[发明专利]基于协同深度学习的医学图像分类方法

摘要

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。

主权项

一种基于协同深度学习的医学图像分类方法，其特征在于包括以下步骤：步骤一、采用预训练残差深度卷积神经网络的参数分别初始化两个卷积神经网络的参数θA,θB，以及协同学习系统的参数θVS,初始化学习率η(t)和超参数λ；步骤二、采用图像对儿的训练模式对模型进行训练；每输入一个图像对儿，两个深度预训练神经网络分别在倒数第二个全连接层生成深度特征，记为xAT、xBT,将这两个深度特征进行联结得到一个组合特征，记为(xAT，xBT),模型的三个监督信号分别为yA,yB和yVS；步骤三、分别计算两个预训练卷积网络和协同学习系统产生的损失值lA(θA),lB(θB)和lVS(θVS)；lA(θA)=1MΣi=1M[log(Σj=1KeθAjTxA(i))-θAyA(i)TxA(i)]---(1)]]>lB(θB)=1MΣi=1M[log(Σj=1KeθBjTxB(i))-θByB(i)TxB(i)]---(2)]]>lVS(θVS)=1MΣi=1M[log(Σj=1K′eθVSjT(xAT(i),xBT(i)))-θvsyvs(i)T(xAT(i),xBT(i))}---(3)]]>其中，M是训练集样本的个数，K是分类类别个数，K’值取2；步骤四、计算梯度值：∂lA(θA)∂θAk=1MΣi=1M{xA(i)[eθAkTxA(i)Σj=1KeθAjTxA(i)-δkyA(i)]}---(4)]]>∂lB(θB)∂θBk=1MΣi=1M{xB(i)[eθBkTxB(i)Σj=1KeθBjTxB(i)-δkyB(i)]}---(5)]]>∂lVS(θVS)∂θVSk′=1MΣi=1M{(xAT,xBT)[eθVSk′T(xAT,xBT)Σi=1K′eθVSjT(xAT,xBT)-δk′yvs(i)]}---(6)]]>ΔA=∂lA(θA)∂θAk+λ∂lVS(θVS)∂θVSk′,ΔB=∂lB(θB)∂θBk+λ∂lVS(θVS)∂θVSk′---(7)]]>这里λ是协同信号的权重因子，最后更新模型参数：θA＝θA‑η(t)·ΔA，θB＝θB‑η(t)·ΔB。