一种基于多任务学习的颈动脉斑块超声图像处理方法技术

本发明专利技术涉及一种基于多任务学习的颈动脉斑块超声图像处理方法，包括以下步骤：引入颈动脉斑块超声图像数据集，并进行预处理，得到训练数据集；构建多任务网络框架；添加区域权重模块；添加样本权重模块；将训练数据集作为训练样本输入多任务网络进行训练，在测试集上判定斑块类别和预测斑块分割图像。该基于多任务学习的颈动脉斑块超声图像处理方法，通过对多个任务同时进行训练、共享所学习的特征达到输入一次训练样本解决多个问题的目的，如此，提升了深度学习模型泛化能力，使得任务之间互相联动，促进训练效果，提升分割与分类任务的准确度，解决了在颈动脉斑块超声图像领域深度学习模型泛化能力差，学习特征有限的问题。学习特征有限的问题。学习特征有限的问题。

【技术实现步骤摘要】
一种基于多任务学习的颈动脉斑块超声图像处理方法


[0001]本专利技术涉及医学图像处理
，具体为一种基于多任务学习的颈动脉斑块超声图像处理方法。

技术介绍

[0002]近年来，深度学习在自然图像、自然语言处理、强化学习等领域快速发展，传统的深度学习模型主要是单任务学习，这种学习方式专注于某一特定任务，如自然语言处理中的情感分类问题或自然图像中的分类问题；单任务学习可以从大量的标记样本中学习任务的相关特征，从而完成某一特定任务。
[0003]在颈动脉斑块超声图像(以下简称“斑块”)领域，已有的大量研究主要专注于单一任务，如斑块分类任务或斑块分割任务，存在深度学习模型泛化能力差，学习特征有限的问题，故而提出了一种基于多任务学习的颈动脉斑块超声图像处理方法来解决上述问题。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供了一种基于多任务学习的颈动脉斑块超声图像处理方法，具备输入一次训练样本解决多个问题等优点，解决了在颈动脉斑块超声图像领域，已有的大量研究主要专注于单一任务，如斑块分类任务或斑块分割任务，深度学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多任务学习的颈动脉斑块超声图像处理方法，其特征在于，包括以下步骤：1)引入颈动脉斑块超声图像数据集，并进行预处理，得到训练数据集；2)构建多任务网络框架；3)添加区域权重模块；4)添加样本权重模块；5)将训练数据集作为训练样本输入多任务网络进行训练，在测试集上判定斑块类别和预测斑块分割图像。2.根据权利要求1所述的一种基于多任务学习的颈动脉斑块超声图像处理方法，其特征在于，步骤1中所述的颈动脉斑块超声图像数据集为：X＝[x1，
…
，x
i
，
…
x
n
]i∈[1，n]其中，X表示颈动脉斑块超声图像数据集，x
i
表示第i个颈动脉斑块超声图像数据样本。3.根据权利要求1所述的一种基于多任务学习的颈动脉斑块超声图像处理方法，其特征在于，步骤1中所述的训练数据集通过预处理方法将图像样本进行裁剪(因图像样本中并非所有内容都为感兴趣区域)，图像中有(a1，b1)，
…
，(a
k
，b
k
)共k个感兴趣区域标签标注点，取(a
min
，b
max
)与(a
max
，b
min
)相连作为矩形的对角线，再将该矩形通过图像缩放函数调整为统一的大小，将所有进行预处理后的图像组成数据集作为训练数据集。4.根据权利要求1所述的一种基于多任务学习的颈动脉斑块超声图像处理方法，其特征在于，步骤2中所述的多任务网络框架结合了Unet++网络模型与Resnet网络模型的特点(网络框架内的编码器部分为残差结构，将数据样本进行前向传播经过编码器后，可以得到编码器的分类高级特征，即斑块分类任务的高级特征，同时会在解码器部分得到四个解码器的输出，并对四个输出使用归一化指数函数得到一个概率分布图)。5.根据权利要求4所述的一种基于多任务学习的颈动脉斑块超声图像处理方法，其特征在于，步骤3中所述添加区域权重模块的具体步骤为：首先，使用最近邻插值将概率分布图的尺寸缩放到与斑块分类任务高级特征尺寸相同；然后，将斑块的高级特征与斑块的分割结果进行对应位置点乘，斑块的高级特征中对应于斑块位置部分的特征值将会增大而非斑块位置部分的权值将会降低，即增大斑块的高级特征中对应于斑块位置部分的特征值同时降低非斑块位置部分的权值，即使得神经网络模型的判断更关注于斑块分类任务高级特征中的感兴趣区域，以提高分类训练任务的准确度，得到融合特征图，再将融合特征图进行平均池化下采样，输入全连接层。6.根据权利要求5所述的一种基于多任务学习的颈动脉斑块超声图像处理方法，其特征在于，所述平均池...

【专利技术属性】
技术研发人员：甘海涛，付凌超，欧阳瀚，周然，杨智，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：