一种用于责任血管定位的注意引导多分支融合分类方法技术

本发明专利技术公开了一种用于责任血管定位的注意引导多分支融合分类方法，主要涉及血管堵塞辅助判断领域；包括步骤：S1、构建多分支融合网络；S2、通过采样器获取样本标签；S3、将不同的样本标签对送入对应的网络分支，经过权重共享的改进主体网络之后得到各自分支的特征向量；S4、获取分类概率输出p

【技术实现步骤摘要】
一种用于责任血管定位的注意引导多分支融合分类方法


[0001]本专利技术涉及血管堵塞辅助判断领域，具体是一种用于责任血管定位的注意引导多分支融合分类方法。

技术介绍

[0002]由颅内大血管闭塞(LVO)引起的急性缺血性脑卒中(AIS)具有很高的致残和死亡率，自血管内治疗(endovascular treatment，EVT)引入临床以来，由前循环LVO引起的AIS患者的预后显著改善，但由于EVT的效果高度依赖于时间，且只在专科中心提供，经常需要院间转院，会延缓手术介入的时间从而提升不良预后的可能性，所以如何快速识别闭塞血管是诊断和治疗选择的关键。
[0003]计算机动脉造影(computed tomographic angiograms，CTA)是检测颅内近端大血管是否发生闭塞最主要的方法，也是前循环取栓的先决影像学特征。为直观感受LVO，借由最大密度投影处理后的CTA影像表现形式如图1所示，但是一次头颅CTA检查可能产生超过数百张高分辨率图像供复查，给放射科医师以及临床成像工作流程带来挑战并可能延迟病人的治疗进程。因此，如何辅助医师在CTA上快速精准判别LVO是否存在以及责任血管所在、为病人争取最及时的手术治疗势在必行。
[0004]鉴于深度学习在医疗应用上的优异表现，如何快速识别闭塞血管的工作重心已从院前LVO预测量表转移到了深度学习这项技术上来。现有技术中，一项名为DeepSymNet研究工作将大脑的左右两个半球作为输入，通过比较两者3D卷积后语义信息的差异来判断是否存在LVO；Jia You et al则通过结构化的人口统计数据、临床数据以及从深度学习模型得到的NCCT成像特征构建了一个多级的AIS机器学习评估模型，有效的应用在了LVO二分类任务上。然而，以上的研究工作都未将医学数据固有的类不均衡问题纳入考虑并且只局限于检测是否存在LVO。

技术实现思路

[0005]本专利技术的目的在于解决现有技术中存在的问题，提供一种用于责任血管定位的注意引导多分支融合分类方法，为计算机辅助医师判断大血管是否发生堵塞以及具体的责任堵塞血管提供了新助力，能够有效地解决数据样本中类严重不平衡问题，并达到满意的分类精度。
[0006]本专利技术为实现上述目的，通过以下技术方案实现：
[0007]一种用于责任血管定位的注意引导多分支融合分类方法，包括步骤：
[0008]S1、构建多分支融合网络，多分支融合网络包括常规学习分支、反向学习分支以及平衡分支，常规学习分支用于正常人的特征学习，反向学习分支用于病人的特征学习，平衡分支用于动态融合常规学习分支、反向学习分支的特征信息来完成堵塞责任血管的确认；
[0009]S2、通过采样器获取样本标签，常规学习分支的样本标签为：(x
c
，y
c
)，反向学习分支的样本标签为：(x
r
，y
r
)，平衡分支的样本标签为：(x
b
，y
b
)，其中，x为训练样本，y为对应标
签，y∈{1，2，
…
，L}，L为最终分类类别的数量,c表示常规学习分支样本，r表示反向学习分支样本，b表示平衡分支样本；
[0010]S3、将不同的样本标签对送入对应的网络分支，经过权重共享的改进主体网络之后得到各自分支的特征向量F
c
、F
r
、F
b
，其中，F
c
为常规学习分支的特征向量、F
r
反向学习分支的特征向量、F
b
平衡分支的特征向量；
[0011]S4、将特征向量F
c
经过权值不共享卷积层Conv
c
得到的特征向量输入到分类模块中得到分类概率输出p
c
，将特征向量F
r
经过权值不共享卷积层Conv
r
得到的特征向量输入到分类模块中得到分类概率输出p
r
；
[0012]S5、将常规学习分支得到的特征向量F
c
送入到用以引导模型关注倾向的注意引导模块中，得到分割概率图将反向学习分支得到的特征向量F
r
送入到用以引导模型关注倾向的注意引导模块中，得到分割概率图
[0013]S6、特征向量F
b
同时经过卷积层Conv
c
、Conv
r
，经过卷积层Conv
c
得到特征向量经过卷积层Conv
r
得到特征向量然后将经过平衡分支的自适应融合模块输出的送入分类器中得到平衡分支的分类概率p
b
；
[0014]S7、根据分类概率p
c
、p
r
、p
b
来构建的分类累计损失
[0015][0016][0017]其中，y
c
为常规学习分支对应的真实分类标签，y
r
为反向学习分支对应的真实分类标签、y
b
为平衡分支对应的真实分类标签，α用来转移模型学习的重心，N表示当前所处epoch，N
max
为总的训练epoch数；
[0018]根据分割概率图构建辅助引导损失函数用于指导模型关注倾向，最终整个网络总的损失函数可以描述为：
[0019][0020]其中，a、b为损失权重。
[0021]优选的，步骤S2中：常规学习分支采用保留原始数据分布的uniform采样器，反向学习分支采用反向采样器，平衡分支采用为所有类别分配相等的采样概率的类均衡采样器。
[0022]优选的，步骤S3中，改进主体网络包括分支层次聚合模块，分支层次聚合模块以两个blocks单元为一组，聚合成一个node，然后以树的形式串接分支上的blocks与node，用公式表述为：
[0023][0024][0025]其中，O
n
(x)表示第n个节点的输出，N(x)为节点函数，和分别表示第n个节点下的两个blocks输出，B(x)代表卷积blocks。
[0026]优选的，步骤S3中，改进主体网络包括语义特征增强模块，语义特征增强模块用公式语言表述为：
[0027][0028]其中，其中和分别表示低层次特征图X
l
上i位置上以及最高层次特征图X
h
上j位置上的特征值，则是由变换函数f
q
(*)，f
k
(*)，f
v
(*)变换得来的函数值，F
sim
为衡量相似度的函数,F
mul
为权重聚合函数，F
norm
为规范函数softmax；则表示经特征交互变换后i位置上的输出值；
[0029]完成所有变换后，需要将所有新特征统一到X
h
大小尺寸，最后经由1
×
1卷积得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于责任血管定位的注意引导多分支融合分类方法，其特征是，包括步骤：S1、构建多分支融合网络，多分支融合网络包括常规学习分支、反向学习分支以及平衡分支，常规学习分支用于正常人的特征学习，反向学习分支用于病人的特征学习，平衡分支用于动态融合常规学习分支、反向学习分支的特征信息来完成堵塞责任血管的确认；S2、通过采样器获取样本标签，常规学习分支的样本标签为：(x
c
，y
c
)，反向学习分支的样本标签为：(x
r
，y
r
)，平衡分支的样本标签为：(x
b
，y
b
)，其中，x为训练样本，y为对应标签，y∈{1，2，
…
，L}，L为最终分类类别的数量，c表示常规学习分支样本，r表示反向学习分支样本，b表示平衡分支样本；S3、将不同的样本标签对送入对应的网络分支，经过权重共享的改进主体网络之后得到各自分支的特征向量F
c
、F
r
、F
b
，其中，F
c
为常规学习分支的特征向量、F
r
反向学习分支的特征向量、F
b
平衡分支的特征向量；S4、将特征向量F
c
经过权值不共享卷积层Conv
c
得到的特征向量输入到分类模块中得到分类概率输出p
c
，将特征向量F
r
经过权值不共享卷积层Conv
r
得到的特征向量输入到分类模块中得到分类概率输出p
r
；S5、将常规学习分支得到的特征向量F
c
送入到用以引导模型关注倾向的注意引导模块中，得到分割概率图将反向学习分支得到的特征向量F
r
送入到用以引导模型关注倾向的注意引导模块中，得到分割概率图S6、特征向量F
b
同时经过卷积层Conv
c
、Conv
r
，经过卷积层Conv
c
得到特征向量经过卷积层Conv
r
得到特征向量然后将经过平衡分支的自适应融合模块输出的送入分类器中得到平衡分支的分类概率p
b
；S7、根据分类概率p
c
、p
r
、p
b
来构建的分类累计损失来构建的分类累计损失来构建的分类累计损失其中，y
c
为常规学习分支对应的真实分类标签，y
r
为反向学习分支对应的真实分类标签、y
b
为平衡分支对应的真实分类标签，α用来转移模型学习的重心，N表示当前所处epoch，N
max
为总的训练epoch数；根据分割概率图构建辅助引导损失函数用于指导模型关注倾向，最终整个网络总的损失函数可以描述为：其中a、b为损失权重。2.根据权利要求1所述的一种用于责任血管定位的注意引导多分支融合分类方法，其特征是，步骤S2中：常规学习分支采用保留原始数据分布的uniform采样器，反向学习分支采用反向采样器，平衡分支采用为所有类别分配相等的采样概率的类均衡采样器。3.根据权利要求1所述的一种用于责任血管定位的注意引导多分支融合分类方法，其特征是，步骤S3中，改进主体网络包括分支层次聚合模块，分支层次聚合模块以两个blocks
单元为一组，聚合成一个node，然后以树的形式串接分支上的blocks与node，用公式表述为：...

【专利技术属性】
技术研发人员：姚睿，陈善雄，李咏梅，王静杰，谭朵，向雅芸，彭喜化，
申请(专利权)人：重庆医科大学附属第一医院，
类型：发明
国别省市：