一种基于深度多示例学习和自注意力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深度多示例学习和自注意力的医学图像分类方法，涉及医学图像处理技术，该方法包括：对医学图像进行预处理，产生多示例学习中的示例包；利用卷积神经网络提取包中示例特征；基于自注意力机制构造特征提取模块，学习示例间的依赖关系；使用特征池化模块聚合包中示例特征，得到包级特征向量；将包级特征向量作为分类器的输入，产生输入图像的预测标记。本发明专利技术通过卷积网络捕获待识别图像的局部细节特征，利用自注意力机制学习待识别图像的全局结构特征，两种特征互为补充，提高了整个网络的分类性能和稳定性，此外，通过引入可训练的池化算子，进一步增强了网络的可解释性。

【技术实现步骤摘要】
一种基于深度多示例学习和自注意力的医学图像分类方法
本专利技术涉及医学图像处理技术，具体涉及一种基于深度多示例学习和自注意力的医学图像分类方法。
技术介绍
近年来，深度学习方法在诸多人工智能领域已远远超越了传统的浅层机器学习方法，对学术界和工业界产生了广泛而深刻的影响。在图像分类领域，深度监督学习方法取得了前所未有的成功，在诸多大型图像分类任务中展现出不亚于人类的识别和分类能力，其中一个关键驱动力是大量有确切标注的样本数据。然而，在实际应用中对样本进行大量细致的标注往往是极为困难的，例如，在医学图像分析中，获取病灶的具体位置常常是费时费力的，多数情况下仅能获得图像的整体标注信息(良性/恶性)或大致的感兴趣区域；此外，特定分类任务的数据规模往往较小，若采用监督学习方法直接对其进行建模，容易出现过拟合现象，导致模型的泛化能力较差。因此，能够应对此类任务的弱监督学习模型逐渐引起了研究者的关注，弱监督学习模型仅依赖粗粒度标记即可完成图像的分类任务。多示例学习是一种典型的弱监督学习范式，以示例包为基本处理单元。利用多示例学习技术对医学图像进行分类本文档来自技高网...

【技术保护点】
1.一种基于深度多示例学习和自注意力的医学图像分类方法，其特征在于，包括下列步骤：/n预处理步骤，对医学图像进行预处理，产生多示例学习中的示例包；/n特征构造步骤，利用卷积神经网络提取示例特征，捕获图像的局部细节信息；/n特征提取步骤，基于自注意力机制构造特征提取模块，学习示例间的依赖关系，捕获图像的全局结构信息；/n特征池化步骤，基于注意力机制构造特征池化模块，利用该模块聚合包中示例，得到示例包的包级特征向量；/n类别预测步骤，使用一个带Sigmoid激活函数的全连接层作为分类器，对包级特征向量进行分类，产生输入图像的预测标记。/n

【技术特征摘要】
1.一种基于深度多示例学习和自注意力的医学图像分类方法，其特征在于，包括下列步骤：
预处理步骤，对医学图像进行预处理，产生多示例学习中的示例包；
特征构造步骤，利用卷积神经网络提取示例特征，捕获图像的局部细节信息；
特征提取步骤，基于自注意力机制构造特征提取模块，学习示例间的依赖关系，捕获图像的全局结构信息；
特征池化步骤，基于注意力机制构造特征池化模块，利用该模块聚合包中示例，得到示例包的包级特征向量；
类别预测步骤，使用一个带Sigmoid激活函数的全连接层作为分类器，对包级特征向量进行分类，产生输入图像的预测标记。


2.根据权利要求1所述的基于深度多示例学习和自注意力的医学图像分类方法，其特征在于，所述预处理步骤具体为：
对医学图像进行均匀分割，或者使用滑动窗口进行滑动分割，得到若干尺寸相同的图像块；根据待分类图像的具体特点，有选择地剔除没有价值的图像块；将分割自同一图像的图像块打包为一个示例包。


3.根据权利要求1所述的基于深度多示例学习和自注意力的医学图像分类方法，其特征在于，所述特征构造步骤具体为：
使用两个带ReLU激活函数的卷积层提取图像块特征，其中每个卷积层后接1个最大池化层过滤特征信息；调整特征图尺寸，按行优先原则转换为固定长度的特征向量；经过特征提取后，一个示例包由一组特征向量组成，记为X。


4.根据权利要求1所述的基于深度多示例学习和自注意力的医学图...

【专利技术属性】
技术研发人员：袁立明，李贞亮，温显斌，徐海霞，
申请(专利权)人：天津理工大学，天地伟业技术有限公司，
类型：发明
国别省市：天津;12