一种基于小样本学习的胸部X光图像多种疾病分类方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113723562A(43)申请公布日2021.11.30(21)申请号202111066136.9(22)申请日2021.09.10(71)申请人中国计量大学地址310018浙江省杭州市学源街258号中国计量大学(72)发明人金宇霏陆慧娟(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书5页附图3页(54)发明名称一种基于小样本学习的胸部X光图像多种疾病分类方法(57)摘要本发明提供了一种基于小样本学习的胸部X光图像多种疾病分类方法，属于深度学习领域。本方法设计了一个端到端的深度神经网络模型，采用情景训练策略模拟小样本场景，该方法可以分为两部分：特征提取部分和距离度量部分。特征提取部分先由卷积神经网络作为学习器进行特征提取，再进入空间注意力模型对特征进行任务相关处理；距离度量部分是将处理后的特征进行全局协方差矩阵运算，得到支持集中每类样本的协方差矩阵表示，与查询集进行协方差度量计算，最终得到分类结果。本发明针对医学图像数据量少，目标尺寸、形状变化大的难点，设计了空间注意力模型，定位任务相关区域，抑制无用信息，得到的特征具有更强的分辨能力，能够提高分类精度。CN113723562ACN113723562A权利要求书1/1页1.一种基于小样本学习的胸部X光图像多种疾病分类方法，特征提取部分，其特征在于：所述的特征提取部分包括卷积神经网络和空间注意力模型，卷积神经网络包括5个卷积块，ConvBlock1、ConvBlock2、ConvBlock3、ConvBlock4、ConvBlock5，空间注意力模型包括卷积、池化等结构，具体步骤如下：(a)输入图像的原始大小为224×224，通道数为3，ConvBlock1包括一个3×3的卷积层、批归一化层、非饱和激活函数层和一个2×2的最大池化层，经过第一个卷积块后，维度变为112×112，通道数变为64；(b)ConvBlock2包括一个3×3的卷积层、批归一化层、非饱和激活函数层和一个2×2的最大池化层，经过第二个卷积块后，维度变为56×56，通道数为64；(c)ConvBlock3包括两个3×3的卷积层、批归一化层和一个非饱和激活函数层，经过第三个卷积块后，维度和通道数保持不变，得到特征块Feature1；(d)ConvBlock4包括一个3×3的卷积层、批归一化层和非饱和激活函数层，经过第四个卷积块后，维度和通道数保持不变，得到特征块Feature2；(e)ConvBlock5包括一个3×3的卷积层、批归一化层和非饱和激活函数层，经过第五个卷积块后，维度和通道数保持不变，得到特征块Feature；(f)Feature1和Feature2进入空间注意力模型，分别经过两种操作，Feature1经过一个3×3卷积层和一个1×1的最大池化层，Feature2经过一个3×3的卷积层和一个1×1的平均池化层，将这两种操作的结果连接起来，再用一个卷积层将通道变为1，经过Sigmoid激活函数生成一个权重矩阵,与Feature相乘，生成由任务相关处理后的特征。2.一种基于小样本学习的胸部X光图像多种疾病分类方法，距离度量部分，其特征在于：所述的距离度量部分主要是协方差矩阵运算，具体步骤如下：步骤一对支持集中的每一类计算局部协方差表示，计算公式如下：c表示第c类的局部协方差表示，M＝h×w，K表示该类共有K张图，Xi是每张图的Feature，T由M个相同的均值向量组成，计算T的公式如下：步骤二计算查询集样本与支持集样本之间的关系，使用协方差度量公式，具体如下：TF(X，∑c)＝X∑cXX是查询图像的零均值样本，∑是支持集中特定类别的协方差矩阵表示；步骤三获得步骤二结果矩阵主对角线元素的列向量，公式如下：z＝diag(F(X，∑c))步骤四计算全局相似性，公式如下：Z＝wTzw表示权重向量；步骤五得出分类结果，查询集与支持集中的某一类相似度最高，即为该类。2CN113723562A说明书1/5页一种基于小样本学习的胸部X光图像多种疾病分类方法技术领域[0001]本发明属于深度学习领域，具体涉及一种基于小样本学习的胸部X光图像多种疾病分类方法。背景技术[0002]胸部X光图像是检测肺炎等胸部疾病的重要诊断依据，然而，需要有经验的专家才能诊断，因为不同的胸部疾病会在图像上显示出类似的视觉信号，如肺癌、肺部积液过多等与肺炎的视觉信号类似。为了更好的辅助放射科医生诊断胸部疾病，开发一个精准检测胸部不同疾病的算法是有意义的。[0003]深度学习是机器学习(MachineLearning,ML)的一种，由不少于两个隐藏层的神经网络构成，每层有若