一种尘肺CT图像分类方法、装置、计算机设备和储存介质制造方法及图纸

本发明专利技术提供了一种尘肺CT图像分类方法、装置、计算机设备和储存介质。包括：建立数据集；构建包括基于先验的注意力优化模块和跨尺度卷积模型模块的尘肺CT图像分类模型；数据集输入到尘肺CT图像分类模型中进行训练；将待分类尘肺CT图像输入到训练好的尘肺CT图像分类模型中进行分类。本发明专利技术中的先验模块为模型提供关于输入数据的先验知识，即使训练数据较少模型仍然能够利用先验知识进行学习，可以帮助模型更好地理解输入数据，使得关键特征被强调，而无用特征被抑制，获得更准确的先验注意力特征；跨尺度卷积模型模块使用不同尺度特征的并行卷积分支对先验注意力特征进行特征提取，使得模型能够准确的分类不同大小和形状的目标。

【技术实现步骤摘要】

本专利技术涉及人工智能智慧医疗，特别涉及一种尘肺ct图像分类方法、装置、计算机设备和储存介质。

技术介绍

1、由于尘肺病图像数据涉及患者隐私，加之标注需要花费大量人力，所以尘肺病的图像数据规模有限。小样本学习可以减少大规模数据集的人工标注成本，在数据量匮乏的领域也有非常广阔的应用前景。小样本学习是在监督信息数量有限的情况下进行学习，模仿人类的强大认知本领，从少量样本中学习，具备“举一反三”的能力。

2、度量学习是小样本学习的一种，度量学习的任务是学习一个可以度量不同物体间距离的函数，基于度量学习的方法是通过学习数据之间的相似性来解决小样本学习问题。较早的基于度量学习的小样本学习方法依然遵循元学习的思路，在预训练时在大规模数据集上采样预训练任务，以保持和目标任务形式上的一致性。

3、但是，由于传统方法采样出的预训练任务上训练数据较少，无法充分训练模型和相似度量；以及可能会提取一些最终预测结果的贡献较小的特征区域导致分类属性移位而造成分类准确性不高。除此之外，肺ct图像中的结节大小不固定，传统cnn对于大小变化的特征提取能力较弱，也可能本文档来自技高网...

【技术保护点】

1.一种尘肺CT图像分类方法，其特征在于，包括:

2.根据权利要求1所述的尘肺CT图像分类方法，其特征在于，所述尘肺CT图像分类模型，包括：

3.根据权利要求2所述的尘肺CT图像分类方法，其特征在于，所述基于先验的注意力优化模块，包括：

4.根据权利要求3所述的尘肺CT图像分类方法，其特征在于，所述跨尺度卷积模型模块，包括：

5.根据权利要求1所述的尘肺CT图像分类方法，其特征在于，所述将数据集输入到尘肺CT图像分类模型中进行训练，包括：

6.根据权利要求1所述的尘肺CT图像分类方法，其特征在于，所述构建包括尘肺CT图像、尘肺C...

【技术特征摘要】

1.一种尘肺ct图像分类方法，其特征在于，包括:

2.根据权利要求1所述的尘肺ct图像分类方法，其特征在于，所述尘肺ct图像分类模型，包括：

3.根据权利要求2所述的尘肺ct图像分类方法，其特征在于，所述基于先验的注意力优化模块，包括：

4.根据权利要求3所述的尘肺ct图像分类方法，其特征在于，所述跨尺度卷积模型模块，包括：

5.根据权利要求1所述的尘肺ct图像分类方法，其特征在于，所述将数据集输入到尘肺ct图像分类模型中进行训练，包括：

6...

【专利技术属性】
技术研发人员：彭胜光，
申请(专利权)人：萍乡学院，
类型：发明
国别省市：