CN110321943A - 基于半监督深度学习的ct图像分类方法、系统、装置 - Google Patents
基于半监督深度学习的ct图像分类方法、系统、装置 Download PDFInfo
- Publication number
- CN110321943A CN110321943A CN201910554363.2A CN201910554363A CN110321943A CN 110321943 A CN110321943 A CN 110321943A CN 201910554363 A CN201910554363 A CN 201910554363A CN 110321943 A CN110321943 A CN 110321943A
- Authority
- CN
- China
- Prior art keywords
- interest
- area
- image
- region
- semi
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 238000010606 normalization Methods 0.000 claims abstract description 26
- 238000007637 random forest analysis Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 9
- 230000009977 dual effect Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于图像处理技术领域,具体涉及一种基于半监督深度学习的CT图像分类方法、系统、装置,旨在解决现有监督学习方法无法识别无标签CT图像的问题。本发明方法包括:将待分类的CT图像的三维感兴趣区域作为第一感兴趣区域,根据第一感兴趣区域的中心点坐标选取第一预设尺寸的三维区域作为第二感兴趣区域;采用三次样条差值算法将第一感兴趣区域缩放至第二预设尺寸,并对第二感兴趣区域和缩放后的第一感兴趣区域进行归一化;根据归一化后的第一感兴趣区域、第二感兴趣区域,通过卷积自编码器CAE获取感兴趣区域无监督特征;基于无监督特征,采用随机森林分类器获取CT图像的分类结果。本发明可以获取无标签CT图像的分类。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于半监督深度学习的CT图像分类方法、系统、装置。
背景技术
计算机断层成像(Computed Tomography,CT)以其高时空分辨率,非侵入式等特点在健康分析方面得到了广泛应用。CT图像的形态、纹理等信息与图像的类别属性存在一定相关性。利用图像分类的方法,自动判别图像的类别属性,或者计算CT图像具有某种属性的可能性大小,是计算机辅助分析的一个重要应用。
传统的CT图像分类主要包含两种方法:基于手动特征的分类方法和基于监督深度学习的分类方法。基于手动特征的分类方法在感兴趣区域(ROI)内部提取定义好的图像特征,然后建立分类器对图像特征进行分类,达到对图像分类的目的。基于监督深度学习的分类方法首先构建一个卷积神经网络(CNN),然后使用ROI图像对CNN进行训练,由CNN直接对图像进行分类。这两种方法都是监督学习的方法,需要所有训练样本都有明确的图像类别标签。实际应用中,带有类别标签的CT图像可能难以获取,因此这两种方法的性能受到限制。
发明内容
为了解决现有技术中的上述问题,即为了解决现有监督学习方法无法识别无标签CT图像的问题,本发明第一方面,提出了一种基于半监督深度学习的CT图像分类方法,该方法包括:
步骤S10,将待分类的CT图像的三维感兴趣区域作为第一感兴趣区域,根据所述第一感兴趣区域的中心点坐标选取第一预设尺寸的三维区域作为第二感兴趣区域;
步骤S20,采用三次样条差值算法将所述第一感兴趣区域缩放至第二预设尺寸,并对所述第二感兴趣区域和缩放后的第一感兴趣区域进行归一化;
步骤S30,根据归一化后的第一感兴趣区域、第二感兴趣区域,通过卷积自编码器CAE获取感兴趣区域无监督特征;
步骤S40,基于所述无监督特征,采用随机森林分类器获取CT图像的分类结果;
其中,
所述卷积自编码器CAE为双输入分支结构,将提取两个输入分支的感兴趣区域的无监督特征相加得到完整的感兴趣区域的无监督特征;所述卷积自编码器CAE在训练过程中采用无类别标签的感兴趣区域图像进行训练;
所述随机森林分类器在训练过程中采用标签数据的特征和经所述卷积自编码器CAE提取的无监督特征进行训练。
在一些优选的实施方式中,步骤S20中“对所述第二感兴趣区域和缩放后的第一感兴趣区域进行归一化”,其归一化计算方法为:
其中,I归一化后为归一化后的感兴趣区域图像,I归一化前为归一化前的感兴趣区域图像,Imean表示感兴趣区域图像的像素均值,Istd表示感兴趣区域图像像素的标准差。
在一些优选的实施方式中,所述卷积自编码器CAE,其编码网络由卷积层、批量归一化层、最大值池化层和上采样层构成;所述卷积层采用3×3的卷积核,其计算方法为:
其中,f表示卷积操作的结果,*表示三维卷积操作,c表示卷积核的参数,b表示卷积核的偏置项,PReLU为激活函数,i,j为自然数,分别表示第i个卷积层和第j个卷积层。
在一些优选的实施方式中,所述最大值池化层采用的池化窗为2×2、池化步长为2。
在一些优选的实施方式中,所述卷积自编码器CAE在训练的过程中采用均方误差MSE损失函数,使用RMSProp优化算法进行参数优化。
在一些优选的实施方式中,所述第一感兴趣区域为长方体。
在一些优选的实施方式中,所述第一预设尺寸优选为64×64×32,第二预设尺寸优选为32×32×16。
本发明的第二方面,提出了一种基于半监督深度学习的CT图像分类系统,该系统包括区域获取模块、归一化模块、特征提取模块、分类输出模块;
所述的区域获取模块,配置为将待分类的CT图像的三维感兴趣区域作为第一感兴趣区域,根据所述第一感兴趣区域的中心点坐标选取第一预设尺寸的三维区域作为第二感兴趣区域;
所述的归一化模块,配置为采用三次样条差值算法将所述第一感兴趣区域缩放至第二预设尺寸,并对所述第二感兴趣区域和缩放后的第一感兴趣区域进行归一化;
所述的特征提取模块,配置为根据归一化后的第一感兴趣区域、第二感兴趣区域,通过卷积自编码器CAE获取感兴趣区域无监督特征;
所述的分类输出模块,配置为基于所述无监督特征,采用随机森林分类器获取CT图像的分类结果;
其中,
所述卷积自编码器CAE为双输入分支结构,将提取两个输入分支的感兴趣区域的无监督特征相加得到完整的感兴趣区域的无监督特征;所述卷积自编码器CAE在训练过程中采用无类别标签的感兴趣区域图像进行训练;
所述随机森林分类器在训练过程中采用标签数据的特征和经所述卷积自编码器CAE提取的无监督特征进行训练。
本发明的第三方面,提出了一种存储装置,其中存储有多条程序,所述程序应用由处理器加载并执行以实现上述的基于半监督深度学习的CT图像分类方法。
本发明的第四方面,提出了一种处理设置,包括处理器、存储装置;处理器,适用于执行各条程序;存储装置,适用于存储多条程序;所述程序适用于由处理器加载并执行以实现上述的基于半监督深度学习的CT图像分类方法。
本发明的有益效果:
本发明可以获取无标签CT图像的分类,并具有较高的分类精度。本发明针对无标签CT图像分类问题,在提取多尺度ROI后,通过所构建的卷积自编码器进行无监督的特征提取,并通过RF分类器进行无标签CT图像的分类,有效提高了无标签CT图像分类的准确性和稳定性。
通过卷积自编码器可从无类别标签的CT图像进行特征学习,对无标签的数据进行信息挖掘,弥补了传统的监督学习方法无法挖掘无标签CT图像的信息的不足。同时,多尺度的ROI的选取和CAE中双分支结构可挖掘多尺度信息,进一步提升对CT图像的分类精度。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述,本申请的其他特征、目的和优点将会变得更明显。
图1是本发明一种实施例的基于半监督深度学习的CT图像分类方法的流程示意图;
图2本发明一种实施例的基于半监督深度学习的CT图像分类系统的框架示意图;
图3是本发明一种实施例的基于半监督深度学习的CT图像分类方法的卷积自编码器的结构示例图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明的基于半监督深度学习的CT图像分类方法,如图1所示,包括以下步骤:
步骤S10,将待分类的CT图像的三维感兴趣区域作为第一感兴趣区域,根据所述第一感兴趣区域的中心点坐标选取第一预设尺寸的三维区域作为第二感兴趣区域;
步骤S20,采用三次样条差值算法将所述第一感兴趣区域缩放至第二预设尺寸,并对所述第二感兴趣区域和缩放后的第一感兴趣区域进行归一化;
步骤S30,根据归一化后的第一感兴趣区域、第二感兴趣区域,通过卷积自编码器CAE获取感兴趣区域无监督特征;
步骤S40,基于所述无监督特征,采用随机森林分类器获取CT图像的分类结果;
其中,
所述卷积自编码器CAE为双输入分支结构,将提取两个输入分支的感兴趣区域的无监督特征相加得到完整的感兴趣区域的无监督特征;所述卷积自编码器CAE在训练过程中采用无类别标签的感兴趣区域图像进行训练;
所述随机森林分类器在训练过程中采用标签数据的特征和经所述卷积自编码器CAE提取的无监督特征进行训练。
为了更清晰地对本发明基于半监督深度学习的CT图像分类方法进行说明,下面结合附图对本发明方法一种实施例中各步骤进行展开详述。
步骤S10,将待分类的CT图像的三维感兴趣区域作为第一感兴趣区域,根据所述第一感兴趣区域的中心点坐标选取第一预设尺寸的三维区域作为第二感兴趣区域。
CT图像是利用精确准直的X线束、γ射线、超声波等,与灵敏度极高的探测器一同围绕人体的某一部位做一个接一个的断面扫描,一般的CT图像基本上基本呈现的都是某一部位的图像信息。
机器视觉、图像处理中,从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域,称为感兴趣区域,通过提取感兴趣区域以便于进行图像的下一步处理。
本实施例中,首先获取待分类的CT图像,此处获取的CT图像是三维图像,基于CT图像获取三维长方体感兴趣区域,作为第一感兴趣区域,第一感兴趣区域即需要待分类的目标区域,包含全部的感兴趣的组织部位,可为任意大小。在本发明中,基于所述第一感兴趣区域的中心坐标点取第一预设尺寸64×64×32大小的三维区域作为第二感兴趣区域。其中,64×64×32为本发明优选的第二感兴趣区域大小,可以根据情况而定。
步骤S20,采用三次样条差值算法将所述第一感兴趣区域缩放至第二预设尺寸,并对所述第二感兴趣区域和缩放后的第一感兴趣区域进行归一化。
现有主流的图像缩放方法是平滑内插的缩放方法,主要有双平方差值缩放、双立方插值缩放、三次样条差值算法等,这些方法本质上相当于“低通滤波器”,将图像灰度向量分为高频带和低频带,对高频带少插值或者不差值保留跳变信息,对低频带多插值,以保证图像的平滑性。其中,三次样条差值算法的效率较高。在本实施例中,选用三次样条差值算法进行图像的缩放,也可以选用其他的缩放方式进行图像的缩放。
在本实施例中,将第一感兴趣区域通过三次样条差值算法缩放至第二预设尺寸32×32×16大小,其中,32×32×16为本发明优选的缩放后的第一感兴趣区域的尺寸,其根据步骤S10的第一预设尺寸64×64×32所获取的,二者为对应关系。对所述第二感兴趣区域和缩放后的第一感兴趣区域进行归一化。其中,归一化的计算方法如公式(1)所示:
其中,I归一化后为归一化后的感兴趣区域图像,I归一化前为归一化前的感兴趣区域图像,Imean表示感兴趣区域图像的像素均值,Istd表示感兴趣区域图像像素的标准差。
步骤S30,根据归一化后的第一感兴趣区域、第二感兴趣区域,通过卷积自编码器CAE获取感兴趣区域无监督特征。
在本实例中,构建卷积自编码器(CAE),在训练过程中采用无类别标签的感兴趣区域图像进行训练,使用卷积自编码器对感兴趣区域图像提取特征,该CAE的结构如图3所示,其中ROI1为第一感兴趣区域,ROI2为第二感兴趣区域,卷积自编码器CAE为双输入分支结构,每个分支包含三个残差块,每个残差块包含4个3×3的卷积层。每个残差块下所示数字表示该残差块输出图像的大小,例如,[32,32,16]表示该残差块的输出图像为32×32×16个像素大小。CAE对双分支提取的两个感兴趣区域的无监督特征相加得到完整的感兴趣区域的无监督特征。该卷积自编码器包含编码网络和解码网络两部分,其中,编码网络由卷积层,批量归一化层和最大值池化层构成。卷积层采用3×3的卷积核,其计算公式如公式(2)所示:
其中,f表示卷积操作的结果,*表示三维卷积操作,c表示卷积核的参数,b表示卷积核的偏置项,PReLU为激活函数,i,j为自然数,分别表示第i个卷积层和第j个卷积层。在卷积层使用PReLU作为激活函数,其定义如公式(3)所示:
其中,aj为第j个卷积层对应的激活系数。最大值池化层均使用2×2的池化窗和2的池化步长。在编码器的最后一个残差块后,使用全局池化层将三维的图像转换为32维的特征。全局池化层对每一个通道的图像求取均值,最终,得到32维的特征。编码器包含两个输入分支,分别对第一感兴趣区域和第二感兴趣区域进行特征提取。解码器与编码器类似,由卷积层、批量归一化层和上采样层构成。上采样层使用2×2的上采样步长,将输入图像上采样至两倍的大小。
利用无类别标签的感兴趣区域图像对CAE进行训练。训练过程中使用均方误差MSE作为损失函数,其定义如公式(4)所示:
其中,N为训练样本的数量,O和I表示CAE的输入和输出,W表示模型中的参数,λ为正则项系数,n为自然数。
通过使用RMSProp优化算法进行参数优化训练,最终训练好一个可以进行无监督的特征提取的卷积自编码器。训练过程使用NVIDIA TitanXP(显卡)进行加速。
将CAE中编码器的最后一层作为特征提取器,该层有32个输出作为对输入图像提取的32维无监督特征。
在本发明中,32维与ROI1和ROI2的大小无关,只与CAE的网络结构有关,在CAE的编码器的最后一层,我们设置了32个卷积核,所以是32维特征。
步骤S40,基于所述无监督特征,采用随机森林分类器获取CT图像的分类结果。
在随机森林分类器的训练过程中,对训练集上所有样本提取好32维无监督特征后,训练随机森林(RF)分类器对图像进行分类,所述随机森林分类器在训练过程中采用标签数据的特征和经所述卷积自编码器CAE提取的无监督特征进行训练。随机森林包含100棵深度为3层的二叉树,其训练过程中使用gini指数作为损失函数。
使用训练好的RF模型,可对未知的测试样本进行分类。对于每一个未知的测试样本,RF中的100棵决策树根据CAE提取的特征进行分类预测,并将所有决策树的预测结果的均值作为最终的分类预测结果。
在本实施例中,基于所述无监督特征,采用训练好的随机森林分类器获取CT图像的分类结果。
本发明第二实施例的一种基于半监督深度学习的CT图像分类系统,如图2所示,包括:区域获取模块100、归一化模块200、特征提取模块300、分类输出模块400;
区域模块100,配置为将待分类的CT图像的三维感兴趣区域作为第一感兴趣区域,根据所述第一感兴趣区域的中心点坐标选取第一预设尺寸的三维区域作为第二感兴趣区域;
归一化模块200,配置为采用三次样条差值算法将所述第一感兴趣区域缩放至第二预设尺寸,并对所述第二感兴趣区域和缩放后的第一感兴趣区域进行归一化;
特征提取模块300,配置为根据归一化后的第一感兴趣区域、第二感兴趣区域,通过卷积自编码器CAE获取感兴趣区域无监督特征;
分类输出模块400,配置为基于所述无监督特征,采用随机森林分类器获取CT图像的分类结果。
本实施例中的所述卷积自编码器CAE为双输入分支结构,将提取两个输入分支的感兴趣区域的无监督特征相加得到完整的感兴趣区域的无监督特征;所述卷积自编码器CAE在训练过程中采用无类别标签的感兴趣区域图像进行训练;
所述随机森林分类器在训练过程中采用标签数据的特征和经所述卷积自编码器CAE提取的无监督特征进行训练。
所述技术领域的技术人员可以清楚的了解到,为描述的方便和简洁,上述描述的系统的具体的工作过程及有关说明,可以参考签署方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的基于半监督深度学习的CT图像分类系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
本发明第三实施例的一种存储装置,其中存储有多条程序,所述程序适用于由处理器加载并实现上述的基于半监督深度学习的CT图像分类方法。
本发明第四实施例的一种处理装置,包括处理器、存储装置;处理器,适于执行各条程序;存储装置,适于存储多条程序;所述程序适于由处理器加载并执行以实现上述的基于半监督深度学习的CT图像分类方法。
所述技术领域的技术人员可以清楚的了解到,未描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考签署方法实例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于半监督深度学习的CT图像分类方法,其特征在于,该方法包括:
步骤S10,将待分类的CT图像的三维感兴趣区域作为第一感兴趣区域,根据所述第一感兴趣区域的中心点坐标选取第一预设尺寸的三维区域作为第二感兴趣区域;
步骤S20,采用三次样条差值算法将所述第一感兴趣区域缩放至第二预设尺寸,并对所述第二感兴趣区域和缩放后的第一感兴趣区域进行归一化;
步骤S30,根据归一化后的第一感兴趣区域、第二感兴趣区域,通过卷积自编码器CAE获取感兴趣区域无监督特征;
步骤S40,基于所述无监督特征,采用随机森林分类器获取CT图像的分类结果。
其中,
所述卷积自编码器CAE为双输入分支结构,将提取两个输入分支的感兴趣区域的无监督特征相加得到完整的感兴趣区域的无监督特征;所述卷积自编码器CAE在训练过程中采用无类别标签的感兴趣区域图像进行训练;
所述随机森林分类器在训练过程中采用标签数据的特征和经所述卷积自编码器CAE提取的无监督特征进行训练。
2.根据权利要求1所述的基于半监督深度学习的CT图像分类方法,其特征在于,步骤S20中“对所述第二感兴趣区域和缩放后的第一感兴趣区域进行归一化”,其归一化计算方法为:
其中,I归一化后为归一化后的感兴趣区域图像,I归一化前为归一化前的感兴趣区域图像,Imean表示感兴趣区域图像的像素均值,Istd表示感兴趣区域图像像素的标准差。
3.根据权利要求1所述的基于半监督深度学习的CT图像分类方法,其特征在于,所述卷积自编码器CAE,其编码网络由卷积层、批量归一化层、最大值池化层和上采样层构成;所述卷积层采用3×3的卷积核,其计算方法为:
其中,f表示卷积操作的结果,*表示三维卷积操作,c表示卷积核的参数,b表示卷积核的偏置项,PReLU为激活函数,i,j为自然数,分别表示第i个卷积层和第j个卷积层。
4.根据权利要求3所述的基于半监督深度学习的CT图像分类方法,其特征在于,所述最大值池化层采用的池化窗为2×2、池化步长为2。
5.根据权利要求1所述的基于半监督深度学习的CT图像分类方法,其特征在于,所述卷积自编码器CAE在训练的过程中采用均方误差MSE损失函数,使用RMSProp优化算法进行参数优化。
6.根据权利要求1所述的基于半监督深度学习的CT图像分类方法,其特征在于,所述第一感兴趣区域为长方体。
7.根据权利要求1所述的基于半监督深度学习的CT图像分类方法,其特征在于,所述第一预设尺寸优选为64×64×32,第二预设尺寸优选为32×32×16。
8.一种基于半监督深度学习的CT图像分类系统,其特征在于,该系统包括获取模块、归一化模块、特征提取模块、分类输出模块;
所述的区域获取模块,配置为将待分类的CT图像的三维感兴趣区域作为第一感兴趣区域,根据所述第一感兴趣区域的中心点坐标选取第一预设尺寸的三维区域作为第二感兴趣区域;
所述的归一化模块,配置为采用三次样条差值算法将所述第一感兴趣区域缩放至第二预设尺寸,并对所述第二感兴趣区域和缩放后的第一感兴趣区域进行归一化;
所述的特征提取模块,配置为根据归一化后的第一感兴趣区域、第二感兴趣区域,通过卷积自编码器CAE获取感兴趣区域无监督特征;
所述的分类输出模块,配置为基于所述无监督特征,采用随机森林分类器获取CT图像的分类结果;
其中,
所述卷积自编码器CAE为双输入分支结构,将提取两个输入分支的感兴趣区域的无监督特征相加得到完整的感兴趣区域的无监督特征;所述卷积自编码器CAE在训练过程中采用无类别标签的感兴趣区域图像进行训练;
所述随机森林分类器在训练过程中采用标签数据的特征和经所述卷积自编码器CAE提取的无监督特征进行训练。
9.一种存储装置,其中存储有多条程序,其特征在于,所述程序应用由处理器加载并执行以实现权利要求1-7任一项所述的基于半监督深度学习的CT图像分类方法。
10.一种处理设置,包括处理器、存储装置;处理器,适用于执行各条程序;存储装置,适用于存储多条程序;其特征在于,所述程序适用于由处理器加载并执行以实现权利要求1-7任一项所述的基于半监督深度学习的CT图像分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910554363.2A CN110321943B (zh) | 2019-06-25 | 2019-06-25 | 基于半监督深度学习的ct图像分类方法、系统、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910554363.2A CN110321943B (zh) | 2019-06-25 | 2019-06-25 | 基于半监督深度学习的ct图像分类方法、系统、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110321943A true CN110321943A (zh) | 2019-10-11 |
CN110321943B CN110321943B (zh) | 2021-08-31 |
Family
ID=68120208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910554363.2A Active CN110321943B (zh) | 2019-06-25 | 2019-06-25 | 基于半监督深度学习的ct图像分类方法、系统、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110321943B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969204A (zh) * | 2019-11-29 | 2020-04-07 | 中国科学院自动化研究所 | 基于磁共振图像与数字病理图像融合的样本分类系统 |
CN111340130A (zh) * | 2020-03-09 | 2020-06-26 | 江西省人民医院 | 一种基于深度学习和影像组学的泌尿结石检测分类方法 |
CN112633425A (zh) * | 2021-03-11 | 2021-04-09 | 腾讯科技(深圳)有限公司 | 图像分类方法和装置 |
CN114813798A (zh) * | 2022-05-18 | 2022-07-29 | 中国工程物理研究院化工材料研究所 | 用于表征材料内部结构及成分的ct检测装置和成像方法 |
CN114902294A (zh) * | 2020-01-02 | 2022-08-12 | 国际商业机器公司 | 移动增强现实中的细粒度视觉识别 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316294A (zh) * | 2017-06-28 | 2017-11-03 | 太原理工大学 | 一种基于改进的深度玻尔兹曼机肺结节特征提取和良恶性分类方法 |
CN108846432A (zh) * | 2018-06-06 | 2018-11-20 | 深圳神目信息技术有限公司 | 一种基于深度学习对胸部ct影像的分类方法 |
CN109389587A (zh) * | 2018-09-26 | 2019-02-26 | 上海联影智能医疗科技有限公司 | 一种医学图像分析系统、装置及存储介质 |
CN109711463A (zh) * | 2018-12-25 | 2019-05-03 | 广东顺德西安交通大学研究院 | 基于注意力的重要对象检测方法 |
CN109889839A (zh) * | 2019-03-27 | 2019-06-14 | 上海交通大学 | 基于深度学习的感兴趣区域图像编码、解码系统及方法 |
-
2019
- 2019-06-25 CN CN201910554363.2A patent/CN110321943B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316294A (zh) * | 2017-06-28 | 2017-11-03 | 太原理工大学 | 一种基于改进的深度玻尔兹曼机肺结节特征提取和良恶性分类方法 |
CN108846432A (zh) * | 2018-06-06 | 2018-11-20 | 深圳神目信息技术有限公司 | 一种基于深度学习对胸部ct影像的分类方法 |
CN109389587A (zh) * | 2018-09-26 | 2019-02-26 | 上海联影智能医疗科技有限公司 | 一种医学图像分析系统、装置及存储介质 |
CN109711463A (zh) * | 2018-12-25 | 2019-05-03 | 广东顺德西安交通大学研究院 | 基于注意力的重要对象检测方法 |
CN109889839A (zh) * | 2019-03-27 | 2019-06-14 | 上海交通大学 | 基于深度学习的感兴趣区域图像编码、解码系统及方法 |
Non-Patent Citations (1)
Title |
---|
SHUO WANG 等: "Deep learning provides a new computed tomography-based prognostic biomarker for recurrence prediction in high-grade serous ovarian cancer", 《ELSEVIER》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969204A (zh) * | 2019-11-29 | 2020-04-07 | 中国科学院自动化研究所 | 基于磁共振图像与数字病理图像融合的样本分类系统 |
CN110969204B (zh) * | 2019-11-29 | 2023-05-12 | 中国科学院自动化研究所 | 基于磁共振图像与数字病理图像融合的样本分类系统 |
CN114902294A (zh) * | 2020-01-02 | 2022-08-12 | 国际商业机器公司 | 移动增强现实中的细粒度视觉识别 |
CN114902294B (zh) * | 2020-01-02 | 2023-10-20 | 国际商业机器公司 | 移动增强现实中的细粒度视觉识别 |
CN111340130A (zh) * | 2020-03-09 | 2020-06-26 | 江西省人民医院 | 一种基于深度学习和影像组学的泌尿结石检测分类方法 |
CN111340130B (zh) * | 2020-03-09 | 2023-12-05 | 江西省人民医院 | 一种基于深度学习和影像组学的泌尿结石检测分类方法 |
CN112633425A (zh) * | 2021-03-11 | 2021-04-09 | 腾讯科技(深圳)有限公司 | 图像分类方法和装置 |
CN112633425B (zh) * | 2021-03-11 | 2021-05-11 | 腾讯科技(深圳)有限公司 | 图像分类方法和装置 |
CN114813798A (zh) * | 2022-05-18 | 2022-07-29 | 中国工程物理研究院化工材料研究所 | 用于表征材料内部结构及成分的ct检测装置和成像方法 |
CN114813798B (zh) * | 2022-05-18 | 2023-07-07 | 中国工程物理研究院化工材料研究所 | 用于表征材料内部结构及成分的ct检测装置和成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110321943B (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110617B (zh) | 医学影像分割方法、装置、电子设备和存储介质 | |
CN110321943A (zh) | 基于半监督深度学习的ct图像分类方法、系统、装置 | |
Mairhofer et al. | RooTrak: automated recovery of three-dimensional plant root architecture in soil from X-ray microcomputed tomography images using visual tracking | |
US8319793B2 (en) | Analyzing pixel data by imprinting objects of a computer-implemented network structure into other objects | |
CN107997778A (zh) | 在计算机断层扫描血管造影术中基于深度学习的骨移除 | |
CN109598728A (zh) | 图像分割方法、装置、诊断系统及存储介质 | |
CN109903292A (zh) | 一种基于全卷积神经网络的三维图像分割方法及系统 | |
US20070036434A1 (en) | Topology-Based Method of Partition, Analysis, and Simplification of Dynamical Images and its Applications | |
Rahaman et al. | An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm | |
Talavera-Martinez et al. | Hair segmentation and removal in dermoscopic images using deep learning | |
CN110458833A (zh) | 基于人工智能的医学图像处理方法、医学设备和存储介质 | |
CN110648331B (zh) | 用于医学图像分割的检测方法、医学图像分割方法及装置 | |
CN111179237A (zh) | 一种肝脏以及肝脏肿瘤的图像分割方法和装置 | |
Chatterjee et al. | On building classification from remote sensor imagery using deep neural networks and the relation between classification and reconstruction accuracy using border localization as proxy | |
CN111860233A (zh) | 基于选择注意力网络的sar图像复杂建筑物提取方法及系统 | |
Shan et al. | SCA-Net: A spatial and channel attention network for medical image segmentation | |
Liu et al. | Deep learning based research on quality classification of shiitake mushrooms | |
CN110782427A (zh) | 基于可分离空洞卷积的磁共振脑肿瘤自动分割方法 | |
CN113256670A (zh) | 图像处理方法及装置、网络模型的训练方法及装置 | |
Huang et al. | Attention-guided label refinement network for semantic segmentation of very high resolution aerial orthoimages | |
Doraiswamy et al. | Topological saliency | |
Guo et al. | Salient object detection from low contrast images based on local contrast enhancing and non-local feature learning | |
Zuo et al. | A method of crop seedling plant segmentation on edge information fusion model | |
Benfenati et al. | A deep learning generative model approach for image synthesis of plant leaves | |
AlZu'bi et al. | 3D medical volume segmentation using hybrid multiresolution statistical approaches |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |