申请/专利权人：华东理工大学

申请日：2021-03-29

公开（公告）日：2024-04-16

公开（公告）号：CN112926682B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06V10/82;G06N3/042;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2021.06.25#实质审查的生效;2021.06.08#公开

摘要：本发明涉及一种基于图网络的核磁共振影像小样本学习分类方法，该方法包括以下步骤：步骤1：将疾病原始影像样本输入至原始核磁共振影像小样本学习分类器中的特征提取部分网络中，获得对应特征向量；步骤2：将特征向量输入至原始核磁共振影像小样本学习分类器中的图网络中，初始化节点与边并持续迭代更新；步骤3：节点与边持续迭代更新完毕后得到基于图网络的核磁共振影像小样本学习分类器；步骤4：利用该新分类器对实际核磁共振影像进行预测分类。本发明具有在面对新疾病时，能够通过对于少量样本的学习，快速训练出能够准确判断影像对应疾病所处分期情况的分类器，以改善医学影像分类所面临的标注样本缺乏问题，降低训练成本等优点。

主权项：1.一种基于图网络的核磁共振影像小样本学习分类方法，其特征在于，该方法包括以下步骤：步骤1：将疾病原始影像样本输入至原始核磁共振影像小样本学习分类器中的特征提取部分网络中，获得对应特征向量；步骤2：将特征向量输入至原始核磁共振影像小样本学习分类器中的图网络中，初始化节点与边并持续迭代更新；步骤3：节点与边持续迭代更新完毕后得到基于图网络的核磁共振影像小样本学习分类器；步骤4：利用步骤3得到的核磁共振影像小样本学习分类器，对实际核磁共振影像进行预测分类；所述的步骤1具体包括：将疾病原始影像样本输入至原始核磁共振影像小样本学习分类器中的特征提取部分网络中，当该部分网络为2D卷积神经网络时，将疾病原始影像样本对应的不同切片视作不同通道，进行处理后获得对应特征向量；将疾病原始影像样本输入至原始核磁共振影像小样本学习分类器中的特征提取部分网络中，当该部分网络为3D卷积神经网络时，将切片数、每一切片的长、宽作为3D影像的三个维度，输入模型进行特征提取后获得对应特征向量；所述的步骤2中的图网络由特征转移网络和相似度计算网络组成，其中：所述特征转移网络，用于负责节点与边信息的交互，使节点状态根据当前的节点状态、邻域中所有节点的状态及节点对的边状态得到更新；所述相似度计算网络，用于负责计算样本对的相似度，并将其赋值于边，以此继续所述特征转移网络中对当前节点状态及边状态的更新；所述的步骤3中的基于图网络的核磁共振影像小样本学习分类器，其对应的具体损失函数为： 式中，为QuerySet中边的真值与预测值的集合，为损失函数，l为图网络层数，m为训练任务，为二值的交叉熵损失函数值，λ1为图网络层数权重系数。

全文数据：

权利要求：

百度查询： 华东理工大学 一种基于图网络的核磁共振影像小样本学习分类方法

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