[发明专利]基于多视图学习和深度监督自编码器的医学影像分类方法及装置

权利要求书

1.一种基于多视图学习和深度监督自编码器的医学影像分类方法及装置，其特征在于，包括以下步骤：

步骤1、分别将获得的每个医学影像进行预处理，将原始医学影像分解为多个频率子带；

步骤2、从多个频率子带中提取特征，并将提取出来的特征构成一个多视图特征集；

步骤3、构建一个基于潜在表示的分类框架，该框架由深度监督自编码器(DSAE)组成，用DSAE将原始特征映射到潜在空间中以学习潜在表示；

步骤4、通过提出的基于多视图特征和深度监督自编码器的医学影像分类方法对未知分类标签的医学影像进行分类。

2.根据权利要求1所述的基于多视图学习和深度监督自编码器的医学影像分类方法及装置，其特征在于，所述步骤1中，对医学影像进行预处理的过程是：首先将每位受试者的医学影像重建为3D影像，然后再提取每个3D影像的感兴趣区域，之后对感兴趣区域进行滤波处理；

将医学影像重建为3D影像使用的是dcm2nii软件包；

提取3D影像的感兴趣区域使用的是3D U-Net模型，该模型被广泛用于医学影像分割；

为了克服样本厚度变化之间的差异，通过B样条插值将感兴趣区域的体积数据重新采样为1mm×1mm×1mm的体素分辨率。

3.根据权利要求2所述的基于多视图学习和深度监督自编码器的医学影像分类方法及装置，其特征在于，所述步骤1中，使用3D小波变换(3D-WT)对感兴趣区域进行小波分解，以捕获八个不同的频率子带，这八个频率子带分别为：LLL、LHL、HLL、HHL、LLH、LHH、HLH、HHH；3D-WT会提供原始信号的空间和频率表示；关于小波分解，3D-WT可以用张量积表示，如下：

其中，代表空间直和；代表卷积运算；L^γ和H^γ分别表示沿γ方向的低通滤波和高通滤波，γ∈{x,y,z}。

4.根据权利要求1所述的基于多视图学习和深度监督自编码器的医学影像分类方法及装置，其特征在于，所述步骤2中，从具有不同频率的子带中提取了包括灰色特征和纹理特征在内的多个特征，这些特征被视为多视图特征集；

定义了如下符号：表示训练样本，其中，代表多视图特征集(N和M分别表示样本数目和多视图特征)；表示相应的标签集，其中，y_n分别表示医学影像的分类类别。