申请/专利权人：南通大学

申请日：2022-01-26

公开（公告）日：2024-03-19

公开（公告）号：CN114463583B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06V10/82;G06N3/045;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2022.05.27#实质审查的生效;2022.05.10#公开

摘要：本发明涉及医学图像处理技术领域，具体涉及一种用于肺炎CT图像分类的深度哈希方法。该发明首先建立肺炎CT图像数据集，统一肺炎CT图像尺寸，并将其划分成训练集Tr和测试集Te；然后构建深度哈希网络模型，根据哈希编码计算相似度损失LS和对比损失Lcl，构造总的损失函数L；其次引入多任务哈希训练策略，使用交替学习算法优化损失函数L，并保存深度哈希网络模型；最后读取测试集中进行CT图像分类。本发明的有益效果是该深度哈希方法能准确找出不同肺部CT图像间的微小差异，使训练模型大大降低存储空间和训练时间，有效提高了大规模肺炎CT图像分类的效率，同时充分发挥了双线性卷积神经网络对细粒度CT图像特征提取优势，有效提升了识别准确性和泛化鲁棒性。

主权项：1.一种用于肺炎CT图像分类的深度哈希方法，其特征在于，包括以下步骤：S10：建立肺炎CT图像数据集；S20：数据预处理，首先将数据集进行数据增强、扩充，并按照80％、20％比例将数据集划分为训练集Tr＝x1,x2,...,xn,n＝1,2,...,N和测试集Te＝y1,y2,...,ym,m＝1,2,...,m，然后将肺炎CT图像的尺寸统一调整为224×224，通道数为1，在该数据集中包含3种类型的CT图像，即正常人的肺部CT图像、COVID-19患者的肺部CT图像以及普通肺炎患者的肺部CT图像，最后构造训练集Tr的相似度矩阵S，其中 且Sij∈RN×N,i,j＝1,2,...,N；S30：构建深度哈希网络模型，该模型包括双线性特征学习和哈希编码学习两个模块，在模型训练时，首先使用双线性卷积神经网络BCNN来提取肺炎CT图像的细粒度特征，然后将提取到的细粒度特征输入到哈希编码学习模块，从而将对应肺炎CT图像的细粒度特征映射成二进制哈希编码；S40：根据步骤S30得到的哈希编码计算2种损失，即相似度损失LS和对比损失Lcl，并定义总的损失函数为：L＝LS+αLcl，其中α＝0.1为权重因子；S50：引入多任务哈希训练策略，重复使用双线性特征学习模块，将提取到的肺炎CT图像的双线性特征向量v'xi∈R262144×1,v'xj∈R262144×1,i,j＝1,2,...,N,且i≠j分别通过包含4个分支的哈希编码学习模块，并且每个分支包含2个全连接层和1个全连接哈希层，使该模型可以同时学习12、24、32、48位的哈希编码；S60：使用交替学习算法对目标函数α＝0.1中的深度哈希网络模型参数θ、哈希编码矩阵B、权重矩阵W以及偏置向量V进行优化更新，并保存模型；S70：首先使用预训练的模型读取测试集Te的肺炎CT图像yk,k＝1,2,...,m，得到其哈希编码c＝12,24,32,48,然后将与哈希编码矩阵B∈Rc×N,c＝12,24,32,48的每一列进行比较，取汉明距离较小前5个进行比对，属于哪一类别的数目多，则将yk分至该类别，最后计算测试集分类的平均准确率。

全文数据：

权利要求：

百度查询： 南通大学 一种用于肺炎CT图像分类的深度哈希方法

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