【技术实现步骤摘要】
基于多尺度感知损失的医学图像分类方法和装置
本专利技术涉及图像分类领域,具体是关于一种基于多尺度感知损失的医学图像分类方法和一种基于多尺度感知损失的医学图像分类装置。
技术介绍
分类是根据训练数据集中的数据所表现出的类特性,为每个类找到一种准确的描述方法,由此生成类描述或模型,并用其对新的数据进行分类。而这种类描述是对源数据的过滤、提取及概念等,能够反映客观事物的一般规律。医学图像数据分类就是根据历史临床确诊病例的影像图像样本数据,结合专家知识形成的类描述,并依此对未知类别的临床影像图像进行分类、预测,辅助医生进行临床影像分析、诊断。然而,在运用深度学习进行分类的同时,容易面临过拟合等关键问题。许多研究者提出了有效的正则化解决方案,如Dropout、L1、L2、Weightdecay等。损失函数是深度学习框架下非常重要的一个部分,用来评判预测结果和真实结果之间的差异,从而引导网络向做出更准确预测的方向调整参数。解决过拟合问题的主要方法有损失函数的正则化,减弱高阶参数的影响,以获得更有类别区分力的特征分布。Lin等人(LinTY,GoyalP,GirshickR,etal.Focallossfordenseobjectdetection[C]//ProceedingsoftheIEEEinternationalconferenceoncomputervision.2017:2980-2988.)提出了FocalLoss,它通过引入调制项来修正交叉熵损失,以集中学习复杂样本,并减轻许多容易产生的负面影响。在医学图 ...
【技术保护点】
1.一种基于多尺度感知损失的医学图像分类方法,采用卷积神经网络对所述医学图像进行处理,其特征在于,还包括:/nS1:将所述卷积神经网络的输出分别传输给分类器和至少两个类激活图;/nS2:将所述至少两个类激活图的输出传输给第一损失函数;所述第一损失函数用于进一步挖掘所述至少两个类激活图的输出中被关注区域;/nS3:将所述分类器的输出传输给第二损失函数;所述第二损失函数用于增加难识别类疾病的损失权重,并减小易识别类疾病的损失权重;/nS4:将所述第一损失函数的输出和所述第二损失函数的输出融合在一起获得分类后的医学图像。/n
【技术特征摘要】
1.一种基于多尺度感知损失的医学图像分类方法,采用卷积神经网络对所述医学图像进行处理,其特征在于,还包括:
S1:将所述卷积神经网络的输出分别传输给分类器和至少两个类激活图;
S2:将所述至少两个类激活图的输出传输给第一损失函数;所述第一损失函数用于进一步挖掘所述至少两个类激活图的输出中被关注区域;
S3:将所述分类器的输出传输给第二损失函数;所述第二损失函数用于增加难识别类疾病的损失权重,并减小易识别类疾病的损失权重;
S4:将所述第一损失函数的输出和所述第二损失函数的输出融合在一起获得分类后的医学图像。
2.根据权利要求1所述的基于多尺度感知损失的医学图像分类方法,其特征在于,所述步骤S2将所述至少两个类激活图的输出传输给第一损失函数中,所述类激活图的公式为:
其中Sn表示第n个类激活图,w∈Rn×k表示全连接层的权重,k表示通道数量,f∈Rn×H×W表示特征图。
3.根据权利要求1所述的基于多尺度感知损失的医学图像分类方法,其特征在于,所述步骤S2将所述至少两个类激活图的输出传输给第一损失函数中,所述第一损失函数为感知损失函数,所述感知损失函数公式为:
其中,Lper表示感知损失函数,c表示标签的类别数,Si表示第i个类别的类激活图,为变换后第i个类别的类激活图。
4.根据权利要求1所述的基于多尺度感知损失的医学图像分类方法,其特征在于,所述步骤S3将所述分类器的输出传输给第二损失函数中,所述第二损失函数为多标签平衡损失函数,所述多标签平衡损失函数公式为:
其中,Lbal表示多标签平衡损失函数,m是多个标签的总数,j表示不同类型疾病的每个标签,αj表示平衡因子,其中xj表示第j个类别的数量,表示网络判断第j种疾病患病的概率值,参数Pj为难易样本因子。
5.根据权利要求3或4所述的基于多尺度感知损失的医学图像分类方法,其特征在于,所述步骤S4中的将所述第一损失函数的输出和所述第二损失函数的输出融合在一起获得分类后的医学图像,包括:
L=αLper+Lbal
其中,L表示多尺度感知损失函数;Lper表示感知损失函数,Lbal表示多标签平衡损失函数,α表示感知损失函数和多标签平衡损失函数之间的权衡系数。
6.根据权利要求1所述的基于多尺度感知损失的医学图像分类方法,其特征在于,还包括:
步骤S5:将所述步骤S2中的第一损失函数的输出和/或步骤S3中的第二损失函数的输出反馈到所述卷积神经网路中,用于调整所述卷积神经网络的参数,以获得更精准分类后的医学图像;
或者:将所述步骤S2中的第一损失函数的输出和步骤S3中的第二损失函数的输出融合后的输出反馈到所述卷积神经网路中,用于调整所述卷...
【专利技术属性】
技术研发人员:李秀,许菁,刘玉涛,
申请(专利权)人:清华大学深圳国际研究生院,
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。