[發明專利]一種融合多尺度超像素的腦CT圖像分類方法

在審

• 申請號: 202110058684.0
• 申請日: 2021-01-16
• 公開（公告）號: CN112633416A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 冀俊忠;張夢隆;張曉丹
• 申請（專利權）人: 北京工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06T5/50;G06T7/10
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 劉萍

1.一種融合多尺度超像素的腦CT圖像分類方法，其特征在于：首先，構建數據集并進行預處理，得到多尺度超像素；其次，通過多尺度超像素圖像融合進行數據增強，獲得優化的融合圖像；然后采用基于區域和邊界信息的特征編碼算法處理多尺度超像素，得到多尺度超像素低層次特征；最后利用多尺度超像素特征融合分類模型，來對腦CT圖像進行分類；

步驟(1)獲取數據并預處理：

步驟(1.1)數據：采集腦CT圖像構建數據集，每一個患者數據包含其通過腦CT圖像生成的RGB矩陣與腦CT分類標簽向量Y＝[Y₁，Y₂，…Y_T]，Y_i∈{0，1}，其中表示實數集合，N表示圖像像素尺寸，T表示采集的疾病類別個數；

步驟(1.2)將所有患者數據劃分為訓練集、驗證集和測試集；其中，訓練集用于學習神經網絡的參數；驗證集用于確定超參數；測試集用于驗證神經網絡分類效果；

步驟(1.3)數據預處理：基于超層次分割算法(Super Hierarchy，SH)，對給定的腦CT圖像I和設定的超像素的分割尺度{scale¹，scale²，…scale^S}，其中S表示設定超像素的數量，生成第s個分割尺度下超像素圖的計算過程如下：

P^s＝SH(I，scale^s)

其中，s∈{1，2…S}，scale^s為第s個分割尺度，對每個分割尺度進行計算得到表示包含S個不同尺度超像素圖的多尺度超像素；

步驟(2)多尺度超像素圖像融合模型：對給定的腦CT圖像I及其多尺度超像素融合圖像I′計算過程如下：

其中，⊙表示點積，f(·)為SoftMax函數，表示訓練的權重，P^s表示中第s個元素，W實現了各個尺度比重的自適應分配；

步驟(3)多尺度超像素特征編碼：

步驟(3.1)對腦CT圖像I的多尺度超像素中分割尺度為scale^s的超像素圖生成其像素值集合對中每個像素生成映射矩陣集合其中，第k個映射矩陣中第i，j個元素的計算方式如下：

其中，k∈{1，2，…scale^s}，其中表示P^s中第k個超像素的像素值，M^s，k表示像素值為的超像素區域映射；

步驟(3.2)基于面積和邊界信息對集合M^s中每個映射矩陣進行編碼，得到的超像素圖P^s編碼結果計算過程如下：

其中N²表示超像素圖所含像素點個數，s_k表示第k個超像素區域包含的的像素點個數，⊙表示點積；

步驟(3.3)對中每個超像素圖重復步驟(3.1)和步驟(3.2)，依次生成編碼結果b¹，b²，…b^S，將其通過矩陣拼接成得到多尺度超像素的多尺度超像素特征編碼B；

步驟(4)多尺度超像素特征融合分類模型：

步驟(4.1)構建一個殘差神經網絡ResNet作為主干網絡，使用步驟(2)提取的腦CT融合圖像I′輸入，選擇ResNet中四個Layer的最后一個殘差結構(Basic Block)的特征激活輸出l₁、l₂、l₃、l₄作為高層次特征；

步驟(4.2)對(3.3)提取的低層次特征B進行降維處理，通過256個3×3卷積核構成的卷積層生成特征將f₀自下而上依次和l₁、l₂、l₃、l₄進行多層融合，生成融合特征f₁、f₂、f₃、f₄；其中f_i(i∈{1，2，3，4})的計算如下：先采用池化操作將f_(i-1)轉化為和l_i相同尺寸的特征矩陣，之后通過256個1×1卷積核構成的卷積層將l_i的通道數轉換為256，之后通過矩陣相加進行特征融合，得到第i層融合特征f_i；

步驟(4.3)將得到的融合特征f₄輸入512個3×3卷積核構成的卷積層、池化層和全連接層得到和標簽數量T等長的分類向量x，將其通過Sigmoid線性回歸生成預測值向量y＝[y₁，y₂，…y_T]，其中y_i∈[0，1]，x中第i個元素生成對應標簽為正例的概率y_i表示為：y_i＝Sigmoid(x_i)，根據設定的分類閾值t確定分類結果，當y_i大于設定閾值t時，模型判定該腦CT存在對應標簽疾病，若y_i小于設定閾值t時則為正常；t為0.5；

步驟(4.4)輸入為患者腦CT圖像I與腦疾病分類標簽Y，然后得到該被試屬于各個類別的概率y；若給出M個患者的數據集D＝{(I¹，Y¹)，(I²，Y²)，…，(I^M，Y^M)}，對于給定的腦CT圖像Iⁱ對應標簽Yⁱ以及通過模型生成的標簽預測yⁱ，通過二分類交叉熵損失來計算樣本中每個標簽的分類誤差，之后通過對所有標簽分類誤差求均值得到樣本誤差，損失函數計算如下：

其中表示樣本的第j個標簽的值，表示模型預測的第j個標簽的值，T表示樣本中標簽的個數；

步驟(4.5)針對步驟(1.2)中的訓練集，利用Adam自適應優化算法最小化步驟(4.4)中所述損失函數，通過比較模型在不同學習率λ設置下，觀察模型經過訓練集訓練后在驗證集上的分類準確率，λ初始值設置為10^-5，下一次學習率設置為上次的3倍，λ最大值設置為0.1，然后來選擇其中準確率最高的學習率來訓練模型；

步驟(5)在完成上述所有步驟后，將新的腦CT數據集輸入至模型中，根據模型輸出的預測結果對這些腦CT圖像進行分類。