一种基于双重注意力多示例深度学习的医学图像分类方法技术

本发明专利技术公开了一种基于双重注意力多示例深度学习的医学图像分类方法，该方法包含如下步骤：1)采集M个医学图像，并基于分类任务对原始图像设置正负标签；2)基于医学图像的体素特征，确定K个固定位置作为输入图像特征的采样点；3)对双重注意力的多示例深度学习网络模型进行训练；4)更新多示例学习模型；5)将新的医学图像输入至训练好的多示例学习模型中，判断该医学图像的类别标签。本发明专利技术能够增强局部辨识力并权衡不同区域的特征信息权重，更符合医学图像的实际情况图像，更有助于提高医学图像分类性能。

【技术实现步骤摘要】
一种基于双重注意力多示例深度学习的医学图像分类方法
本专利技术属于图像分类

技术介绍
医学图像具有高维和高尺寸的特点，但是医学图像含有大多数的无关背景信息，对最后的分类判断造成严重的干扰。例如在三维的结构性核磁共振(MR)图像判断局部微小的脑萎缩现象，在眼底视网膜图像上判断血管出血现象以及在组织图像中判断是否含有某个特定的细胞等。这些医学图像在不同类别上显示全局相似性，只有局部的差异，直接在完整图像上进行计算机分析往往性能较差。传统的基于机器学习的医学图像分类方法通常将医学图像划分成多个区域进行分析，来克服在缺少医学先验知识的前提下直接分析完整图像的困难。依据划分的区域特征表示大小，目前的医学图像分类研究可以分为三类：1)体素级别(voxel-level)，2)区域级别(region-level)，和3)图像块级(patch-level)方法。对于体素级方法，一般通过从医学影像提取所有体素级组织特征，来组成非常高维特征向量作为分类模型的输入特征。然而与庞大的特征数目相比，用于图像分类的训练图像往往非常少，由于医学影像的珍贵性和本文档来自技高网...

【技术保护点】
1.一种基于双重注意力多示例深度学习的医学图像分类方法，其特征在于，该方法包括如下步骤：/n步骤1：采集M个医学图像，判断每个医学图像是否存在与特定任务相关的特征，将存在相关特征的医学图像的原始标签设置为正，将不存在相关特征的医学图像的原始标签设置为负；/n步骤2：将原始标签为正的医学图像以及原始标签为负的医学图像都均匀划分为r个立方体；该r个立方体尺寸均为W*W*W，将一个立方体作为一个图像块，基于原始标签为正的医学图像中所有图像块的体素特征和原始标签为负的医学图像中所有图像块的体素特征，在原始标签为正的医学图像中选择K个图像块，将该K个图像块所在的位置作为K个固定位置，提取M个医学图像中每...

【技术特征摘要】
1.一种基于双重注意力多示例深度学习的医学图像分类方法，其特征在于，该方法包括如下步骤：
步骤1：采集M个医学图像，判断每个医学图像是否存在与特定任务相关的特征，将存在相关特征的医学图像的原始标签设置为正，将不存在相关特征的医学图像的原始标签设置为负；
步骤2：将原始标签为正的医学图像以及原始标签为负的医学图像都均匀划分为r个立方体；该r个立方体尺寸均为W*W*W，将一个立方体作为一个图像块，基于原始标签为正的医学图像中所有图像块的体素特征和原始标签为负的医学图像中所有图像块的体素特征，在原始标签为正的医学图像中选择K个图像块，将该K个图像块所在的位置作为K个固定位置，提取M个医学图像中每个图像在K个固定位置上的图像块；
步骤3：将M个医学图像中的K个图像块作为多示例学习模型的输入，对多示例学习模型进行训练；
步骤4：计算每个医学图像的训练结果和该图像原始标签之间的交叉熵，建立基于交叉熵的损失函数，根据该损失函数判断训练后的多示例学习模型是否收敛，若是，则停止计算，得到训练好的多示例学习模型，否则根据损失函数计算得到的损失更新多示例学习模型的权重，并转步骤2；
步骤5：将新的医学图像输入至训练好的多示例学习模型中，判断该医学图像的类别。


2.根据权利要求1所述的一种基于双重注意力多示例深度学习的医学图像分类方法，其特征在于，所述步骤2具体为：选择一组原始标签为正的医学图像作为正类图像组，选择一组原始标签为负的医学图像作为负类图像组，且两组图像组中医学图像的个数相同；根据正类图像组中每个图像的第b个图像块对应的体素信息，计算得到正类图像组中第b个图像块的平均值，根据负类图像组中每个图像的第b个图像块对应的体素信息，计算得到负类图像组中第b个图像块的平均值，将该两个平均值作为一组图像块组，从而组成对应于第b个图像块所在位置的两个特征平均值向量，采用t检验比较该两个特征平均值向量的差异性，得到第b个t检验结果，其中b＝1，2，…，r；对每一个t检验结果进行归一化计算，并将计算结果按照由小到大排列，选择前K个图像块组。


3.根据权利要求1所述的一种基于双重注意力多示例深度学习的医学图像分类方法，其特征在于，所述步骤3中多示例学习模型的训练过程为：
步骤3.1：从输入的第m个医学图像的第k个图像块中提取影响分数和局部块级别的特征，其中m＝1，2，…，M，k＝1，2…，K；
步骤3.2：根据提取的K个局部块级别的特征和K个影响分数，计算得到m个医学图像的全局特征；
步骤3.3：根据全局特征计算第m个医学图像的类别。


4.根据权利要求3所述的一种基于双重注意力多示例深度学习的医学图像分类方法，其特征在于，所述步骤3.1具体为：
步骤3.1.1：采用图像块级子网从输入的第m个医学图像的第k个图像块中提取特征F，F＝{F1，F2，…，FC}，Fc表示第c个特征，c为特征的总个数；所述图像块级子网包括依次连接的第一3D卷积层，第一批量归一化模块，第一激活函数，第二3D卷积层，第二批量归一化模块，第二激活函数，最大池化层，第三3D卷积层，第三批量归一化模块，第三激活函数，第四3D卷积层，第四批量归一化模块以及第四激活函数；所述第一3D卷积层的卷积核为4*4*4，第二～四3D卷积层的卷积核均为3*3*3，所述最大池化层的大小为2*2*2；
步骤3.1.2：采...

【专利技术属性】
技术研发人员：张道强，朱文勇，孙亮，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32