本申請(qǐng)涉及人工智能，尤其涉及一種醫(yī)學(xué)影像可解釋分類預(yù)測(cè)方法、系統(tǒng)、設(shè)備及介質(zhì)。

背景技術(shù)：

1、相關(guān)技術(shù)中，深度學(xué)習(xí)模型在醫(yī)學(xué)影像的判斷上表現(xiàn)出了較高的準(zhǔn)確性，但在概念的識(shí)別和具體解釋上，仍存在顯著的局限性。在實(shí)際應(yīng)用中發(fā)現(xiàn)，概念的識(shí)別往往涉及復(fù)雜的多標(biāo)簽分類任務(wù)，難以識(shí)別并標(biāo)注多個(gè)可能重疊或關(guān)聯(lián)的醫(yī)學(xué)概念，導(dǎo)致對(duì)醫(yī)學(xué)影像的可解釋分類預(yù)測(cè)難以真正識(shí)別，影響了預(yù)測(cè)的準(zhǔn)確度。綜上，相關(guān)技術(shù)中存在的技術(shù)問題有待得到改善。

技術(shù)實(shí)現(xiàn)思路

1、本申請(qǐng)實(shí)施例的主要目的在于提出一種醫(yī)學(xué)影像可解釋分類預(yù)測(cè)方法、系統(tǒng)、設(shè)備及介質(zhì)，能夠提高分類預(yù)測(cè)的準(zhǔn)確率。

2、為實(shí)現(xiàn)上述目的，本申請(qǐng)實(shí)施例的一方面提出了一種醫(yī)學(xué)影像可解釋分類預(yù)測(cè)方法，所述方法包括：

3、獲取醫(yī)學(xué)數(shù)據(jù)集；

4、對(duì)所述醫(yī)學(xué)數(shù)據(jù)集進(jìn)行概念標(biāo)簽轉(zhuǎn)化和圖像預(yù)處理，得到訓(xùn)練數(shù)據(jù)集；

5、將所述訓(xùn)練數(shù)據(jù)集輸入預(yù)先構(gòu)建的分類預(yù)測(cè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練處理，得到分類預(yù)測(cè)模型；所述分類預(yù)測(cè)網(wǎng)絡(luò)包括多模態(tài)學(xué)習(xí)模塊、概念優(yōu)化模塊和分類模塊；

6、將待處理的醫(yī)學(xué)影像輸入所述分類預(yù)測(cè)模型進(jìn)行分類預(yù)測(cè)處理，得到分類預(yù)測(cè)結(jié)果。

7、在一些實(shí)施例中，所述將所述訓(xùn)練數(shù)據(jù)集輸入預(yù)先構(gòu)建的分類預(yù)測(cè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練處理，得到分類預(yù)測(cè)模型，包括以下步驟：

8、將所述訓(xùn)練數(shù)據(jù)集輸入所述多模態(tài)學(xué)習(xí)模塊進(jìn)行特征提取處理，得到初始概念特征圖；所述初始概念特征圖用于表征概念標(biāo)簽在圖像空間位置上的響應(yīng)強(qiáng)度；

9、將所述初始概念特征圖輸入所述概念優(yōu)化模塊進(jìn)行白化處理和梯度優(yōu)化處理，得到目標(biāo)概念特征圖；

10、將所述目標(biāo)概念特征圖輸入所述分類模塊進(jìn)行分類處理，得到分類結(jié)果；

11、根據(jù)分類預(yù)測(cè)損失函數(shù)對(duì)所述分類結(jié)果進(jìn)行損失計(jì)算處理，得到分類預(yù)測(cè)損失值；

12、根據(jù)所述分類預(yù)測(cè)損失值對(duì)所述分類預(yù)測(cè)網(wǎng)絡(luò)進(jìn)行參數(shù)更新處理，得到所述分類預(yù)測(cè)模型。

13、在一些實(shí)施例中，所述將所述訓(xùn)練數(shù)據(jù)集輸入所述多模態(tài)學(xué)習(xí)模塊進(jìn)行特征提取處理，得到初始概念特征圖，包括以下步驟：

14、將所述訓(xùn)練數(shù)據(jù)集輸入所述多模態(tài)學(xué)習(xí)模塊進(jìn)行網(wǎng)絡(luò)訓(xùn)練處理，得到特征提取層；

15、將所述訓(xùn)練數(shù)據(jù)集輸入所述特征提取層進(jìn)行特征提取處理，得到高層特征圖；

16、通過卷積層將所述高層特征圖進(jìn)行轉(zhuǎn)換處理，得到所述初始概念特征圖。

17、在一些實(shí)施例中，所述多模態(tài)學(xué)習(xí)模塊包括骨干網(wǎng)絡(luò)和文本編碼器，所述將所述訓(xùn)練數(shù)據(jù)集輸入所述多模態(tài)學(xué)習(xí)模塊進(jìn)行網(wǎng)絡(luò)訓(xùn)練處理，得到特征提取層，包括以下步驟：

18、將所述訓(xùn)練數(shù)據(jù)集輸入所述骨干網(wǎng)絡(luò)和所述文本編碼器進(jìn)行特征提取處理，得到圖像表示和文本表示；

19、對(duì)所述圖像表示和所述文本表示進(jìn)行線性映射轉(zhuǎn)換處理和對(duì)比損失計(jì)算處理，得到對(duì)比損失值；

20、根據(jù)所述對(duì)比損失值對(duì)所述骨干網(wǎng)絡(luò)的參數(shù)進(jìn)行更新處理，得到所述特征提取層。

21、在一些實(shí)施例中，所述將所述初始概念特征圖輸入所述概念優(yōu)化模塊進(jìn)行白化處理和梯度優(yōu)化處理，得到目標(biāo)概念特征圖，包括以下步驟：

22、對(duì)所述初始概念特征圖進(jìn)行迭代白化處理，得到白化矩陣；

23、根據(jù)所述多模態(tài)學(xué)習(xí)模塊的輸出結(jié)果構(gòu)建得到初始正交矩陣；

24、對(duì)所述初始正交矩陣進(jìn)行迭代優(yōu)化處理，得到優(yōu)化正交矩陣；

25、根據(jù)所述優(yōu)化正交矩陣對(duì)所述白化矩陣進(jìn)行特征空間正交化處理，得到所述目標(biāo)概念特征圖。

26、在一些實(shí)施例中，所述對(duì)所述初始概念特征圖進(jìn)行迭代白化處理，得到白化矩陣，包括以下步驟：

27、對(duì)所述初始概念特征圖進(jìn)行去中心化處理，得到初始矩陣；

28、對(duì)所述初始矩陣進(jìn)行協(xié)方差計(jì)算處理，得到協(xié)方差矩陣；

29、根據(jù)所述初始矩陣的維數(shù)初始化得到單位矩陣；

30、根據(jù)所述協(xié)方差矩陣對(duì)所述單位矩陣進(jìn)行牛頓迭代計(jì)算處理，得到迭代矩陣；

31、根據(jù)所述迭代矩陣和所述協(xié)方差矩陣進(jìn)行計(jì)算處理，得到所述白化矩陣。

32、在一些實(shí)施例中，所述對(duì)所述初始正交矩陣進(jìn)行迭代優(yōu)化處理，得到優(yōu)化正交矩陣，包括以下步驟：

33、對(duì)所述初始概念特征圖進(jìn)行二值化計(jì)算處理，得到概念分割圖；

34、根據(jù)所述概念分割圖對(duì)所述初始正交矩陣進(jìn)行最大化正則化處理，構(gòu)建得到目標(biāo)優(yōu)化函數(shù)；

35、根據(jù)共軛梯度的搜索算法對(duì)所述目標(biāo)優(yōu)化函數(shù)進(jìn)行迭代計(jì)算處理，得到所述優(yōu)化正交矩陣。

36、為實(shí)現(xiàn)上述目的，本申請(qǐng)實(shí)施例的另一方面提出了一種醫(yī)學(xué)影像可解釋分類預(yù)測(cè)系統(tǒng)，所述系統(tǒng)包括：

37、第一模塊，用于獲取醫(yī)學(xué)數(shù)據(jù)集；

38、第二模塊，用于對(duì)所述醫(yī)學(xué)數(shù)據(jù)集進(jìn)行概念標(biāo)簽轉(zhuǎn)化和圖像預(yù)處理，得到訓(xùn)練數(shù)據(jù)集；

39、第三模塊，用于將所述訓(xùn)練數(shù)據(jù)集輸入預(yù)先構(gòu)建的分類預(yù)測(cè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練處理，得到分類預(yù)測(cè)模型；所述分類預(yù)測(cè)網(wǎng)絡(luò)包括多模態(tài)學(xué)習(xí)模塊、概念優(yōu)化模塊和分類模塊；

40、第四模塊，用于將待處理的醫(yī)學(xué)影像輸入所述分類預(yù)測(cè)模型進(jìn)行分類預(yù)測(cè)處理，得到分類預(yù)測(cè)結(jié)果。

41、為實(shí)現(xiàn)上述目的，本申請(qǐng)實(shí)施例的另一方面提出了一種電子設(shè)備，所述電子設(shè)備包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)前面所述的方法。

42、為實(shí)現(xiàn)上述目的，本申請(qǐng)實(shí)施例的另一方面提出了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)前面所述的方法。

43、本申請(qǐng)實(shí)施例至少包括以下有益效果：本申請(qǐng)實(shí)施例提供了一種醫(yī)學(xué)影像可解釋分類預(yù)測(cè)方法、系統(tǒng)、設(shè)備及介質(zhì),該方案通過獲取醫(yī)學(xué)數(shù)據(jù)集，對(duì)醫(yī)學(xué)數(shù)據(jù)集進(jìn)行概念標(biāo)簽轉(zhuǎn)化和圖像預(yù)處理得到訓(xùn)練數(shù)據(jù)集，能夠?qū)⑨t(yī)學(xué)數(shù)據(jù)集中的文本數(shù)據(jù)轉(zhuǎn)化為概念標(biāo)簽用于后續(xù)對(duì)模型的訓(xùn)練處理，提高了模型對(duì)概念的學(xué)習(xí)能力。另外，本申請(qǐng)實(shí)施例將訓(xùn)練數(shù)據(jù)集輸入預(yù)先構(gòu)建的分類預(yù)測(cè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練處理得到分類預(yù)測(cè)模型，將待處理的醫(yī)學(xué)影像輸入分類預(yù)測(cè)模型進(jìn)行分類預(yù)測(cè)處理得到分類預(yù)測(cè)結(jié)果。本申請(qǐng)實(shí)施例能夠通過分類預(yù)測(cè)網(wǎng)絡(luò)中的概念優(yōu)化模塊對(duì)提取到的特征進(jìn)行主成分提取，減少了干擾信息，并且最大化概念差別讓模型學(xué)習(xí)到的概念特征清晰且準(zhǔn)確，提高了分類預(yù)測(cè)結(jié)果的準(zhǔn)確度。

技術(shù)特征：

1.一種醫(yī)學(xué)影像可解釋分類預(yù)測(cè)方法，其特征在于，所述方法包括以下步驟：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將所述訓(xùn)練數(shù)據(jù)集輸入預(yù)先構(gòu)建的分類預(yù)測(cè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練處理，得到分類預(yù)測(cè)模型，包括以下步驟：

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述將所述訓(xùn)練數(shù)據(jù)集輸入所述多模態(tài)學(xué)習(xí)模塊進(jìn)行特征提取處理，得到初始概念特征圖，包括以下步驟：

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述多模態(tài)學(xué)習(xí)模塊包括骨干網(wǎng)絡(luò)和文本編碼器，所述將所述訓(xùn)練數(shù)據(jù)集輸入所述多模態(tài)學(xué)習(xí)模塊進(jìn)行網(wǎng)絡(luò)訓(xùn)練處理，得到特征提取層，包括以下步驟：

5.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述將所述初始概念特征圖輸入所述概念優(yōu)化模塊進(jìn)行白化處理和梯度優(yōu)化處理，得到目標(biāo)概念特征圖，包括以下步驟：

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述對(duì)所述初始概念特征圖進(jìn)行迭代白化處理，得到白化矩陣，包括以下步驟：

7.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述對(duì)所述初始正交矩陣進(jìn)行迭代優(yōu)化處理，得到優(yōu)化正交矩陣，包括以下步驟：

8.一種醫(yī)學(xué)影像可解釋分類預(yù)測(cè)系統(tǒng)，其特征在于，所述系統(tǒng)包括：

9.一種電子設(shè)備，其特征在于，所述電子設(shè)備包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)權(quán)利要求1至7任一項(xiàng)所述的方法。

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1至7中任一項(xiàng)所述的方法。

技術(shù)總結(jié)
本申請(qǐng)公開了一種醫(yī)學(xué)影像可解釋分類預(yù)測(cè)方法、系統(tǒng)、設(shè)備及介質(zhì)，該方案通過獲取醫(yī)學(xué)數(shù)據(jù)集，對(duì)醫(yī)學(xué)數(shù)據(jù)集進(jìn)行概念標(biāo)簽轉(zhuǎn)化和圖像預(yù)處理得到訓(xùn)練數(shù)據(jù)集，將訓(xùn)練數(shù)據(jù)集輸入預(yù)先構(gòu)建的分類預(yù)測(cè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練處理得到分類預(yù)測(cè)模型，將待處理的醫(yī)學(xué)影像輸入分類預(yù)測(cè)模型進(jìn)行分類預(yù)測(cè)處理得到分類預(yù)測(cè)結(jié)果。本申請(qǐng)實(shí)施例能夠通過分類預(yù)測(cè)網(wǎng)絡(luò)中的概念優(yōu)化模塊對(duì)提取到的特征進(jìn)行主成分提取，減少了干擾信息，并且最大化概念差別讓模型學(xué)習(xí)到的概念特征清晰且準(zhǔn)確，提高了分類預(yù)測(cè)結(jié)果的準(zhǔn)確度，可以廣泛應(yīng)用于人工智能技術(shù)領(lǐng)域。

技術(shù)研發(fā)人員：邢孔炫,張錦濤,鄧詩祺,姜善成
受保護(hù)的技術(shù)使用者：中山大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15