一种基于深度重加权训练的医学图像分类方法技术

本发明专利技术公开了一种基于深度重加权训练的医学图像分类方法，在对早期深度神经网络进行训练时，将训练样本分为高置信度样本集和噪声样本集。在对后期深度神经网络进行训练时，通过噪声样本集得到一个预更新深度神经网络，用于获取实时更新的特征掩码，可以得到每个类别特征的特征权重，权重越高的特征对分类的重要性越高，具有特征可解释性。同时，通过给出动态变化的样本权重，选出对分类重要性高的关键样本，具有样本可解释性。另一方面，本发明专利技术利用高置信度样本和预更新深度神经网络对训练样本赋予动态变化的样本权重，可以提高类别数量较少的样本和正确标签样本的权重，从而纠正样本类别不平衡数据集或含有标签噪声数据集对模型训练的不良影响，提高了深度神经网络对不平衡数据集和含标签噪声数据集的鲁棒性。

【技术实现步骤摘要】

本专利技术属于医学图像分类，更为具体地讲，涉及一种基于深度重加权训练的医学图像分类方法。

技术介绍

1、深度学习作为一种强大的机器学习技术，已经在各个领域展现出了巨大的潜力和应用前景。在医学图像分类
，深度学习的应用也引起了广泛的关注和研究。医学图像分类是医学领域中至关重要的任务，对于准确、快速地识别和分析医学图像中的病变和异常情况具有重要意义。

2、传统的医学图像分类通常依赖于手工设计的特征提取和分类算法，这些方法往往需要大量的人工参与和专业知识。然而，由于医学图像的复杂性和多样性，传统方法在处理大规模数据和复杂病例医学图像时面临着挑战。深度学习的出现为医学图像分类带来了新的机遇和突破。

3、深度学习的核心是通过构建深层神经网络来自动学习特征表示和模式识别。与传统方法相比，深度学习可以从大规模的医学图像数据中学习到更丰富、更抽象的特征表示，从而提高了医学图像分类的准确性和效率，有助于医生对于疾病的诊断。

4、深度学习在医学图像分类中的应用已经取得了一系列令人瞩目的成果，有助于肺部结节检测、乳腺癌诊断、脑部疾病分析本文档来自技高网...

【技术保护点】

1.一种基于深度重加权训练的医学图像分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度重加权训练的医学图像分类方法，其特征在于，所述医学图像数据为功能性磁共振成像数据，所述数据进行预处理包括空间畸变校正、脑颅剥离和小脑去除，然后将功能性磁共振成像数据分割为灰质、白质和脑脊液，并使用Jacob大脑分区模板获取了93个感兴趣区域，每个医学图像样本由n＝93个感兴趣区域特征表示，b＝32，类别总数c＝2即正常和阿兹海默症患者两个类别。

【技术特征摘要】

1.一种基于深度重加权训练的医学图像分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度重加权训练的医学图像分类方法，其特征在于，所述医学图像数据为功能性磁共振成像数据，所述数据进行预处理包括空间畸变校...

【专利技术属性】
技术研发人员：曾璐，石小爽，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：