[发明专利]一种基于多任务学习的超声图像多分类方法

权利要求书

1.一种基于多任务学习的超声图像多分类方法，其特征在于，包括以下步骤：

步骤1)设计和实现贝叶斯多项式回归算法，并将同时包括有标签和无标签的超声图像数据集作为输入，学习得到每个任务的特定参数和所有任务共有的模型参数；

步骤2)构建叠加重构独立成分分析模型对输入的图像特征表示做训练；

步骤3)构建半监督多任务学习框架，对多任务的图像特征表示进行进一步优化；

步骤4)在最终学习得到的特征表示的基础上，用逻辑回归模型在有标签的超声图像数据集上训练分类器，并在无标签的超声图像数据集上得到分类结果。

2.根据权利要求1所述的一种基于多任务学习的超声图像多分类方法，其特征在于，所述步骤1)具体包括：

步骤1-1)将输入的超声图像数据集表示为其中T是所有任务的数量，是输入的图像数据，是数据标签集，c是标签的数量，n_tl是有标签的数据数量，n_tu是无标签的数据数量；先通过贝叶斯多项式回归算法，学习得到每个任务的特定参数θ_t和所有任务共有的模型参数θ₀；

步骤1-2)将学习得到的θ_t和θ₀传入到步骤3)中。

3.根据权利要求2所述的一种基于多任务学习的超声图像多分类方法，其特征在于，所述步骤2)具体包括：

步骤2-1)构建叠加重构独立成分分析模型，其代价函数如公式(1)所示：

其中，W为权重矩阵，W^T为W的转置矩阵，λ为超参数；

步骤2-2)对代价函数式(1)求关于权重矩阵W的偏导，如公式(2)所示：

其中ε是一个极小的常数；

步骤2-3)利用随机梯度下降算法，迭代计算权重矩阵W，得到训练完成的叠加重构独立成分分析模型。

4.根据权利要求3所述的一种基于多任务学习的超声图像多分类方法，其特征在于，所述步骤3)具体包括：

步骤3-1)构建半监督多任务学习框架，将步骤2-3)得到的权重矩阵W代入中，得到的隐藏层输出记为ξ_t，半监督多任务学习框架的目标函数如公式(3)所示：

其中，α和β是超参数，用于平衡公式(3)各项的影响，θ_t和θ₀是步骤1-2)得到的每个任务的特定参数和所有任务共有的模型参数，W₁和W₂分别表示框架中两层的权重矩阵；

表示引入标签信息的softmax回归算法的代价函数，其中，θ_tj分别表示每个任务的特定模型参数，θ_0j表示所有任务共享的模型公共参数，1{y_ti＝j}是指示函数，当语句y_ti＝j为true时，它等于1，否则它等于0；

表示正则化多任务学习算法的目标函数，其中λ₁和λ₂是积极的正则化参数；

J₃(W₁,W₂)＝||W₁||²+||W₂||²表示模型权重矩阵W₁和W₂的约束项；

步骤3-2)迭代求解半监督多任务学习框架，关于模型参数θ_tj、θ_0j和权重矩阵W₁、W₂的偏导数计算公式如(4)-(7)所示：

根据公式(4)-(7)，按照公式(8)迭代计算θ_tj、θ_0j和W₁、W₂：

其中，η是步长，它决定了收敛速度。

5.根据权利要求4所述的一种基于多任务学习的超声图像多分类方法，其特征在于，所述步骤4)具体包括：

步骤4-1)将步骤3-2)得到的权重矩阵W₁和W₂代入中，得到的最终输出特征表示为用超声图像数据集中已有标签的数据作为训练集，将训练集的特征表示为训练逻辑回归分类器，其目标函数可以表示为公式(9)：

其中，为sigmoid函数；

步骤4-2)用训练完成的分类器对测试超声图像数据集分类，同训练集将测试集的特征表示为并代入公式(9)训练完成的分类器获得分类结果T_test如公式(10)所示：