CN111639676B - 一种能够应用于新冠肺炎影像分析的胸部医学影像识别分类方法 - Google Patents
一种能够应用于新冠肺炎影像分析的胸部医学影像识别分类方法 Download PDFInfo
- Publication number
- CN111639676B CN111639676B CN202010377520.XA CN202010377520A CN111639676B CN 111639676 B CN111639676 B CN 111639676B CN 202010377520 A CN202010377520 A CN 202010377520A CN 111639676 B CN111639676 B CN 111639676B
- Authority
- CN
- China
- Prior art keywords
- pneumonia
- medical image
- data
- network
- real
- 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.)
- Expired - Fee Related
Links
- 206010035664 Pneumonia Diseases 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000010191 image analysis Methods 0.000 title claims abstract description 13
- 210000000038 chest Anatomy 0.000 claims abstract description 41
- 210000000481 breast Anatomy 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 40
- 238000005315 distribution function Methods 0.000 claims description 10
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims description 9
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 210000000115 thoracic cavity Anatomy 0.000 claims description 5
- 208000025370 Middle East respiratory syndrome Diseases 0.000 claims description 4
- 201000003176 Severe Acute Respiratory Syndrome Diseases 0.000 claims description 4
- 230000001580 bacterial effect Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 208000025721 COVID-19 Diseases 0.000 description 2
- 206010035737 Pneumonia viral Diseases 0.000 description 2
- 206010056342 Pulmonary mass Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 230000001717 pathogenic effect Effects 0.000 description 2
- 208000009421 viral pneumonia Diseases 0.000 description 2
- 230000003612 virological effect Effects 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 241000204031 Mycoplasma Species 0.000 description 1
- 208000001572 Mycoplasma Pneumonia Diseases 0.000 description 1
- 201000008235 Mycoplasma pneumoniae pneumonia Diseases 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002538 fungal effect Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
Images
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- 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
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- High Energy & Nuclear Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Evolutionary Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种能够应用于新冠肺炎影像分析的胸部医学影像识别分类方法,与现有技术相比解决了难以针对各类胸部医学影像进行识别分类的缺陷。本发明包括以下步骤:初始数据集的获取;初始数据集的预处理;胸部医学影像识别网络的构建;胸部医学影像识别网络的训练;待识别胸部医学影像的获取;胸部医学影像识别分类结果的获得。本发明能够针对各类胸部医学影像进行识别分类,提高了医学影像在AI技术中的应用。
Description
技术领域
本发明涉及医学影像分析技术领域,具体来说是一种能够应用于新冠肺炎影像分析的胸部医学影像识别分类方法。
背景技术
医学影像是医学判断的重要依据,其中胸部医学影像(CT)则是肺部疾病判断的重要指标,医护人员通过针对CT的影像特点进行人为判断,以分辨不同类型的肺炎疾病。
新冠状肺炎(COVID-19)属于新发传染病(Emerging Infectious Diseases,EID)又属于病毒性肺炎,而肺炎可分为感染性(如细菌性、病毒性、支原体性、真菌性和寄生虫性等)肺炎和理化性(如放射性、吸入性的类脂性)肺炎等。从众多肺炎中识别病毒性肺炎是进行病毒型EID监测预警的第一步。由于致病因子和机体反应性的不同,炎症发生的部位、累及范围和病变性质在胸部影像中也往往不同,因此,不同肺炎的识别检测难度也相对较大。
随着医疗大数据与AI技术的发展,基于深度学习(Deep Learning,DL)的肺炎辅助诊断已逐渐成为检测肺炎的非常重要方向和手段之一。DL的本质就是特征提取,通过结合低层特征构成更加抽象的高层特征表示,用来获得最佳的特征。DL不仅提取特征的效率比人工操作和传统机器学习高,而且提取的特征通常更有针对性,并在医疗影像处理具有重要的应用价值。
目前,国内外学者虽提出将GAN引入到肺炎影像分析中的思想,但是效果需要进一步提高。如,条件生成对抗网络(Conditional GAN)可较为精确地生成新的肺结节图像,增加医学图像数据量,增加了样本数据的多样性,生成更多肺结节的特征信息,检测精度略有提升;生成式对抗网络TUNA-Net在小儿肺炎分类中的准确率达到96.3%。然而,上述AI中的CNN或GAN模型均存一个共同的缺陷,就是只能针对某一种肺炎进行识别检测,例如GAN在学习如何识别COVID-19后,便忘记了如何识别支原体肺炎、SARS、MERS。
当肺炎的致病因子不确定时,往往需要尝试多种肺炎识别检测模型,检测流程繁琐、肺炎识别准确率也得不到保证,更无法应用于进行新冠肺炎影像分析所需要的排除分析(新冠肺炎影像分析多是依赖多种不同类型的排除)。
因此,如何研发出一种能够针对多种胸部医学影像进行识别分类的技术已经成为急需解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中难以针对各类胸部医学影像进行识别分类的缺陷,提供一种能够应用于新冠肺炎影像分析的胸部医学影像识别分类方法来解决上述问题。
为了实现上述目的,本发明的技术方案如下:
一种能够应用于新冠肺炎影像分析的胸部医学影像识别分类方法,包括以下步骤:
11)初始数据集的获取:获得若个幅胸部医学影像,胸部医学影像包括COVID-19影像、SARS影像、MERS影像和细菌性影像;
12)初始数据集的预处理:对初始数据集进行剔除冗余和噪声处理,形成随机噪声向量Z;同时,标出胸部医学影像中的肺炎特征标签并进行批注,并进行归一化处理;
13)胸部医学影像识别网络的构建:基于生成式对抗网络结合参数正则化方法构建胸部医学影像识别网络;
14)胸部医学影像识别网络的训练:利用预处理后的初始数据集对胸部医学影像识别网络进行训练;
15)待识别胸部医学影像的获取:获取待识别的胸部医学影像,并进行预处理;
16)胸部医学影像识别分类结果的获得:将预处理后待识别的胸部医学影像输入训练后的胸部医学影像识别网络,获得胸部医学影像识别分类结果。
所述胸部医学影像识别网络的构建包括以下步骤:
21)根据肺炎类别设计对应的目标函数并加入肺炎类别信息的生成式对抗网络的目标函数,形成若干个肺炎类别目标函数,其中单个肺炎类别目标函数表达式如下:
式中,G为生成器,D为判别器,Z为输入噪声,Pz为噪声的分布函数,X为真实数据,Pdata为真实数据的分布函数,y为肺炎类别信息,E为期望值,X为输入数据,V(D,G)相当于表示真实样本和生成样本的差异程度;
22)根据生成式对抗网络的若干个肺炎类别目标函数,在生成式对抗网络中设计增加标签生成器模型,输出含肺炎类别的标签,作为生成式对抗网络生成器的输入:
将已提取的各类肺炎的多维特征作为类别信息输入到标签生成器模型中,形成含肺炎类别标签的生成器模型;通过标签生成器为每种不同类型的肺炎打上标签以区分彼此,对每种肺炎通过标签生成器设置标签;
23)在生成式对抗网络中设置重要参数保护模块,根据参数重要性保护重要参数不被后续更新破坏;
重要参数保护模块通过EWC和MAS正则化方法计算,EWC和MAS衡量参数重要性的计算方法分别如下所示:
式中,Fi(EWC)为通过EWC算法计算得到的参数重要性,Fi(MAS)为通过MAS算法计算得到的参数重要性,G为生成器,D为判别器,Z为输入噪声,θi代表网络中的参数,l2为L2范数,Pz为噪声的分布函数,E为期望值。
所述胸部医学影像识别网络的训练包括以下步骤:
31)将随机噪声向量Z和从标签生成器生成的肺炎类别特征信息C,同时输入到生成式对抗网络生成器G进行训练,以生成与各类真实肺炎数据概率密度分布接近的各类肺炎生成数据G(Z,C);
32)在生成式对抗网络生成器G中,使用LeakyReLU为激活函数,下采样基于卷积调整stride,下采样选择最近邻和双线性方法;
33)设定训练生成式对抗网络判别器D时,类别信息C与真实数据x融合采用将类别信息C和真实数据在输入端拼接起来,再送入判别器的方法;或者将类别信息C和真实数据在判别器的中间层拼接起来的方法;
34)利用正则化策略选择性地减慢对于旧任务重要的权重的学习来记住旧任务,正则约束项如下公式所示:
35)设定判别器D的输出包含两部分,一是原有衡量数据真实性的对抗损失函数、二是判断肺炎类别的多类别损失函数;
肺炎分类GAN模型的损失函数表达式如下:
LS=E[logP(S=real|Xreal)]+E[logP(S=fake|Xfake)]
LC=E[logP(C=c|Xreal)]+E[logP(C=c|Xfake)],
式中,Ls为衡量数据真实性的对抗损失,Lc为判断真实肺炎图像类别的多类别损失,c为数据的类别信息,Xreal为真实数据,Xfake为生成数据,E为期望,P为概率分布函数。
有益效果
本发明的一种能够应用于新冠肺炎影像分析的胸部医学影像识别分类方法,与现有技术相比能够针对各类胸部医学影像进行识别分类,提高了医学影像在AI技术中的应用。
本发明通过在GAN网络模型生成器噪声变量输入时增加已提取的肺炎类别特征信息,提高了原始GAN模型中生成数据的可控性和可解释性,并在学习到肺炎特征的基础上实现对多种肺炎进行分类。同时,本发明提出的基于参数正则化的肺炎连续识别GAN模型,解决了复杂开放环境下多肺炎连续识别中遗忘难题,实现了多肺炎连续识别。
附图说明
图1为本发明的方法顺序图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识,用以较佳的实施例及附图配合详细的说明,说明如下:
如图1所示,本发明所述的一种能够应用于新冠肺炎影像分析的胸部医学影像识别分类方法,包括以下步骤:
第一步,初始数据集的获取:获得若个幅胸部医学影像,胸部医学影像包括COVID-19影像、SARS影像、MERS影像和细菌性影像。
第二步,初始数据集的预处理:对初始数据集进行剔除冗余和噪声处理,形成随机噪声向量Z;同时,标出胸部医学影像中的肺炎特征标签并进行批注,并进行归一化处理。
第三步,胸部医学影像识别网络的构建:基于生成式对抗网络结合参数正则化方法构建胸部医学影像识别网络。为了能够进行胸部医学影像识别,在此在生成式对抗网络的基础上加入肺炎类别信息的GAN模型的目标函数,以实现多种肺炎类别信息的识别分类。其具体步骤如下:
(1)为实现多种肺炎识别,设计加入肺炎类别信息的GAN模型的目标函数:
根据肺炎类别设计对应的目标函数并加入肺炎类别信息的生成式对抗网络的目标函数,形成若干个肺炎类别目标函数,其中单个肺炎类别目标函数表达式如下:
式中,G为生成器,D为判别器,Z为输入噪声,Pz为噪声的分布函数,X为真实数据,Pdata为真实数据的分布函数,y为肺炎类别信息,E为期望值,X为输入数据,V(D,G)相当于表示真实样本和生成样本的差异程度。
在实际应用中,根据所需要分类的肺炎类别,设计对应的目标函数,例如,若只识别小儿肺炎和新冠肺炎,则只需要设计2个目标函数,然后利用传统方法在生成器G的输入中添加上这两个目标函数,以实现生成器G生成这两种类别的数据。
(2)根据生成式对抗网络的若干个肺炎类别目标函数,在生成式对抗网络中设计增加标签生成器模型,输出含肺炎类别的标签,作为生成式对抗网络生成器的输入:
将已提取的各类肺炎的多维特征作为类别信息输入到标签生成器模型中,形成含肺炎类别标签的生成器模型;通过标签生成器为每种不同类型的肺炎打上标签以区分彼此,对每种肺炎通过标签生成器设置标签。
(3)在此,为实现多种肺炎连续识别,在GAN模型中设置重要参数保护模块,根据参数重要性保护重要参数不被后续更新破坏掉。以此避免现有技术中只能针对一种肺炎特征进行识别的缺陷,通过重要参数保护模块使得模型在学习新的特征时,不会遗忘旧的特征,在此达到胸部医学影像识别的作用,而非针对于某一特征(某一肺炎)进行识别的效果。
重要参数保护模块通过EWC和MAS正则化方法计算,EWC和MAS衡量参数重要性的计算方法分别如下所示:
式中,Fi(EWC)为通过EWC算法计算得到的参数重要性,Fi(MAS)为通过MAS算法计算得到的参数重要性,G为生成器,D为判别器,Z为输入噪声,θi代表网络中的参数,l2为L2范数,Pz为噪声的分布函数,E为期望值。在实际应用中,重要参数保护模块(即通过EWC和MAS正则化方法)则可以加在判别器D中,使得模型在训练后可以产生记忆功能。
第四步,胸部医学影像识别网络的训练:利用预处理后的初始数据集对胸部医学影像识别网络进行训练。其具体步骤如下:
(1)将随机噪声向量Z和从标签生成器生成的肺炎类别特征信息C,同时输入到生成式对抗网络生成器G进行训练,以生成与各类真实肺炎数据概率密度分布接近的各类肺炎生成数据G(Z,C)。
(2)在生成式对抗网络生成器G中,使用LeakyReLU为激活函数,下采样基于卷积调整stride,下采样选择最近邻和双线性方法。
(3)设定训练生成式对抗网络判别器D时,类别信息C与真实数据x融合采用将类别信息C和真实数据在输入端拼接起来,再送入判别器的方法;或者将类别信息C和真实数据在判别器的中间层拼接起来的方法。
(4)判别器D训练时,利用正则化策略选择性地减慢对于旧任务重要的权重的学习来记住旧任务,正则约束项如下公式所示:
式中,L(θ)为加入参数正则化方法的优化函数,LB(θ)为原有新任务的优化函数,Fi代表每个参数的重要性,θi代表新任务中的每个参数,θA*,i为旧任务中每个参数的大小,λ的大小代表旧任务对新任务的重要程度。
(5)判别器D目标尽可能将“假”样本判断为0,而“真”样本不但判断为1,还能准确地判别输入数据归属对应的肺炎类别。
设定判别器D的输出包含两部分,一是原有衡量数据真实性的对抗损失函数、二是判断肺炎类别的多类别损失函数;
肺炎分类GAN模型的损失函数表达式如下:
LS=E[logP(S=real|Xreal)]+E[logP(S=fake|Xfake)]
LC=E[logP(C=c|Xreal)]+E[logP(C=c|Xfake)],
式中,Ls为衡量数据真实性的对抗损失,Lc为判断真实肺炎图像类别的多类别损失,c为数据的类别信息,Xreal为真实数据,Xfake为生成数据,E为期望,P为概率分布函数。
第五步,待识别胸部医学影像的获取:获取待识别的胸部医学影像,并进行预处理。
第六步,胸部医学影像识别分类结果的获得:将预处理后待识别的胸部医学影像输入训练后的胸部医学影像识别网络,获得胸部医学影像识别分类结果。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (2)
1.一种能够应用于新冠肺炎影像分析的胸部医学影像识别分类方法,其特征在于,包括以下步骤:
11)初始数据集的获取:获得若个幅胸部医学影像,胸部医学影像包括COVID-19影像、SARS影像、MERS影像和细菌性影像;
12)初始数据集的预处理:对初始数据集进行剔除冗余和噪声处理,形成随机噪声向量Z;同时,标出胸部医学影像中的肺炎特征标签并进行批注,并进行归一化处理;
13)胸部医学影像识别网络的构建:基于生成式对抗网络结合参数正则化方法构建胸部医学影像识别网络;
所述胸部医学影像识别网络的构建包括以下步骤:
131)根据肺炎类别设计对应的目标函数并加入肺炎类别信息的生成式对抗网络的目标函数,形成若干个肺炎类别目标函数,其中单个肺炎类别目标函数表达式如下:
式中,G为生成器,D为判别器,z为输入噪声,Pz为噪声的分布函数,Pdata为真实数据的分布函数,y为肺炎类别信息,E为期望值,x为输入数据,即真实数据,V(D,G)相当于表示真实样本和生成样本的差异程度;
132)根据生成式对抗网络的若干个肺炎类别目标函数,在生成式对抗网络中设计增加标签生成器模型,输出含肺炎类别的标签,作为生成式对抗网络生成器的输入:
将已提取的各类肺炎的多维特征作为类别信息输入到标签生成器模型中,形成含肺炎类别标签的生成器模型;通过标签生成器为每种不同类型的肺炎打上标签以区分彼此,对每种肺炎通过标签生成器设置标签;
133)在生成式对抗网络中设置重要参数保护模块,根据参数重要性保护重要参数不被后续更新破坏;
重要参数保护模块通过EWC和MAS正则化方法计算,EWC和MAS衡量参数重要性的计算方法分别如下所示:
式中,Fi(EWC)为通过EWC算法计算得到的参数重要性,Fi(MAS)为通过MAS算法计算得到的参数重要性,G为生成器,D为判别器,z为输入噪声,θi代表网络中的参数,l2为L2范数,Pz为噪声的分布函数,E为期望值;
14)胸部医学影像识别网络的训练:利用预处理后的初始数据集对胸部医学影像识别网络进行训练;
15)待识别胸部医学影像的获取:获取待识别的胸部医学影像,并进行预处理;
16)胸部医学影像识别分类结果的获得:将预处理后待识别的胸部医学影像输入训练后的胸部医学影像识别网络,获得胸部医学影像识别分类结果。
2.根据权利要求1所述的一种能够应用于新冠肺炎影像分析的胸部医学影像识别分类方法,其特征在于,所述胸部医学影像识别网络的训练包括以下步骤:
21)将随机噪声向量Z和从标签生成器生成的肺炎类别特征信息C,同时输入到生成式对抗网络生成器G进行训练,以生成与各类真实肺炎数据概率密度分布接近的各类肺炎生成数据G(Z,C);
22)在生成式对抗网络生成器G中,使用LeakyReLU为激活函数,下采样基于卷积调整stride,下采样选择最近邻和双线性方法;
23)设定训练生成式对抗网络判别器D时,类别信息C与真实数据x融合采用将类别信息C和真实数据在输入端拼接起来,再送入判别器的方法;或者将类别信息C和真实数据在判别器的中间层拼接起来的方法;
24)利用正则化策略选择性地减慢对于旧任务重要的权重的学习来记住旧任务,正则约束项如下公式所示:
25)设定判别器D的输出包含两部分,一是原有衡量数据真实性的对抗损失函数、二是判断肺炎类别的多类别损失函数;
肺炎分类GAN模型的损失函数表达式如下:
LS=E[log P(S=real|Xreal)]+E[log P(S=fake|Xfake)]
LC=E[log P(C=c|Xreal)]+E[log P(C=c|Xfake)],
式中,Ls为衡量数据真实性的对抗损失,Lc为判断真实肺炎图像类别的多类别损失,c为数据的类别信息,Xreal为真实数据,Xfake为生成数据,E为期望,P为概率分布函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010377520.XA CN111639676B (zh) | 2020-05-07 | 2020-05-07 | 一种能够应用于新冠肺炎影像分析的胸部医学影像识别分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010377520.XA CN111639676B (zh) | 2020-05-07 | 2020-05-07 | 一种能够应用于新冠肺炎影像分析的胸部医学影像识别分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111639676A CN111639676A (zh) | 2020-09-08 |
CN111639676B true CN111639676B (zh) | 2022-07-29 |
Family
ID=72331941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010377520.XA Expired - Fee Related CN111639676B (zh) | 2020-05-07 | 2020-05-07 | 一种能够应用于新冠肺炎影像分析的胸部医学影像识别分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639676B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932540B (zh) * | 2020-10-14 | 2021-01-05 | 北京信诺卫康科技有限公司 | 一种针对新冠肺炎临床分型的ct影像对比特征学习方法 |
CN113205566A (zh) * | 2021-04-23 | 2021-08-03 | 复旦大学 | 基于深度学习的腹部三维医学影像转换生成方法 |
CN113284149B (zh) * | 2021-07-26 | 2021-10-01 | 长沙理工大学 | Covid-19胸部ct图像识别方法、装置及电子设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10592779B2 (en) * | 2017-12-21 | 2020-03-17 | International Business Machines Corporation | Generative adversarial network medical image generation for training of a classifier |
CN108764173B (zh) * | 2018-05-31 | 2021-09-03 | 西安电子科技大学 | 基于多类生成对抗网络的高光谱图像分类方法 |
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 |
CN109493308B (zh) * | 2018-11-14 | 2021-10-26 | 吉林大学 | 基于条件多判别生成对抗网络的医疗图像合成与分类方法 |
-
2020
- 2020-05-07 CN CN202010377520.XA patent/CN111639676B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN111639676A (zh) | 2020-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639676B (zh) | 一种能够应用于新冠肺炎影像分析的胸部医学影像识别分类方法 | |
Han et al. | P-CNN: Part-based convolutional neural networks for fine-grained visual categorization | |
CN111476294B (zh) | 一种基于生成对抗网络的零样本图像识别方法及系统 | |
CN109949317B (zh) | 基于逐步对抗学习的半监督图像实例分割方法 | |
Gao et al. | SAR image change detection based on multiscale capsule network | |
CN110443281B (zh) | 基于hdbscan聚类的文本分类自适应过采样方法 | |
CN109063724B (zh) | 一种增强型生成式对抗网络以及目标样本识别方法 | |
CN109063649B (zh) | 基于孪生行人对齐残差网络的行人重识别方法 | |
Kozerawski et al. | Clear: Cumulative learning for one-shot one-class image recognition | |
CN113887661B (zh) | 一种基于表示学习重构残差分析的图像集分类方法及系统 | |
JP7303392B2 (ja) | オブジェクトディテクタのためのベイジアンデュアルオートエンコーダを利用したエクスプレイナブルアクティブラーニング方法及びそれを利用したアクティブラーニングデバイス | |
CN114863091A (zh) | 一种基于伪标签的目标检测训练方法 | |
CN113222072A (zh) | 基于K-means聚类和GAN的肺部X光图像分类方法 | |
Du et al. | SPOT: Selective point cloud voting for better proposal in point cloud object detection | |
Zhou et al. | Differential convolution feature guided deep multi-scale multiple instance learning for aerial scene classification | |
Vuppala et al. | Explainable deep learning methods for medical imaging applications | |
Dai et al. | Research on hyper-spectral remote sensing image classification by applying stacked de-noising auto-encoders neural network | |
Mehmood et al. | Classifier ensemble optimization for gender classification using genetic algorithm | |
CN117237715A (zh) | 一种基于多分支混合量子经典神经网络的图像多分类方法 | |
CN115033689B (zh) | 一种基于小样本文本分类原型网络欧氏距离计算方法 | |
CN116468948A (zh) | 支持检测未知类的城市垃圾增量学习检测方法及系统 | |
Gangadharan et al. | Comparative Analysis of Deep Learning-Based Brain Tumor Prediction Models Using MRI Scan | |
CN114926702A (zh) | 一种基于深度注意力度量的小样本图像分类方法 | |
CN113537339A (zh) | 一种基于多标签图像分类的识别共生或伴生矿物的方法与系统 | |
Ma et al. | An Optical Image-Aided Approach for Zero-Shot SAR Image Scene Classification |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220729 |
|
CF01 | Termination of patent right due to non-payment of annual fee |