【技术实现步骤摘要】
本专利技术涉及医学图像数字化处理，具体涉及一种基于迁移学习和多尺度胶囊加权融合的 ct 图像识别方法ms-capsfusenet（multi-scale capsule weightedfusion module network）。
技术介绍
1、随着经济的快速发展，人们生活水平逐渐提高，但仍有很多疾病威胁着人们的健康和安全，其中，呼吸系统疾病的危害不容小觑。
2、肺癌是一种恶性肿瘤，主要起源于肺组织中的恶性细胞。它是全球范围内最常见的癌症之一，也是导致癌症相关死亡的主要原因之一。肺癌对患者的健康产生重大影响。它可以导致呼吸困难、咳嗽、胸痛、咳血、体重下降和疲劳等症状。随着病情进展，肺癌可能扩散到其他器官，如肝脏、骨骼和大脑，进一步损害患者的健康。
3、呼吸系统疾病还包含各种肺部传染性疾病，例如新型冠状病毒感染，自2020年以来它已经给全球社会带来了巨大冲击。新型冠状病毒感染的大规模爆发可能会对医疗系统造成巨大压力。严重病例需要住院治疗、监护和呼吸支持，这会占用大量医疗资源，包括病床、重症监护设备和医护人员。这可能导致医疗系统不堪重负，影响其他疾病的治疗和紧急医疗服务的提供。在当前形势下，及时准确地诊断和治疗新型冠状病毒感染具有重要的意义。
4、医学影像分析是指使用各种成像技术（如ct扫描、mri、x射线等）生成的医学影像进行解读和分析的过程。医学影像可以提供关于人体内部结构、疾病和异常情况的详细信息。基于ai的医学影像分析可以帮助医生更准确地诊断和治疗疾病。它可以自动化和加速影像解读过程，提
5、 目前，基于 ai 的模型在医学影像分析领域取得了显著的成功，特别是在肺部ct方面。大量文献表明，医学扫描图像自动识别肺部病变类别具有很大的发展潜力。自shelhamer等人（2017）提出全卷积网络（fully convolution networks，fcn）以来，语义分割技术也在医学影像领域得到广泛应用。采用语义分割技术对病变进行自动分割，替代医生的人工标注，能够节省大量的人力和时间。最近，有大量的学者提出了用于肺部病变分割的语义分割网络。然而，利用ai模型对肺部ct图像进行诊断还存在下面一些问题。
6、问题1：在肺部ct图像分割任务中，目标检测和图像分割任务通常需要在不同尺度的图像中检测或分割目标。然而，在大尺度环境中，小尺度目标可能会因为其相对较小的尺寸而难以被有效地检测或分割。这是因为在大尺度环境中，小尺度目标可能会被周围的背景信息所掩盖或淹没。
7、问题2：在机器学习和深度学习任务中，数据量是一个至关重要的因素。当数据集中的数据量有限时，模型可能无法捕捉到病变之间微小但重要的差异。在医学影像诊断中，不同疾病或病变可能具有相似的形态特征，仅靠有限的数据可能无法准确地区分它们。此外，
8、另一个与数据量不足相关的问题是类别不平衡。如果数据集中某些类别的样本数量远远少于其他类别，模型可能会倾向于偏向于数量更多的类别，而无法有效地学习和区分少数类别的病变。这可能导致模型的性能下降，无法对具有近似形态的病变进行准确分类。
技术实现思路
1、基于胸部ct的肺部病变自动诊断技术在医疗领域中具有重要的意义和潜力。这项技术利用计算机视觉和机器学习算法分析胸部ct图像，自动检测和诊断肺部病变，为医生提供快速、准确的诊断结果，但存在医疗数据集缺乏和微小特征提取不足的问题。为解决这两个问题，本专利技术提出了一种基于迁移学习和多尺度胶囊加权融合的 ct 图像识别方法。
2、 本专利技术提供了一种基于迁移学习和多尺度胶囊加权融合的 ct 图像识别方法ms-capsfusnet，方法包括以下内容：
3、s1：提出并使用高区分度数据集进行迁移学习，通过辅助数据集进行预先训练，使得本专利技术的模型具有强大的分辨近似形态病变的能力；
4、s2：提出多尺度胶囊加权融合分类模型。其中使用动态路由聚类算法凸显小尺度特征，避免特征丢失；
5、s3：使用尺度差异融合网络，通过位置加权融合不同尺度信息，提取准确的位置放缩参数，实现病变特征的完整提取。
6、 进一步的，所述步骤 s1 使用高区分度数据集进行迁移学习包括以下具体步骤：
7、(1)收集一组具有高区分度的数据集，其中包含丰富多样的肺部病变图像。这些数据集应包括各种类型的肺部病变，以确保模型可以学习到广泛的特征和模式；
8、(2)获取到的高区分度数据集对模型的特征提取部分进行训练。通过训练，可以优化特征提取结构的参数，使其具有更准确的区分能力；
9、(3)在预训练参数的基础上，使用目标数据集对特征提取结果进行微调。通过微调，模型可以适应目标数据集中的特定特征和模式，提高对目标数据集中病变的检测准确性；
10、(4)对于3d加权融合网络，进行迭代优化以保持对近似病变形态切片的强大区分能力。优化过程旨在使模型在保持区分能力的同时，更准确地检测目标数据集中的病变。
11、 进一步地，所述步骤 s2 的具体内容如下所示：
12、本专利技术提出的用于肺部ct自动检测的多尺度胶囊加权融合分类网络主要是由多尺度空洞采样、多尺度特征提取、多尺度切片融合、3维加权融合以及全连接分类网络5个部分组成:
13、在第一阶段，模型使用多尺度空洞卷积对初始图像进行处理，通过更大的感受野来提高微小病变区域识别的效果。然后使用不同幅度的多尺度胶囊动态路由算法得到多尺度特征图，此阶段针对不同尺度的特征图使用不同强度、尺寸的动态路由来采集特征，以提高模型对微小病变的关注程度;
14、第二阶段采用本专利技术提出的尺度差异融合网络对多个特征图进行融合，通过关注不同尺度切片间的信息差异性，得到更稳定的融合结果。最终阶段使用3维加权融合网络对患者切片集合进行加权集合，最终通过全连接网络实现优秀的患者分类性能。
15、再进一步，上述使用多尺度空洞卷积实现特征初步采样，多尺度空洞卷积是一种卷积神经网络中常用的技术，用于扩大感受野并捕捉不同尺度的特征。该过程主要使用两个空洞卷积，扩大感受野，辅助进行多尺度上下文信息的捕获，具体来说就是通过引入空洞操作来扩大感受野。空洞操作通过在卷积核中引入间隔（或称为膨胀率）来改变卷积核内部的采样间隔，从而使卷积核能够跳过一些像素，获取更广阔的上下文信息，具体公式如下：
16、,
17、上述中atrous_ output[i, j]表示输出特征图中的一个元素， input表示预处理后肺部图像， kernel表示卷积核， stride表示卷积的步幅； dilation表示膨胀率， k表示卷积核的行索引， 本文档来自技高网...
【技术保护点】
1.本专利技术提供了一种提出了一种基于迁移学习的多尺度胶囊加权融合分类模型MS-CapsFusNet，方法包括以下内容：
2.如权利要求1 所述的基于迁移学习的多尺度胶囊加权融合分类模型MS-CapsFusNet，其特征是，所述步骤 S2-1 中空洞操作具体公式为：
3.如权利要求1 所述的基于迁移学习的多尺度胶囊加权融合分类模型MS-CapsFusNet，其特征是，所述步骤 S2-2 中的多尺度胶囊动态路由算法得到多尺度特征图具体操作：
4.如权利要求1 所述的基于迁移学习的多尺度胶囊加权融合分类模型MS-CapsFusNet，其特征是，所述步骤 S2-2 中的多尺度胶囊动态路由算法得到多尺度特征图具体操作：
5.如权利要求1 所述的基于迁移学习的多尺度胶囊加权融合分类模型MS-CapsFusNet，其特征是，所述步骤 S3-3中对通道连接特征图进行加权处理得到目标融合结果图具体公式如下：
【技术特征摘要】
1.本发明提供了一种提出了一种基于迁移学习的多尺度胶囊加权融合分类模型ms-capsfusnet，方法包括以下内容：
2.如权利要求1 所述的基于迁移学习的多尺度胶囊加权融合分类模型ms-capsfusnet，其特征是，所述步骤 s2-1 中空洞操作具体公式为：
3.如权利要求1 所述的基于迁移学习的多尺度胶囊加权融合分类模型ms-capsfusnet，其特征是，所述步骤 s2-2 中的多尺度胶囊...
【专利技术属性】
技术研发人员：温翠红，刘绍武，刘敖，殷乐民，文晶晶，
申请(专利权)人：湖南师范大学，
类型：发明
国别省市：
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。