Document
拖动滑块完成拼图
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

基于特征分离的sMRI图像分类方法 

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!

摘要:本发明涉及基于特征分离的sMRI图像分类方法,包括:构建训练集、验证集和测试集;构建分类模型:构建的分类模型包括特征提取模块、双任务预测模块、特征正交模块、分类器和回归器;双任务预测模块包括第一特异性预测模块和第二特异性预测模块;将训练集中所有的训练样本分批次输入到构建的分类模型中进行训练,并使用验证集中所有样本验证训练后的分类模型,经过多次训练与验证后,筛选出最优的分类模型;最后在测试集选取一幅待测试图像,将其依次经过最优分类模型的特征提取模块、第二特异性预测模块和分类器,得到分类结果。优点在于:该方法能区分目标特征中的第一设定特征和第二设定特征。

主权项:1.一种基于特征分离的sMRI图像分类方法,其特征在于包括如下步骤:S1、获取一定数量的sMRI图像及每幅sMRI图像所对应的标签,并对所有的sMRI图像进行预处理,形成样本集,将样本集分成训练集、验证集和测试集;S2、构建分类模型:构建的分类模型包括特征提取模块、双任务预测模块、特征正交模块、分类器和回归器;其中特征提取模块用于从sMRI图像中提取特征,双任务预测模块用于初步分离目标特征,该目标特征包括第一设定特征和第二设定特征,特征正交模块用于进一步分离目标特征;双任务预测模块包括用于提取第一设定特征的第一特异性预测模块和用于提取第二设定特征的第二特异性预测模块;S3、将训练集中所有的训练样本分批次输入到S2构建的分类模型中进行训练,并使用验证集中所有样本验证训练后的分类模型,经过多次训练与验证后,筛选出最优的分类模型;使用其中一个训练样本对分类模型进行训练的具体过程为:S3-1、将训练样本输入到特征提取模块中,得到第一特征图Mx;S3-2、将第一特征图Mx输入到第一特异性预测模块中得到第一特征向量fa,同时将特征图Mx输入到第二特异性预测模块中得到第二特征向量fc;S3-3、将第一特征向量fa和第二特征向量fc输入到特征正交模块中,得到特征正交模块的输出结果;同时将第二特征向量fc输入到分类器中,将第一特征向量fa输入到回归器中,并根据分类器的输出结果计算分类损失以及根据回归器的输出结果计算回归损失所述的计算公式为: 其中,yk表示第k个训练样本对应的真实标签值,表示第k个训练样本预测标签的概率;所述的计算公式为: 其中,yage表示sMRI图像对应的第一设定特征分类结果真实值,表示sMRI图像对应的第一设定特征分类结果预测值;S3-4、根据特征正交模块的输出结果计算正交损失函数计算总损失α、β和γ均为预设权重参数,使用总损失对分类模型中特征提取模块、双任务预测模块和特征正交模块网络的参数进行更新、使用分类损失Lce对分类器的参数进行更新以及使用回归损失Lreg对回归器的参数进行更新,得到一次训练完成后的分类模型;所述正交损失函数的计算公式为: 其中,fak表示第k个训练样本对应的第一设定特征的特征向量,fak=fa,表示计算fak的二范数的平方;fck表示第k个训练样本对应的第二设定特征的特征向量,fck=fc,表示计算fck的二范数的平方;K表示同一批次的训练样本总数量;S4、在测试集选取一幅待测试sMRI图像,将该待测试sMRI图像输入到最优分类模型的特征提取模块中,得到第二特征图,并将第二特征图输入到最优分类模型的第二特异性预测模块中得到特征向量,最后将特征向量输入到最优分类模型的分类器中,即得到该待测试sMRI图像的分类结果。

全文数据:

权利要求:

百度查询: 宁波大学 基于特征分离的sMRI图像分类方法

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。

相关技术
相关技术
相关技术
相关技术