[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

说明书

本发明公开了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，所述方法包括以下步骤：步骤1、对医学影像感兴趣区域进行小波分解，获取多频子带；步骤2、将每个子带定义为一个视图，对每个视图定量提取影像组学特征，进而得到多视图特征；步骤3、构建基于多视图特征学习的深度监督自编码器的分类网络，基于影像样本的形态学多视图特征向量及其分类标签对分类网络进行训练，得到训练好的分类模型；步骤4、基于训练好的分类模型对未知分类标签的影像进行分类。本发明能够提高医学影像的分类准确度。

技术领域

本发明具体涉及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。

背景技术

医学影像主要包括X光、计算机断层扫描(CT)、正电子扫描(PET)、超声、核磁共振成像(MRI)等。随着医学影像技术和计算机技术的不断发展和进步，近年来，医学影像分类已经成为临床疾病诊断和医学研究中非常重要的工具。

在众多实际问题中，可从多种不同的途径或者多个不同的角度描述同一事物，这样的多种描述构成同一事物的多个视图。多视图可以表示数据的不同特征集；可以表示数据的来源；还可以用来表示数据间的不同关系。真实世界中普遍存在着多视图数据。多视图学习就是从多个角度学习，以提高预测的准确性，它根据数据在不同的视图学习的难易程度不同，来发挥视图之间的相互作用，达到优势互补的结果和协同学习的效果。多视图学习提高性能的方式是通过学习函数来建模每个视图并联合优化所有函数。多视图学习是机器学习中的一个新兴方向，通过多视图学习可以提高泛化性能。多视图学习的一个显著的优点是，通过手动生成的多个视图，在自然的单个视图上的性能仍然可以提高。多视图学习具有重要的现实意义和广阔的发展前景。

近年来，多视图学习的研究取得了很大的进展。随着医学影像采集技术的发展，临床诊断和医学研究中获得的影像数据常常具有多个视角，形成多视图数据。

特征选择是一种降低维度的常用方法，通过特征选择，可以选择重要的特征以避免维度灾难和降低计算成本；同时，它可以用来去除噪声来降低学习的难度，去除噪声的干扰，留下关键因素以提高预测精度；并且可以用来获得更多有物理意义和有价值的特征。

逻辑回归算法(LR)是传统机器学习中的一种分类模型，可以用来预测或者寻找因变量的影响因素，通过历史数据的表现对未来结果发生的概率进行预测，LR的优点是：适合需要得到一个分类概率的场景、计算代价不高并且容易理解实现、对小噪声的鲁棒性很好。但是LR有它的缺点，容易欠拟合导致分类精度不高以及特征空间很大时分类表现也不好。随机森林算法(RF)是另一种机器学习算法。它通过集成学习的思想将多棵树集成。它的表现性能比较好，可以处理很高维度的数据，并且可以平衡误差，此外，RF的抗过拟合能力比较强。但是，使用RF时，无法控制模型内部的运行，并且可能会有很多相似的决策树从而掩盖真实结果，当数据维数较少时，分类表现也不好。支持向量机(SVM)是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器。SVM的优点是它具有良好的学习能力，可以解决小样本情况下的分类问题，并且错误率比较低。但是，SVM对于参数调节和函数的选择敏感。深度神经网络(DNN)是有很多隐藏层的神经网络。而我们提出的深度监督自编码器(DSAE)在DNN的基础上多加了解码器部分。实践中发现，DSAE比DNN具有更优秀的分类性能。

发明内容

本发明所解决的技术问题是，针对现有技术的不足，提供一种基于多视图特征和深度监督自编码器的影像分类方法及装置，这个方法能够提高影像分类的准确度。

为实现上述目的，本发明的技术方案如下：

一种基于多视图特征和深度监督自编码器的影像分类方法，包括以下步骤：

步骤1、分别将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，并用提取出来的特征构成一个多视图特征集；