一种基于小样本学习的胸部X光图像多种疾病分类方法技术

本发明专利技术提供了一种基于小样本学习的胸部X光图像多种疾病分类方法，属于深度学习领域。本方法设计了一个端到端的深度神经网络模型，采用情景训练策略模拟小样本场景，该方法可以分为两部分：特征提取部分和距离度量部分。特征提取部分先由卷积神经网络作为学习器进行特征提取，再进入空间注意力模型对特征进行任务相关处理；距离度量部分是将处理后的特征进行全局协方差矩阵运算，得到支持集中每类样本的协方差矩阵表示，与查询集进行协方差度量计算，最终得到分类结果。本发明专利技术针对医学图像数据量少，目标尺寸、形状变化大的难点，设计了空间注意力模型，定位任务相关区域，抑制无用信息，得到的特征具有更强的分辨能力，能够提高分类精度。分类精度。分类精度。

【技术实现步骤摘要】
一种基于小样本学习的胸部X光图像多种疾病分类方法


[0001]本专利技术属于深度学习领域，具体涉及一种基于小样本学习的胸部X光图像多种疾病分类方法。

技术介绍

[0002]胸部X光图像是检测肺炎等胸部疾病的重要诊断依据，然而，需要有经验的专家才能诊断，因为不同的胸部疾病会在图像上显示出类似的视觉信号，如肺癌、肺部积液过多等与肺炎的视觉信号类似。为了更好的辅助放射科医生诊断胸部疾病，开发一个精准检测胸部不同疾病的算法是有意义的。
[0003]深度学习是机器学习(Machine Learning,ML)的一种，由不少于两个隐藏层的神经网络构成，每层有若干个神经元，神经元之间有连接权重。卷积神经网络(Convolutional NeuralNetworks,CNN)是深度学习的代表算法之一，卷积计算是提取图像特征的方法，不同的卷积核可以提取不同的特征，并且卷积后的特征在位置上和原始图像具有对应关系。
[0004]小样本学习(Few
‑
shot Learning,FSL)一直是研究的热点，小样本学习是在人类的快速学习能力的启发下出现的，其要解决的问题是：模型在学习了一定类别的大量数据后，对于新的类别，只需要少量的样本就能快速学习。将小样本学习方法应用到胸部疾病诊断上，能够解决新型胸部疾病样本稀缺问题。

技术实现思路

[0005]为了对本专利技术进行详细阐述，现结合附图对本专利技术的具体实施过程作进一步描述分析，从而突出本专利技术在小样本条件下对不同胸部疾病分类的优势。
>[0006]本专利技术提供了一种基于小样本学习的胸部X光图像多种疾病分类方法，对卷积神经网络提取到的特征进一步处理，再对特征块进行协方差计算，得出分类结果，所设计的特征提取器能够有效提高分类精度。
[0007]一种基于小样本学习的胸部X光图像多种疾病分类方法，整体包括训练部分和测试部分：所述训练部分包括以下步骤：(S1)训练开始；(S2)将卷积神经网络作为学习器对输入的训练样本进行特征提取；(S3)使用空间注意力模型对倒数第2层和倒数第3层卷积层提取到的特征进行任务相关处理；(S4)计算得出每一种类别的协方差矩阵表示；(S5)将查询集与支持集进行协方差度量计算；(S6)训练模型参数；(S7)40轮Epoch结束后，训练完成。
[0008]所述测试部分包括以下步骤：
(T1)测试开始；(T2)载入训练好的模型以及参数；(T3)将卷积神经网络作为学习器对输入的测试样本进行特征提取；(T4)使用空间注意力模型对倒数第2层和倒数第3层卷积层提取到的特征进行任务相关处理；(T5)计算得出每一种类别的协方差矩阵表示；(T6)将查询集与支持集进行协方差度量计算并得出分类结果；(T7)测试结束。
[0009]一种基于小样本学习的胸部X光图像多种疾病分类方法，可分为特征提取部分和距离度量部分：所述的特征提取部分包括卷积神经网络和空间注意力模型，卷积神经网络包括5个卷积块，Conv Block 1、Conv Block 2、Conv Block 3、Conv Block 4、Conv Block 5，空间注意力模型包括卷积、池化等结构，具体步骤如下：(a)输入图像的原始大小为224
×
224，通道数为3，Conv Block 1包括一个3
×
3的卷积层、批归一化层、非饱和激活函数层和一个2
×
2的最大池化层，经过第一个卷积块后，维度变为112
×
112，通道数变为64；(b)Conv Block 2包括一个3
×
3的卷积层、批归一化层、非饱和激活函数层和一个2
×
2 的最大池化层，经过第二个卷积块后，维度变为56
×
56，通道数为64；(c)Conv Block 3包括两个3
×
3的卷积层、批归一化层和一个非饱和激活函数层，经过第三个卷积块后，维度和通道数保持不变，得到特征块Feature1；(d)Conv Block 4包括一个3
×
3的卷积层、批归一化层和非饱和激活函数层，经过第四个卷积块后，维度和通道数保持不变，得到特征块Feature2；(e)Conv Block 5包括一个3
×
3的卷积层、批归一化层和非饱和激活函数层，经过第五个卷积块后，维度和通道数保持不变，得到特征块Feature；(f)Feature1和Feature2进入空间注意力模型，Feature1经过操作
①
一个3
×
3的卷积层和一个1
×
1的最大池化层，其维度保持不变，通道数变为1，生成P1，Feature2经过操作
②
一个3
×
3的卷积层和一个1
×
1的平均池化层，其维度保持不变，通道数变为1，生成P2；(g)P1和P2连接后经过操作
③
一个3
×
3的卷积操作，维度不变，通道数变为1，生成 P3；(h)P3经过Sigmoid激活函数生成P4；(i)P4作为权重值与Feature相乘，生成由任务相关处理后的特征P5。
[0010]所述的距离度量部分主要是协方差矩阵运算，具体步骤如下：步骤一对支持集中的每一类计算局部协方差表示，计算公式如下：c表示第c类的局部协方差表示，M＝h
×
w，K表示该类共有K张图，Xi是每张图的Feature， T由M个相同的均值向量组成，计算T的公式如下：步骤二计算查询集样本与支持集样本之间的关系，使用协方差度量公式，具体如
下：F(X,∑
c
)＝X
T
∑
c
XX是查询图像的零均值样本，∑是支持集中特定类别的协方差矩阵表示；步骤三获得步骤二结果矩阵主对角线元素的列向量，公式如下：z＝diag(F(X,∑
c
))步骤四计算全局相似性，公式如下：Z＝w
T
zw表示权重向量；步骤五得出分类结果，查询集与支持集中的某一类相似度最高，即为该类。
附图说明
[0011]图1为实现流程图图2为卷积神经网络结构图图3为空间注意力模型结构图图4为本专利技术总体框架图
具体实施方式
[0012]为了对本专利技术进行详细阐述，现结合附图实施案例对本专利技术的具体实施过程作进一步描述分析。本专利技术涵盖任何在本专利技术的精神和范围上做的替代、修改、等效方法以及方案。
[0013]为了使公众对本专利技术有彻底的了解，在以下本专利技术优选实施例中详细说明了具体的细节，而对本领域技术人员来说没有这些细节的描述也可以完全理解本专利技术。
[0014]附图1为本专利技术胸部X光小样本图像多疾病分类方法的实现流程图，附图2为特征提取部分中的卷积神经网络结构图，附图3为空间注意力模型结构图，附图4为本专利技术提出的一种基于小样本学习的胸部X光图像多种疾病分类方法的总体框架图。
[0015]一种基于小样本学习的胸部X光图像多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小样本学习的胸部X光图像多种疾病分类方法，特征提取部分，其特征在于：所述的特征提取部分包括卷积神经网络和空间注意力模型，卷积神经网络包括5个卷积块，Conv Block 1、Conv Block 2、Conv Block 3、Conv Block 4、Conv Block 5，空间注意力模型包括卷积、池化等结构，具体步骤如下：(a)输入图像的原始大小为224
×
224，通道数为3，Conv Block 1包括一个3
×
3的卷积层、批归一化层、非饱和激活函数层和一个2
×
2的最大池化层，经过第一个卷积块后，维度变为112
×
112，通道数变为64；(b)Conv Block 2包括一个3
×
3的卷积层、批归一化层、非饱和激活函数层和一个2
×
2的最大池化层，经过第二个卷积块后，维度变为56
×
56，通道数为64；(c)Conv Block 3包括两个3
×
3的卷积层、批归一化层和一个非饱和激活函数层，经过第三个卷积块后，维度和通道数保持不变，得到特征块Feature1；(d)Conv Block 4包括一个3
×
3的卷积层、批归一化层和非饱和激活函数层，经过第四个卷积块后，维度和通道数保持不变，得到特征块Feature2；(e)Conv Block 5包括一个3
×
3的卷积层、批归一化层和非饱和激活函数层，经过第五个卷积...

【专利技术属性】
技术研发人员：金宇霏，陆慧娟，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：