[發明專利]一種基于圖網絡的核磁共振影像小樣本學習分類方法

在審

• 申請號: 202110333552.4
• 申請日: 2021-03-29
• 公開（公告）號: CN112926682A
• 公開（公告）日: 2021-06-08
• 發明（設計）人: 羅健旭;張嘉琛;李宜儒
• 申請（專利權）人: 華東理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 孫永申

1.一種基于圖網絡的核磁共振影像小樣本學習分類方法，其特征在于，該方法包括以下步驟：

步驟1：將疾病原始影像樣本輸入至原始核磁共振影像小樣本學習分類器中的特征提取部分網絡中，獲得對應特征向量；

步驟2：將特征向量輸入至原始核磁共振影像小樣本學習分類器中的圖網絡中，初始化節點與邊并持續迭代更新；

步驟3：節點與邊持續迭代更新完畢后得到基于圖網絡的核磁共振影像小樣本學習分類器；

步驟4：利用該新分類器對實際核磁共振影像進行預測分類。

2.根據權利要求1所述的一種基于圖網絡的核磁共振影像小樣本學習分類方法，其特征在于，所述的步驟1具體包括：

將疾病原始影像樣本輸入至原始核磁共振影像小樣本學習分類器中的特征提取部分網絡中，當該部分網絡為2D卷積神經網絡時，將疾病原始影像樣本對應的不同切片視作不同通道，進行處理后獲得對應特征向量。

3.根據權利要求1所述的一種基于圖網絡的核磁共振影像小樣本學習分類方法，其特征在于，所述的步驟1具體包括：

將疾病原始影像樣本輸入至原始核磁共振影像小樣本學習分類器中的特征提取部分網絡中，當該部分網絡為3D卷積神經網絡時，將切片數、每一切片的長、寬作為3D影像的三個維度，輸入模型進行特征提取后獲得對應特征向量。

4.根據權利要求3所述的一種基于圖網絡的核磁共振影像小樣本學習分類方法，其特征在于，所述的特征向量的長度為128。

5.根據權利要求1所述的一種基于圖網絡的核磁共振影像小樣本學習分類方法，其特征在于，所述的步驟2中的圖網絡由特征轉移網絡和相似度計算網絡組成，其中：

所述特征轉移網絡，用于負責節點與邊信息的交互，使節點狀態根據當前的節點狀態、鄰域中所有節點的狀態及節點對的邊狀態得到更新；

所述相似度計算網絡，用于負責計算樣本對的相似度，并將其賦值于邊，以此繼續所述特征轉移網絡中對當前節點狀態及邊狀態的更新。

6.根據權利要求5所述的一種基于圖網絡的核磁共振影像小樣本學習分類方法，其特征在于，所述的相似度計算網絡包括多個卷積塊、線性Linear層和激活函數Sigmoid層，所述的卷積塊的個數為4個，對應的隱藏單元數包括192或96。

7.根據權利要求2所述的一種基于圖網絡的核磁共振影像小樣本學習分類方法，其特征在于，所述的2D卷積神經網絡包括多個卷積塊、線性Linear層、批標準化BatchNormalization層和激活函數LeakyReLu層，所述的卷積塊的個數為4個，對應的隱藏單元數包括64、96、128或256。

8.根據權利要求7所述的一種基于圖網絡的核磁共振影像小樣本學習分類方法，其特征在于，所述的卷積塊包括卷積層、批標準化Batch Normalization層、最大池化層和激活函數LeakyReLu層。

9.根據權利要求8所述的一種基于圖網絡的核磁共振影像小樣本學習分類方法，其特征在于，所述的卷積層的尺寸為3×3，所述的最大池化層的尺寸為2×2。

10.根據權利要求1所述的一種基于圖網絡的核磁共振影像小樣本學習分類方法，其特征在于，所述的步驟3中的基于圖網絡的核磁共振影像小樣本學習分類器，其對應的具體損失函數為：

式中，Y_m,e,為Query Set中邊的真值與預測值的集合，為損失函數，l為圖網絡層數，m為訓練任務，為二值的交叉熵損失函數值，λ_l為圖網絡層數權重系數。