[发明专利]一种基于融合时间注意机制的CT图像自动分类方法

权利要求书

1.一种基于融合时间注意机制的CT图像自动分类方法，其特征在于，该方法具体包括以下步骤：

步骤S1：收集疑似患者相关的医疗影像信息，其中医疗影像信息包括CT图像，并建立CT图像和类别标签的关系；

步骤S2：对采集的原始CT图像进行预处理，得到处理后的数据集，并将预处理之后的CT图像数据集进行训练集和测试集的划分；

步骤S3：构建CT图像的分块输入，并搭建融合时间注意机制的3D CNN分类网络，具体步骤如下：

步骤S31：定义X＝[x₁,x₂,...,x_n]为具有n张切片的CT图像，其中x_i表示一张2维CT切片；根据切片顺序将CT图像分成s份不相交的3D图像块，则每一个3D图像块视为包含相等数量的连续CT切片的集合，即

步骤S32：构建融合时间注意机制的3D CNN分类网络：

首先构建一个3D CNN的前向传播神经网络，然后将一般架构的全局平均池化层替换为时间注意力网络；

步骤S33：将每一个3D图像块S_i分别送入融合时间注意机制的3D CNN分类网络，得到每一个3D图像块的分类预测概率P(c|S_i)，其中c表示类别；联合所有3D图像块的预测概率，得到整个CT图像的预测值：

步骤S34：定义y_c为对于类别c的真实标签，则分类损失计算为：

步骤S4：构建噪声校正网络，通过真实标签加上一个参数未知的噪声信道，利用神经网络学习噪声分布参数，提高模型识别和泛化性能；具体步骤如下：

步骤S41：在进行CT图像分类时，假设分类网络不能观察到每一张切片的正确标签y，而只能获得带有噪声的标签z，噪声标签和真实标签之间具有隐藏分布关系P(z_c＝i|y_c＝j,X)；将该分布关系定义为噪声转换函数首先计算

其中i,j∈{0,1}为标签值；为非线性映射函数；和为可学习参数，看成是对于类别c，真实标签i到噪声标签j之间的转换得分；

步骤S42：根据噪声转换函数计算噪声标签的估计概率：

步骤S43：根据每一张CT切片估计的噪声概率，计算整个CT图像的噪声分类损失：

步骤S5：计算最终损失：L_total＝L_cls+λL_noisy，其中λ为损失平衡参数。

2.根据权利要求1所述的一种基于融合时间注意机制的CT图像自动分类方法，其特征在于：其中，所述的CT影像为经过脱敏技术处理的脱敏数据。

3.根据权利要求1所述的一种基于融合时间注意机制的CT图像自动分类方法，其特征在于：所述的分割算法为深度学习方法。

4.根据权利要求1所述的一种基于融合时间注意机制的CT图像自动分类方法，其特征在于：所述的对采集的原始CT图像进行预处理，具体为：

步骤S21：给定一个独立数据集，并利用其预训练一个U-Net分割网络；

步骤S22：应用预训练的U-Net网络对每一例原始CT图像进行分割；CT图像由若干单通道CT切片组成，假定其中一张CT切片为I_ori，应用分割算法时，首先得到分割掩膜I_mask，随后利用分割掩膜提取出原始CT图像中相应区域，即掩膜所覆盖区域保持不变，其它区域填充为0，记分割后的图像为I_seg；

步骤S23：将I_ori和得到的I_mask以及I_seg进行叠加组合，原始的单通道CT切片经转换变为三通道图像，所有CT切片均经此操作；

步骤S24：将CT图像重采样为统一规格，具体地：利用分割掩膜I_mask计算掩膜区域中心，并以统一体积大小围绕区域中心对CT图像进行裁剪，最终每一幅CT图像大小统一为：h*w*n，其中h和w为切片的长和宽，n为切片的数量。