[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

本發明涉及一種基于圖網絡的核磁共振影像小樣本學習分類方法，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。本發明具有在面對新疾病時，能夠通過對于少量樣本的學習，快速訓練出能夠準確判斷影像對應疾病所處分期情況的分類器，以改善醫學影像分類所面臨的標注樣本缺乏問題，降低訓練成本等優點。

技術領域

本發明涉及神經網絡技術領域，尤其是涉及一種基于圖網絡的核磁共振影像小樣本學習分類方法。

背景技術

核磁共振影像(Magnetic Resonance Imaging,MRI)的分析對患者疾病的發現與治療具有重要作用。應用深度學習方法分析MRI是人工智能賦能醫療領域背景下的典型場景，目前采用的主流方法為3D卷積神經網絡及其變體。該類方法通過選取合適的層數與模型參數，以深度非線性組合自動提取數據中的深層特征，然后進行MRI圖像的分類。為提高其分類性能，既要提升其特征提取能力又要兼顧其泛化能力。通常，可從修改網絡結構、優化損失函數等方面進行改善。

聚焦于樣本關系可幫助分類器在訓練中更有效地獲取知識。圖結構對側重關系的對象具有良好的建模能力。針對MRI分類問題，圖網絡將樣本作為節點，利用樣本間的關系對模型進行訓練，為模型泛化性的提升及實現小樣本學習提供了可能。

基于深度學習的圖像分類器需要大量的影像樣本進行模型訓練，以防止過擬合問題。在醫學領域，高質量的影像樣本數量稀少、標注成本高、對照樣本與病例樣本數量比極不均衡，這使得分類器因難以得到充分的標注樣本導致模型精度有待提高。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于圖網絡的核磁共振影像小樣本學習分類方法。

本發明的目的可以通過以下技術方案來實現：

一種基于圖網絡的核磁共振影像小樣本學習分類方法，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。

進一步地，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。

進一步地，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。

進一步地，所述的特征向量的長度為128。

進一步地，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；