申请/专利权人：西安交通大学

申请日：2020-12-15

公开（公告）日：2024-04-02

公开（公告）号：CN112529878B

主分类号：G06T7/00

分类号：G06T7/00;G06V10/44;G06V10/762;G06V10/764;G06V10/80;G06V10/82;G06N3/0455;G06N3/0895

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2021.04.06#实质审查的生效;2021.03.19#公开

摘要：本发明公开了一种基于多视图半监督的淋巴结的分类方法、系统及设备，对淋巴结的原始灰阶超声图像进行图像预处理，通过对预处理后的图像使用U型神经网络进行图像重建，加权融合得到多尺度融合的粗粒度图像特征，利用半监督的方式进行粗粒度特征表示学习；裁剪原始灰阶超声图像包含结节的ROI区域得到细粒度图像，将细粒度图像通过不同层级中加入了空间和通道注意力机制的vgg16网络进行加权处理后再进行全局平均池化，将不同层级的特征输出进行拼接得到细粒度融合特征，多视图信息通过对粗粒度视图特征和细粒度试图特征进行融合得到，使得融合特征能同时具备结节的环境信息和细节信息，获取到更加丰富准确地描述，能够进行准确分类，提高了分类精确度。

主权项：1.一种基于多视图半监督的淋巴结的分类方法，其特征在于，包括以下步骤：S1，对淋巴结的原始灰阶超声图像进行图像预处理，对预处理后的图像使用图像重建神经网络进行图像重建；S2，对重建后的图像进行多尺度特征提取，通过构建环境信息伪标签的方式进行半监督学习，得到多尺度融合的粗粒度图像特征；将图像重建神经网络中解码器的不同层级处进行输出实现多尺度特征提取，不同尺度的特征通过两个卷积操作和一个展开层后使用一个拼接层进行特征拼接，得到多尺度融合的粗粒度图像特征；通过图像重建神经网络的解码器部分进行原始图像的多尺度特征提取，将解码器中每次采样看作是图像的一个粒度，对每一个粒度下的图像特征进行提取处理，其中在进行最终的特征融合之前每个粒度的特征均进行两次卷积操作，并进行矩阵展开为一维向量，使用一个拼接层对不同粒度的特征进行拼接得到融合的多尺度融合的粗粒度图像特征；将得到的多尺度融合特征分别通过两个线性全连接层进行半监督的多任务学习；多尺度融合特征使用模糊聚类的方法对图像背景信息进行建模，得到背景的分区作为半监督学习中的伪标签信息，得到的背景伪标签与原始目标标签；S3，将淋巴结的原始灰阶超声图像中结节区域的ROI进行剪裁得到细粒度图像，将细粒度图像通过不同层级中加入了空间和通道注意力机制的vgg16网络进行加权处理后再进行全局平均池化，将不同层级的特征输出进行拼接得到细粒度融合特征；使用模糊聚类的方法对源标签中没有的分区标签进行建模，使用融合多尺度特征进行模糊聚类算法：如1式所示： 其中ui,j代表第i个样本属于第j类的隶属度，vj代表了聚类中心的原型，参数m是确定分类结果模糊度的加权指数；通过图像增强的方式增加细粒度图像的数据量，将细粒度图像输入细粒度融合特征网络，在细粒度融合特征网络中通过使用空间和通道注意力机制的方法对淋巴结的内部信息进行建模；S4，将粗粒度图像特征和细粒度融合特征进行融合，使用两层全连接层通过sigmoid激活联合输出得到分类结果

全文数据：

权利要求：

百度查询： 西安交通大学 一种基于多视图半监督的淋巴结的分类方法、系统及设备

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