申请/专利权人：南京航空航天大学

申请日：2020-11-18

公开（公告）日：2024-04-05

公开（公告）号：CN112529042B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06V10/778

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#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双重注意力多示例深度学习的医学图像分类方法，该方法包含如下步骤：1采集M个医学图像，并基于分类任务对原始图像设置正负标签；2基于医学图像的体素特征，确定K个固定位置作为输入图像特征的采样点；3对双重注意力的多示例深度学习网络模型进行训练；4更新多示例学习模型；5将新的医学图像输入至训练好的多示例学习模型中，判断该医学图像的类别标签。本发明能够增强局部辨识力并权衡不同区域的特征信息权重，更符合医学图像的实际情况图像，更有助于提高医学图像分类性能。

主权项：1.一种基于双重注意力多示例深度学习的医学图像分类方法，其特征在于，该方法包括如下步骤：步骤1：采集M个医学图像，判断每个医学图像是否存在与特定任务相关的特征，将存在相关特征的医学图像的原始标签设置为正，将不存在相关特征的医学图像的原始标签设置为负；步骤2：将原始标签为正的医学图像以及原始标签为负的医学图像都均匀划分为r个立方体；该r个立方体尺寸均为W*W*W，将一个立方体作为一个图像块，基于原始标签为正的医学图像中所有图像块的体素特征和原始标签为负的医学图像中所有图像块的体素特征，在原始标签为正的医学图像中选择K个图像块，将该K个图像块所在的位置作为K个固定位置，提取M个医学图像中每个图像在K个固定位置上的图像块；步骤3：将M个医学图像中的K个图像块作为多示例学习模型的输入，对多示例学习模型进行训练；步骤4：计算每个医学图像的训练结果和该图像原始标签之间的交叉熵，建立基于交叉熵的损失函数，根据该损失函数判断训练后的多示例学习模型是否收敛，若是，则停止计算，得到训练好的多示例学习模型，否则根据损失函数计算得到的损失更新多示例学习模型的权重，并转步骤2；步骤5：将新的医学图像输入至训练好的多示例学习模型中，判断该医学图像的类别；所述步骤3中多示例学习模型的训练过程为：步骤3.1：从输入的第m个医学图像的第k个图像块中提取影响分数和局部块级别的特征，其中m＝1,2,…,M，k＝1,2…,K；步骤3.2：根据提取的K个局部块级别的特征和K个影响分数，计算得到m个医学图像的全局特征；步骤3.3：根据全局特征计算第m个医学图像的类别。

全文数据：

权利要求：

百度查询： 南京航空航天大学 一种基于双重注意力多示例深度学习的医学图像分类方法

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