[发明专利]基于协同深度学习的医学图像分类方法

说明书

本发明公开了一种基于协同深度学习的医学图像分类方法，用于解决现有医学图像分类方法分类准确率差的技术问题。技术方案是采用两个深度卷积神经网络之间协同学习方法，通过成对学习模式进行训练，每次模型接受图像对儿作为输入，一对儿图像分别被输送到对应的深度卷积神经网络中。采用微调预训练模型的方法对这些深度卷积网络进行初始化和训练，设计一个协同学习系统，使两个深度网络进行互助学习。该协同系统用来对图像对儿的异同属性进行监督，即是否属于用一个类别，并且实时地将两个深度卷积网络产生的协同误差进行反向传播、修正网络的权值，从而进一步加强网络学习特征表征的能力，能够更加有效地对易混淆样本作出准确地判别。

技术领域

本发明涉及一种医学图像分类方法，特别是涉及一种基于协同深度学习的医学图像分类方法。

背景技术

医学图像分类方法在医学检索、文献综述和医学研究等方面具有极其重要的作用，一直是计算机辅助诊断和医学研究领域中的热点研究问题。在过去无数研究者的数十年研究中，形成了一套完整的传统模式下的图像分类技术。其核心要素是手工特征提取和分类器的设计两个部分。尽管有一套非常完善的理论体系，传统的图像分类方法很难实现最优特征和最优分类器的无缝联合，这导致其性能受到很大的影响。近年来，深度学习技术的出现给图像分类问题带来了新的突破，端到端模式下特征自学习具有非常强大的图像表征能力。深度学习中的卷积神经网络模型被成功地应用到了医学图像分类问题中，并且相对于传统图像分类技术取得了巨大的突破。但是不同于拥有海量数据的自然场景图像分类问题，医学图像往往需要专业的领域专家进行标注，其代价非常昂贵，因此，医学领域中有标注的数据非常稀少。此外，医学图像分类问题中显著的类内差异性和类间相似性给分类问题带来了极大的困扰，我们需要根据成像的模态而非成像的组织部位进行类别判断，影像中解剖结构和位置的差异很容易使得模型在分类过程中被严重混淆。

文献“Kumar A,Kim J,Lyndon D,et al.An Ensemble of Fine-TunedConvolutional Neural Networks for Medical Image Classification[J].IEEEJournal of Biomedical&Health Informatics,2016,PP(99):1-1.”公开了一种基于多个预训练网络集成的医学图像分类方法。该方法利用大规模图像目标分类数据库ImageNet训练多个卷积神经网络，根据小样本的医学影像数据对这些预训练网络进行微调，使得这些网络的参数适应医学图像分类任务。大量的实验已经证明了深度神经网络具有很强的特征迁移能力，这从一定程度上解决了医学影像分类中的小样本学习问题。然后将这些预训练网络的决策概率集成平均得到最后的分类概率，这种集成的思想能够进一步提升模型的分类性能。文献所述方法通过将多个预训练模型输出的预测概率平均得到最后的分类结果，这些预训练网络在训练和预测的时候彼此相互独立，对于那些很难分对的样本来说，简单的集成方法并不能改善最后的分类结果。因此，该文献中的方法并不能很好地解决医学影像分类中类内差异和类间相似的问题。

发明内容

为了克服现有医学图像分类方法分类准确率差的不足，本发明提供一种基于协同深度学习的医学图像分类方法。该方法采用两个深度卷积神经网络之间协同学习方法，通过成对学习模式进行训练，每次模型接受图像对作为输入，一对儿图像分别被输送到对应的深度卷积神经网络中。由于医学图像分类问题中的数据量都比较小，故采用微调预训练模型的方法对这些深度卷积网络进行初始化和训练。为了增强网络特征学习能力，设计一个协同学习系统巧妙地使两个深度网络进行互助学习。该协同系统用来对图像对的异同属性进行监督，即是否属于用一个类别，并且实时地将两个深度卷积网络产生的协同误差进行反向传播、修正网络的权值，从而进一步加强网络学习特征表征的能力，能够更加有效地对易混淆样本作出准确地判别。

本发明解决其技术问题所采用的技术方案是：一种基于协同深度学习的医学图像分类方法，其特点是包括以下步骤：