[發明專利]一種胸片疾病多分類網絡的多標簽局部至全局學習方法

有效

• 申請號: 202110685083.2
• 申請日: 2021-06-21
• 公開（公告）號: CN113327666B
• 公開（公告）日: 2022-08-12
• 發明（設計）人: 程遠志;史操;王燁楠;許燦輝;葛全序;劉健;袁永鋒;王進科
• 申請（專利權）人: 青島科技大學;威海市立醫院
• 主分類號: G16H30/20
• 分類號: G16H30/20;G16H30/40;G16H50/50;G06V10/774;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 青島匯智海納知識產權代理有限公司 37335
• 代理人: 王丹丹

1.一種胸片疾病多分類網絡的多標簽局部至全局學習方法，其特征在于，包括以下步驟：

步驟A、對胸片樣本及標簽進行向量化建模，獲取樣本的多標簽局部至全局表征；

標簽類別包括“肺不張”，“心臟病學”，“胸腔積液”，“肺浸潤”，“腫塊”，“結節”，“肺炎”，“氣胸”，“肺實變”，“水腫”，“肺氣腫”，“纖維化”，“胸膜增厚”和“疝”，對胸片樣本向量化建模后，對建模結果進行特征提取，用one-hot向量形式表征不同的類別，獲取樣本的多標簽局部至全局表征，具體的：

設有N個訓練樣本分類空間對于每個多標簽的樣本(x_i，Y_i)，K表示類別，x_i是輸入特征，Y_i是對應的標簽；

根據訓練類別對進行訓練集的劃分，從中得到訓練集序列則訓練集t_k有:

其中，稱為類別指示集，類別指示集是從空集合中生成的，在每次迭代中，從未經訓練的類別集中選擇一個類別并將其添加到中，隨著類別指示集內類別標簽數目的不斷增加，得到的結果也由空集或只有一個類別不斷擴大到Y_i，以此來實現訓練樣本標簽由局部至全局的表征；

步驟B、胸片疾病多分類網絡選型；

步驟C、胸片數據集預處理，包括患者總數統計，胸片樣本總數統計，胸片文件格式解析和胸片圖像大小歸一化操作；

步驟D、基于多標簽局部到全局學習算法訓練胸片疾病多分類網絡；

多標簽局部到全局算法定義為：對于K類多標簽分類問題，多標簽局部到全局學習算法表征一個網絡訓練過程，其在數據集上按照順序逐步訓練深度神經網絡模型M，該過程生成一個收斂的網絡模型序列其中M_K是最終的訓練結果；具體包括以下步驟：

a、初始化網絡參數和設置類別指示集，給定數據集類別選擇策略函數f，損失函數L，學習速率lr作為輸入，首先隨機初始化DNN模型M的權重，將類別指示集設為空；

b、根據公式獲取訓練集序列序列中訓練集的順序決定了分類序列從空集合中生成類別指示集Y^ind，然后在每次迭代中，從未經訓練的類別集中選擇一個類別并將該類別添加到類別指示集Y^ind中；

c、基于步驟b得到的訓練集序列，在訓練集序列上迭代的損失函數L最小化，直到收斂；

d、根據步驟b動態的生成下一個訓練集，在第k次迭代時，最新添加的類別就是作為下一個被訓練的類別的第一選擇：

然后將新的類別推成來形成一個新的類別指示集，最后利用公式來更新訓練集；

步驟E、網絡訓練參數優化；通過步驟D訓練得到的關鍵參數包括類別選擇策略函數f和簇c的數量；

步驟F、基于訓練好的網絡對胸片疾病進行分類，在進行分類時，具體采用以下原理：

首先確定類別空間即要進行分類的疾病的所有類別；

然后根據排列生成類別序列；同時，對胸片樣本訓練數據集t_k進行數據集分割，以此獲得訓練序列

初始化DNN模型M，在訓練集t₁上對M進行訓練，得到模型M₁，此時的模型M₁識別出所有包含疾病類型的胸片；再利用類別選擇策略函數f從未經訓練的類別集中選擇一個類別并將其添加到類別指示集中，作為訓練集t₂，訓練得到模型M₂，此時的模型M₂識別出所有包含疾病類型和的胸片；依次迭代，直到所有疾病的類別都被加進類別指示集中，得到最終訓練結果模型M_K，即實現對胸片疾病的分類。

2.根據權利要求1所述的胸片疾病多分類網絡的多標簽局部至全局學習方法，其特征在于：所述步驟B中，分類網絡采用ResNet-152作為骨干網絡，去掉網絡輸出端的全連通層和分類層，并增加K個神經元的全連通層和sigmoid激活函數的分類層。