[发明专利]一种基于多任务学习的超声图像多分类方法

说明书

本发明公开了一种基于多任务学习的超声图像多分类方法，包括步骤：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，学习得到所有任务共有的模型参数；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；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；4）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。本发明结合深度学习和多任务学习的特点，将所有数据集进行组合以提高泛化性能，并利用超声图像数据集中已有的部分有标签数据，提升了超声图像数据集的分类准确度，具有较高的实用性。

技术领域

本发明涉及医学超声图像分类技术领域，特别涉及一种基于多任务学习的超声图像多分类方法。

背景技术

超声检测图像具有数据量大、类型众多且复杂的特点，如乳腺超声检测图像，可能是正常、乳腺纤维腺瘤、乳腺腺病、浸润性导管癌、浸润性微乳头状瘤、导管内乳头状瘤等等近11种分类；另一方面，在超声图像分类的过程中，往往是先需要分别图像是正常或是不正常，然后再判断是哪一种疾病，这是一个典型的多分类任务。

多任务学习(Multitask Learning,MTL)是并行地学习多个任务，同时使用从每个任务中学习到的共享知识，以帮助更好地学习其他任务，学习多个相关任务已被证明比单独学习每个任务更有效。多任务学习方法可以与每个任务共享共同的特征表示以学习更好的分类器，以提高整体任务的分类准确度。

贝叶斯多项式回归算法(Bayesian Multinomial Regression)在进行分类决策时评估多类别的概率估计，该算法能够考虑不同错误识别的相对成本，并根据成本动态调整错误类型，而无需重新培训模型。此外，关于训练多项逻辑回归模型的贝叶斯多项式回归算法可以将训练数据和领域知识结合起来，模型简单，且能够获取多任务学习中每个任务的特定参数和所有任务共有的模型参数。

尽管国内外有学者对已经对超声图像分类展开了研究，但是有两个主要问题是这些研究成果投入真正应用的阻碍：第一，大多数现有的超声图像分类方法集中在面对每种不同疾病的单独分类，没有将所有任务集合在一起作为多任务，以提高整体的分类准确度；第二，在超声图像分类中，每个单独区分阳性阴性的任务中标注数据有限，且有的疑难杂症疾病图像数据较少，忽略已有的有标签数据会导致整个超声图像分类方法性能下降。

发明内容

本发明的目的是克服现有技术缺陷，提供一种基于多任务学习的超声图像多分类方法，结合深度学习和多任务学习的特点，将所有数据集进行组合以提高泛化性能，并利用超声图像数据集中已有的部分有标签数据，提升了超声图像数据集的分类准确度。

本发明的目的是这样实现的：一种基于多任务学习的超声图像多分类方法，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。

进一步的，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；