申请/专利权人：南京大学

申请日：2021-10-27

公开（公告）日：2024-04-09

公开（公告）号：CN113989556B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06V10/82;G06N3/088;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2022.02.18#实质审查的生效;2022.01.28#公开

摘要：本发明公开一种小样本医学影像分类方法和系统，该方法包括图像收集、无监督特征训练、基于小样本的模型生成；首先从网络或者其他渠道，收集多种医学影像数据；然后利用采集的图像，使用基于混合困难近邻的无监督特征方法得到一个具有泛化性的预训练模型；在小样本场景下，使用预训练模型提取不同类的样本特征，根据特征计算类原型，在后续分类任务中，选取相似性最高的原型所处的类，作为新样本的预测类别。本发明不依赖于样本标记，使用无监督学习方法迁移知识，在保证准确率的前提下，大大减少样本获取成本和标注成本。

主权项：1.一种小样本医学影像分类方法，其特征在于，包括无监督特征学习，利用小样本获取分类器，以及分类器预测三部分；无监督特征学习的过程为：步骤100，初始化卷积神经网络模型M，该模型以医学影像为输入，输出一个特征向量；步骤101，获取无标记医学影像，作为无监督特征学习的数据集D；步骤102，对数据集D中每个图像做随机变换，变换后的图片通过卷积神经网络模型M提取特征，作为图像的正样本集；步骤103，对每个图像I，随机均匀，无放回地从数据集D中采样N个除图像I的其他样本，通过卷积神经网络模型M提取特征，作为图像I的负样本集；步骤104，对于每一个图像I，构造混合困难正样本；步骤105，对于每个图像，随机采样1个正样本，并和N个负样本一起计算infoNCE损失，重复T次，计算T次的平均损失，并通过梯度下降算法更新卷积神经网络模型M；步骤106，重复步骤105，统计该步骤进行时损失函数值的平均值，若持续若干次更新后，损失函数值不下降，则视为收敛，进入步骤107；步骤107，保存训练模型M；利用小样本获取分类器，具体为利用训练模型M和部分标记样本，得到分类器；实现过程如下：步骤200，获取训练模型M；步骤201，获取部分标记过的医学影像，进行图像预处理；步骤202，使用训练模型M，将标记的医学影像映射为向量；步骤203，对于每个类的所有图像，将得到的向量取平均，作为类的原型；步骤204，保存所有类原型与训练模型M，作为分类器的参数；使用分类器进行预测的具体步骤为：步骤300，获取训练模型M和类原型；步骤301，收集医学影像；步骤302，通过模型M将图片映射为向量；步骤303，计算该向量与所有类原型的相似度；步骤304，将该图片预测为相似度最高的类，输出该图片的类别。

全文数据：

权利要求：

百度查询： 南京大学 一种小样本医学影像分类方法和系统

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