[发明专利]基于混合注意力弱监督迁移学习的半月板损伤分级方法

权利要求书

1.一种基于混合注意力弱监督迁移学习的半月板损伤分级方法，其特征在于，包括：

(1)获取膝关节MRI影像的数据集：

(1a)从获取到的2000例膝关节MRI影像检查数据中剔除有手术史、有关节内固定病史这些不满足临床诊断膝盖半月板损伤要求的数据；

(1b)从(1a)选出的数据中利用矢状位和冠状位切片图像，组成用于半月板区域定位的数据集，并将其中的60％作为训练集，40％作为测试集；

(1c)对(1b)获得的半月板区域定位数据集中所有的膝关节MRI影像，标注出半月板的标签及它们所在的位置信息，生成xml格式文件，再将其制作成VOC2007格式的数据集；

(2)将(1b)中所得训练集的膝关节MRI影像和(1c)中获得的VOC2007格式的半月板样本标签及它们的位置信息输入到现有的Faster R-CNN网络中进行训练，得到膝关节半月板检测网络的训练模型；

(3)获取半月板区域的数据集：

(3a)将(1b)中测试集的膝关节MRI影像作为输入，利用(2)中得到的模型进行测试，获得目标检测结果，即半月板及周围小范围区域及它们对应的位置坐标信息(x_ay_a,x_by_a,x_ay_b,x_by_b)；

(3b)对(3a)中获得的半月板及周围小范围区域进行裁剪和尺度变换，得到用于对半月板内部损伤进行分级的图像数据集；

(4)对半月板图像进行数据增强：

(4a)将(3b)中获得的图像数据集进行二维直方图均衡化操作，生成增强后的半月板图像数据集；

(4b)根据Fischer分级诊断标准，将增强后的半月板数据集中的图像标记为半月板损伤程度0级、I级、II级、III级这四个类别标签信息；

(4c)将已获得类别标签的半月板图像数据集按照6:4的比例划分为半月板损伤分类的训练集和测试集；

(5)构建由特征提取模块、弱监督注意力模块和双线性注意池化模块依次级联，且弱监督注意力模块的输出反馈到特征提取模块前组成的核心网络W；

(6)训练后膝盖半月板损伤分级模型：

(6a)设定学习率为0.001，动量为0.9，批量大小为8，重量衰减为0.00001，注意力地图数量为128，将(4c)中得到的半月板损伤分类的训练集及其对应的类别标签输入到核心网络W中训练；

(6b)使用随机梯度下降优化器，每次从训练集中随机选择一个样本进行学习来更新模型参数，经过40次迭代训练后获得膝盖半月板损伤分级模型；

(7)将(4c)中半月板损伤分类的测试集数据输入到膝盖半月板损伤分级模型中进行测试，得到预测的类别结果，同时输出损伤信号可视化的注意力热图。