[发明专利]基于隐式表观学习的乳腺X射线影像分类模型训练方法

权利要求书

1.一种基于隐式表观学习的乳腺X射线影像分类模型训练方法，其特征在于，包括：

基于预训练的特征提取模型提取乳腺X射线影像中的多个类型的病灶特征；

分别对所述多个类型的病灶特征进行特征抽象建模以获取多个隐式表观特征描述信息；所述隐式表观特征是包含了病灶良恶性分类所需细节特征的表观特征，每一种隐式表观特征对应了类似的表观特性；所述表观特征包括但不限于病灶边缘特征、病灶形状特征和病灶纹理特征；所述表观特征无论是在模型的训练还是预测阶段都是未知的，由无监督方式得到的所述隐式表观特征来近似；

基于所述多个隐式表观特征描述信息获取用于表征所述多个类型的病灶特征之间关联关系的联合隐式表观特征；

将所述联合隐式表观特征输入神经网络模型以获取预测分析结果；以及

基于所述预测分析结果计算损失函数取值，并基于所述损失函数取值调整所述神经网络模型的参数。

2.根据权利要求1所述的方法，其特征在于，所述分别对所述多个类型的病灶特征进行特征抽象建模以获取多个隐式表观特征描述信息包括：

将所述多个类型的病灶特征分别输入对应的隐式表观建模模型以获取所述多个隐式表观特征描述信息，其中，所述隐式表观建模模型包括卷积层和全连接层。

3.根据权利要求1所述的方法，其特征在于，所述多个类型的病灶特征包括病灶分布特征；

其中，所述分别对所述多个类型的病灶特征进行特征抽象建模以获取多个隐式表观特征描述信息包括：

将病灶区域的所述病灶分布特征输入分布隐式表观建模模型以获取用于描述病灶分布情况的第一分布描述信息；

将所述病灶区域的周边区域的所述病灶分布特征输入所述分布隐式表观建模模型以获取用于描述病灶周边区域分布情况的第二分布描述信息；以及

将所述第一分布描述信息和所述第二分布描述信息进行整合变换以获取与所述病灶分布特征对应的所述隐式表观特征描述信息。

4.根据权利要求3所述的方法，其特征在于，所述将所述第一分布描述信息和所述第二分布描述信息进行整合的方式包括以下方式的一种：特征拼接、特征加和以及特征转换。

5.根据权利要求1所述的方法，其特征在于，所述基于所述多个隐式表观特征描述信息获取用于表征所述多个类型的病灶特征之间关联关系的联合隐式表观特征包括：

通过内积或核函数计算所述多个隐式表观特征描述信息之间的所述联合隐式表观特征。

6.根据权利要求1所述的方法，其特征在于，所述基于所述预测分析结果计算损失函数取值，并基于所述损失函数取值调整所述神经网络模型的参数包括：

基于所述预测分析结果计算交叉熵分类损失函数取值，利用随机梯度下降的方式调整所述神经网络模型的参数，以对所述神经网络模型进行端到端的训练。

7.一种基于隐式表观学习的乳腺X射线影像分类模型训练装置，其特征在于，包括：

特征提取模块，配置为基于预训练的特征提取模型提取乳腺X射线影像中的多个类型的病灶特征；

特征建模模块，配置为分别对所述多个类型的病灶特征进行特征抽象建模以获取多个隐式表观特征描述信息；所述隐式表观特征是包含了病灶良恶性分类所需细节特征的表观特征，每一种隐式表观特征对应了类似的表观特性；所述表观特征包括但不限于病灶边缘特征、病灶形状特征和病灶纹理特征；所述表观特征无论是在模型的训练还是预测阶段都是未知的，由无监督方式得到的所述隐式表观特征来近似；

特征关联模块，配置为基于所述多个隐式表观特征描述信息获取用于表征所述多个类型的病灶特征之间关联关系的联合隐式表观特征；

预测分析模块，配置为将所述联合隐式表观特征输入神经网络模型以获取预测分析结果；以及

参数调整模块，配置为基于所述预测分析结果计算损失函数取值，并基于所述损失函数取值调整所述神经网络模型的参数。