1.一种基于双线性池化应用于CT影像的颅内出血亚类型分类算法,其特征在于所述颅内出血亚类型分类算法包括如下步骤:步骤一、从dicom格式的医学CT影像得到CT图像值;
步骤二、Windowing操作
对步骤一得到的CT图像值进行windowing操作;
步骤三、转化成jpg图像
Windowing操作完之后进行归一化使得图像的像素值在[0,1]之间,将图片的像素值与
255相乘得到[0,255]之间的值,随后使用opencv的imwrite()函数生成.jpg图像;
步骤四、训练CNN网络使用
多权重焦点损失、Softmax相对熵损失训练CNN网络,在训练过程中通过反向传播调整网络参数,以得到更加符合图像检索需求的CNN网络;
多权重焦点损失的计算公式如下:
其中,yc代表第c类的标签,且yc∈[0,1], 代表网络对c类的预测值,σ(·)代表的是Sigmoid函数,xc代表的是全连接层针对c类的输出,K代表的是类别的数量,Nc是当前mini‑batch中c类别的正样本数量,N代表当前mini‑batch中所有训练样本的数量,γ是一个控制系数,其目的是减少易分类样本的损失,从而使得模型在训练时更专注于难分样本;
步骤五、特征提取
用ICH亚类型多标签细粒度CNN网络框架提取图像特征,使用两个不同源的CNN网络作为特征提取器,CNN1代表ResNet50,CNN2代表DenseNet121,并为每个分支网络使用不同的损失函数LCNN1和LCNN2,然后经过CBP之后得到聚合特征,使用BCE损失作为两个分支网络特征聚合之后的损失函数,其所有的损失函数公式定义如下:LCNN1=LMWF+αLSRE;
LCNN2=LMWF+βLSRE;
Ltotal=LBCE+δ(LCNN1+LCNN2);
其中,LSRE表示Softmax相对熵损失,LMWF表示多权重焦点损失,α,β是超参数,代表的是LSRE的权重系数,其目的是控制SRE在融合损失中的权重;超参数α,β的值越大,则代表SRE聚合损失的权重越大,使得网络更注重关注样本之间的标签相关性;Ltotal代表的是整个CNN框架的损失,它由LBCE、LCNN1、LCNN2三个损失函数构成,并为两个分支的损失函数LCNN1和LCNN2加入了权重δ,δ也是一个超参数,它代表两个分支的损失占整个训练框架的权重;
步骤六、输出预测结果
RNN模块由两个Bi‑LSTM网络构成,RNN模块作为CNN模块的下游,将来自于上游CNN模块提取的图像特征作为Bi‑LSTM网络的输入,同时,在Bi‑LSTM网络的输出之后,再经过全连接层进行分类。
2.根据权利要求1所述的基于双线性池化应用于CT影像的颅内出血亚类型分类算法,其特征在于所述步骤二中,使用的窗口如下:Brain window:[40,80],Subduralwindow:[80,200],Bone window:[40,380],其中,方括号内第一位数字表示窗位,第二位数字表示窗宽。
3.根据权利要求1所述的基于双线性池化应用于CT影像的颅内出血亚类型分类算法,其特征在于所述步骤四中,Softmax相对熵损失的计算公式如下:Ptarget(xc)=P{X=xc}=STc;
Ppred(xc)=P{X=xc}=SPc;
其中,Ptarget是标签的概率分布,yc是第c类的目标标签,xc是第c类样本,STc是目标标签中第c类对应的softmax得到的结果,Ppred是预测标签的概率分布,lc是第c类全连接层的输出经过Sigmoid之后得到的预测概率,SPc是预测标签中第c类对应的Softmax得到的结果。