CN110751203A - 一种基于深度标志物学习的特征提取方法及系统 - Google Patents

一种基于深度标志物学习的特征提取方法及系统 Download PDF

Info

Publication number
CN110751203A
CN110751203A CN201910982425.XA CN201910982425A CN110751203A CN 110751203 A CN110751203 A CN 110751203A CN 201910982425 A CN201910982425 A CN 201910982425A CN 110751203 A CN110751203 A CN 110751203A
Authority
CN
China
Prior art keywords
marker
markers
learning
model
deep
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.)
Pending
Application number
CN201910982425.XA
Other languages
English (en)
Inventor
袭肖明
于治楼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Inspur Artificial Intelligence Research Institute Co Ltd
Original Assignee
Shandong Inspur Artificial Intelligence Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Inspur Artificial Intelligence Research Institute Co Ltd filed Critical Shandong Inspur Artificial Intelligence Research Institute Co Ltd
Priority to CN201910982425.XA priority Critical patent/CN110751203A/zh
Publication of CN110751203A publication Critical patent/CN110751203A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度标志物学习的特征提取方法及系统，属于计算机视觉技术领域。本发明的基于深度标志物学习的特征提取方法，首先构建标志物，根据构建的标志物构建多标志物学习模型，根据多标志物学习模型对所有的标志物同时进行学习，并在学习过程中获取多个标志物的相关性信息，提高由标志物组成特征的区分性；通过将测试图像输入多标志物学习模型，获取图像的多个标志物特征，将获取的标志物特征与模型标志物进行比对，基于相似度判断获取的标志物与模型标志物是否为同一类。该发明的基于深度标志物学习的特征提取方法能够表达图像的语义信息，并具有更好的区分性，提高识别精度，具有很好的推广应用价值。

Description

一种基于深度标志物学习的特征提取方法及系统
技术领域
本发明涉及计算机视觉技术领域，具体提供一种基于深度标志物学习的特征提取方法及系统。
背景技术
特征提取是图像处理、模式识别等领域的重要一步。在视觉领域，现有的特征提取方法在不同领域都能取得一定性能的提升，然而现有特征不具备较好的可解释性，在某些领域缺乏说服力。例如，在医学图像分析任务中，临床上主要通过病灶的一些临床表现进行分析。现有的特征并未考虑到这一点，从而降低了特征的实用性。如何有效解决现有特征可解释性低、有效性差问题，具有重要的研究意义和应用价值。
发明内容
本发明的技术任务是针对上述存在的问题，提供一种能够表达图像的语义信息，并具有更好的区分性，提高识别精度的基于深度标志物学习的特征提取方法。
本发明进一步的技术任务是提供一种基于深度标志物学习的特征提取系统。
为实现上述目的，本发明提供了如下技术方案：
一种基于深度标志物学习的特征提取方法，该方法首先构建标志物，根据构建的标志物构建多标志物学习模型，根据多标志物学习模型对所有的标志物同时进行学习，并在学习过程中获取多个标志物的相关性信息，提高由标志物组成特征的区分性；通过将测试图像输入多标志物学习模型，获取图像的多个标志物特征，将获取的标志物特征与模型标志物进行比对，基于相似度判断获取的标志物与模型标志物是否为同一类。
所述基于深度标志物学习的特征提取方法中能够对所有的标志物同时进行学习，并在学习过程中能够获取多个标志物的相关性信息，从而提高由标志物组成特征的区分性。因此，学到的标志物特征能够表达图像的语义信息，另外，由标志物信息组成的特征具有更好的区分性，提高了识别精度。
作为优选，该方法具体包括以下步骤：
S1、训练阶段：构建多标志物学习模型
1)构建标志物；
2)根据构建的标志物构建多标志物学习模型；
S2、测试阶段：将测试图像的标志物特征与多标志物学习模型标志物进行比对，判断测试图像的标志物与模型标志物是否为同一类。
作为优选，构建标志物包括图像的形状、边缘特征、内部回声和毛刺特征。
作为优选，基于深度学习框架构建多标志物学习模型，深度学习架构使用Resent，损失层的损失函数如公式(1)所示，通过最小化目标函数，获得多标志物学习模型，
Figure BDA0002235633490000021
其中，t为标志物的数目，Y(i，k)为所有样本第k个标志物的值，X为训练样本的特征，是个nxd的矩阵，Wk为关于第k个标记的权重向量，ɑ是超参数。
作为优选，测试阶段首先将测试图像输入多标志物学习模型，获取测试图像的多个标志物特征，再进行识别，识别过程为将获取的标志物特征与模型标志物进行比对，利用海名距比较两个标志物特征之间的相似度，基于相似度判断获取的标志物与模型标志物是否为同一类。
一种基于深度标志物学习的特征提取系统，该系统包括训练模块和测试模块：
训练模块用于在训练阶段构建多标志物学习模型，其中包括构建标志物和根据构建的标志物构建多标志物学习模型；
测试模块用于在测试阶段将测试图像的标志物特征与多标志物学习模型标志物进行比对，判断测试图像的标志物与模型标志物是否为同一类。
作为优选，训练模块中，构建标志物包括图像的形状、边缘特征、内部回声和毛刺特征。
作为优选，训练模块基于深度学习框架构建多标志物学习模型，深度学习架构使用Resent，损失层的损失函数如公式(1)所示，通过最小化目标函数，获得多标志物学习模型，
其中，t为标志物的数目，Y(i，k)为所有样本第k个标志物的值，X为训练样本的特征，是个nxd的矩阵，Wk为关于第k个标记的权重向量，ɑ是超参数。
作为优选，测试模块在测试阶段，首先将测试图像输入多标志物学习模型，获取测试图像的多个标志物特征，再进行识别，识别过程为将获取的标志物特征与模型标志物进行比对，利用海名距比较两个标志物特征之间的相似度，基于相似度判断获取的标志物与模型标志物是否为同一类。
与现有技术相比，本发明的基于深度标志物学习的特征提取方法具有以下突出的有益效果：所述基于深度标志物学习的特征提取方法能够对所有的标记物同时进行学习，并在学习过程中能够获取多个标记物的相关性信息，从而提高由标记物组成特征的区分性。因此，学到的标记物特征能够表达图像的语义信息，另外，由标记物信息组成的特征具有更好的区分性，提高了识别精度，具有良好的推广应用价值。
具体实施方式
下面将结合实施例，对本发明的基于深度标志物学习的特征提取方法及系统作进一步详细说明。
实施例
本发明的基于深度标志物学习的特征提取方法，首先构建标志物，根据构建的标志物构建多标志物学习模型，根据多标志物学习模型对所有的标志物同时进行学习，并在学习过程中获取多个标志物的相关性信息，提高由标志物组成特征的区分性；通过将测试图像输入多标志物学习模型，获取图像的多个标志物特征，将获取的标志物特征与模型标志物进行比对，基于相似度判断获取的标志物与模型标志物是否为同一类。
具体包括以下步骤：
S1、训练阶段：构建多标志物学习模型
1)构建标志物；
2)根据构建的标志物构建多标志物学习模型。
S2、测试阶段：将测试图像的标志物特征与多标志物学习模型标志物进行比对，判断测试图像的标志物与模型标志物是否为同一类。
构建标志物包括图像的形状、边缘特征、内部回声和毛刺特征。
本发明中基于乳腺超声图像的临床特点，结合乳腺影像报告和数据系统(BI-RADS)构造标记物信息，构建标记物，包括但不限于以下四种：
1)肿瘤形状
肿瘤形状对良恶性判断具有重要作用。一般来说，恶性肿瘤形状不规则，良性一般表现为原形或椭圆形等规则形状。
2)边缘
边缘信息是良恶性判断的主要指标。一般来说，恶性肿瘤边缘模糊，良性的边缘一般较为完整、边界较为清晰。
3)内部回声
内部回声是基于超声图像判断乳腺癌最常用指标。一般来说，良性肿瘤内部回声较为均匀，恶性肿瘤多包块。
4)毛刺
毛刺是判断良恶性肿瘤较为明显的外在特征。一般来说，恶性肿瘤多毛刺。
基于深度学习框架构建多标志物学习模型，深度学习架构使用Resent，损失层的损失函数如公式(1)所示，通过最小化目标函数，获得多标志物学习模型，
Figure BDA0002235633490000051
其中，t为标志物的数目，Y(i，k)为所有样本第k个标志物的值，X为训练样本的特征，是个nxd的矩阵，Wk为关于第k个标记的权重向量，ɑ是超参数。
测试阶段首先将测试图像输入多标志物学习模型，获取测试图像的多个标志物特征，再进行识别，识别过程为将获取的标志物特征与模型标志物进行比对，利用海名距比较两个标志物特征之间的相似度，基于相似度判断获取的标志物与模型标志物是否为同一类。
本发明的基于深度标志物学习的特征提取系统，该系统包括训练模块和测试模块。
训练模块用于在训练阶段构建多标志物学习模型，其中包括构建标志物和根据构建的标志物构建多标志物学习模型。
训练模块中，构建标志物包括图像的形状、边缘特征、内部回声和毛刺特征。
训练模块基于深度学习框架构建多标志物学习模型，深度学习架构使用Resent，损失层的损失函数如公式(1)所示，通过最小化目标函数，获得多标志物学习模型，
Figure BDA0002235633490000052
其中，t为标志物的数目，Y(i，k)为所有样本第k个标志物的值，X为训练样本的特征，是个nxd的矩阵，Wk为关于第k个标记的权重向量，ɑ是超参数。
测试模块用于在测试阶段将测试图像的标志物特征与多标志物学习模型标志物进行比对，判断测试图像的标志物与模型标志物是否为同一类。
测试模块在测试阶段，首先将测试图像输入多标志物学习模型，获取测试图像的多个标志物特征，再进行识别，识别过程为将获取的标志物特征与模型标志物进行比对，利用海名距比较两个标志物特征之间的相似度，基于相似度判断获取的标志物与模型标志物是否为同一类。
以上所述的实施例，只是本发明较优选的具体实施方式，本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。

Claims (9)

1.一种基于深度标志物学习的特征提取方法，其特征在于：该方法首先构建标志物，根据构建的标志物构建多标志物学习模型，根据多标志物学习模型对所有的标志物同时进行学习，并在学习过程中获取多个标志物的相关性信息，提高由标志物组成特征的区分性；通过将测试图像输入多标志物学习模型，获取图像的多个标志物特征，将获取的标志物特征与模型标志物进行比对，基于相似度判断获取的标志物与模型标志物是否为同一类。
2.根据权利要求1所述的基于深度标志物学习的特征提取方法，其特征在于：该方法具体包括以下步骤：
S1、训练阶段：构建多标志物学习模型
1)构建标志物；
2)根据构建的标志物构建多标志物学习模型；
S2、测试阶段：将测试图像的标志物特征与多标志物学习模型标志物进行比对，判断测试图像的标志物与模型标志物是否为同一类。
3.根据权利要求2所述的基于深度标志物学习的特征提取方法，其特征在于：构建标志物包括图像的形状、边缘特征、内部回声和毛刺特征。
4.根据权利要求3所述的基于深度标志物学习的特征提取方法，其特征在于：基于深度学习框架构建多标志物学习模型，深度学习架构使用Resent，损失层的损失函数如公式(1)所示，通过最小化目标函数，获得多标志物学习模型，
Figure FDA0002235633480000011
其中，t为标志物的数目，Y(i，k)为所有样本第k个标志物的值，X为训练样本的特征，是个nxd的矩阵，Wk为关于第k个标记的权重向量，ɑ是超参数。
5.根据权利要求4所述的基于深度标志物学习的特征提取方法，其特征在于：测试阶段首先将测试图像输入多标志物学习模型，获取测试图像的多个标志物特征，再进行识别，识别过程为将获取的标志物特征与模型标志物进行比对，利用海名距比较两个标志物特征之间的相似度，基于相似度判断获取的标志物与模型标志物是否为同一类。
6.一种基于深度标志物学习的特征提取系统，其特征在于：该系统包括训练模块和测试模块：
训练模块用于在训练阶段构建多标志物学习模型，其中包括构建标志物和根据构建的标志物构建多标志物学习模型；
测试模块用于在测试阶段将测试图像的标志物特征与多标志物学习模型标志物进行比对，判断测试图像的标志物与模型标志物是否为同一类。
7.根据权利要求6所述的基于深度标志物学习的特征提取系统，其特征在于：训练模块中，构建标志物包括图像的形状、边缘特征、内部回声和毛刺特征。
8.根据权利要求7所述的基于深度标志物学习的特征提取系统，其特征在于：训练模块基于深度学习框架构建多标志物学习模型，深度学习架构使用Resent，损失层的损失函数如公式(1)所示，通过最小化目标函数，获得多标志物学习模型，
Figure FDA0002235633480000021
其中，t为标志物的数目，Y(i，k)为所有样本第k个标志物的值，X为训练样本的特征，是个nxd的矩阵，Wk为关于第k个标记的权重向量，ɑ是超参数。
9.根据权利要求8所述的基于深度标志物学习的特征提取系统，其特征在于：测试模块在测试阶段，首先将测试图像输入多标志物学习模型，获取测试图像的多个标志物特征，再进行识别，识别过程为将获取的标志物特征与模型标志物进行比对，利用海名距比较两个标志物特征之间的相似度，基于相似度判断获取的标志物与模型标志物是否为同一类。
CN201910982425.XA 2019-10-16 2019-10-16 一种基于深度标志物学习的特征提取方法及系统 Pending CN110751203A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910982425.XA CN110751203A (zh) 2019-10-16 2019-10-16 一种基于深度标志物学习的特征提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910982425.XA CN110751203A (zh) 2019-10-16 2019-10-16 一种基于深度标志物学习的特征提取方法及系统

Publications (1)

Publication Number Publication Date
CN110751203A true CN110751203A (zh) 2020-02-04

Family

ID=69278528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910982425.XA Pending CN110751203A (zh) 2019-10-16 2019-10-16 一种基于深度标志物学习的特征提取方法及系统

Country Status (1)

Country Link
CN (1) CN110751203A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115798596A (zh) * 2023-01-18 2023-03-14 安徽省立医院(中国科学技术大学附属第一医院) 一种基于机器学习的肿瘤标志物识别方法
WO2023231758A1 (zh) * 2022-06-01 2023-12-07 京东方科技集团股份有限公司 生物标志物确定方法及装置、存储介质、电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108257135A (zh) * 2018-02-01 2018-07-06 浙江德尚韵兴图像科技有限公司 基于深度学习方法解读医学图像特征的辅助诊断系统
CN109117871A (zh) * 2018-07-20 2019-01-01 上海市肺科医院 一种通过深度学习获取肺部病灶恶性概率的系统和方法
CN110097580A (zh) * 2019-03-18 2019-08-06 山东师范大学 一种超声图像标志物运动追踪方法
CN110335259A (zh) * 2019-06-25 2019-10-15 腾讯科技（深圳）有限公司 一种医学影像识别方法、装置和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108257135A (zh) * 2018-02-01 2018-07-06 浙江德尚韵兴图像科技有限公司 基于深度学习方法解读医学图像特征的辅助诊断系统
CN109117871A (zh) * 2018-07-20 2019-01-01 上海市肺科医院 一种通过深度学习获取肺部病灶恶性概率的系统和方法
CN110097580A (zh) * 2019-03-18 2019-08-06 山东师范大学 一种超声图像标志物运动追踪方法
CN110335259A (zh) * 2019-06-25 2019-10-15 腾讯科技（深圳）有限公司 一种医学影像识别方法、装置和存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023231758A1 (zh) * 2022-06-01 2023-12-07 京东方科技集团股份有限公司 生物标志物确定方法及装置、存储介质、电子设备
CN115798596A (zh) * 2023-01-18 2023-03-14 安徽省立医院(中国科学技术大学附属第一医院) 一种基于机器学习的肿瘤标志物识别方法
CN115798596B (zh) * 2023-01-18 2023-10-13 安徽省立医院(中国科学技术大学附属第一医院) 一种基于机器学习的肿瘤标志物识别方法

Similar Documents

Publication Publication Date Title
CN107330263B (zh) 一种计算机辅助乳腺浸润性导管癌组织学分级的方法
Saeedi et al. Automatic identification of human blastocyst components via texture
WO2021258651A1 (zh) 一种检测循环异常细胞的方法及装置
CN110338840B (zh) 三维成像数据的显示处理方法和三维超声成像方法及系统
Wang et al. Breast mass detection in digital mammogram based on gestalt psychology
Fuchs et al. Computational pathology analysis of tissue microarrays predicts survival of renal clear cell carcinoma patients
Al-Dulaimi et al. Benchmarking HEp-2 specimen cells classification using linear discriminant analysis on higher order spectra features of cell shape
CN101551855B (zh) 自适应核匹配追踪辅助诊断系统及其辅助诊断方法
CN107274399A (zh) 一种基于Hession矩阵和三维形状指数的肺结节分割方法
CN106204532B (zh) 基于特征数据挖掘及神经网络的肿瘤的分类方法
CN110751203A (zh) 一种基于深度标志物学习的特征提取方法及系统
CN101609485B (zh) 基于迁移核匹配追踪的医学影像诊断系统及诊断方法
WO2014066231A1 (en) Cell identification method and device, and urine analyzer
CN110838110A (zh) 一种基于超声成像的良恶性肿块的识别系统
CN102940510A (zh) 一种超声弹性成像的自动对焦方法
CN116912255B (zh) 一种用于卵巢组织分析的卵泡区域分割方法
CN114519719B (zh) 一种脑肿瘤mr图像分割方法
CN108288265A (zh) 一种面向hcc病理图像细胞核的分割与分类方法
CN102542543A (zh) 基于块相似性的交互式图像分割方法
Chen et al. Classification of breast tumors in ultrasound using biclustering mining and neural network
Hashimoto et al. Case-based similar image retrieval for weakly annotated large histopathological images of malignant lymphoma using deep metric learning
Baek et al. Improving breast cancer diagnosis by incorporating raw ultrasound parameters into machine learning
CN104915961A (zh) 一种基于乳腺x线图像的肿块图像区域显示方法及系统
CN104835155A (zh) 基于分形的早期乳腺癌钙化点计算机辅助检测方法
CN114399493A (zh) 超声颅脑异常区域自动检测及显示方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200204

RJ01 Rejection of invention patent application after publication