè)計）人: 王建新;成建宏;劉軍;趙偉;劉錦
• 申請（專利權(quán)）人: 中南大學(xué)
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/62;G06N3/04;G06T5/00;G06T5/40;G06T7/11;G06T7/40
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于多視圖學(xué)習(xí)和深度監(jiān)督自編碼器的醫(yī)學(xué)影像分類方法及裝置，其特征在于，包括以下步驟：

步驟1、分別將獲得的每個醫(yī)學(xué)影像進(jìn)行預(yù)處理，將原始醫(yī)學(xué)影像分解為多個頻率子帶；

步驟2、從多個頻率子帶中提取特征，并將提取出來的特征構(gòu)成一個多視圖特征集；

步驟3、構(gòu)建一個基于潛在表示的分類框架，該框架由深度監(jiān)督自編碼器(DSAE)組成，用DSAE將原始特征映射到潛在空間中以學(xué)習(xí)潛在表示；

步驟4、通過提出的基于多視圖特征和深度監(jiān)督自編碼器的醫(yī)學(xué)影像分類方法對未知分類標(biāo)簽的醫(yī)學(xué)影像進(jìn)行分類。

2.根據(jù)權(quán)利要求1所述的基于多視圖學(xué)習(xí)和深度監(jiān)督自編碼器的醫(yī)學(xué)影像分類方法及裝置，其特征在于，所述步驟1中，對醫(yī)學(xué)影像進(jìn)行預(yù)處理的過程是：首先將每位受試者的醫(yī)學(xué)影像重建為3D影像，然后再提取每個3D影像的感興趣區(qū)域，之后對感興趣區(qū)域進(jìn)行濾波處理；

將醫(yī)學(xué)影像重建為3D影像使用的是dcm2nii軟件包；

提取3D影像的感興趣區(qū)域使用的是3D U-Net模型，該模型被廣泛用于醫(yī)學(xué)影像分割；

為了克服樣本厚度變化之間的差異，通過B樣條插值將感興趣區(qū)域的體積數(shù)據(jù)重新采樣為1mm×1mm×1mm的體素分辨率。

3.根據(jù)權(quán)利要求2所述的基于多視圖學(xué)習(xí)和深度監(jiān)督自編碼器的醫(yī)學(xué)影像分類方法及裝置，其特征在于，所述步驟1中，使用3D小波變換(3D-WT)對感興趣區(qū)域進(jìn)行小波分解，以捕獲八個不同的頻率子帶，這八個頻率子帶分別為：LLL、LHL、HLL、HHL、LLH、LHH、HLH、HHH；3D-WT會提供原始信號的空間和頻率表示；關(guān)于小波分解，3D-WT可以用張量積表示，如下：

其中，代表空間直和；代表卷積運(yùn)算；L^γ和H^γ分別表示沿γ方向的低通濾波和高通濾波，γ∈{x,y,z}。

4.根據(jù)權(quán)利要求1所述的基于多視圖學(xué)習(xí)和深度監(jiān)督自編碼器的醫(yī)學(xué)影像分類方法及裝置，其特征在于，所述步驟2中，從具有不同頻率的子帶中提取了包括灰色特征和紋理特征在內(nèi)的多個特征，這些特征被視為多視圖特征集；

定義了如下符號：表示訓(xùn)練樣本，其中，代表多視圖特征集(N和M分別表示樣本數(shù)目和多視圖特征)；表示相應(yīng)的標(biāo)簽集，其中，y_n分別表示醫(yī)學(xué)影像的分類類別。