[發(fā)明專利]一種基于多任務學習的超聲圖像多分類方法

在審

• 申請?zhí)枺?/td>: 202111042625.0
• 申請日: 2021-09-07
• 公開（公告）號: CN113689421A
• 公開（公告）日: 2021-11-23
• 發(fā)明（設計）人: 肖瀟;戚庭月;馬彥輝;孫紅光;朱毅
• 申請（專利權(quán)）人: 揚州大學附屬醫(yī)院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62
• 代理公司: 南京蘇科專利代理有限責任公司 32102
• 代理人: 陳棟智

1.一種基于多任務學習的超聲圖像多分類方法，其特征在于，包括以下步驟：

步驟1)設計和實現(xiàn)貝葉斯多項式回歸算法，并將同時包括有標簽和無標簽的超聲圖像數(shù)據(jù)集作為輸入，學習得到每個任務的特定參數(shù)和所有任務共有的模型參數(shù)；

步驟2)構(gòu)建疊加重構(gòu)獨立成分分析模型對輸入的圖像特征表示做訓練；

步驟3)構(gòu)建半監(jiān)督多任務學習框架，對多任務的圖像特征表示進行進一步優(yōu)化；

步驟4)在最終學習得到的特征表示的基礎上，用邏輯回歸模型在有標簽的超聲圖像數(shù)據(jù)集上訓練分類器，并在無標簽的超聲圖像數(shù)據(jù)集上得到分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于多任務學習的超聲圖像多分類方法，其特征在于，所述步驟1)具體包括：

步驟1-1)將輸入的超聲圖像數(shù)據(jù)集表示為其中T是所有任務的數(shù)量，是輸入的圖像數(shù)據(jù)，是數(shù)據(jù)標簽集，c是標簽的數(shù)量，n_tl是有標簽的數(shù)據(jù)數(shù)量，n_tu是無標簽的數(shù)據(jù)數(shù)量；先通過貝葉斯多項式回歸算法，學習得到每個任務的特定參數(shù)θ_t和所有任務共有的模型參數(shù)θ₀；

步驟1-2)將學習得到的θ_t和θ₀傳入到步驟3)中。

3.根據(jù)權(quán)利要求2所述的一種基于多任務學習的超聲圖像多分類方法，其特征在于，所述步驟2)具體包括：

步驟2-1)構(gòu)建疊加重構(gòu)獨立成分分析模型，其代價函數(shù)如公式(1)所示：

其中，W為權(quán)重矩陣，W^T為W的轉(zhuǎn)置矩陣，λ為超參數(shù)；

步驟2-2)對代價函數(shù)式(1)求關于權(quán)重矩陣W的偏導，如公式(2)所示：

其中ε是一個極小的常數(shù)；

步驟2-3)利用隨機梯度下降算法，迭代計算權(quán)重矩陣W，得到訓練完成的疊加重構(gòu)獨立成分分析模型。

4.根據(jù)權(quán)利要求3所述的一種基于多任務學習的超聲圖像多分類方法，其特征在于，所述步驟3)具體包括：

步驟3-1)構(gòu)建半監(jiān)督多任務學習框架，將步驟2-3)得到的權(quán)重矩陣W代入中，得到的隱藏層輸出記為ξ_t，半監(jiān)督多任務學習框架的目標函數(shù)如公式(3)所示：

其中，α和β是超參數(shù)，用于平衡公式(3)各項的影響，θ_t和θ₀是步驟1-2)得到的每個任務的特定參數(shù)和所有任務共有的模型參數(shù)，W₁和W₂分別表示框架中兩層的權(quán)重矩陣；

表示引入標簽信息的softmax回歸算法的代價函數(shù)，其中，θ_tj分別表示每個任務的特定模型參數(shù)，θ_0j表示所有任務共享的模型公共參數(shù)，1{y_ti＝j}是指示函數(shù)，當語句y_ti＝j為true時，它等于1，否則它等于0；

表示正則化多任務學習算法的目標函數(shù)，其中λ₁和λ₂是積極的正則化參數(shù)；

J₃(W₁,W₂)＝||W₁||²+||W₂||²表示模型權(quán)重矩陣W₁和W₂的約束項；

步驟3-2)迭代求解半監(jiān)督多任務學習框架，關于模型參數(shù)θ_tj、θ_0j和權(quán)重矩陣W₁、W₂的偏導數(shù)計算公式如(4)-(7)所示：

根據(jù)公式(4)-(7)，按照公式(8)迭代計算θ_tj、θ_0j和W₁、W₂：

其中，η是步長，它決定了收斂速度。

5.根據(jù)權(quán)利要求4所述的一種基于多任務學習的超聲圖像多分類方法，其特征在于，所述步驟4)具體包括：

步驟4-1)將步驟3-2)得到的權(quán)重矩陣W₁和W₂代入中，得到的最終輸出特征表示為用超聲圖像數(shù)據(jù)集中已有標簽的數(shù)據(jù)作為訓練集，將訓練集的特征表示為訓練邏輯回歸分類器，其目標函數(shù)可以表示為公式(9)：

其中，為sigmoid函數(shù)；

步驟4-2)用訓練完成的分類器對測試超聲圖像數(shù)據(jù)集分類，同訓練集將測試集的特征表示為并代入公式(9)訓練完成的分類器獲得分類結(jié)果T_test如公式(10)所示：