【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，也可能导致对尘肺ct图像的分类准确率不高。
技术实现思路
1、本专利技术提供一种尘肺ct图像分类方法、装置、计算机设备和储存介，可以解决现有技术中尘肺ct图像分类准确率不高的问题。
2、本专利技术提供一种尘肺ct图像分类方法，包括:
3、建立尘肺ct图像、尘肺ct图像类别标签的数据集；
4、构建包括基
5、将数据集输入到尘肺ct图像分类模型中进行训练；
6、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，基于先验的注意力优化模块使用先验模块获得待分类尘肺ct图像的先验特征，使用注意力机制模块对先验特征进行特征提取输出先验注意力特征；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，获得输出特征；基于输出特征获得待分类尘肺ct图像的分类结果。
7、进一步的，所述尘肺ct图像分类模型，包括：
8、第一输入层，所述第一输入层用于对输入的尘肺ct图像进行初步特征提取，输出大小为l×h×w的特征图；
9、与第一输入层输出端连接的基于先验的注意力优化模块；
10、与基于先验的注意力优化模块输出端连接的跨尺度卷积模型模块；
11、与跨尺度卷积模型模块输出端连接的第一输出层。
12、进一步的，所述基于先验的注意力优化模块，包括：
13、第二输入层，所述第二输入层的输入是大小为l×h×w的特征图；
14、与第二输入层输出端连接的先验模块，所述先验模块通过对大小为l×h×w的特征图进行先验池化，获得大小为l×d的先验特征；
15、与先验模块输出端连接的注意力机制模块，所述注意力机制模块通过对大小为l×d的先验特征进行先验集成，获得大小为l×1的先验注意力向量，并将大小为l×1的先验注意力向量与大小为l×h×w的特征图进行相乘获得注意力特征；
16、与注意力机制模块输出端连接的第二输出层，所述第二输出层用于将大小为l×h×w的特征图和注意力特征进行融合，获得先验注意力特征f。
17、进一步的，所述跨尺度卷积模型模块，包括：
18、第三输入层，所述第三输入层的输入是先验注意力特征f；
19、与第三输入层输出端连接的fh模块，所述fh模块用于对输入的先验注意力特征f进行3dconv运算，获得特征fh；分别使用3dconv运算、avgpool+3dconv运算对特征fh进行处理，获得特征fh→h、特征fh→l；
20、与第三输入层输出端连接、与fh模块并行的fl模块，所述fl模块用于对输入的先验注意力特征f进行avgpool+3dconv运算，获得特征fl；分别使用3dconv运算、upsample+3dconv运算对特征fl进行处理，获得特征fl→l、特征fl→h；
21、与fh模块输出端连接的模块,所述模块用于将特征fh→h与特征fl→h进行融合，获得特征使用avgpool+3dconv运算对特征进行处理，获得特征
22、与fl模块输出端连接的模块，所述模块用于将特征fl→l与特征fh→l进行融合，获得特征使用3dconv运算对特征进行处理，获得特征
23、与模块和模块输出端连接的模块，所述模块用于将特征和特征进行融合，获得输出特征
24、与模块输出端连接的第三输出层，所述第三输出层用于使用2dconv+gap运算对特征进行处理，获得输出向量。
25、进一步的，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：
26、在数据集的训练集中随机抽取c个类别，每个类别k个样本，总共个c×k数据作为模型的支撑集support set；
27、从c个类别中抽取一批样本作为模型的询问集query set；
28、随机设定尘肺ct图像分类模型的初始权重，将支撑集support set中的尘肺ct图像输入到尘肺ct图像分类模型中，尘肺ct图像分类模型输出对输入的尘肺ct图像的分类结果；
29、计算尘肺ct图像分类模型对输入的尘肺ct图像的分类结果与对应的尘肺ct图像类别标签之间的马氏距离：
30、
31、其中，fθ是输入特征映射，qc是当前任务的第c类对应的协方差矩阵，μc为当前任务第c类的平均向量，是数据集中的尘肺ct图像变量；
32、通过使马氏距离最小对模型权重进行更新迭代：
33、使用询问集query set对训练完的尘肺ct图像分类模型进行测试，根据测试结果对尘肺ct图像分类模型进行调参，获得最终尘肺ct图像分类模型。
34、进一步的，所述构建包括尘肺ct图像、尘肺ct图像类别标签的数据集，包括：
35、使用计算机断层扫描ct技术获取尘肺病变ct图像数据集；
36、根据医生标注对尘肺ct图像数据集添加类别标签：
37、将图像中没有小阴影或甚少小阴影的尘肺ct图像的标签设为0级；将图像中有一定量的小阴影的尘肺ct图像的标签设为1级；将图像中有多量的小阴影的尘肺ct图像的标签设为2级；将图像中有很多量的小阴影的尘肺ct图像的标签设为3级。
38、一种尘肺ct图像分类装置，包括：
39、数据获取模块，用于建立尘肺ct图像、尘肺ct图像类别标签的数据集；
40、模型建立模块，用于：
41、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；
42、将数据集输入到尘肺ct图像分类模型中进行训练；
43、分类模块，用于:
44、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CT图像类别标签的数据集，包括：
7.一种尘肺CT图像分类装置，其特征在于，包括：
8.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1～6任一所述的方法。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～6
...【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。