[发明专利]基于注释信息的分类和定位

权利要求书

1.一种机器学习系统，包括：

存储器，所述存储器存储计算机可执行组件；

处理器，所述处理器执行存储在所述存储器中的计算机可执行组件，其中所述计算机可执行组件包括：

训练组件，所述训练组件基于训练数据和多个图像来训练卷积神经网络，其中所述训练数据与来自至少一个成像设备的多个患者相关联，其中所述多个图像与来自多个对象的多个掩模相关联，并且其中所述卷积神经网络包括由至少一个上采样层和至少一个卷积层组成的解码器；

损失函数组件，所述损失函数组件基于所述多个掩模来生成损失函数，其中所述损失函数被迭代地反向传播以调谐所述卷积神经网络的参数；和

分类组件，所述分类组件基于所述卷积神经网络预测输入图像的分类标签。

2.根据权利要求1所述的机器学习系统，其中所述卷积神经网络包括输出卷积特征图的预训练的分类器网络。

3.根据权利要求2所述的机器学习系统，其中所述卷积神经网络包括基于所述卷积特征图输出对应评分图的分类/定位网络。

4.根据权利要求2所述的机器学习系统，其中来自所述多个掩模的掩模的尺寸与来自所述卷积特征图的卷积特征图的尺寸匹配。

5.根据权利要求2所述的机器学习系统，其中来自所述多个掩模的掩模的尺寸基于最大池化过程与来自所述卷积特征图的卷积特征图的尺寸匹配。

6.根据权利要求1所述的机器学习系统，其中所述损失函数组件采用所述解码器来生成所述定位图。

7.根据权利要求1所述的机器学习系统，其中所述解码器是一组解码器，并且其中在所述卷积神经网络的训练期间确定包括在所述一组解码器中的解码器的数量。

8.根据权利要求1所述的机器学习系统，其中所述损失函数组件基于与所述多个掩模相关联的类别的概率来生成所述损失函数。

9.根据权利要求1所述的机器学习系统，其中所述计算机可执行组件还包括：

可视化组件，所述可视化组件生成与所述输入图像的所述分类标签相关联的多维可视化。

10.一种方法，包括使用操作地耦接到存储器的处理器来执行计算机可执行组件以执行以下动作：

从至少一个成像设备接收与多个患者相关联的多个图像；

接收来自多个对象的多个掩模，其中每个图像包括将感兴趣的对象与对应的类标签相关联的至少一个掩模；

基于所述多个图像和所述多个掩模来训练卷积神经网络，其中所述卷积神经网络包括解码器，所述解码器由至少一个上采样层和至少一个卷积层、输出卷积特征图的预训练的分类器网络和输出对应评分图的分类/定位网络组成；

基于所述多个掩模来生成损失函数；

迭代地反向传播所述损失函数以调谐所述卷积神经网络的参数；以及

基于所述卷积神经网络预测输入图像的分类标签。

11.根据权利要求10所述的方法，还包括将来自所述多个掩模的掩模的尺寸与来自所述卷积特征图的卷积特征图的尺寸匹配。

12.根据权利要求10所述的方法，还包括基于最大池化过程，将来自所述多个掩模的掩模的尺寸与来自所述卷积特征图的卷积特征图的尺寸匹配。

13.根据权利要求10所述的方法，其中所述生成所述损失函数包括采用所述解码器生成所述定位图。

14.根据权利要求13所述的方法，还包括在所述卷积神经网络的所述训练期间确定解码器的数量。

15.根据权利要求10所述的方法，其中所述生成所述损失函数包括基于与所述多个掩模相关联的类别的概率来生成所述损失函数。