[發(fā)明專利]一種基于多損失特征學(xué)習(xí)的醫(yī)學(xué)影像分類方法

有效

• 申請?zhí)枺?/td>: 202011419059.6
• 申請日: 2020-12-07
• 公開（公告）號: CN112381178B
• 公開（公告）日: 2023-05-02
• 發(fā)明（設(shè)計）人: 杜少毅;任徽;楊靜;遲玉婷;崔文婷;姚潤昭;郭昱成
• 申請（專利權(quán)）人: 西安交通大學(xué)
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06N3/0464;G06N3/084
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 王艾華

1.一種基于多損失特征學(xué)習(xí)的醫(yī)學(xué)影像分類方法，其特征在于：通過設(shè)計的分類損失函數(shù)，提取醫(yī)學(xué)影像數(shù)據(jù)中的全局特征信息和局部特征信息，隨后利用深層卷積神經(jīng)網(wǎng)絡(luò)模型，將特征學(xué)習(xí)結(jié)果迭代更新到參數(shù)的學(xué)習(xí)過程中；

具體包括如下步驟：

1)按照口腔醫(yī)學(xué)數(shù)據(jù)的統(tǒng)計分布規(guī)律將數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集，數(shù)據(jù)包含脫敏的醫(yī)學(xué)影像的X-Ray圖像數(shù)據(jù)與標(biāo)簽；提取訓(xùn)練集中的醫(yī)學(xué)特征信息：對于醫(yī)學(xué)影像中存在的噪聲點(diǎn)和難學(xué)習(xí)的影像學(xué)特征，使用隨機(jī)裁剪、中心對稱方法進(jìn)行數(shù)據(jù)增強(qiáng)，增強(qiáng)深層卷積網(wǎng)絡(luò)模型的特征學(xué)習(xí)能力，使用隨機(jī)亂序的方法增強(qiáng)數(shù)據(jù)選取的隨機(jī)性，保證分類器能夠識別充足的樣本特征；通過使用深層卷積神經(jīng)網(wǎng)絡(luò)的前向傳播方法，在得到醫(yī)學(xué)樣本中的全局特征和局部特征同時，輸出每個樣本學(xué)得的特征權(quán)重；

2)根據(jù)基于多損失的深度學(xué)習(xí)醫(yī)學(xué)影像分類算法和步驟1所得到的特征信息、特征權(quán)重，建立可以充分學(xué)習(xí)全局與局部特征的多損失目標(biāo)函數(shù)；多損失目標(biāo)函數(shù)如下：

其中，目標(biāo)函數(shù)分為兩部分，第一部分是對softmax函數(shù)的，第二部分是本文增加的包含加性角度邊距值得損失函數(shù)，對于第一部分的函數(shù)，權(quán)重W的維度為d×n表示為DCNN最后一個FC層的，b_i是偏置項，θ_j是特征x_i和權(quán)重W的夾角，由于機(jī)器學(xué)習(xí)模型的Softmax層，正確類別對于的輸出是算法模型優(yōu)化的目標(biāo)是損失函數(shù)越小越好，因此對于分類函數(shù)的損失函數(shù)初始的模型表示為因為在特征變量x_i和目標(biāo)權(quán)重W之間添加了一個加性角度邊距m，算法優(yōu)化的角度信息就更新為θ_yi+m，N為一次訓(xùn)練所選取的樣本數(shù)，其大小影響模型的優(yōu)化程度和速度，同時直接影響到GPU內(nèi)存的使用情況，假定待分類的樣本類別有Y組，則代表第y個類別學(xué)得的特征向量，s和m則是提出的學(xué)習(xí)局部特征的損失部分的參數(shù)，它們的取值取決于待分類的類別和分類的難易程度；k₁和k₂則是平衡參數(shù)，負(fù)責(zé)全局和局部特征的學(xué)習(xí)，最終可使得分類器進(jìn)行更好的特征學(xué)習(xí)，結(jié)合Softmax損失函數(shù)以及弧度角轉(zhuǎn)換公式，將線性表述的損失函數(shù)被轉(zhuǎn)換為使用弧度角轉(zhuǎn)換公式表述，最終模型的損失函數(shù)即為

3)由于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是基于梯度的優(yōu)化方法，數(shù)學(xué)基礎(chǔ)是連續(xù)可微，因此選取的激活函數(shù)也要保證連續(xù)可微，階躍函數(shù)在0點(diǎn)不連續(xù)，且在除零點(diǎn)外導(dǎo)數(shù)都為0，因此在神經(jīng)網(wǎng)絡(luò)的層與層之間，添加非線性的激活函數(shù)，用以保證任意兩層神經(jīng)網(wǎng)絡(luò)可以逼近任意復(fù)雜的函數(shù)，防止出現(xiàn)梯度消失問題，考慮神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)過程中對于收斂速度、計算效率以及特征挖掘能力的要求，在激活函數(shù)方面選擇使用線性整流激活函數(shù)(ReLU)，函數(shù)如下：

f(x)＝max(0,x)

其中，x代表進(jìn)入卷積網(wǎng)絡(luò)神經(jīng)元的來自上一層神經(jīng)網(wǎng)絡(luò)的輸入向量，通過使用線性整流激活函數(shù)(ReLU)，計算后結(jié)果會輸出至下一層神經(jīng)元，或者作為整個神經(jīng)網(wǎng)絡(luò)的輸出；

4)根據(jù)對問題的建模以及評估，利用預(yù)測值與真值間的平均絕對值損失來進(jìn)行分類預(yù)測的參數(shù)優(yōu)化；分別使用Se-ResNext101、EfficientNet族網(wǎng)絡(luò)兩種深層網(wǎng)絡(luò)模型進(jìn)行特征學(xué)習(xí)，迭代上述的步驟2和步驟3，直到預(yù)測值與真值間的平均絕對值誤差小于給定的閾值或達(dá)到最大迭代次數(shù)；根據(jù)迭代完成后得到的分類器，對測試集中的醫(yī)學(xué)數(shù)據(jù)進(jìn)行類別預(yù)測，最終完成基于多損失的深度學(xué)習(xí)醫(yī)學(xué)影像分類。