The invention discloses a medical image classification method based on Cooperative depth learning, which is used to solve the technical problems of the poor classification accuracy of the existing medical image classification methods. The technical scheme is adopted between the two deep convolutional neural network collaborative learning method, which is trained by paired learning mode, each image pair model accepts as input a pair of images were transported to the deep convolutional neural network. Using the method of fine tune pre training model, the depth convolution networks are initialized and trained, and a cooperative learning system is designed to make the two deep networks cooperate with each other. The collaborative system used to monitor the similarities and differences between the attributes of the image pair, whether it belongs to a category, and real-time collaborative error two convolutional neural networks generated by backpropagation, fixed network weights, so as to further strengthen the learning ability of the network characteristic, can more effectively to make accurate confusable samples judge.
【技术实现步骤摘要】
基于协同深度学习的医学图像分类方法
本专利技术涉及一种医学图像分类方法,特别是涉及一种基于协同深度学习的医学图像分类方法。
技术介绍
医学图像分类方法在医学检索、文献综述和医学研究等方面具有极其重要的作用,一直是计算机辅助诊断和医学研究领域中的热点研究问题。在过去无数研究者的数十年研究中,形成了一套完整的传统模式下的图像分类技术。其核心要素是手工特征提取和分类器的设计两个部分。尽管有一套非常完善的理论体系,传统的图像分类方法很难实现最优特征和最优分类器的无缝联合,这导致其性能受到很大的影响。近年来,深度学习技术的出现给图像分类问题带来了新的突破,端到端模式下特征自学习具有非常强大的图像表征能力。深度学习中的卷积神经网络模型被成功地应用到了医学图像分类问题中,并且相对于传统图像分类技术取得了巨大的突破。但是不同于拥有海量数据的自然场景图像分类问题,医学图像往往需要专业的领域专家进行标注,其代价非常昂贵,因此,医学领域中有标注的数据非常稀少。此外,医学图像分类问题中显著的类内差异性和类间相似性给分类问题带来了极大的困扰,我们需要根据成像的模态而非成像的组织部位进行类别判断,影像中解剖结构和位置的差异很容易使得模型在分类过程中被严重混淆。文献“KumarA,KimJ,LyndonD,etal.AnEnsembleofFine-TunedConvolutionalNeuralNetworksforMedicalImageClassification[J].IEEEJournalofBiomedical&HealthInformatics,2016,PP(9 ...
【技术保护点】
一种基于协同深度学习的医学图像分类方法,其特征在于包括以下步骤:步骤一、采用预训练残差深度卷积神经网络的参数分别初始化两个卷积神经网络的参数θ
【技术特征摘要】
1.一种基于协同深度学习的医学图像分类方法,其特征在于包括以下步骤:步骤一、采用预训练残差深度卷积神经网络的参数分别初始化两个卷积神经网络的参数θA,θB,以及协同学习系统的参数θVS,初始化学习率η(t)和超参数λ;步骤二、采用图像对儿的训练模式对模型进行训练;每输入一个图像对儿,两个深度预训练神经网络分别在倒数第二个全连接层生成深度特征,记为xAT、xBT,将这两个深度特征进行联结得到一个组合特征,记为(xAT,xBT),模型的三个监督信号分别为yA,yB和yVS;步骤三、分别计算两个预训练卷积网络和协同学习系统产生的损失值lA(θA),lB(θB)和lVS(θVS);其中,M是训练集样本的个数,K是分类类别个数,K’值取2;步骤四、计算梯度值:
【专利技术属性】
技术研发人员:夏勇,张建鹏,谢雨彤,
申请(专利权)人:西北工业大学,
类型:发明
国别省市:陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。