一种医学影像半监督分类方法、系统与可读存储介质技术方案

技术编号:27061377 阅读:30 留言:0更新日期:2021-01-15 14:41
本发明专利技术公开了一种医学影像半监督分类方法、系统与可读存储介质,具体包含以下步骤:收集医学影像数据并预处理,初始化软标签矩阵与相似性矩阵,无标签样本预测与变换矩阵求解。与已有技术方案相比,具有以下优点:利用了大量无标签样本的内蕴的分布几何信息,以实现少量标注情况下的准确分类,大大降低了对人工标签的依赖性与标注成本;同时,通过类间相似度矩阵的引用,使在特征空间中相近的异类样本更具有区分性,进一步满足了半监督平滑性假设,一定程度上保证了无标签样本使用的安全性。

【技术实现步骤摘要】
一种医学影像半监督分类方法、系统与可读存储介质
本专利技术涉及医学影像分类领域,具体涉及一种医学影像半监督分类方法、系统与可读存储介质。
技术介绍
近些年来,随着计算机技术的快速发展,该技术在很多领域的应用越来越广泛。其中,计算机辅助诊断技术是指通过影像学、医学图像处理技术其其他可能的生理、生化手段,并结合计算机的分析计算,辅助发现病灶,从而提高诊断准确率。基于医学影像的计算机辅助诊断技术已开始应用于实际的临床诊断之中,计算机客观的判断以及对于细微改变的发现可减少漏诊,对提高医生工作效率起到了积极作用。已有的研究中,CN103955703A公开了一种基于朴素贝叶斯的医学影像疾病分类方法,根据设备类型和诊断报告表中的影像所见、诊断结论等文本信息,采用K-Means聚类算法和朴素贝叶斯算法自动判断影像检查结果所属的疾病类型。CN104834940A公开了一种利用支持向量机(SVM)分类器进行医学影像检查疾病自动分类的方法。CN109522973A公开了一种医疗大数据分类方法及系统,基于生成式对抗网络进行样本扩充,并用集成学习的方法进行分类器的建立。CN111126502A公开了一种DICOM医疗影像序列分类方法,该方法包括5层分类器,一个DICOM数据依次通过这5层分类器,最终得到特定序列的分类结果。
技术实现思路
为解决标签不足的技术问题,本专利技术提供一种医学影像半监督分类方法、系统与可读存储介质,采用如下技术方案:一种医学影像半监督分类方法,包括以下步骤:步骤一:收集医学影像数据并预处理收集医学影像,包括有标签医学影像和无标签医学影像,其中有标签影像具有对应的疾病类别标签;提取每个影像的特征得到医学影像样本集其中X的每一列表示一个样本,D为样本的维度,N=l+u表示医学影像样本的数量,l为有标签样本数量,u为无标签样本数量,表示实数域;表示有标签的医学影像样本矩阵,ym∈{1,2,…,C}为样本xm,m=1,2,…,l的标签,C表示疾病类别总数,表示无标签的医学影像样本矩阵;标签矩阵如果xm属于第n类,即ym=n其中n∈{1,2,…,C},则元素Ymn=1;否则元素Ymn=0;步骤二:初始化软标签矩阵与相似性矩阵软标签矩阵令且Fu的所有元素为0;相似性矩阵其第i行第j列元素Aij为:其中,xi与xj为样本,i,j∈{1,…,N},σ>0为高斯核宽,D为A的度矩阵,D为对角阵,D的第i个对角元素Dii=∑jAij;步骤三:无标签样本预测与变换矩阵求解步骤3.1:人工设定三个参数β,γ,α的值为大于0的实数,人工设定最大迭代次数M为正整数;令迭代次数t=1;步骤3.2:求解变换矩阵具体为:将(XTDbX)-1(X(E-FFT)XT+γXLXT)进行特征分解,其最小的d个特征值对应的特征向量组合即得W,其中是一个全1矩阵,图拉普拉斯矩阵l=D-A,为类间相似度矩阵,Db为对角矩阵,Db的第i的对角元素为E-FFT的第i行元素之和;步骤3.3:根据步骤3.2得出的变换矩阵W计算中间矩阵Z=XTWWTX,并根据更新Fu,其中表示第t次迭代时矩阵F的第p行第q列的元素,为矩阵P-的第p行第q列的元素,为矩阵P+的第p行第q列的元素,P+=Z-F+βL+F+2αFFTF,P-=Z+F+βL-F+2αF,|Z|为Z的行列式,|L|为L的行列式;步骤3.4:令t自增1,如果t<M,则跳至步骤3.2,否则迭代停止,当前的F中第p行的最大元素所在列数q即表明第p个医学影像样本的疾病类别为第q类。一种医学影像半监督分类系统,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述的医学影像半监督分类方法。一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现上述的医学影像半监督分类方法。与现有技术相比,本专利技术的有益技术效果是:利用了大量无标签样本的内蕴的分布几何信息,以实现少量标注情况下的准确分类,大大降低了对人工标签的依赖性与标注成本;同时,通过类间相似度矩阵的引用,使在特征空间中相近的异类样本更具有区分性,进一步满足了半监督平滑性假设,一定程度上保证了无标签样本使用的安全性。附图说明图1为本专利技术的流程图;具体实施方式下面结合附图对本专利技术的一种优选实施方式作详细的说明。如图1所示的一种医学影像半监督分类方法,包括以下步骤:步骤一:收集医学影像数据并预处理收集医学影像,包括有标签医学影像和无标签医学影像,其中有标签影像具有对应的疾病类别标签;提取每个影像的特征得到医学影像样本集其中X的每一列表示一个样本,D为样本的维度,N=l+u表示医学影像样本的数量,l为有标签样本数量,u为无标签样本数量,表示实数域;表示有标签的医学影像样本矩阵,ym∈{1,2,…,C}为样本xm,m=1,2,…,l的标签,C表示疾病类别总数,表示无标签的医学影像样本矩阵;标签矩阵如果xm属于第n类,即ym=n其中n∈{1,2,…,C},则元素Ymn=1;否则元素Ymn=0;步骤二:初始化软标签矩阵与相似性矩阵软标签矩阵令且Fu的所有元素为0;相似性矩阵其第i行第j列元素Aij为:其中,xi与xj为样本,i,j∈{1,…,N},σ>0为高斯核宽,D为A的度矩阵,D为对角阵,D的第i个对角元素Dii=∑jAij;步骤三:无标签样本预测与变换矩阵求解步骤3.1:人工设定三个参数β,γ,α的值为大于0的实数,人工设定最大迭代次数M为正整数;令迭代次数t=1;步骤3.2:求解变换矩阵具体为:将(XTDbX)-1(X(E-FFT)XT+γXLXT)进行特征分解,其最小的d个特征值对应的特征向量组合即得W,其中是一个全1矩阵,图拉普拉斯矩阵L=D-A,为类间相似度矩阵,Db为对角矩阵,Db的第i的对角元素为E-FFT的第i行元素之和;步骤3.3:根据步骤3.2得出的变换矩阵W计算中间矩阵Z=XTWWTX,并根据更新Fu,其中表示第t次迭代时矩阵F的第p行第q列的元素,为矩阵P-的第p行第q列的元素,为矩阵P+的第p行第q列的元素,P+=Z-F+βL+F+2αFFTF,P-=Z+F+βL-F+2αF,|Z|为Z的行列式,|L|为L的行列式;步骤3.4:令t自增1,如果t<M,则跳至步骤3.2,否则迭代停止,当前的F中第p行的最大元素所在列数q即表明第p个医学影像样本的疾病类别为第q类。同时,本专利技术还提供一种医学影像半监督分类系统,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述的医学影像半监督分类方法。同时,本专利技术还提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序本文档来自技高网...

【技术保护点】
1.一种医学影像半监督分类方法,其特征在于,包括以下步骤:/n步骤一:收集医学影像数据并预处理/n收集医学影像,包括有标签医学影像和无标签医学影像,其中有标签影像具有对应的疾病类别标签;提取每个影像的特征得到医学影像样本集

【技术特征摘要】
1.一种医学影像半监督分类方法,其特征在于,包括以下步骤:
步骤一:收集医学影像数据并预处理
收集医学影像,包括有标签医学影像和无标签医学影像,其中有标签影像具有对应的疾病类别标签;提取每个影像的特征得到医学影像样本集其中X的每一列表示一个样本,D为样本的维度,N=l+u表示医学影像样本的数量,l为有标签样本数量,u为无标签样本数量,表示实数域;表示有标签的医学影像样本矩阵,ym∈{1,2,…,C}为样本xm,m=1,2,…,l的标签,C表示疾病类别总数,表示无标签的医学影像样本矩阵;标签矩阵如果xm属于第n类,即ym=n其中n∈{1,2,…,C},则元素Ymn=1;否则元素Ymn=0;
步骤二:初始化软标签矩阵与相似性矩阵
软标签矩阵令且Fu的所有元素为0;
相似性矩阵其第i行第j列元素Aij为:



其中,xi与xj为样本,i,j∈{1,…,N},σ>0为高斯核宽,D为A的度矩阵,D为对角阵,D的第i个对角元素Dii=∑jAij;
步骤三:无标签样本预测与变换矩阵求解
步骤3.1:人工设定三个参数β,γ,α的值为大于0的实数,人工设定最大迭代次数M为正整数;令迭代次数t=1;
步骤3.2:求解变换...

【专利技术属性】
技术研发人员:梅明亮
申请(专利权)人:合肥优控科技有限公司
类型:发明
国别省市:安徽;34

网友询问留言 已有0条评论
  • 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。

1