【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及計(jì)算機(jī)領(lǐng)域，具體涉及一種醫(yī)學(xué)影像的分類方法。
技術(shù)介紹
1、心腦血管疾病如中風(fēng)等，已經(jīng)逐步攀升成為全球發(fā)病率和致死率最高的疾病之一，世界衛(wèi)生組織已經(jīng)宣布其為大流行病。而引起cvd的一個(gè)主要原因就是頸動(dòng)脈斑粥樣硬化的一個(gè)不斷發(fā)展。因此，易損斑塊的概念被提出，研究者通過(guò)識(shí)別具有較高風(fēng)險(xiǎn)的動(dòng)脈粥樣硬化斑塊來(lái)進(jìn)行心血管疾病的預(yù)防。在臨床上，由于頸動(dòng)脈位置較淺，b超作為無(wú)創(chuàng)的檢測(cè)儀器，是目前臨床中術(shù)前診斷頸動(dòng)脈斑塊性質(zhì)的主要手段之一。但是其成像受操作者手法、儀器的影響很大，不同的操作者、不同的儀器都對(duì)最后的成像效果有一定的影響。同時(shí)由于缺乏診斷的金標(biāo)準(zhǔn)，診斷的準(zhǔn)確性很大程度上依賴于臨床醫(yī)生的經(jīng)驗(yàn)和水平，普適性較差。因此，開(kāi)發(fā)基于多中心斑塊數(shù)據(jù)的計(jì)算機(jī)輔助診療系統(tǒng)是非常有必要的。
2、目前，深度學(xué)習(xí)作為一種高效的輔助診斷方式已經(jīng)逐步被運(yùn)用到斑塊相關(guān)領(lǐng)域，尤其是對(duì)于來(lái)自單一中心的斑塊數(shù)據(jù)，取得了較好的效果。但它的先決條件之一就是需要大量的有標(biāo)記的數(shù)據(jù)，但醫(yī)學(xué)數(shù)據(jù)本身的采集就不同于自然圖像，對(duì)于頸動(dòng)脈斑塊數(shù)據(jù)的標(biāo)注還需要具有豐富經(jīng)驗(yàn)的醫(yī)生，這些問(wèn)題都一定程度上限制了多中心斑塊風(fēng)險(xiǎn)輔助診斷系統(tǒng)的發(fā)展。因此，無(wú)監(jiān)督學(xué)習(xí)的方法被提出用來(lái)解決這一類問(wèn)題，無(wú)監(jiān)督學(xué)習(xí)旨在通過(guò)拉近兩個(gè)不同領(lǐng)域的數(shù)據(jù)特征，以此來(lái)訓(xùn)練一個(gè)域不變分類器，這也意味著無(wú)監(jiān)督學(xué)習(xí)并不需要目標(biāo)中心數(shù)據(jù)的標(biāo)簽就可對(duì)其進(jìn)行分類。為了在頸動(dòng)脈斑塊多中心風(fēng)險(xiǎn)預(yù)測(cè)系統(tǒng)上也實(shí)現(xiàn)這一目標(biāo)，仍有一些難點(diǎn)問(wèn)題需要被解決。
3、對(duì)于頸動(dòng)脈斑塊多中心超聲來(lái)說(shuō)，主要的難點(diǎn)在
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的在于：傳統(tǒng)的斑塊風(fēng)險(xiǎn)預(yù)測(cè)模型需要豐富經(jīng)驗(yàn)的診斷醫(yī)生對(duì)于斑塊數(shù)據(jù)的大量標(biāo)注，耗時(shí)耗力。構(gòu)建適用于多中心的斑塊風(fēng)險(xiǎn)預(yù)測(cè)模型可以一定程度減少相關(guān)依賴。其仍面臨兩大挑戰(zhàn)：1)不同的醫(yī)生和操作儀器會(huì)引起不同中心斑塊數(shù)據(jù)之間的特征差異。2)超聲成像質(zhì)量受偽影和低分辨率等噪聲影響嚴(yán)重。這兩大挑戰(zhàn)導(dǎo)致了模型的泛化性能下降，尤其是將單中心的模型擴(kuò)展到多中心數(shù)據(jù)時(shí)，其準(zhǔn)確率會(huì)大大降低。通過(guò)構(gòu)建基于雙分類器噪聲標(biāo)簽修正的斑塊風(fēng)險(xiǎn)預(yù)測(cè)網(wǎng)絡(luò)，在拉近多個(gè)中心數(shù)據(jù)特征距離的同時(shí)，將注意力放到了由于噪聲所導(dǎo)致的難以被轉(zhuǎn)移和分類的斑塊數(shù)據(jù)上。通過(guò)對(duì)目標(biāo)中心的數(shù)據(jù)進(jìn)行端到端建模和矯正，來(lái)處理斑塊噪音對(duì)于預(yù)測(cè)的影響。
2、為達(dá)到上述目的，本專利技術(shù)的構(gòu)思是：在拉近多中心數(shù)據(jù)特征的基礎(chǔ)上，通過(guò)雙分類器的集體智慧不斷地修正標(biāo)簽來(lái)進(jìn)行不同中心之間的知識(shí)轉(zhuǎn)移。兩個(gè)獨(dú)立的分類器能夠增加模型的復(fù)雜性，從而減少過(guò)擬合的風(fēng)險(xiǎn)。這對(duì)于超聲多中心問(wèn)題特別有益，因?yàn)樵谀繕?biāo)域數(shù)據(jù)較少的情況下，過(guò)擬合可能會(huì)導(dǎo)致性能下降。更詳細(xì)的來(lái)說(shuō)，我們構(gòu)建了特征共享的多層領(lǐng)域適應(yīng)層來(lái)拉近不同中心斑塊數(shù)據(jù)的特征差異。在通過(guò)適應(yīng)層后，使用獨(dú)立的雙分類器，協(xié)同合作來(lái)對(duì)目標(biāo)中心的數(shù)據(jù)給出偽標(biāo)簽。在偽標(biāo)簽的基礎(chǔ)上通過(guò)特征的學(xué)習(xí)和損失函數(shù)的計(jì)算，采用生成對(duì)抗的方式來(lái)迭代式更新標(biāo)簽。
3、本專利技術(shù)的技術(shù)方案：
4、一種基于雙分類器預(yù)測(cè)的超聲圖像多中心斑塊分類的噪聲標(biāo)簽校正方法：首先將多中心斑塊圖像進(jìn)行預(yù)處理，通過(guò)多中心特征適應(yīng)模塊拉近中心之間的特征距離。在此基礎(chǔ)上，通過(guò)對(duì)噪音標(biāo)簽的建模和校正，對(duì)受噪聲影響的模型預(yù)測(cè)進(jìn)行修正和處理，實(shí)現(xiàn)斑塊回聲的分類。具體步驟：
5、a.首先通過(guò)歸一化、分辨率調(diào)整等圖像增強(qiáng)操作完成數(shù)據(jù)的預(yù)處理。
6、多中心特征適應(yīng)模塊引入由兩層全連接層構(gòu)成的領(lǐng)域適應(yīng)層，通過(guò)最大平均差異(mmd)來(lái)作為差異的量化衡量。此外構(gòu)建兩個(gè)獨(dú)立的分類器，通過(guò)增加分類器之間的差異性，可以幫助模型更好地捕捉正確的信號(hào)，降低噪音標(biāo)簽的影響。最后通過(guò)兩個(gè)分類器的輸出平均，可以作為下一步的輸入。
7、這一部分涉及到兩個(gè)損失函數(shù)，其計(jì)算過(guò)程包括：
8、b1、對(duì)于給定的源中心的圖像xs和其對(duì)應(yīng)的標(biāo)簽ys，會(huì)有一組來(lái)自于源中心的數(shù)據(jù)集{xs，ys}。而對(duì)于目標(biāo)中心的沒(méi)有標(biāo)簽的圖像xt，會(huì)有一組數(shù)據(jù)集{xt}。訓(xùn)練一個(gè)特征提取器g和兩個(gè)分類器c1andc2。源中心和目標(biāo)中心的超聲圖像數(shù)據(jù)xs和xt分別輸入該特征提取網(wǎng)絡(luò)g，從而得到對(duì)應(yīng)的特征表示。
9、b2、mmd損失，其計(jì)算公式如下：
10、
11、b3、差異損失利用分類器對(duì)于目標(biāo)中心數(shù)據(jù)的輸出的絕對(duì)值之差來(lái)進(jìn)行量化的衡量，其計(jì)算公式：
12、
13、b4、通過(guò)最大化ldiversity和最小化lmmd，模型將會(huì)得到兩個(gè)差異的最大化的分類器，這可以增加模型對(duì)于目標(biāo)中心的數(shù)據(jù)判別能力，這一部分的整體目標(biāo)就是：
14、min(γlmmd-ldiversity)(4)
15、b5、通過(guò)多中心領(lǐng)域適應(yīng)，模型可以分別得到來(lái)自于兩個(gè)分類器的預(yù)測(cè)結(jié)果f1(x，θ)和f2(x，θ)，將其取平均來(lái)得到一個(gè)便于模型建模的預(yù)測(cè)分布，其定義如下：
16、
17、c.獲得對(duì)于標(biāo)簽的預(yù)測(cè)之后，通過(guò)噪音標(biāo)簽的建模和處理模塊，來(lái)進(jìn)一步處理。
18、標(biāo)簽的建模計(jì)算過(guò)程如下：
19、c1、為了對(duì)標(biāo)簽進(jìn)行建模，模型將會(huì)使用兩組標(biāo)簽分布和來(lái)描述來(lái)自兩個(gè)中心的數(shù)據(jù)。而在具體的模型學(xué)習(xí)過(guò)程中，每一次訓(xùn)練，和會(huì)被作為偽真實(shí)標(biāo)簽被輸入到模型中。對(duì)于標(biāo)簽的初始化，源中心會(huì)使用其本身的真實(shí)標(biāo)簽ys，對(duì)于目標(biāo)中心的斑塊數(shù)據(jù)來(lái)說(shuō)，它沒(méi)有初始的真實(shí)標(biāo)簽來(lái)進(jìn)行初始化，因此dclcn使用由源中心進(jìn)行預(yù)訓(xùn)練之后的模型來(lái)賦予目標(biāo)中心一組噪聲偽標(biāo)簽分布的估計(jì)。目標(biāo)中心的偽標(biāo)簽初始分布估計(jì)不僅包含了圖像噪聲的影響還包含了噪聲標(biāo)簽。
20、標(biāo)簽的矯正，其計(jì)算過(guò)程如下：
21、c1、和是兩組包含了對(duì)噪音影響的兩組標(biāo)簽建模，模型在不斷的學(xué)習(xí)中逐漸修正這一部分影響。為了達(dá)到這一目的，網(wǎng)絡(luò)的參數(shù)θ會(huì)不斷被更新，對(duì)于源中心和目標(biāo)中心的標(biāo)簽分布預(yù)測(cè)和也會(huì)加入到訓(xùn)練過(guò)程中，并在訓(xùn)練過(guò)程中不斷被更新，使用yd來(lái)代表它們的集合。三種類型的標(biāo)簽將被涉及到，分別是y。其中是來(lái)自前一部分分類器的預(yù)測(cè)結(jié)果，是一個(gè)類別的概率分布；y是數(shù)據(jù)集的真實(shí)標(biāo)簽(注意，在本文中，目標(biāo)中心的數(shù)據(jù)標(biāo)簽將不會(huì)參與訓(xùn)練)；則是經(jīng)過(guò)預(yù)訓(xùn)練后的分類器給予目標(biāo)中心數(shù)據(jù)的噪聲偽標(biāo)簽本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于雙分類器預(yù)測(cè)的超聲圖像多中心斑塊分類的噪聲標(biāo)簽校正方法，其特征在于包括：將超聲圖像預(yù)處理后輸入特征提取器，特征提取器之后增加多中心特征適應(yīng)模塊，構(gòu)建噪音標(biāo)簽的建模和處理模塊，實(shí)現(xiàn)多中心斑塊回聲的分類；多中心特征適應(yīng)模塊引入由兩層全連接層構(gòu)成的領(lǐng)域適應(yīng)層，使用最大平均差異來(lái)作為差異的量化衡量，構(gòu)建兩個(gè)獨(dú)立的分類器并把兩個(gè)分類器的輸出平均作為下一步噪音標(biāo)簽的建模的輸入。
2.根據(jù)權(quán)利要求1所述基于雙分類器預(yù)測(cè)的超聲圖像多中心斑塊分類的噪聲標(biāo)簽校正方法，其特征在于超聲圖像預(yù)處理包括：裁剪掉包含病人信息的區(qū)域，并通過(guò)歸一化、分辨率調(diào)整等圖像增強(qiáng)操作完成數(shù)據(jù)的預(yù)處理。
3.根據(jù)權(quán)利要求1所述基于雙分類器預(yù)測(cè)的超聲圖像多中心斑塊分類的噪聲標(biāo)簽校正方法，其特征在于多中心特征適應(yīng)模塊的計(jì)算過(guò)程包括：
4.根據(jù)權(quán)利要求1所述基于雙分類器預(yù)測(cè)的超聲圖像多中心斑塊分類的噪聲標(biāo)簽校正方法，其特征在于噪音標(biāo)簽的建模和處理模塊的計(jì)算過(guò)程如下：
5.根據(jù)權(quán)利要求1-4任一項(xiàng)所述基于雙分類器預(yù)測(cè)的超聲圖像多中心斑塊分類的噪聲標(biāo)簽校正方法，其特征在于模型
...【技術(shù)特征摘要】
1.一種基于雙分類器預(yù)測(cè)的超聲圖像多中心斑塊分類的噪聲標(biāo)簽校正方法，其特征在于包括：將超聲圖像預(yù)處理后輸入特征提取器，特征提取器之后增加多中心特征適應(yīng)模塊，構(gòu)建噪音標(biāo)簽的建模和處理模塊，實(shí)現(xiàn)多中心斑塊回聲的分類；多中心特征適應(yīng)模塊引入由兩層全連接層構(gòu)成的領(lǐng)域適應(yīng)層，使用最大平均差異來(lái)作為差異的量化衡量，構(gòu)建兩個(gè)獨(dú)立的分類器并把兩個(gè)分類器的輸出平均作為下一步噪音標(biāo)簽的建模的輸入。
2.根據(jù)權(quán)利要求1所述基于雙分類器預(yù)測(cè)的超聲圖像多中心斑塊分類的噪聲標(biāo)簽校正方法，其特征在于超聲圖像預(yù)處理包括：...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：謝江，蔣樓怡，
申請(qǐng)(專利權(quán))人：上海大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。