一种图卷积网络的医学图像分类的方法技术

本文发明专利技术提供了一种图卷积网络的医学图像的分类方法。将传统的神经网络和图卷积网络相结合：利用经典的神经网络提取图像特征；将每个特征图视为一个节点，利用特征图之间的相似性构建邻接矩阵，得到图表示；然后利用多尺度图注意力卷积网络更新节点信息，学习图的表示，并预测医学图像的疾病分类。相较于传统卷积神经网络，本发明专利技术参数量和计算量低但分类准确率高。本发明专利技术选择了图结构的方法来建模不同特征图之间的结构连续性和相互作用，图结构的特征是多样的，本文发明专利技术了多尺度图注意力网络学习更加完整的图的高级特征，提高网络的表达能力。能力。能力。

【技术实现步骤摘要】
一种图卷积网络的医学图像分类的方法


[0001]本专利技术属于人工智能
，涉及一种图卷积网络的医学图像分类的方法，可用于医学图像的疾病分类。

技术介绍

[0002]深度学习属于人工智能和机器学习范畴，通过构建神经网络结构，进行特征提取和回归决策，来解决现实世界的问题。由于其强大的性能，深度学习在病变分割、生物标志物分割、疾病诊断和图像合成等相关应用中越来越受欢迎。但是现存的深度学习网络以卷积神经网络为主，其存在的问题主要为：1.随着性能的增加，卷积神经网络的宽度、深度以及复杂度也随之增加，这使得网络的参数量和计算量急速上升，对设备性能和处理的实时性不利；2.卷积神经网络往往对输入图像有尺寸或分辨率等要求，对不同仪器设备产生的医疗数据迁移性差。故本专利技术提出一种图卷积网络的医学图像分类的方法，其利用经典卷积神经网络结构作为骨干网络，然后利用骨干网络的特征层输出作为图卷积数据建立的基础，在得到图数据后利用多尺度图注意力结构进行特征传递和聚合，最终得到任务结果输出。
[0003]图的拓扑结构具有多样性，基于图卷积网络的医学图像分类的方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图卷积网络的医学图像分类方法，其特征在于，包括以下步骤：S1，利用医学分类数据集训练经典的深度学习网络，得到一个预训练模型；S2，通过预训练模型提取医学图像特征图，在获取每张图像对应的特征图后，将每张特征图视为一个节点，通过计算每张特征图之间的相似性构建邻接矩阵；S3，加载预处理后的医学图像对应的图结构数据；S4，利用多尺度注意力图卷积神经网络进行医学图像的图数据的特征传递与聚合，通过多尺度特征融合的方式增加节点特征多样性，学习图的表示，最终输出分类结果。所述步骤S2中，具体为：S21，利用训练好的CNN模型提取医学图像对应的特征图。在构造图结构时，根据骨干网络中间层的特征输出，尺寸为N
×
H
×
W，N为层数，H为特征图高度，W为特征图宽度，来构造图的拓扑结构。S22，将每个特征图map(H
×
W)视为一个节点，每张二维特征图以行为单位首尾相接形成一维的节点的特征向量，再将N个特征图形成的节点特征向量形成N行的二维的图特征矩阵X＝[x0…
x
N
‑1]∈R
N
×
(H
×
W)
。在构图时添加了中心节点，中心节点的特征使用数值零作为初始化数据。第i个节点的特征如式(1
‑
1)所示：x
i
＝flatten(map
i
)∈R1×
(H
×
W)
，i∈{0，
…
，N
‑
1}
ꢀꢀ
(1
‑
1)其中，flatten(
·
)表示展平操作，把二维特征图展平为一维；map
i
表示第(i+1)个特征图。S23，在构造图的邻接矩阵A时，将中心节点与所有节点相连，这样可以帮助图神经网络在图分类过程中处理和整合来自不同特征图的信息，并保证中心节点在更新顶点特征时能够考虑到所有其他节点信息。对于其他节点间的邻接信息，通过计算每两个特征图之间的L2范数之差得到所有节点的相似度矩阵S∈R
N
×
N
，如式(1
‑
2)和式(1
‑
3)所示：S
i，j
＝|L2
i
‑
L2
j
|，i，j∈{0，
…
，N
‑
1}
ꢀꢀ
(1
‑
3)其中L2
i
表示第i个特征图的L2范数，f

【专利技术属性】
技术研发人员：孙玉宽，陈婷，刘云铭，汪剑鸣，
申请(专利权)人：天津工业大学，
类型：发明
国别省市：