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：江西理工大学

摘要：本发明涉及医学图像处理技术领域，尤其是涉及一种医学图像分类方法、系统、终端及存储介质。包括获取样本数据，构建知识蒸馏网络模型，训练知识蒸馏网络模型，最终输出皮肤病图像分类结果。本发明利用自适应提升算法AdaBoost赋予学生根据当前的皮肤病分类学习困难程度来决定挖掘教师知识的粒度；根据学生当前阶段的学习困难来主动挖掘教师中的基于logit，基于中间特征，以及基于相关性知识从而进行有目标的知识传递。此外，为了充分挖掘后续皮肤病分类学习阶段的困难，采用GCN思想，随着学习过程的进行，挖掘当前节点跳的信息后复制给学生，目的是让学生在保持与教师一致的近邻关系下，通过挖掘皮肤病样本间多跳信息来感知更细微的分类困难。

主权项：1.一种医学图像分类方法，其特征在于，包括：获取样本数据，采集皮肤病图像数据作为输入，并对皮肤病图像样本数据进行处理，得到图像样本数据集；构建知识蒸馏网络模型，知识蒸馏网络模型包括教师网络模型和学生网络模型，教师网络模型和学生网络模型均包括骨干网络和分类器；训练知识蒸馏网络模型，在训练知识蒸馏网络模型时，包括教师网络模型预训练和学生网络模型训练，其中教师网络模型预训练包括两个阶段：在第一阶段，完成带有个阶段的教师模型的训练，最后获得训练好的骨干网络；在第二阶段冻住骨干网络的权重，对辅助分类器进行参数更新；训练学生网络模型时，将带有个stages的皮肤病分类学生模型的骨干网络表示为，其中所包含的辅助分类器表示为，其代表学生模型第个stage的辅助分类器，学生网络模型在预训练好的皮肤病分类教师模型监督下进行学习，计算总体损失，其中总体损失包括学生网络模型中的真实标签监督的任务损失、真实标签监督的Adaboost损失以及学生与教师之间的样本级权重加权蒸馏损失，公式如下： ，其中：和为平衡因子，学生模型中以真实标签监督的交叉熵损失作为任务损失，目标是使得能够拟合one-hot标签数据，将最后的输出与真实标签计算交叉熵以获得任务损失，为了挖掘学生各个阶段的皮肤病分类学习困难，AdaBoost以顺序方式训练学生模型个辅助分类器的预测，第个基分类器的输入样本权重表示为，其中，第个基分类器的皮肤病输入样本权重均会由第个基分类器更新调整，然后根据第个基分类器的误差率来计算该基分类器的权重，最后根据各个基分类器的权重进行线性加权获得最后的真实标签监督的AdaBoost的蒸馏损失，真实标签监督的Adaboost损失如下所示， ，其中，代表皮肤病输入样本的真实标签，代表第个阶段，代表输入batch的大小，代表所有阶段的总数，代表第个基分类器的权重，代表学生网络模型第个阶段的辅助分类器对样本的预测，，代表第个辅助分类器的分类器网络模块，使用对进行加权，代表第个基分类器皮肤病输入样本的分类学习困难程度，其值越大代表越困难；将网络模型的输出结果进行汇总，输出皮肤病图像分类结果。

全文数据：

权利要求：

百度查询： 江西理工大学 医学图像分类方法、系统、终端及存储介质