[發明專利]基于半監督深度學習的新冠肺炎CT圖像分析方法

在審

• 申請號: 202210151409.8
• 申請日: 2022-02-18
• 公開（公告）號: CN114549452A
• 公開（公告）日: 2022-05-27
• 發明（設計）人: 張永;蘇立;朱文鵬;程騁;劉振興
• 申請（專利權）人: 武漢科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海政濟知識產權代理事務所(普通合伙) 31479
• 代理人: 輦甲武

1.一種基于半監督深度學習的新冠肺炎CT圖像分析方法，其特征在于，包括以下步驟：

(1)建立圖像和類別標簽的關系，即分類模型，分類模型基于深度學習中的殘差神經網絡，并加入注意力模塊；

(2)對每一張無標簽訓練樣本進行兩次不同的數據增強得到兩張新的圖像；

(3)通過步驟(1)訓練的分類模型對數據增強后得到的圖像進行分類，得到其分類結果；

(4)對無標簽樣本增強后的圖像的分類結果進行最小化熵處理，將處理后的結果看作其偽標簽；

(5)對每一張有標簽訓練樣本進行一次數據增強得到其增強后的圖像；

(6)將得到偽標簽的數據增強后的無標簽訓練樣本和數據增強后的有標簽訓練樣本進行Mixup，得到新的訓練樣本；

(7)將新的訓練樣本和對應的標簽代入分類模型中進行訓練，更新網絡參數信息；

(8)在訓練過程中，隨著未標簽訓練樣本的增加，逐漸去除有標簽訓練樣本，逐步的釋放有監督數據的訓練信號；

(9)對分類模型中的全連通層和特征圖的權重進行加權求和，生成關注圖，突出與預測結果密切相關的重要區域；

(10)用訓練好的分類模型對測試集中的樣本圖像進行分析，并對分析結果生成可視化圖。

2.根據權利要求1所述的基于半監督深度學習的新冠肺炎CT圖像分析方法，其特征在于，所述步驟(1)具體過程為：分類模型采用經典圖像分類模型中的殘差神經網絡模型，并在模型中加入注意力機制的模塊，首先將殘差神經網絡提取的特征圖分別經過基于width和height的全局最大池和全局平均池，得到兩個經過卷積層的特征圖，然后，添加卷積層的輸出特征。最后的注意力地圖A由sigmoid函數生成：A＝Sigmoid(Conv(Avgpool(F))+Conv(Maxpool(F)))，其中F為殘差神經網絡提取到的特征，AvgPool是平均池化函數，MaxPool是最大池化函數，Conv是卷積函數。

3.根據權利要求1所述的基于半監督深度學習的新冠肺炎CT圖像分析方法，其特征在于，所述步驟(2)具體過程為：將無標簽圖像進行兩次數據增強，增強方法有：標準化、幾何變換、隨機調整亮度和隨機調整對比度。

4.根據權利要求1所述的基于半監督深度學習的新冠肺炎CT圖像分析方法，其特征在于，所述步驟(4)具體過程為：將分類結果進行最小化熵處理，強迫分類器對未標記訓練樣本做出低熵預測，使用sharpening函數來最小化未標記數據得熵，形式如下：

其中p是概率類別，T是溫度參數，用來調節分類熵。i是樣本數，j表示從1到類別數，L是總類別數。

5.根據權利要求1所述的基于半監督深度學習的新冠肺炎CT圖像分析方法，其特征在于，所述步驟(6)具體過程為：將得到偽標簽的數據增強后的無標簽訓練樣本和數據增強后的有標簽訓練樣本進行Mixup，得到新的訓練樣本，增強分類模型的魯棒性。其中mixup的公式如下：

x′＝μ′x₁+(1-μ′)x₂

p′＝μ′p₁+(1-μ′)p₂

μ～Beta(α，α)

μ′＝max(μ，1-μ)

其中x₁，p₁是有標簽訓練樣本的圖像和對應的標簽，x₂，p₂是無標簽訓練樣本的圖像和對應的標簽，α代表Beta的分布參數，μ代表樣本混合權重。

6.根據權利要求1所述的基于半監督深度學習的新冠肺炎CT圖像分析方法，其特征在于，所述步驟(8)具體過程為：在訓練的t時刻，設置一個閾值η_t，且1/K≤η_t≤1，其中，K是類別數。當一個標簽例子的正確類別P的概率高于閾值η_t時，模型從損失函數中刪除這個例子，只訓練這個minibatch下其他標記的例子。

7.一種基于半監督深度學習的新冠肺炎CT圖像分析系統，其特征在于，包括：

深度學習模塊，建立圖像和類別標簽的關系，形成分類模型模塊，分類模型模塊基于深度學習中的殘差神經網絡，并加入注意力模塊；

深度學習模塊對每一張無標簽訓練樣本進行兩次不同的數據增強得到兩張新的圖像；

分類模型模塊對數據增強后得到的圖像進行分類，得到其分類結果；

分類模型模塊對無標簽樣本增強后的圖像的分類結果進行最小化熵處理，將處理后的結果看作其偽標簽；

數據增強模塊，對每一張有標簽訓練樣本進行一次數據增強得到其增強后的圖像；

數據混合模塊，將得到偽標簽的數據增強后的無標簽訓練樣本和數據增強后的有標簽訓練樣本進行混合，得到新的訓練樣本；

分類模型模塊對新的訓練樣本和對應的標簽進行訓練，更新網絡參數信息；在訓練過程中，隨著未標簽訓練樣本的增加，逐漸去除有標簽訓練樣本，逐步的釋放有監督數據的訓練信號；

關注圖生成模塊，對分類模型模塊中的全連通層和特征圖的權重進行加權求和，生成關注圖，突出與預測結果密切相關的重要區域。