买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:中南林业科技大学
摘要:本发明公开了基于Resnext集成网络构建训练模型用于医学胸部图像疾病分类的方法,包括以下过程,有标签和无标签的图像数据收集后进行处理;构建ResNext模型;有标签的图像数据对ResNext模型进行监督学习;训练好的ResNext模型对无标签图像数据进行预测;有标签数据和伪标签生成的数据合成新的训练集;合并后的数据集对ResNext模型进行半监督学习;可多次重复步骤4‑7;测试集对训练好的模型进行性能评估微调模型参数和结构;训练好的模型对医学胸部图像结果分析进行疾病分类;在半监督学习方法的基础上,采取反课程伪标签方法,用Resnext50_32x4d网络模型作为主干网络,结合多分类交叉熵损失函数以及CBAM注意力机制,能够有效捕获图像中的抽象特征,提高了医学胸部图像疾病分类的准确率。
主权项:1.基于Resnext集成网络构建训练模型用于医学胸部图像疾病分类的方法,其特征在于:具体包括以下过程,1数据收集:将有标签的医学胸部图像数据和无标签的医学胸部图像数据收集汇总;2数据预处理:加载有标签数据和无标签数据;对有标签和无标签数据进行图像大小调整,实现正规化和标准化处理;3构建ResNext集成模型:选择ResNext作为训练网络,在该网络中加入CBAM注意力机制,并且使用RAdam作为优化器,构建成ResNext集成网络模型4有标签数据的训练:使用有标签的医学胸部图像数据对ResNext模型进行监督学习;采用交叉熵损失函数,使用梯度下降或其他优化算法进行模型训练;5生成伪标签:使用训练好的ResNext模型对无标签医学胸部图像数据进行预测;选择高置信度的预测结果作为伪标签;6合并有标签和伪标签数据:将有标签数据和使用伪标签生成的数据合并成一个新的训练集,保持合并后的数据集平衡和多样性;7半监督学习训练:使用合并后的数据集对ResNext模型进行半监督学习,采用交叉熵损失函数提高胸部疾病分类的准确性,同时考虑有标签数据和伪标签数据的部分;8迭代:可以进行多次迭代,重复步骤4至步骤7,直到模型损失收敛并且稳定,逐步改进模型性能;9模型评估:使用测试集对训练好的模型进行性能评估,计算模型在有标签测试数据和无标签测试数据上的准确性;10微调和优化:根据评估结果,微调模型的超参数和结构,进一步提高模型性能;11结果判定:使用训练好的模型对新的医学胸部图像进行结果分析,从而进行疾病分类。
全文数据:
权利要求:
百度查询: 中南林业科技大学 基于Resnext集成网络构建训练模型用于医学胸部图像疾病分类的方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。