买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明涉及一种sMRI图像顺序多分类方法，包括：将一定数量的sMRI图像分成训练集、验证集和测试集；构建网络模型，构建的网络模型包括特征提取和分类模型、排序模型和困难样本识别矫正模型；将训练集中所有的样本图像分批次输入到构建的网络模型中进行训练，并使用验证集中所有图像验证训练后的网络模型性能；经过多次训练与验证后，筛选出最优的网络模型；最后将测试集中的待测试图像输入到最优的网络模型中，即得到待测试图像的分类结果。优点在于：通过排序模型使这些不同类别的样本通过模型得到的特征向量之间的距离和在实际病理中的距离保持一致，从而使提取的不同类别的sMRI图像间的特征具有顺序特性，并提升网络分类性能。

主权项：1.一种sMRI图像顺序多分类方法，其特征在于包括如下步骤：步骤1、获取一定数量的sMRI图像及每张sMRI图像所对应的标签，形成样本集；步骤2、将样本集分成训练集、验证集和测试集；步骤3、构建网络模型；构建的网络模型包括特征提取和分类模型、排序模型和困难样本识别矫正模型；其中特征提取和分类模型包括特征提取模块和与特征提取模块相连接的分类模块；步骤4、将训练集中所有的样本图像分批次输入到步骤3中构建的网络模型中进行训练，并使用验证集中所有图像验证训练后的网络模型性能；经过多次训练与验证后，筛选出最优的网络模型；每批次训练时均选择至少一张标签为c1的样本图像、至少一张标签为c2的样本图像....至少一张标签为cn的样本图像，n为标签的总数；其中，c1＞c2＞…＞cn，＞为偏序关系；使用任一批次的样本图像对网络模型进行训练的具体过程为：步骤4-1、对当前批次选择的每张样本图像分别进行预处理，得到第一图像；步骤4-2、将当前批次选择的所有样本图像以及所有第一图像同时输入到特征提取模块中，得到特征向量；其中该特征向量包括所有样本图像所对应的第一特征向量和所有第一图像所对应的第二特征向量；步骤4-3、将步骤4-2中得到的特征向量分别输入到排序模型、困难样本识别矫正模型和分类模块中，并分别计算得到排序模型所对应的第一损失函数、困难样本识别矫正模型所对应的第二损失函数和分类模块所对应的第三损失函数；第一损失函数Lrank的具体计算过程为：步骤4-31、从当前批次选择的所有样本图像中分别选择一张标签为c1的样本图像、一张标签为c2的样本图像、…一张标签为cn的样本图像，将其组成图像集k的初始值为1，对应为第k次选择出的标签为c1的样本图像，对应为第k次选择出的标签为c2的样本图像，对应为第k次选择出的标签为cn的样本图像；并获取所对应的第一图像所对应的第一图像所对应的第一图像计算sMRI图像之间的距离关系矩阵S，S的计算公式为： 其中S中第p行的数值分别表示与所对应的标签距离关系度量值，p为奇数，并分别取值为1、3、5、…n；S中第q行的数值分别表示与所对应的标签距离关系度量值，q为偶数，并分别取值为2、4、6、…n+1；S1、S2、S3…Sn均为任意两张图像的标签距离关系度量值，并且S1＞S2＞S3＞Sn；步骤4-32、计算sMRI图像之间的真实距离矩阵的计算公式为： 其中第p行的数值分别表示与之间的真实距离，p为奇数，并分别取值为1、3、5、…n；中第q行的数值分别表示与之间的真实距离，q为偶数，并分别取值为2、4、6、…n+1； 即：为输入到特征提取模块Fθ中而得到的第一特征向量；e∈{1、…n} 即：为输入到特征提取模块Fθ中而得到的第二特征向量；步骤4-33、计算步骤4-31中Gk所对应的排序损失 其中，∏.为连乘符号，II.为指示函数，若Sa,b＝Sf，则IISa,b＝Sf＝1；若Sa,b≠Sf，则IISa,b＝Sf＝0；Sa,b为S中第a行第b列的值，为中第c行第d列的值，Sc,d为S中第c行第d列的值；步骤4-34、使k的值加上1，重新构建图像集Gk+1，并按照步骤4-31～步骤4-33中相同的方式，得到步骤4-35、依次类推以此构建图像集Gk+2、…Gg，其中每次构建的图像集G1、G2、…Gg各不相同，g＝Nc1×Nc2×…×Ncn，Nc1为当前批次训练时选择的标签为c1的样本图像数量，Nc2为当前批次训练时选择的标签为c2的样本图像数量，…Ncn为当前批次训练时选择的标签为cn的样本图像数量；并按照步骤4-31～步骤4-33中相同的方式，依次得到则第一损失函数Lrank的计算公式为： 步骤4-4、根据第一损失函数、第二损失函数和第三损失函数，计算得到网络模型的总损失函数，并根据总损失函数更新网络模型的各个参数，即得到一次训练完成后的网络模型；步骤5、将测试集中的待测试图像输入到最优的网络模型中，即得到待测试图像的分类结果。

全文数据：

权利要求：

百度查询： 宁波大学 一种sMRI图像顺序多分类方法