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：电子科技大学

摘要：本发明公开了一种基于深度重加权训练的医学图像分类方法，在对早期深度神经网络进行训练时，将训练样本分为高置信度样本集和噪声样本集。在对后期深度神经网络进行训练时，通过噪声样本集得到一个预更新深度神经网络，用于获取实时更新的特征掩码，可以得到每个类别特征的特征权重，权重越高的特征对分类的重要性越高，具有特征可解释性。同时，通过给出动态变化的样本权重，选出对分类重要性高的关键样本，具有样本可解释性。另一方面，本发明利用高置信度样本和预更新深度神经网络对训练样本赋予动态变化的样本权重，可以提高类别数量较少的样本和正确标签样本的权重，从而纠正样本类别不平衡数据集或含有标签噪声数据集对模型训练的不良影响，提高了深度神经网络对不平衡数据集和含标签噪声数据集的鲁棒性。

主权项：1.一种基于深度重加权训练的医学图像分类方法，其特征在于，包括以下步骤：1、医学图像数据预处理获取标注好的原始医学图像数据，进入数据预处理模块，得到包含m个医学图像样本的训练集X，每个医学图像样本由n个特征表示；2、早期训练早期深度神经网络定义为DNNE，基于训练集X对初始化的早期深度神经网络DNNE进行训练：2.1、在训练集X中获取一批数量为b的医学图像样本，对早期深度神经网络DNNE进行训练，定义每个医学图像样本标签向量中标注的类别对应的预测值为置信度并记录每个医学图像样本的置信度；2.2、重复训练完所有医学图像样本后完成一个训练轮次，将训练集X按照类别进行分类，每个类别置信度最高的k个医学图像样本定义为高置信度样本，加入高置信度样本池；2.3、重复步骤2.1、步骤2.2T个轮次，结束早期训练阶段，早期深度神经网络DNNE变为后期深度神经网络DNNL，高置信度样本池包含数量为m1的高置信度样本，构成高置信度样本集XC，训练集X中除m1个高置信度样本外，其他为噪声样本，数量为m-m1，并构成噪声样本集XN；3、后期训练基于后期深度神经网络DNNL、高置信度样本集XC以及噪声样本集XN启动重加权训练：3.1、噪声样本集XN中获取一批数量为b的噪声样本xN_i,YN_i,i＝1,2,…,b，将其输入后期深度神经网络DNNL，然后对每个噪声样本求交叉熵损失，所有噪声样本的交叉熵损失构成维度为b的噪声样本损失向量LXN，初始化维度为b的样本权重向量W0；3.2、对噪声样本损失向量LXN和样本权重向量W0求内积，得到b个噪声样本xN_i,YN_i,i＝1,2,…,b的总损失，基于总损失对后期深度神经网络DNNL的网络参数求梯度，进行一次预更新得到后期深度神经网络DNN′L，预更新并不更新后期深度神经网络DNNL，只是基于后期深度神经网络DNNL的一次梯度下降得到新的深度神经网络DNN′L；3.3、对于高置信度样本集XC中的高置信度样本xC_i,i＝1,2,…,m1，基于上一次迭代后的类别特征掩码与对应类别的高置信度样本进行点乘，得到高置信度样本其中，j表示第j个类别，j＝1,2,…,c，c为类别总数，mj表示高置信度样本集XC中第j个类别的高置信度样本数量，t表示第t次迭代，若当前为第一次迭代即t＝1，则初始化第j个类别的特征掩码矩阵特征掩码矩阵与医学图像样本特征维度一致即为n，类别特征掩码码的每个元素表示第j个类别的高置信度样本每一个特征的权重；将高置信度样本输入深度神经网络DNN′L计算交叉熵损失均值，基于交叉熵损失均值对类别特征掩码进行一次梯度下降，得到类别特征掩码3.4、基于类别特征掩码与对应类别的高置信度样本进行点乘，得到高置信度样本输入深度神经网络DNN′L，根据以下公式计算特征加权损失LF： 其中，表示高置信度样本经过深度神经网络DNN′L得到类别为j的预测值；3.5、计算特征加权损失LF对初始样本权重W0的梯度然后计算新的样本权重W1： 其中，函数的作用是避免分母为零，当时其余情况下3.6、基于噪声样本损失向量LXN和新的样本权重W1，计算样本加权损失LS：LS＝LxN,W1其中，LxN,W1表示两个向量的内积；基于样本加权损失LS对后期深度神经网络DNNL进行一次梯度下降，得到更新后的后期深度神经网络DNNL，完成一次重加权训练；3.7、重复步骤3.1～3.6，直到噪声样本集XN中所有噪声样本取出完成一个训练轮次，t＝t+1；3.8、重复T′个训练轮次，得到收敛后的后期深度神经网络DNNL，记为深度神经网络DNNF；4、医学图像样本分类获取原始医学图像数据，进入数据预处理模块，得到医学图像样本，送入深度神经网络DNNF，得到其在各个类别的预测值，预测值最大的类别为该医学图像样本的类别。

全文数据：

权利要求：

百度查询： 电子科技大学 一种基于深度重加权训练的医学图像分类方法