[发明专利]一种三维知识诊断模型构建方法和系统

权利要求书

1.一种三维知识诊断模型构建方法，包括以下步骤：

基于已知的医学影像数据建立训练集，该训练集包括和两部分，其中X_m表示第m例医学影像数据，Y_m表示第m例医学影像数据的标签，X_i表示第i例无标签医学影像数据，M和N分别是相应样本的数目；

以设定的损失函数为目标训练所构建的基于神经网络的三维知识诊断模型，其中X_m，Y_m作为该三维知识诊断模型的主分支的有监督训练的输入和标签，X_i作为该三维知识诊断模型的主分支的无监督训练的输入，作为该三维知识诊断模型的辅助分支的无监督训练的输入，是对X_i进行多种扰动后的数据。

2.根据权利要求1所述的方法，其中，以设定的损失函数为目标训练所构建的基于神经网络的三维知识诊断模型包括：

设计三维知识诊断模型，其主分支和辅助分支共享相同的特征提取器，并且主分支和辅助分支分别包含独立的全连接层和分类器；

将医学影像图像数据X_m，X_i，输入到所述三维知识诊断模型，通过所述特征提取器提取医学影像图像的特征；

将所提取的X_m，X_i对应的特征输入所述三维知识诊断模型的主分支的全连接层进行特征属性组合，并将所提取的对应的特征输入所述三维知识诊断模型的辅助分支的全连接层进行特征属性组合；

将经过全连接层后的特征输入相应的分类器，得到预测的概率值p_m，p_i和其中，表示第i例图像第j个辅助分支的输出结果，p_m表示X_m对应的概率值，p_i表示X_i对应的概率值，表示对应的概率值；

将所获取的初始概率值p_m，p_i，输入聚合层，获取初始判断概率值μ_i，并经优化获得更精准的预测值μ'_i；

以设定的损失函数为目标，通过链式法则求导反向传播，获得优化的三维知识诊断模型。

3.根据权利要求2所述的方法，其中，将所获取的初始概率值p_m，p_i，输入聚合层，获取初始判断概率值μ_i，并经优化获得更精准的预测值μ'_i包括：

通过最大投票法来确定初始判断概率值μ_i，通过μ_i计算初始敏感性α^j和特异性β^j，其中j∈P视为第j个医生：

其中，

计算条件期望：

其中，D是观测集，g是隐含变量，是当前估计的参数；

利用贝叶斯理论推断μ_i和α^j、β^j的关系，表示为：

通过给定的观测集D和获得的μ_i，对期望值进行求导，并令导数为0，推算出α^j和β^j，表示为：

结合灵敏度α^j和特异性β^j参数学习分类器，获取预测值μ'_i。

4.根据权利要求2所述的方法，其中，以设定的损失函数为目标，通过链式法则求导反向传播，获得优化的三维知识诊断模型包括：

将聚合层损失函数结合有监督损失函数、折叠凹正则化损失函数反传，通过链式法则求导反向传播来求解所述三维知识诊断模型的参数，获得优化的三维知识诊断模型。

5.根据权利要求4所述的方法，其中，所述损失函数设置为：

P_λ(·)为折叠凹正则化惩罚函数，a，λ为微调参数，J(w,b)为有监督的分类损失函数，w_m,b_m为权值和偏置，L(μ_i,p_i)为聚合层的损失函数。