[发明专利]一种基于双重注意力多示例深度学习的医学图像分类方法

权利要求书

1.一种基于双重注意力多示例深度学习的医学图像分类方法，其特征在于，该方法包括如下步骤：

步骤1：采集M个医学图像，判断每个医学图像是否存在与特定任务相关的特征，将存在相关特征的医学图像的原始标签设置为正，将不存在相关特征的医学图像的原始标签设置为负；

步骤2：将原始标签为正的医学图像以及原始标签为负的医学图像都均匀划分为r个立方体；该r个立方体尺寸均为W*W*W，将一个立方体作为一个图像块，基于原始标签为正的医学图像中所有图像块的体素特征和原始标签为负的医学图像中所有图像块的体素特征，在原始标签为正的医学图像中选择K个图像块，将该K个图像块所在的位置作为K个固定位置，提取M个医学图像中每个图像在K个固定位置上的图像块；

步骤3：将M个医学图像中的K个图像块作为多示例学习模型的输入，对多示例学习模型进行训练；

步骤4：计算每个医学图像的训练结果和该图像原始标签之间的交叉熵，建立基于交叉熵的损失函数，根据该损失函数判断训练后的多示例学习模型是否收敛，若是，则停止计算，得到训练好的多示例学习模型，否则根据损失函数计算得到的损失更新多示例学习模型的权重，并转步骤2；

步骤5：将新的医学图像输入至训练好的多示例学习模型中，判断该医学图像的类别。

2.根据权利要求1所述的一种基于双重注意力多示例深度学习的医学图像分类方法，其特征在于，所述步骤2具体为：选择一组原始标签为正的医学图像作为正类图像组，选择一组原始标签为负的医学图像作为负类图像组，且两组图像组中医学图像的个数相同；根据正类图像组中每个图像的第b个图像块对应的体素信息，计算得到正类图像组中第b个图像块的平均值，根据负类图像组中每个图像的第b个图像块对应的体素信息，计算得到负类图像组中第b个图像块的平均值，将该两个平均值作为一组图像块组，从而组成对应于第b个图像块所在位置的两个特征平均值向量，采用t检验比较该两个特征平均值向量的差异性，得到第b个t检验结果，其中b＝1，2，…，r；对每一个t检验结果进行归一化计算，并将计算结果按照由小到大排列，选择前K个图像块组。

3.根据权利要求1所述的一种基于双重注意力多示例深度学习的医学图像分类方法，其特征在于，所述步骤3中多示例学习模型的训练过程为：

步骤3.1：从输入的第m个医学图像的第k个图像块中提取影响分数和局部块级别的特征，其中m＝1，2，…，M，k＝1，2…，K；

步骤3.2：根据提取的K个局部块级别的特征和K个影响分数，计算得到m个医学图像的全局特征；

步骤3.3：根据全局特征计算第m个医学图像的类别。

4.根据权利要求3所述的一种基于双重注意力多示例深度学习的医学图像分类方法，其特征在于，所述步骤3.1具体为：

步骤3.1.1：采用图像块级子网从输入的第m个医学图像的第k个图像块中提取特征F，F＝{F₁，F₂，…，F_C}，F_c表示第c个特征，c为特征的总个数；所述图像块级子网包括依次连接的第一3D卷积层，第一批量归一化模块，第一激活函数，第二3D卷积层，第二批量归一化模块，第二激活函数，最大池化层，第三3D卷积层，第三批量归一化模块，第三激活函数，第四3D卷积层，第四批量归一化模块以及第四激活函数；所述第一3D卷积层的卷积核为4*4*4，第二～四3D卷积层的卷积核均为3*3*3，所述最大池化层的大小为2*2*2；

步骤3.1.2：采用空间注意力模块提取F的局部块级别的特征；采用全局平均池化模块提取F的影响分数，所述全局平均池化模块包括依次连接的全连接层和第一sigmoid函数层。