基于集成自训练的半监督宽度乳腺癌诊断方法技术

本发明专利技术公开了一种基于集成自训练的半监督宽度乳腺癌诊断方法，包括：S1、采集乳腺癌图像数据并标注及预处理；S2、训练多个同质打标BLS；S3、所有同质打标BLS进行投票决策，产生预标签；S4、根据投票计算分类标签纯度，选择一组无标签乳腺癌图像数据赋予其伪标签并作为辅助训练数据；S5、动态节点机制调整所有打标BLS的结构，并将辅助训练数据加入训练集，训练这些打标BLS；S6、若达到终止条件，利用当前带标签的乳腺癌图像数据训练最终决策BLS并应用到实际乳腺癌数据，输出诊断结果。本发明专利技术结合集成学习和自训练机制解决了乳腺癌诊断领域的标签和非平衡问题，使用宽度学习作为基分类器避免了基于深度学习乳腺癌诊断方法成本高、部署难度大的问题。

【技术实现步骤摘要】

本专利技术属于医学诊断，具体涉及一种基于集成自训练的半监督宽度乳腺癌诊断方法。

技术介绍

1、目前，乳腺癌诊断技术主要分为基于传统医疗手段和基于深度学习的方法。传统医疗手段利用检测乳腺癌的试剂或者观察医学影像的方式。这类方法识别率较高，但需要专业的医护人员配合，诊断过程耗时较长。与传统医疗手段相比，基于深度学习的智能乳腺癌诊断技术具有无法比拟的优势，无需挂号等待专家，诊断速度快，适用于各种医学影像。然而，基于深度学习方法成本高、参数体量大，难以轻量化部署，无法满足在线实时处理的需求。另一方面，由于隐私，癌症治疗费用高昂，长期追踪困难等因素，乳腺癌数据存在数据少，缺少诊断或预后信息(即标签)等问题，这对训练体量大的深度学习模型具有很大的挑战。此外，癌症患者相对较少，乳腺癌数据存在严重非平衡性。因此，设计一种数据容忍度高(数据需求少、标签限制弱)、低耗时、高鲁棒性、实时响应的乳腺癌诊断技术至关重要。

技术实现思路

1、本专利技术的主要目的在于克服现有技术的缺点与不足，提出一种基于集成自训练的半监督宽度乳腺癌诊断方本文档来自技高网...

【技术保护点】

1.基于集成自训练的半监督宽度乳腺癌诊断方法，其特征在于，包括以下步骤：

2.基于权利要求1所述的半监督宽度乳腺癌诊断方法，其特征在于，方法中，乳腺癌图像数据包括三种，具体为：

3.基于权利要求1所述的半监督宽度乳腺癌诊断方法，其特征在于，步骤S1中，预处理具体为划分带标签的乳腺癌图像数据和不带标签的乳腺癌图像数据。

4.基于权利要求1所述的半监督宽度乳腺癌诊断方法，其特征在于，步骤S2中，训练多个同质打标宽度学习模型采用多线程并行计算，具体包括步骤：

5.基于权利要求1所述的半监督宽度乳腺癌诊断方法，其特征在于，步骤S3具体为：

<...

【技术特征摘要】

1.基于集成自训练的半监督宽度乳腺癌诊断方法，其特征在于，包括以下步骤：

2.基于权利要求1所述的半监督宽度乳腺癌诊断方法，其特征在于，方法中，乳腺癌图像数据包括三种，具体为：

3.基于权利要求1所述的半监督宽度乳腺癌诊断方法，其特征在于，步骤s1中，预处理具体为划分带标签的乳腺癌图像数据和不带标签的乳腺癌图像数据。

4.基于权利要求1所述的半监督宽度乳腺癌诊断方法，其特征在于，步骤s2中，训练多个同质打标宽度学习模型采用多线程并行计算，具体包括步骤：

5.基于权利要求1所述的半监督宽度乳腺癌诊断方法...

【专利技术属性】
技术研发人员：郭继凤，陈俊龙，张通，刘竹琳，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：