[發明專利]一種基于多損失特征學習的醫學影像分類方法

有效

• 申請號: 202011419059.6
• 申請日: 2020-12-07
• 公開（公告）號: CN112381178B
• 公開（公告）日: 2023-05-02
• 發明（設計）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）人: 西安交通大學
• 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任公司 61200
• 代理人: 王艾華

本發明公開基于多損失特征學習的醫學影像分類方法，首先使用兩個損失函數分別學習醫學影像數據的全局和局部特征信息，利用高效的深層卷積神經網絡模型對脫敏后的醫療大數據進行充分的特征學習，并通過設定的損失函數不斷優化參數學習；通過選取合理的驗證集數據對前向傳播得到的學習器進行優化，直到最終分類器的預測值與醫學標記的真值之間的平均絕對值誤差小于給定的閾值或達到最大迭代次數，最終完成基于多損失的深度學習醫學影像精確分類任務。本發明對于存在難樣本學習和樣本類間相似性高等問題的醫學圖像數據表現出較高的分類預測準確性和較好的算法魯棒性，本發明可以應用于諸如全頜曲面斷層片等類型的醫學影像分類、預測和識別中。

技術領域

本發明涉及計算機視覺與深度學習分類方法領域，具體涉及一種基于多損失特征學習的醫學影像分類方法，該方法可以快速準確的完成基于醫學影像分類和骨齡預測工作。

背景技術

近年來，隨著醫學成像技術和計算機技術的不斷發展和進步，醫學圖像分析已成為醫學研究、臨床疾病診斷和治療中一個不可或缺的工具和技術手段。近年來，深度學習特別是深度卷積神經網絡已經迅速發展成為醫學圖像分析的研究熱點，它能夠從醫學圖像大數據中自動提取隱含的疾病診斷特征。目前臨床醫學圖像分析深度學習研究對象主要可分為6類醫學圖像，主要包括MRI圖像、CT圖像、X射線圖像、超聲成像、PET圖像以及病理圖像。其中，醫學圖像的分類與識別要求臨床醫生借助醫學圖像來輔助診斷人體是否有病灶，并對病灶的輕重程度進行量化分級，因此，自動識別圖像中的病灶區域和正常組織器官是醫學圖像分析的基本任務。例如全頜曲面斷層片醫學影像數據，它在臨床醫學中常用于口腔正畸等臨床工作，尤其在法醫學中對于骨齡的判斷有著重要的應用。通過使用深度學習等方法對全頜曲面斷層片影像進行特征性學習，從而獲取精確的骨齡推斷，這對于醫學有著重要的意義。

深度學習是由Hinton等于2006年提出，首先提出的是自動編碼的多層次結構模型，Sermanet提出卷積神經網絡，不同于設定SIFT，HOG，SURF等圖像特征的分類算法，深度學習利用設定好的網絡結構，完全從訓練數據中學習圖像的層次結構特征，能夠更加接近圖像高級語義的抽象特征。然而，由于卷積神經網絡的學習過程是黑盒的，在面對具有難學特征的樣本時，無法很好地習得具有區分性的特征區域，因此往往產生差強人意的分類結果。為了解決卷積神經網絡在分類問題中存在的不足，2018年Deng等提出ArcFace方法，改進了對特征向量歸一化和加性角度間隔，提高了類間可分性同時加強類內緊密度和類間差異性，在處理包含難樣本的人臉識別和驗證任務中，都展示了極好的效果。然而，在實際的醫學影像數據集中，數據中存在的難樣本分布是不確定的，同時由于骨骼發育存在連續性，過度關注難樣本特征學習的分類器無法很好地保持遷移性。尤其是當采用上述損失函數的特征學習方法進行諸如全頜曲面斷層片等類型的高密度型醫學影像數據分類時，分類預測的效果并不是很理想。

發明內容

本發明在上述方法的基礎上，本發明的目的在于提供一種準確、魯棒的基于多損失特征學習的醫學影像分類方法，通過使用基于平衡損失的特征學習方法，即在全局特征學習層面保持數據集整體的特征學習，又將學得的難樣本中的局有區分性的特征信息加入到基于多損失特征學習的口腔醫學影像分類算法中，在處理存在難樣本學習和樣本類間相似性高等問題的口腔醫學圖像具有較高的分類預測準確性和較好的算法魯棒性，使得最終分類預測結果具有更好的精確性和魯棒性。

為達到上述目的，本發明采用如下技術方案：

一種基于多損失特征學習的醫學影像分類方法，首先對數據中存在的特征進行圖像增強，保證分類器可以進行充分的特征學習，使其在整個數據集中保持品質魯棒性，然后使用設定的損失函數提取數據中相對穩定且具有區分性的特征信息，將特征學習結果融入神經網絡的反向傳播迭代算法中，對分類器性能進行不斷優化，具體包括如下步驟：