CN114549452B 基于半监督深度学习的新冠肺炎ct图像分析方法 （武汉科技大学）

基于半监督深度学习的新冠肺炎CT图像分本发明提供基于半监督深度学习的新冠肺签训练样本进行两次不同的数据增强得到两张伪标签的数据增强后的无标签训练样本和数据增强后的有标签训练样本进行Mixup，得到新的对分类模型中的全连通层和特征图的权重进行2(3)通过步骤(1)训练的分类模型对数据增强后得到的图像进行分类，得到其分类结(4)对无标签样本增强后的图像的分类结果进行最小化熵处理，将处理后的结果看作(6)将得到伪标签的数据增强后的无标签训练样本和数据增强后的有标签训练样本进2.根据权利要求1所述的基于半监督深度学习的新冠肺炎CT图像分析方法，其特征在在模型中加入注意力机制的模块，首先将残差神经网络提取的特征图分别经过基于width3.根据权利要求1所述的基于半监督深度学习的新冠肺炎CT图像分析方法，其特征在4.根据权利要求1所述的基于半监督深度学习的新冠肺炎CT图像分析方法，其特征在5.根据权利要求1所述的基于半监督深度学习的新冠肺炎CT图像分析方法，其特征在322μ~Beta(α,α)6.根据权利要求1所述的基于半监督深度学习的新冠肺炎CT图像分析方法，其特征在别数，当一个标签例子的正确类别P的概率高于阈值ηt时，模型从损失函数中删除这个例分类模型模块对无标签样本增强后的图像的分类结果数据混合模块，将得到伪标签的数据增强后的无标签训练样本分类模型模块对新的训练样本和对应的标签进行训练，关注图生成模块，对分类模型模块中的全连通层和特征图的权重进行4[0002]预防和对抗新冠肺炎的最关键的一个步骤就是对疑似感染的病人进行有效的筛以更快地得到胸部CT扫描和相应的诊断结果。而且CT扫描的设备在现代医疗保健系统十[0004]本发明的目的在于提供一种基于半监督学习与注意力机制的新冠肺炎CT图像分[0010](4)对无标签样本增强后的图像的分类结果进行最小化熵处理，将处理后的结果5[0012](6)将得到伪标签的数据增强后的无标签训练样本和数据增强后的有标签训练样在模型中加入注意力机制的模块，首先将残差神经网络提取的特征图分别经过基于width226别数。当一个标签例子的正确类别P的概率高于阈值ηt时，模型从损失函数中删除这个例[0028]本发明还提供一种基于半监督深度学习的新冠肺炎CT图像分析系统，其特征在[0030]深度学习模块对每一张无标签训练样本进行两次不同的数据增强得到两张新的[0033]数据增强模块，对每一张有标签训练样本进行一次数据增强得到其增强后的图[0036]关注图生成模块，对分类模型模块中的全连通层和特征无标签样本，利用模型从中学习到的隐藏分布信息来促进分类器朝着正确的决策方向移[0038]图1是本发明提供的基于半监督学习和注意力机制的新冠肺炎CT图像诊断方法的7加卷积层的输出特征。最后注意力图A由sigmoid函数生成：A＝Sigmoid(Conv(Avgpool[0049](2)对每一张无标签训练样本进行两次不同的数据增强得到两张新的图像。图像[0050](3)通过上一阶段训练的分类模型对数据增强后得到的图像进行分类，得到其分[0051](4)对无标签样本增强后的图像的分类结果进行最小化熵处理，将处理后的结果[0053](6)将得到伪标签的数据增强后的无标签训练样本和数据增强后的有标签训练样228[0063]实施例采用本发明提供的基于半监督学习和注意力机制的新冠肺炎CT诊断的方[0064]使用一个有标记的CT数据集和一个无标记的CT数据集来评估所提出的方法在新[0067]阳性样本为来自medRxiv和bioRxiv的760份COVID-19预印本，阴性样本为正常人[0073]深度学习模块对每一张无标签训练样本进行两次不同的数据增强得到两张新的9[0076]数据增强模块，对每一张有标签训练样本进行一次数据增强得到其增强后的图[0079]关注图生成模块，对分类模型模块中的全连通层和特征