CN112381818B - 面向亚类疾病的医学图像识别增强方法 - Google Patents

面向亚类疾病的医学图像识别增强方法 Download PDF

Info

Publication number
CN112381818B
CN112381818B CN202011407961.6A CN202011407961A CN112381818B CN 112381818 B CN112381818 B CN 112381818B CN 202011407961 A CN202011407961 A CN 202011407961A CN 112381818 B CN112381818 B CN 112381818B
Authority
CN
China
Prior art keywords
feature
features
class
network model
medical
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.)
Active
Application number
CN202011407961.6A
Other languages
English (en)
Other versions
CN112381818A (zh
Inventor
郑晓雨
纪守领
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202011407961.6A priority Critical patent/CN112381818B/zh
Publication of CN112381818A publication Critical patent/CN112381818A/zh
Application granted granted Critical
Publication of CN112381818B publication Critical patent/CN112381818B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种面向亚类疾病的医学图像识别增强方法，包括：利用预训练好的嵌入特征提取单元提取输入医学图像的嵌入特征；利用训练好的三个通道特征提取单元分别从嵌入特征中提取共同激活特征、背景噪声特征以及核心特征；所述共同激活特征、背景噪声特征以及核心特征作为一个整体组成再分配特征输入至预训练好的分类器中，经过分类器预测计算，输出用于识别正常图像或异常图像的分类结果。该方法能够实现对医学图像进行增强识别，识别医学图像是正常图像还是异常图像。

Description

面向亚类疾病的医学图像识别增强方法
技术领域
本发明属于图像识别领域，具体涉及一种面向亚类疾病的医学图像识别增强方法。
背景技术
医学图像处理的对象是各种不同成像机理的医学影像，临床广泛使用的医学成像种类主要有X-射线成像(X-CT)、核磁共振成像(MRI)、核医学成像(NMI)和超声波成像(UI)四类。在目前的影像医疗诊断中，主要是通过观察一组二维切片图像去发现病变体，这往往需要借助医生的经验来判定。利用计算机图像处理技术对二维切片图像进行分析和处理，实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示，可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分析，从而大大提高医疗诊断的准确性和可靠性；在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。目前，医学图像处理主要集中表现在病变检测、图像分割、图像配准及图像融合四个方面。
用深度学习方法进行数据分析呈现快速增长趋势，称为2013年的10项突破性技术之一。深度学习是人工神经网络的改进，由更多层组成，允许更高层次包含更多抽象信息来进行数据预测。迄今为止，它已成为计算机视觉领域中领先的机器学习工具，深度神经网络学习自动从原始数据(图像)获得的中级和高级抽象特征。最近的结果表明，从CNN中提取的信息在自然图像中的对目标识别和定位方面非常有效。世界各地的医学图像处理机构已经迅速进入该领域，并将CNN和其它深度学习方法应用于各种医学图像分析。用于图像处理的典型CNN架构由一系列卷积网络组成，其中包含有一系列数据缩减即池化层。与人脑中的低级视觉处理一样，卷积网络检测提取图像特征，例如可能表示直边的线或圆(例如器官检测)或圆圈(结肠息肉检测)，然后是更高阶的特征，例如局部和全局形状和纹理特征提取。CNN的输出通常是一个或多个概率或种类标签。
CNN是高度可并行化的算法。与单核的CPU处理相比，今天使用的图形处理单元(GPU)计算机芯片实现了大幅加速(大约40倍)。在医学图像处理中，GPU首先被引入用于分割和重建，然后用于机器学习。由于CNN的新变种的发展以及针对现代GPU优化的高效并行网络框架的出现，深度神经网络吸引了商业兴趣。但最近的研究表明，它非常容易受到恶意对抗性攻击产生的对抗样本的影响。对抗样本是通过在原始图像中添加精心设计的扰动来获得的，这些扰动很难观察，并且会导致深度模型做出完全错误的预测。虽然深度模型可以对各种子类别图像实现良好的分类性能，但它通过对原始图像添加微妙的扰动，显示了对恶意输入的脆弱性，恶意输入被分类为另一个子类别。特别是在医疗欺诈中，修改后的医学图像会导致误诊，严重威胁人工智能医学的安全。对于以上问题，一方面，需要建立异常样本检测器来识别细粒度扰动。另一方面，对于检测器来说，处理子类别之间的类似分布是一个巨大的挑战。
发明内容
鉴于上述，本发明的目的是提供了一种面向亚类疾病的医学图像识别增强方法，能够实现对医学图像进行增强识别，识别医学图像是正常图像还是异常图像。
为实现上述发明目的，本发明提供以下技术方案：
一种面向亚类疾病的医学图像识别增强方法，包括以下步骤：
利用预训练好的嵌入特征提取单元提取输入的医学图像的嵌入特征；
利用训练好的三个通道特征提取单元分别从嵌入特征中提取共同激活特征、背景噪声特征以及核心特征；
所述共同激活特征、背景噪声特征以及核心特征作为一个整体组成再分配特征输入至预训练好的分类器中，经过分类器预测计算，输出用于识别正常图像或异常图像的分类结果。
与现有技术相比，本发明具有的有益效果至少包括：
本发明提供的面向亚类疾病的医学图像识别增强方法通过提取医学图像的共同激活特征、背景噪声特征以及核心特征三通道特征，基于三通道特征利用分类器进行医学图像的异常检测，提成了异常图像的检测准确度和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
图1是面向亚类疾病的医学图像识别增强方法的流程图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
为了准确地分别医学图像是正常图像，还是被攻击的异常图像，本发明实施例提供了一种面向亚类疾病的医学图像识别增强方法。如图1所示，实施例提供的面向亚类疾病的医学图像识别增强方法包括以下步骤：
步骤1，针对待识别的医学图像，利用预训练好的嵌入特征提取单元提取输入医学图像的嵌入特征。
其中，预训练好的嵌入特征提取单元的构建过程为：
采用具有医学类标的医学图像作为训练样本，选择由卷积层和全连接层组成的深度学习网络作为深度学习模型，利用训练样本对深度学习模型进行训练，训练时以医院图像的医学类标与模型预测结果的交叉熵为损失函数，训练结束后，提取深度学习网络的至少前半部分网络作为预训练好的嵌入特征提取单元。
实施例中，收集亚类疾病医学图像并对医学图像进行整理分类，制作成用作训练的医学图像样本集，该医学图像样本集同时还保存了医学类标。
训练前，将医学图像样本集按预设比例划分为训练集和测试集，通过one-hot编码将每个医学图像的标签转化为一维向量，例如[0,0,1,0,0,0]表示的样本的标签为6个类别中的第3个。
训练时，通过计算所有样本交叉熵的平均值达到当前训练数据的损失函数，对深度学习模型进行训练，训练时采用小批量梯度下降(Mini-Batch Gradient Descent，MBGD)的训练方法，每次从训练集中随机选择一批数据用于模型的训练，既可避免随机梯度下降(Stochastic Gradient Descent，SGD)产生的训练震荡，也可避免批量梯度下降(BatchGradient Descent，BGD)对资源的过度消耗，批的大小选择128。训练目标是通过梯度的前向和反向传播调整网络模型的结构参数，不断降低网络模型的损失函数值。
为避免实验偶然性的干扰，还对训练后的网络模型采用十折交叉验证，即将数据集分成10份，每次选取其中的9份用于训练，一份用于测试。
步骤2，利用训练好的三个通道特征提取单元分别从嵌入特征中提取共同激活特征、背景噪声特征以及核心特征。
核心特征是嵌入特征的核心部分，对抗性攻击时将花费巨大的成本将图像从一个类别转移到另一个类别，实施例将此设置为从嵌入特征中提取核心特征的一个约束。实施例中，与核心特征对应的通道特征提取单元的构建过程为：
建立与核心特征对应的第一网络模型，该第一网络模型包括至少2层卷积层组成的第一编码单元，和由至少两层全连接层和Softmax层组成的第一预测单元，第一编码单元用于提取嵌入特征中的核心特征，第一预测单元用于根据核心特征计算医学类标对应的预测置信度；
将嵌入特征作为第一网络模型的输入，利用损失函数
Figure BDA0002814928990000056
来优化第一网络模型参数，优化结束后，提取参数确定的第一编码单元作为核心特征对应的通道特征提取单元；
Figure BDA0002814928990000051
其中，
Figure BDA0002814928990000052
表示第i个嵌入特征xi针对第l个类别的医学类标，医学类标总类为L，fl(xi；θcore)表示第一网络模型在参数θcore下对嵌入特征xi的预测置信度，C表示权重系数，
Figure BDA0002814928990000053
表示嵌入特征xi针对第l个原类别的鲁棒类标，li表示嵌入特征xi的第l个原类别，
Figure BDA0002814928990000054
表示预测置信度与真实医学类标的交叉熵，
Figure BDA0002814928990000055
表示没有真实医学标签的置信度与鲁棒类别之间的交叉熵。
应用时，将嵌入特征输入至核心特征对应的通道特征提取单元，通过计算提取核心特征。
共激活特征是指对主要类别起关键作用的特征，与核心特征不同，共激活特征倾向于使置信度分布对称，而不是单极，为了获得共同激活特性，实施例同样构建了通道特征提取单元。具体地，与共同激活特征对应的通道特征提取单元的构建过程为：
建立与共同激活特征对应的第二网络模型，该第二网络模型包括至少2层卷积层组成的第一编码单元，和由至少1层全连接层组成的第二预测单元，第二编码单元用于提取嵌入特征中的共同激活特征，第二预测单元用于根据共同激活特征计算医学类标对应的预测置信度；
将嵌入特征作为第二网络模型的输入，利用损失函数
Figure BDA0002814928990000061
来优化第二网络模型参数，优化结束后，提取参数确定的第二编码单元作为共同激活特征对应的通道特征提取单元；
Figure BDA0002814928990000062
其中，
Figure BDA0002814928990000063
表示第i个嵌入特征xi针对第l个类别的医学类标，医学类标总类为L，fl(xi；θcoA)表示第一网络模型在参数θcoA下对嵌入特征xi的预测置信度，C表示权重系数，
Figure BDA0002814928990000064
表示嵌入特征xi针对第l个原类别的脆弱类标，li表示嵌入特征xi的第l个原类别。
应用时，将嵌入特征输入至共同激活特征对应的通道特征提取单元，通过计算提取共同激活特征。
背景噪声会直接干扰图像的预测，图像的组成不可避免地会受到低频不可察觉噪声的污染，如高斯模糊和高斯噪声。实施例中，通过提取这部分特征，来实现去背景噪声的滤除，具体地，与背景噪声特征对应的通道特征提取单元的构建过程为：
建立与背景噪声特征对应的第二网络模型，该第二网络模型包括上采样模块、上采样模块以及滤波模块组成的预处理单元、由至少2层卷积层组成的第三编码单元、和由至少1层全连接层组成的第三预测单元，预处理单元用于对嵌入特征进行噪声滤除，第三编码单元用于提取噪声滤除的嵌入特征中的共同激活特征，第三预测单元用于根据背景噪声特征计算医学类标对应的预测置信度；
将嵌入特征作为第三网络模型的输入，利用损失函数
Figure BDA0002814928990000071
来优化第三网络模型参数，优化结束后，提取参数确定的预处理单元和第三编码单元作为背景噪声特征对应的通道特征提取单元；
Figure BDA0002814928990000072
其中，
Figure BDA0002814928990000073
表示第i个嵌入特征xi针对第l个类别的医学类标的均匀分布，fl(si；θNos)表示第一网络模型在参数θNos下对经过噪声滤除的嵌入特征si的预测置信度，其中，si＝xi-SD(SU(xi))，SU(xi)表示对嵌入特征xi做上采样，SD(SU(xi))表示对上采样结果SU(xi)做下采样，xi-SD(SU(xi))表示滤波操作。
应用时，将嵌入特征输入至背景噪声特征对应的通道特征提取单元，通过计算提取背景噪声特征。
实施例中，鲁棒类标用于构建提取核心特征的损失函数，脆弱类标用于构建提取共激活特征的损失函数。具体地，鲁棒类标和脆弱类标的计算方法为：
对嵌入特征进行二维投影，二维投影后的数据点依据类别呈聚类分布，针对每个当前类别，选择距离该当前类别所在簇的最近簇对应的类别作为脆弱类标，选择该当前类别所在簇的最远簇对应的类别作为鲁棒类标。
步骤3，将共同激活特征、背景噪声特征以及核心特征作为一个整体组成再分配特征输入至预训练好的分类器中，利用分类器预测并输出用于识别正常图像或异常图像的分类结果。
分类器用于预测区分输入图像是正常图像，还是被攻击的异常图像，也就是分类器是实现二分类的，即区分输入图像的属性类标，该属性类标包括正和负，正表示正常图像，负表示异常图像。
为训练分类器，需要构建包含了正常图像和异常图像并将正常图像和异常图像的类别设置为正(标签为1)和负(标签为0)的二分类样本集。然而，在实际情况，正常图像不可避免地会受到不可察觉的噪声的污染，其中也有很大比例的共同激活特征。样本集必须只包含具有每个通道特征的图像。为了避免一个通道的图像受到其他两个通道的干扰，采用了一种极端但有效的方法，计算通道特征的视觉投影。
实施例中，预训练好的分类器的构建方法为：
构建二分类样本集，具体将医院图像按照以下公式进行优化处理，获得共同激活特征、背景噪声特征以及核心特征三通道的视觉投影图，并将核心特征对应的视觉投影图标记为正属性类标，将共同激活特征对应的视觉投影图和背景噪声特征对应的视觉投影图标记为负属性类标，得到二分类样本；
Figure BDA0002814928990000081
其中，Ih,w,c(ρ)表示医学图像ρ针对c通道特征的像素值，h，w为像素坐标，H和W为通道特征的尺寸，xc′表示c通道特征对应的视觉投影图，c＝1,2,3，分别表示共同激活特征、背景噪声特征以及核心特征三通道；
利用二分类样本集训练分类器，训练时，以输入图像的真实类标和预测置信度的交叉熵为损失函数，训练结束后，得到训练好的分类器。
上述医学图像识别增强方法，医学图像、医学类标以及属性类标在输入网络模型前，需要经过one-hot编码，编码后的向量表示输入至网络模型。在训练时，采用最小批量梯度下降的训练方法，训练后的网络模型还采用十折交叉验证网络模型的鲁棒性。
上述面向亚类疾病的医学图像识别增强方法通过提取医学图像的共同激活特征、背景噪声特征以及核心特征三通道特征，基于三通道特征利用分类器进行医学图像的异常检测，提成了异常图像的检测准确度和效率。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种面向亚类疾病的医学图像识别增强方法，其特征在于，包括以下步骤：
利用预训练好的嵌入特征提取单元提取输入医学图像的嵌入特征；
利用训练好的三个通道特征提取单元分别从嵌入特征中提取共同激活特征、背景噪声特征以及核心特征，其中，共激活特征是指对主要类别起关键作用的特征，与核心特征不同，共激活特征倾向于使置信度分布对称，而不是单极；
其中，与背景噪声特征对应的通道特征提取单元的构建过程为：
建立与背景噪声特征对应的第二网络模型，该第二网络模型包括上采样模块、上采样模块以及滤波模块组成的预处理单元、由至少2层卷积层组成的第三编码单元、和由至少1层全连接层组成的第三预测单元，预处理单元用于对嵌入特征进行噪声滤除，第三编码单元用于提取噪声滤除的嵌入特征中的共同激活特征，第三预测单元用于根据背景噪声特征计算医学类标对应的预测置信度；
将嵌入特征作为第三网络模型的输入，利用损失函数来优化第三网络模型参数，优化结束后，提取参数确定的预处理单元和第三编码单元作为背景噪声特征对应的通道特征提取单元；
所述共同激活特征、背景噪声特征以及核心特征作为一个整体组成再分配特征输入至预训练好的分类器中，经过分类器预测计算，输出用于识别正常图像或异常图像的分类结果。
2.如权利要求1所述的面向亚类疾病的医学图像识别增强方法，其特征在于，预训练好的嵌入特征提取单元的构建过程为：
采用具有医学类标的医学图像作为训练样本，选择由卷积层和全连接层组成的深度学习网络作为深度学习模型，利用训练样本对深度学习模型进行训练，训练时以医院图像的医学类标与模型预测结果的交叉熵为损失函数，训练结束后，提取深度学习网络的至少前半部分网络作为预训练好的嵌入特征提取单元。
3.如权利要求1所述的面向亚类疾病的医学图像识别增强方法，其特征在于，与核心特征对应的通道特征提取单元的构建过程为：
建立与核心特征对应的第一网络模型，该第一网络模型包括至少2层卷积层组成的第一编码单元，和由至少两层全连接层和Softmax层组成的第一预测单元，第一编码单元用于提取嵌入特征中的核心特征，第一预测单元用于根据核心特征计算医学类标对应的预测置信度；
将嵌入特征作为第一网络模型的输入，利用损失函数
Figure FDA0003492499620000024
来优化第一网络模型参数，优化结束后，提取参数确定的第一编码单元作为核心特征对应的通道特征提取单元；
Figure FDA0003492499620000021
其中，
Figure FDA0003492499620000022
表示第i个嵌入特征xi针对第l个类别的医学类标，医学类标总类为L，fl(xi；θcore)表示第一网络模型在参数θcore下对嵌入特征xi的预测置信度，C表示权重系数，
Figure FDA0003492499620000023
表示嵌入特征xi针对第l个原类别的鲁棒类标，li表示嵌入特征xi的第l个原类别。
4.如权利要求1所述的面向亚类疾病的医学图像识别增强方法，其特征在于，与共同激活特征对应的通道特征提取单元的构建过程为：
建立与共同激活特征对应的第二网络模型，该第二网络模型包括至少2层卷积层组成的第一编码单元，和由至少1层全连接层组成的第二预测单元，第二编码单元用于提取嵌入特征中的共同激活特征，第二预测单元用于根据共同激活特征计算医学类标对应的预测置信度；
将嵌入特征作为第二网络模型的输入，利用损失函数
Figure FDA0003492499620000031
来优化第二网络模型参数，优化结束后，提取参数确定的第二编码单元作为共同激活特征对应的通道特征提取单元；
Figure FDA0003492499620000032
其中，
Figure FDA0003492499620000033
表示第i个嵌入特征xi针对第l个类别的医学类标，医学类标总类为L，fl(xi；θcoA)表示第一网络模型在参数θcoA下对嵌入特征xi的预测置信度，C表示权重系数，
Figure FDA0003492499620000034
表示嵌入特征xi针对第l个原类别的脆弱类标，li表示嵌入特征xi的第l个原类别。
5.如权利要求1所述的面向亚类疾病的医学图像识别增强方法，其特征在于，构建与背景噪声特征对应的通道特征提取单元时，采用的损失函数
Figure FDA0003492499620000035
为：
Figure FDA0003492499620000036
其中，
Figure FDA0003492499620000037
表示第i个嵌入特征xi针对第l个类别的医学类标的均匀分布，fl(si；θNos)表示第一网络模型在参数θNos下对经过噪声滤除的嵌入特征si的预测置信度，其中，si＝xi-SD(SU(xi))，SU(xi)表示对嵌入特征xi做上采样，SD(SU(xi))表示对上采样结果SU(xi)做下采样，xi-SD(SU(xi))表示滤波操作。
6.如权利要求3或4所述的面向亚类疾病的医学图像识别增强方法，其特征在于，鲁棒类标和脆弱类标的计算方法为：
对嵌入特征进行二维投影，二维投影后的数据点依据类别呈聚类分布，针对每个当前类别，选择距离该当前类别所在簇的最近簇对应的类别作为脆弱类标，选择该当前类别所在簇的最远簇对应的类别作为鲁棒类标。
7.如权利要求1所述的面向亚类疾病的医学图像识别增强方法，其特征在于，预训练好的分类器的构建方法为：
构建二分类样本集，具体将医院图像按照以下公式进行优化处理，获得共同激活特征、背景噪声特征以及核心特征三通道的视觉投影图，并将核心特征对应的视觉投影图标记为正属性类标，将共同激活特征对应的视觉投影图和背景噪声特征对应的视觉投影图标记为负属性类标，得到二分类样本；
Figure FDA0003492499620000041
其中，Ih,w,c(ρ)表示医学图像ρ针对c通道特征的像素值，h，w为像素坐标，H和W为通道特征尺寸，x′c表示c通道特征对应的视觉投影图，c＝1,2,3，分别表示共同激活特征、背景噪声特征以及核心特征三通道；
利用二分类样本集训练分类器，训练时，以输入图像的真实类标和预测置信度的交叉熵为损失函数，训练结束后，得到训练好的分类器。
8.如权利要求7所述的面向亚类疾病的医学图像识别增强方法，其特征在于，医学图像、医学类标以及属性类标在输入网络模型前，需要经过one-hot编码，编码后的向量表示输入至网络模型。
9.如权利要求2～5，7任一项所述的面向亚类疾病的医学图像识别增强方法，其特征在于，在训练时，采用最小批量梯度下降的训练方法，训练后的网络模型还采用十折交叉验证网络模型的鲁棒性。
CN202011407961.6A 2020-12-03 2020-12-03 面向亚类疾病的医学图像识别增强方法 Active CN112381818B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011407961.6A CN112381818B (zh) 2020-12-03 2020-12-03 面向亚类疾病的医学图像识别增强方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011407961.6A CN112381818B (zh) 2020-12-03 2020-12-03 面向亚类疾病的医学图像识别增强方法

Publications (2)

Publication Number Publication Date
CN112381818A CN112381818A (zh) 2021-02-19
CN112381818B true CN112381818B (zh) 2022-04-29

Family

ID=74590984

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011407961.6A Active CN112381818B (zh) 2020-12-03 2020-12-03 面向亚类疾病的医学图像识别增强方法

Country Status (1)

Country Link
CN (1) CN112381818B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI801982B (zh) * 2021-08-27 2023-05-11 國立政治大學 自動化數位檔案分類系統及分類方法
CN114240951B (zh) * 2021-12-13 2023-04-07 电子科技大学 一种基于查询的医学图像分割神经网络的黑盒攻击方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753881A (zh) * 2020-05-28 2020-10-09 浙江工业大学 一种基于概念敏感性量化识别对抗攻击的防御方法
CN111915596A (zh) * 2020-08-07 2020-11-10 杭州深睿博联科技有限公司 一种肺结节良恶性预测方法及装置
CN111931805A (zh) * 2020-06-23 2020-11-13 西安交通大学 一种基于知识引导cnn的小样本相似磨粒辨识方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101879207B1 (ko) * 2016-11-22 2018-07-17 주식회사 루닛 약한 지도 학습 방식의 객체 인식 방법 및 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753881A (zh) * 2020-05-28 2020-10-09 浙江工业大学 一种基于概念敏感性量化识别对抗攻击的防御方法
CN111931805A (zh) * 2020-06-23 2020-11-13 西安交通大学 一种基于知识引导cnn的小样本相似磨粒辨识方法
CN111915596A (zh) * 2020-08-07 2020-11-10 杭州深睿博联科技有限公司 一种肺结节良恶性预测方法及装置

Also Published As

Publication number Publication date
CN112381818A (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
Khan et al. Lungs nodule detection framework from computed tomography images using support vector machine
CN109272048B (zh) 一种基于深度卷积神经网络的模式识别方法
US20170249739A1 (en) Computer analysis of mammograms
CN112365464B (zh) 一种基于gan的医学图像病变区域弱监督定位方法
CN112446891B (zh) 基于U-Net网络脑胶质瘤的医学图像分割方法
CN108109140A (zh) 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统
CN111798425B (zh) 基于深度学习的胃肠道间质瘤中核分裂象智能检测方法
CN111598875A (zh) 甲状腺结节自动检测模型构建方法、系统及装置
Jaszcz et al. Lung x-ray image segmentation using heuristic red fox optimization algorithm
Naresh et al. Early detection of lung cancer using neural network techniques
CN112381818B (zh) 面向亚类疾病的医学图像识别增强方法
CN115393269A (zh) 一种基于多模态影像数据的可扩展多层级图神经网络模型
Aslam et al. Neurological Disorder Detection Using OCT Scan Image of Eye
Zhang et al. Design of automatic lung nodule detection system based on multi-scene deep learning framework
CN112365973A (zh) 基于对抗网络和Faster R-CNN的肺结节辅助诊断系统
CN112052877A (zh) 一种基于级联增强网络的图片细粒度分类方法
Osadebey et al. Three-stage segmentation of lung region from CT images using deep neural networks
Mondal et al. Adaptive local ternary pattern on parameter optimized-faster region convolutional neural network for pulmonary emphysema diagnosis
CN112861881A (zh) 一种基于改进MobileNet模型的蜂窝肺识别方法
CN117036288A (zh) 一种面向全切片病理图像的肿瘤亚型诊断方法
CN115810109A (zh) 一种舌像特征提取方法、系统和存储介质
Shekerbek et al. APPLICATION OF MATHEMATICAL METHODS AND MACHINE LEARNING ALGORITHMS FOR CLASSIFICATION OF X-RAY IMAGES.
Zrimec et al. A system for computer aided detection of diseases patterns in high resolution CT images of the lungs
Kavitha et al. Brain tumour segmentation and detection using modified region growing and genetic algorithm in MRI images
He et al. Lung pattern classification via DCNN

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