申请/专利权人：中国科学技术大学

申请日：2023-12-19

公开（公告）日：2024-03-19

公开（公告）号：CN117726872A

主分类号：G06V10/764

分类号：G06V10/764;G06V10/82;G06V10/44;G06V10/80;G06N3/0455;G06N3/0464;G06N3/048;G06N3/08;G06T7/00

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.05#实质审查的生效;2024.03.19#公开

摘要：本发明公开了一种基于多视图多任务特征学习的肺部CT图像分类方法，包括：1.获取肺部CT图像数据集并进行标准化和归一化预处理；2.构建用于肺部CT图像分类的多视图多任务特征学习网络；3.设计网络整体损失函数用于训练；4.使用迭代优化的方式训练网络，并对肺部CT图像进行分类，从而得到相应的分类结果。本发明通过缓解一致性学习任务和重建任务之间的冲突能充分挖掘多视图间的公共信息，保留每个视图中与肺部CT图像分类相关的视图公共特征，同时完成干扰去除任务以便于滤除包含噪声以及其它干扰信息的视图特异特征，从而有效提升了肺部CT图像分类的性能。

主权项：1.一种基于多视图多任务特征学习的肺部CT图像分类方法，其特征在于，包括如下步骤：步骤1、数据收集及预处理：获取带有肺部CT图像分类标签的N个病例的数据，并使用三线性插值算法将所有肺部CT图像数据进行重采样以统一体素尺寸，从而得到每个病例的肺部CT切片集合及其对应类别标签，记为其中，Xi表示第i个病例的一张肺部CT切片，yi表示第i个病例的肺部CT切片Xi对应的肺部CT图像分类标签；i＝1，2，...，N；N表示病例的数量；以Xi的异常位置中心为原点，分别沿轴向视图方向av、冠状视图方向cv、矢状视图方向sv裁剪维度为H×W像素的图像块，从而得到第i个病例在轴向视图方向av上的肺部CT图像Ii，av、冠状视图方向cv上的肺部CT图像Ii，cv、矢状视图方向sv上的肺部CT图像Ii，sv；将第i个病例的轴向肺部CT图像Ii，av、冠状肺部CT图像Ii，cv和矢状肺部CT图像Ii，sv组成第i个病例的多视图数据{Ii，n|n＝av，cv，sv}；其中，Ii，n表示第i个病例在视图方向n上的肺部CT图像；步骤2、构建肺部CT图像分类网络，包括：通用编码器UEn、一致性感知非局部模块CANB、重建模块、分类模块；步骤2.1、构建基于ResNet的通用编码器UEn，是由C个卷积层、D个池化层和L个全连接层构成，设置所有卷积层的步长为k，设置所有卷积层和前L-1个全连接层的激活函数均采用Relu函数，第L个全连接层的激活函数采用Softmax函数；所述第i个病例的多视图数据{Ii，n|n＝av，cv，sv}输入所述肺部CT图像分类网络中，并经过所述通用编码器UEn的处理后，得到包含语义信息的低级特征{Li，n|n＝av，cv，sv}，Li，n表示第i个病例在视图方向n上的低级特征；步骤2.2、所述一致性感知非局部模块CANB对低级特征进行处理，得到视图公共特征和视图特异特征步骤2.3、重建模块对低级特征{Li，n|n＝av，cv，sv}进行处理，得到图像重建数据步骤2.4、分类模块对肺部CT图像Ii，n进行分类；步骤2.4.1、利用式1得到第i个病例的联合特征 式1中，表示拼接操作，步骤2.4.2、利用全局平均池化层对联合特征进行处理，得到池化后特征的结果再输入第一个全连接层后，使用ReLU激活函数进行非线性处理，得到特征向量后，再通过第二个全连接层中，并使用Softmax函数输出Ii，n的肺部CT图像分类预测概率Pi；步骤3、构建损失函数；步骤3.1、利用式2构建多视图重建的损失函数Lrec： 式2中，表示L2范数。步骤3.2、利用式3构建视图一致性的损失函数Lcon： 式3中，1[j≠i]表示一种指示函数，如果j≠i时，则令1[j≠i]为1，否则，令1[j≠i]为0；表示第j个病例在视图方向n上的视图特异特征；d表示余弦相似度；步骤3.3、利用式4构建正交损失函数Lorth： 式4中，表示Frobenius范数，·T表示矩阵的转置操作；步骤3.4、利用式5构建干扰损失函数Lia： 式5中，KL表示KL散度，yunif表示均匀分布；步骤3.5利用式6构建二元交叉熵分类损失函数Lvla：Lcla＝-yilogPi-1-yilog1-Pi6步骤3.6、利用式7得到总损失函数Ltotal：Ltotal＝Lcla+αLrec+βLcon+γLorth+ηLia7式7中，α、β、γ和η是4个权重系数；步骤4、采用Adam优化器对肺部CT图像分类网络进行训练，计算所述总损失函数Ltotal以更新网络参数，并在训练过程中采用线性衰减策略调整学习率，直到达到最大训练次数或总损失函数Ltotal收敛为止，从而得到训练好的肺部CT图像分类模型，用于对肺部CT图像数据进行处理，从而得到分类结果。

全文数据：

权利要求：

百度查询： 中国科学技术大学 基于多视图多任务特征学习的肺部CT图像分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD