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！

申请/专利权人：江门市中心医院;桂林航天工业学院

摘要：本发明属于CT图像分类技术领域，具体地涉及一种基于自适应选择的双源域异构迁移学习的肺结节CT图像分类方法。本发明方法利用CT图像对SPSN患者进行PT与LA的术前辅助诊断。该方法包括两个部分：①基于自适应选择的双源域异构迁移学习的特征提取，②基于稀疏贝叶斯极限学习机的集成分类器构建。基于自适应选择的双源域异构迁移学习模型通过设计基于自适应选择的双源域特征匹配网络自适应确定源网络与目标网络之间每对特征图的匹配权重，以及源网络特征块和目标网络之间每对卷积块的匹配权重，以自动选择源网络中有利于目标任务学习的特征以及特征迁移的目的地，从而约束目标网络的训练，进而提高目标网络在小样本情况下的鲁棒性。

主权项：1.一种基于自适应选择的双源域异构迁移学习的肺结节CT图像分类方法，其特征在于：包括：步骤1：获取原始肺部SPSN的CT图像数据集、肺癌WSI数据集、自然图像的ImageNet数据集；步骤2：利用步骤1获取的肺癌WSI数据集训练ResNet34，作为源网络1；利用步骤1获取的自然图像的ImageNet数据集训练另一个ResNet34，作为源网络2；步骤3：在步骤2的基础上，利用步骤1获取的肺部SPSN的CT图像数据集分别通过源网络1和源网络2得到源特征空间1和源特征空间2，源网络1和源网络2中每一个卷积核的输出分别作为源特征空间1和源特征空间2的某个特征图；步骤4：在步骤3的基础上，利用肺部SPSN的CT图像数据集训练基于自适应选择的双源域特征匹配模型以及基于多样化分支块结构的ResNet18，作为目标模型；所述步骤4包括：步骤4.1：在步骤3获取的源特征空间1和源特征空间2的基础上，基于自适应选择的双源域特征匹配网络自适应确定源特征空间1、源特征空间2与目标网络之间每对特征图的匹配权重，以及源网络1、源网络2特征块和目标网络每对卷积块之间的匹配权重，根据这两个匹配权重构建迁移损失函数，并结合目标网络的损失函数获得基于自适应选择的双源域异构迁移学习模型的损失函数；所述步骤4.1具体为：步骤4.1.1：设x为基于多样化分支块结构的目标网络以及源网络1、源网络2的输入，表示源特征空间1的第m1块的特征图，表示源特征空间2的第m2块的特征图，表示参数为θ的目标网络第n块的特征图，基于自适应选择的双源域特征匹配网络的目标是利用S1和S2中有利于目标任务学习的特征约束Tθ的训练，定义一个与和之间的l2范数距离，通过最小化l2范数距离实现有利于目标任务学习的特征选择，该l2范数距离定义为： 其中，rθ·是逐点卷积，保证与源特征空间具有相同的通道数；步骤4.1.2：定义源网络1、源网络2中的每个特征图的加权特征匹配损失为： 其中，H×W是和的特征图大小，为第c1个通道中和之间的待学习权重，为第c2个通道中和之间的待学习权重，且待学习权重即一对特征图的匹配权重；步骤4.1.3：对步骤4.1.2中的和定义两个全连接神经网络和分别学习和的取值，和分别以和中每个特征图的全局均值池化为输入，以softmax形式作为网络的输出，则： 其中φ1和φ2分别是和的参数，对于给定的与与在每个输入图像中，针对中不同的特征图给予不同的可训练权重，越重要的特征图所对应的权重越大，这使得对应特征图的损失越受到关注；步骤4.1.4：分别以中的每个卷积块的输出为一个单位，分别为每队卷积块m1,n、m2,n引入一个可学习参数和和分别表示对对的迁移程度，即一对卷积块的匹配权重，和越大，则表示该对卷积块的特征对目标任务的学习越有利；同样的，定义两个全连接神经网络和分别学习和的取值，和分别以和的全局均值池化为输入，网络的输出以ReLU6形式给出，以确保和的非负性，并防止和变得过大，即： 该网络自动学习源网络特征图对目标网络特征图的重要块对；步骤4.1.5：在得到相对于目标网络的每对特征图的匹配权重和以及每对卷积块的匹配权重和后，则迁移的损失被定义为： 其中，P1和P2分别是与与的候选卷积块对的集合；则基于自适应选择的双源域异构迁移学习模型的最终损失函数定义为：Ltotalθ|x,y,φ＝Lorgθ|x,y+βLwfmθ|x,φ5其中，Lorgθ|x,y为目标网络原始的损失函数，β是一个超参数；步骤4.2：使用步骤4.1获得基于自适应选择的双源域异构迁移学习模型的损失函数，使用四阶段训练方法，进行基于自适应选择的双源域异构迁移学习中的特征匹配模型与基于多样化分支块结构的目标网络训练；步骤5：在步骤4的基础上，以肺部SPSN的CT图像作为等效变换后的目标模型的输入数据，将目标模型等效变换后的卷积核作为特征提取器提取深度学习特征；步骤6：获取每个患者的临床特征、CT主观征像，并串联步骤5中的深度学习特征形成新的特征集；步骤7：在步骤6的基础上，训练基于稀疏贝叶斯极限学习机的集成学习分类器，集成学习分类器中的基分类器和集成分类器都是基于稀疏贝叶斯的极限学习机，得到肺结节CT图像分类结果。

全文数据：

权利要求：

百度查询： 江门市中心医院 桂林航天工业学院 一种基于自适应选择的双源域异构迁移学习的肺结节CT图像分类方法