一种图像信息分类方法及装置制造方法及图纸

本发明专利技术提供一种图像信息分类方法，包括步骤：训练分类网络，分配激活函数权重，计算特征相关性，反向传播训练，图像信息分类。本发明专利技术涉及一种图像信息分类装置。本发明专利技术将肝脏数据集和肝脏肿瘤数据集同时放进分类网络进行训练，通过主干网络得出两者的概率分布，并且通过缩小分布差异结构这种无监督的方式得出两者高维抽象特征表示之间的相关性，然后结合三部分得出损失度量进行反向传播使网络收敛，当小数据量的肝脏肿瘤数据集已无力提升数据分类效果时，大数据量的肝脏数据的网络分类效果还在提升，这时在无监督网络的帮助下将协助肝脏肿瘤网络继续提升肝脏肿瘤分类效果。

A method and device of image information classification

【技术实现步骤摘要】
一种图像信息分类方法及装置
本专利技术涉及深度学习
，尤其涉及一种图像信息分类方法及装置。
技术介绍
现有图像信息分类方法由于肝癌数据集不足而导致鉴别诊断错误率高。现有公开的数据库中关于肝细胞癌、转移性肝腺癌、血管瘤等肝脏肿瘤症的数据量极少，对于在图像领域具有绝对优势的深度学习技术在如此少量的数据集上很难达到准确的效果。传统的数据扩充如仿射变换，透视变换等，都是在源数据上进行扩充，这些方法都是在挖掘原始数据的潜力，限制了扩充数据多样性的上限，过多的扩充并不能解决数据量不足的问题。在数据量足够的前提下，另一方面影响识别准确率的因素为是否拥有一个强大的深度神经网络。现有技术中，一种图像信息分类方法是结合传统数据增强(旋转、翻转、缩放)和对抗生成网络(GAN)合成新的医学数据来扩充数据，再利用卷积神经网络进行肝脏病变分类，但该方案在原来经典数据增强方案的基础上利用GAN技术合成新的医学数据存在不稳定性，合成的数据需要专门的技术人员或者专业医师鉴别其有效性，并且这种数据增强也是在原有训练数据的基础上进行数据扩充的，相当于一种尽可能挖掘原始数据信息的方法，现阶段其对肝脏病变分类的提升是有限的；另一种图像信息分类方法是利用肝脏病变的全局和局部信息提取出更多尺度的特征信息，并利用Resnet进行分类，肝脏病变部分的信息为全局信息，对病变部分进行分块并送入网络训练的部分为局部信息，全局信息和局部信息分别训练过后进行融合时存在特征信息冗余，模型容易过拟合。因此，怎样用少量的数据集结合更强力的卷积神经网络达到较高的肝脏肿瘤症识别效果成为亟待解决的问题。
技术实现思路
为了克服现有技术的不足，本专利技术的目的在于提供一种图像信息分类方法，解决了现有图像信息分类方法采用传统的数据扩充挖掘原始数据的潜力，限制了扩充数据多样性的上限，过多的扩充并不能解决数据量不足的问题，且采用的神经网络分类效果差。本专利技术提供一种图像信息分类方法，包括以下步骤：训练分类网络，将肝脏数据集和肝脏肿瘤数据集同时输入邻居网络进行训练；分配激活函数权重，对于所述邻居网络中肝脏分类支路的主干网络和所述邻居网络中肝脏肿瘤分类支路的主干网络每层卷积后对激活函数分配权重，网络训练过程中使每层网络选择出最佳激活函数或者激活函数的组合；计算特征相关性，通过所述肝脏分类支路的主干网络每次训练过程中输出的肝脏概率分布和所述肝脏肿瘤分类支路的主干网络每次训练过程中输出的肝脏肿瘤概率分布计算公共特征相关性；反向传播训练，通过所述肝脏概率分布、所述肝脏肿瘤概率分布和所述公共特征相关性计算损失度量，通过所述损失度量进行反向传播使网络收敛；图像信息分类，将所述肝脏分类支路移除，通过训练好的肝脏肿瘤网络对测试数据集进行测试，得到图像信息分类结果。进一步地，所述训练分类网络步骤中，对数据进行随机小幅度弹性形变、旋转和平移操作。进一步地，所述训练分类网络步骤中，采用L2正则化和批归一化处理，并采用早停法训练至网络收敛。进一步地，所述训练分类网络步骤中，所述肝脏分类支路的主干网络和所述肝脏肿瘤分类支路的主干网络均由两层网络和三层网络组成。进一步地，所述分配激活函数权重步骤中，每层卷积后添加向量代表对应激活函数的权重，通过向量和激活函数点乘的方式实现激活函数自选择。进一步地，所述计算特征相关性步骤中，将所述肝脏肿瘤概率分布输入缩小分布结构差异网络计算所述肝脏概率分布与所述肝脏肿瘤概率分布公共特征相关性。进一步地，所述反向传播训练步骤还包括采用度量函数度量所述肝脏概率分布、所述肝脏肿瘤概率分布之间的距离，将所述度量函数作为约束，联合所述肝脏分类支路的损失函数、所述肝脏肿瘤分类支路的损失函数和所述约束对所述邻居网络进行反向传播训练，直至网络收敛。进一步地，所述反向传播训练步骤中，所述度量函数为MMD度量函数，具体计算公式为：其中，MMD(P,Y)为所述肝脏概率分布和所述肝脏肿瘤概率分布之间的距离，ns为肝脏数据集的大小，nt为肝脏肿瘤数据集的大小，为所述肝脏概率分布，为所述肝脏肿瘤概率分布。进一步地，所述反向传播训练步骤中，所述肝脏分类支路的损失函数、所述肝脏肿瘤分类支路的损失函数均为交叉熵，所述约束为所述MMD度量函数，具体计算公式为：Loss＝λLoss1+(1-λ)Loss2+MMD其中，Loss为分类交叉熵总损失函数，Loss1为肝脏交叉熵，Loss2为肝脏肿瘤交叉熵，λ为超参数，MMD为所述肝脏概率分布和所述肝脏肿瘤概率分布之间的距离。一种图像信息分类装置，该装置执行上述一种图像信息分类方法。相比现有技术，本专利技术的有益效果在于：本专利技术提供一种图像信息分类方法，包括以下步骤：训练分类网络，将肝脏数据集和肝脏肿瘤数据集同时输入邻居网络进行训练；分配激活函数权重，对于邻居网络中肝脏分类支路的主干网络和邻居网络中肝脏肿瘤分类支路的主干网络每层卷积后对激活函数分配权重，网络训练过程中使每层网络选择出最佳激活函数或者激活函数的组合；计算特征相关性，通过肝脏分类支路的主干网络每次训练过程中输出的肝脏概率分布和肝脏肿瘤分类支路的主干网络每次训练过程中输出的肝脏肿瘤概率分布计算公共特征相关性；反向传播训练，通过肝脏概率分布、肝脏肿瘤概率分布和公共特征相关性计算损失度量，通过损失度量进行反向传播使网络收敛；图像信息分类，将肝脏分类支路移除，通过训练好的肝脏肿瘤网络对测试数据集进行测试，得到图像信息分类结果。本专利技术涉及一种图像信息分类装置。本专利技术将肝脏数据集和肝脏肿瘤数据集同时放进分类网络进行训练，通过主干网络得出两者的概率分布，并且通过缩小分布差异结构这种无监督的方式得出两者高维抽象特征表示之间的相关性，然后结合三部分得出损失度量进行反向传播使网络收敛，当小数据量的肝脏肿瘤数据集已无力提升数据分类效果时，大数据量的肝脏数据的网络分类效果还在提升，这时在无监督网络的帮助下将协助肝脏肿瘤网络继续提升肝脏肿瘤分类效果。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，并可依照说明书的内容予以实施，以下以本专利技术的较佳实施例并配合附图详细说明如后。本专利技术的具体实施方式由以下实施例及其附图详细给出。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1为本专利技术的一种图像信息分类方法流程图；图2为本专利技术的邻居网络整体结构示意图；图3为本专利技术的主干网络两层网络结构示意图；图4为本专利技术的主干网络三层网络结构示意图；图5为本专利技术的主干网络整体结构示意图。具体实施方式下面，结合附图以及具体实施方式，对本专利技术做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。一种图像信息分类方法，如图1所本文档来自技高网...

【技术保护点】
1.一种图像信息分类方法，其特征在于包括以下步骤：/n训练分类网络，将肝脏数据集和肝脏肿瘤数据集同时输入邻居网络进行训练；/n分配激活函数权重，对于所述邻居网络中肝脏分类支路的主干网络和所述邻居网络中肝脏肿瘤分类支路的主干网络每层卷积后对激活函数分配权重，网络训练过程中使每层网络选择出最佳激活函数或者激活函数的组合；/n计算特征相关性，通过所述肝脏分类支路的主干网络每次训练过程中输出的肝脏概率分布和所述肝脏肿瘤分类支路的主干网络每次训练过程中输出的肝脏肿瘤概率分布计算公共特征相关性；/n反向传播训练，通过所述肝脏概率分布、所述肝脏肿瘤概率分布和所述公共特征相关性计算损失度量，通过所述损失度量进行反向传播使网络收敛；/n图像信息分类，将所述肝脏分类支路移除，通过训练好的肝脏肿瘤网络对测试数据集进行测试，得到图像信息分类结果。/n

【技术特征摘要】
1.一种图像信息分类方法，其特征在于包括以下步骤：
训练分类网络，将肝脏数据集和肝脏肿瘤数据集同时输入邻居网络进行训练；
分配激活函数权重，对于所述邻居网络中肝脏分类支路的主干网络和所述邻居网络中肝脏肿瘤分类支路的主干网络每层卷积后对激活函数分配权重，网络训练过程中使每层网络选择出最佳激活函数或者激活函数的组合；
计算特征相关性，通过所述肝脏分类支路的主干网络每次训练过程中输出的肝脏概率分布和所述肝脏肿瘤分类支路的主干网络每次训练过程中输出的肝脏肿瘤概率分布计算公共特征相关性；
反向传播训练，通过所述肝脏概率分布、所述肝脏肿瘤概率分布和所述公共特征相关性计算损失度量，通过所述损失度量进行反向传播使网络收敛；
图像信息分类，将所述肝脏分类支路移除，通过训练好的肝脏肿瘤网络对测试数据集进行测试，得到图像信息分类结果。


2.如权利要求1所述的一种图像信息分类方法，其特征在于：所述训练分类网络步骤中，对数据进行随机小幅度弹性形变、旋转和平移操作。


3.如权利要求1所述的一种图像信息分类方法，其特征在于：所述训练分类网络步骤中，采用L2正则化和批归一化处理，并采用早停法训练至网络收敛。


4.如权利要求1所述的一种图像信息分类方法，其特征在于：所述训练分类网络步骤中，所述肝脏分类支路的主干网络和所述肝脏肿瘤分类支路的主干网络均由两层网络和三层网络组成。


5.如权利要求1所述的一种图像信息分类方法，其特征在于：所述分配激活函数权重步骤中，每层卷积后添加向量代表对应激活函数的权重，通过向量和激活函数点乘的方式实现激活函...

【专利技术属性】
技术研发人员：杨春立，
申请(专利权)人：杨春立，
类型：发明
国别省市：北京;11