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：本发明涉及一种基于生成对抗网络的多中心sMRI图像多分类方法，S1、构建样本集；S2、将样本集分成训练集、验证集和测试集；训练集中的sMRI图像的成像中心至少有四个；S3、构建网络模型；构建的网络模型包括特征提取网络、生成对抗网络、解耦网络和第二分类器；特征提取网络包括用于提取内容特征和中心特征的两个编码器，生成对抗网络包括生成器和鉴别器；解耦网络包括第一分类器；S4、将训练集分批次输入到构建的网络模型中进行训练，并经过多次训练与验证后，筛选出最优的网络模型；S5、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。该分类方法简单且提高了分类准确率和模型泛化能力。

主权项：1.一种基于生成对抗网络的多中心sMRI图像多分类方法，其特征在于包括如下步骤：S1、获取一定数量的sMRI图像及每幅sMRI图像所对应的标签，并对所有的sMRI图像进行预处理，形成样本集，其中样本集中的所有sMRI图像所对应的成像中心至少有四个；S2、将样本集分成训练集、验证集和测试集；其中训练集中的sMRI图像的成像中心至少有两个，并且训练集、验证集和测试集中sMRI图像的成像中心均不相同；S3、构建网络模型；构建的网络模型包括特征提取网络、生成对抗网络、解耦网络和第二分类器C2；其中特征提取网络包括用于提取内容特征的第一编码器Ec和用于提取中心特征的第二编码器Es，生成对抗网络包括生成器G和鉴别器D；解耦网络用于分离第一编码器Ec和第二编码器Es提取的特征，解耦网络包括第一分类器C1以及根据内容特征图像和中心特征图像计算的正交损失函数；S4、将训练集中所有的训练样本分批次输入到S3中构建的网络模型中进行训练，并使用验证集中所有验证样本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；将训练集中的任意两个训练样本分别记为第一sMRI图像x和第二sMRI图像x和的成像中心不同，使用x和对网络模型进行训练的具体过程为：S4-1、将第一sMRI图像x输入到第一编码器Ec中，得到内容特征图像Fc；同时将第二sMRI图像输入到第二编码器Es中，得到中心特征图像Fs；S4-2、将内容特征图像Fc和中心特征图像Fs按照图像通道进行拼接，得到拼接特征图像z；S4-3、将拼接特征图像z输入到生成器G中，得到第三图像其中将第三图像的标签置为假，将第二sMRI图像的标签置为真，并将第二sMRI图像和第三图像输入到鉴别器D中，根据鉴别器D的输出结果计算生成对抗网络的损失函数LAdvG,D；S4-4、将第三图像输入到解耦网络的第一分类器C1中，根据第一分类的输出结果计算得到第一分类器所对应的损失函数Lcls1，并根据Fc和Fs计算得到正交损失函数LCos；S4-5、将内容特征图像Fc输入到第二分类器C2中，并根据第二分类器C2的结果计算第二分类损失Lcls2；S4-6、根据各个损失函数对网络模型中对应的网络参数进行更新，完成一次网络模型的训练；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 基于生成对抗网络的多中心sMRI图像多分类方法