一种基于推挽正则化的医学影像病变分类系统技术方案

本发明专利技术公布了一种基于推挽正则化的医学影像病变分类系统，由图像特征提取模块F，特征空间约束模块P和甄别模块C组成；其中，特征空间约束模块P由推远控制模块P1和拉近控制模块P2组成，P1通过对不同类别样本特征施加距离惩罚使不同类别样本相互远离；P2通过对相同类别样本特征施加距离惩罚使相同类别样本相互靠近；最后在分类损失函数的基础上通过特征空间约束模块P进行医学影像病变分类系统的训练优化。本发明专利技术从样本的特征空间分布入手，提出了一种能够更为有效区分不同病变类型的推挽正则化模型，可以使模型学习到的特征表示能够使同类样本呈现高聚集度，同时使异类样本更分散，增加模型判别能力，从而实现更有效的病变分类。分类。分类。

【技术实现步骤摘要】
一种基于推挽正则化的医学影像病变分类系统


[0001]本专利技术涉及计算机视觉人工智能
，更具体地，涉及一种基于推挽正则化的医学影像中病变的分类系统。

技术介绍

[0002]随着磁共振成像、CT等医学成像技术的不断发展，影像检查已经成为临床病变评价中不可缺少的评价手段，发挥着越来越重要的作用，并得到广泛普及。多种影像检查的普及给影像医生带来的阅片压力和挑战也与日俱增。近年来基于医学影像的辅助诊断技术在多种病变自动甄别中取得了长足的发展。辅助诊断技术通过对影像数据进行自动分析，辅助医生进行影像诊断。深层卷积网络作为一种深度学习方法，是目前用于图像分类的主流方法，且在医学影像的病变分类中逐渐超越传统方法得到研究人员的认可。但值得注意的是，临床上很多病变往往是连续渐变发展的过程，整个病变发展过程中不同等级或严重程度的病变中常常出现处于过渡时期的病变，这些病变样本由于靠近分类边界很容易分类错误，从而导致分类模型判别能力欠佳。

技术实现思路

[0003]为解决上述问题，本专利技术的目的是提供一种用于医学影像中病变渐变识别问题的分类系本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于推挽正则化的医学影像病变分类系统，由图像特征提取模块F，特征空间约束模块P和甄别模块C组成；其中，图像特征提取模块F由一系列卷积层和降采样层组成；特征空间约束模块P由推远控制模块P1和拉近控制模块P2组成，其中，P1通过对不同类别样本特征施加距离惩罚使不同类别样本相互远离，推远控制模块的损失函数记为L
P1
；P2通过对相同类别样本特征施加距离惩罚使相同类别样本相互靠近，拉近控制模块的损失函数记为L
P2
；甄别模块C由全连接层组成；利用图像特征提取模块F对医学图像进行特征提取获得图像特征f；进而使用特征空间约束模块P对图像特征f的分布进行推挽正则化约束；然后图像特征f经过甄别模块C计算得到预测分类结果接着利用分类损失函数L
C
计算预测分类结果和真实分类结果y的损失值；医学影像病变分类系统的损失函数L由推挽正则化项L
PP
和分类损失函数L
C
组成，即L＝L
C
+λL
PP
；其中，λ为超参数；推挽正则化项L
PP
构造为：L
PP
＝...

【专利技术属性】
技术研发人员：高飞，张珏，王霄英，张晓东，
申请(专利权)人：北京大学，
类型：发明
国别省市：