[发明专利]一种医学影像分类方法

说明书

本发明涉及一种医学影像分类方法，包括以下步骤：1)采集大量医疗影像，进行特征提取得到样本集合，人工打标签并初始化；2)随机生成隐藏层映射函数的输入权重向量与输入偏置；3)生成隐藏层输出函数；4)生成隐藏层输出矩阵；5)构造图拉普拉斯矩阵；6)使用训练完成的模型进行预测。该发明具有以下优点：1)仅仅需要专家为医疗影像进行少量的标注；2)能够充分利用数据分布与先验连接信息，以实现少量数据下的高准确性分类；3)模型训练高效，无需借助大量昂贵的高速计算机。

技术领域

本发明属于计算机技术领域，特别是涉及一种医学影像分类方法。

背景技术

医学影像在临床诊断和治疗中的应用日益广泛,如何利用大量的医学影像,辅助医生进行疾病的诊断和治疗是目前业界广泛研究的问题。一个优秀的医学影像分类方法必须根据疾病种类及供体的完善细致分类，以便随时进行高效检索及信息分析和挖掘。传统的医学影像主要采用人工识别、文字分类的方法。然而,随着医学影像的日益增多,特别是其中涉及的人种、性别、年龄等差异，导致人工识别的难度越来越大，且工作量日益增大。因此，引入日益成熟的计算机图像识别技术，取代人工来完成上述工作是未来的发展趋势。

发明内容

本发明克服现有技术的不足，提出一种医学影像分类方法，其过程如下：

步骤1、采集大量医疗影像采用自动编码器对进行训练，得到的特征向量集合，即样本集合对进行标记，得到对应的类别标签其中，为d维列向量，为实数，为有标签样本数量、n为所有样本数量，为无标签样本数量；

初始化：人工设定以下参数：模型复杂度系数γ_A0，平滑符合度系数γ_I0，连接性融合系数η∈(0,1)，损失系数C0，隐藏层节点数N0；

步骤2、随机生成隐藏层映射函数的输入权重向量与输入偏置如下：

随机生成N个w，得到w₁,...,w_N；随机生成N个b，得到b₁,...,b_N；

步骤3、生成隐藏层输出函数：

h(x)＝[G(w₁,b₁,x),…,G(W_N,b_N,x)]^T

其中，G(w,b,x)为激活函数，x表示样本；

步骤4、生成隐藏层输出矩阵：

步骤5、构造图拉普拉斯矩阵：

步骤501、构造特征相似性图拉普拉斯矩阵L_G：

L_G＝D_G-W_G

其中，W_G为特征相似性矩阵，其第i行第j列元素[W_G]_ij为：

其中，x_i与x_j为样本，σ0为高斯核宽；D_G为W_G的度矩阵；

步骤502、构造必连图拉普拉斯矩阵L_m：

L_m＝D_m-W_m