[发明专利]用于医学图像分类的证据推理方法及可视化证据标记方法

权利要求书

1.一种用于医学图像分类的证据推理方法，包括如下步骤：

S1.获取已有的医学图像，并与各个医学图像的真实标签进行一一对应标记，得到训练数据集，再提取医学图像的特征图；

S2.构建用于医学图像分类的证据推理原始模型：

构建证据推理模型：

S2.1.采用特征聚合投票的方式将医学图像所对应的特征图转化为符号结点；一个符号结点表示一类医学图像属性；

S2.2.以步骤S2.1得到的符号结点作为图网络的结点，以结点与结点之间的相关性为图网络的边，构建图网络；

S2.3.对全局属性的相关性进行建模，并采用步骤S2.2得到的图网络进行证据推理，得到支撑医学图像分类的证据信息，并将证据信息量化为数值参数；

利用构建的证据推理模型，进行医学图像的分类：

S2.4.设定医学图像的原始概率分布，并采用步骤S2.3得到的量化后的证据信息对医学图像的原始概率分布进行优化；

S2.5.对分类结果进行数值化评估；

S3.采用步骤S1得到的训练数据集，对步骤S2构建的用于医学图像分类的证据推理原始模型进行训练，得到用于医学图像分类的证据推理模型；

S4.采用步骤S3得到的用于医学图像分类的证据推理模型，对实际的待分类的医学图像进行分类，并给出对应的分类证据。

2.根据权利要求1所述的用于医学图像分类的证据推理方法，其特征在于步骤S1所述的获取已有的医学图像，并与各个医学图像的真实标签进行一一对应标记，得到训练数据集，再提取医学图像的特征图，具体为将已有的医学图像分为正常和异常，并将分类结果作为真实标签，与医学图像进行一一对应，从而构建训练数据集，然后采用Resnet50骨架网络提取医学图像的特征图。

3.根据权利要求2所述的用于医学图像分类的证据推理方法，其特征在于步骤S2.1所述的采用特征聚合投票的方式将医学图像所对应的特征图转化为符号结点；一个符号结点表示一类医学图像属性，具体包括如下步骤：

聚合投票利用特征图F的每个像素值对每个节点以不同的投票权重进行投票，然后每个节点把所有像素值的投票信息进行聚合，结果代表每一种医学图像属性；具体为采用如下算式进行计算：

式中P_n为每一类的医学图像属性；H为特征图F的长；W为特征图F的高；F_i为局部特征；W^g为维度转化矩阵；为局部特征F_i对每个节点N_n投票的权重，且v_n为可训练的投票权重，N为医学图像属性的个数。

4.根据权利要求3所述的用于医学图像分类的证据推理方法，其特征在于步骤S2.2所述的以步骤S2.1得到的符号结点作为图网络的结点，以结点与结点之间的相关性为图网络的边，构建图网络，具体包括如下步骤：

构造图网络G＝{N,ε}，其中医学图像属性作为节点s_m，且s_m∈N，N为医学图像属性的个数；两个医学图像属性的关联边为(s_m,s_n)，且(s_m,s_n)∈ε，ε为关联边的集合；A为M类属性之间的邻接矩阵，且为长为M、高为M的矩阵。