【技术实现步骤摘要】
一种三维知识诊断模型构建方法和系统
本专利技术涉及医学图像处理
，更具体地，涉及一种三维知识诊断模型构建方法和系统。
技术介绍
近年来，随着深度学习的快速发展，国内外学者通过计算机模拟医生对疾病的诊断，利用深度学习对疾病的智能诊断指标进行提取和诊断分析。目前相关的科研成果已经达到了专家水平的疾病诊断，甚至在某些方面性能优于经验丰富的临床医生。虽然基于深度学习的疾病诊断技术已经取得了很大成就，但这些基于深度学习的诊断方法依赖于大量真实标签样本的医学影像数据，而获取大量具有真实标签样本的临床医学影像数据是非常困难的。解决这种不足最常见的方法是正则化技术，L1范数是目前主流的正则化技术，这是由于其全局最优解可以有效地计算。然而，L1范数具有无偏性，无偏会阻止变量选择的一致性。为了确保变量选择的统计性能，需要强不可表示的条件。此外，由于成像设备、个体差异等原因，获取的临床医学影像数据可能会存在数据缺失等质量问题。通常通过数据清洗等手段剔除这一部分数据保证数据的规范化，这无疑浪费了大量的临床数据，也不符合真实的临床诊断情况。
【技术保护点】
1.一种三维知识诊断模型构建方法，包括以下步骤：/n基于已知的医学影像数据建立训练集，该训练集包括
【技术特征摘要】
1.一种三维知识诊断模型构建方法，包括以下步骤：
基于已知的医学影像数据建立训练集，该训练集包括和两部分，其中Xm表示第m例医学影像数据，Ym表示第m例医学影像数据的标签，Xi表示第i例无标签医学影像数据，M和N分别是相应样本的数目；
以设定的损失函数为目标训练所构建的基于神经网络的三维知识诊断模型，其中Xm，Ym作为该三维知识诊断模型的主分支的有监督训练的输入和标签，Xi作为该三维知识诊断模型的主分支的无监督训练的输入，作为该三维知识诊断模型的辅助分支的无监督训练的输入，是对Xi进行多种扰动后的数据。
2.根据权利要求1所述的方法，其中，以设定的损失函数为目标训练所构建的基于神经网络的三维知识诊断模型包括：
设计三维知识诊断模型，其主分支和辅助分支共享相同的特征提取器，并且主分支和辅助分支分别包含独立的全连接层和分类器；
将医学影像图像数据Xm，Xi，输入到所述三维知识诊断模型，通过所述特征提取器提取医学影像图像的特征；
将所提取的Xm，Xi对应的特征输入所述三维知识诊断模型的主分支的全连接层进行特征属性组合，并将所提取的对应的特征输入所述三维知识诊断模型的辅助分支的全连接层进行特征属性组合；
将经过全连接层后的特征输入相应的分类器，得到预测的概率值pm，pi和其中，表示第i例图像第j个辅助分支的输出结果，pm表示Xm对应的概率值，pi表示Xi对应的概率值，表示对应的概率值；
将所获取的初始概率值pm，pi，输入聚合层，获取初始判断概率值μi，并经优化获得更精准的预测值μ'i；
以设定的损失函数为目标，通过链式法则求导反向传播，获得优化的三维知识诊断模型。
3.根据权利要求2所述的方法，其中，将所获取的初始概率值pm，pi，输入聚合层，获取初始判断概率值μi，并经优化获得更精准的预测值μ'i包括：
通过最大投票法来确定初始判断概率值μi，通过μi计算初始敏感性αj和特异性βj，其中j∈P视为第j个医生：
其中，
计算条件期望：
其中，D是观测集，g是隐含变量，是当前估计的参数；
利用贝叶斯理论推断μi和αj、βj的关系，表示为：
通过给定的观测集D和获得...
【专利技术属性】
技术研发人员：秦文健，田引黎，刘磊，张志诚，陈实富，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东;44
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。