[发明专利]一种基于动态领域自适应学习的医学图像识别方法

权利要求书

1.一种基于动态领域自适应学习的医学图像识别方法，其特征在于：包括以下步骤：

S101：基于图像数据集进行预处理，得到源域数据集，同时使用近红外脑成像仪采集少量的脑部医学图像数据，得到目标域数据集；

S102：基于源域数据集定义用于图像识别的卷积神经网络模型，初始化各层级参数以及训练轮数epoch_max，并在卷积神经网络中的全连接层的输出层之前加入域自适应层；

S103：计算卷积神经网络的域自适应损失L_MMD以及分类损失L_{classification}；

S104：定义初始种群λ₁到λ_i，并基于差分进化算法查找自适应参数λ的最优位置，基于最优自适应权重参数λ、域自适应损失L_MMD以及分类损失L_{classification}，利用反向传播算法对卷积神经网络进行训练，更新参数，直至网络收敛，完成训练；

S105：将目标域数据集代入训练好的卷积神经网络中，获取脑部医学图像数据的识别输出结果，进行测试。

2.根据权利要求1所述的一种基于动态领域自适应学习的医学图像识别方法，其特征在于：所述S102中基于源域数据集定义用于图像识别的卷积神经网络模型，具体包括：

定义神经网络总层数，包括卷积层与全连接层，定义卷积层每一层的参数、以及全连接层的参数，在倒数第二层全连接层后加入自适应层，通过其输出计算源域与目标域间的最大均值差MMD。

3.根据权利要求1所述的一种基于动态领域自适应学习的医学图像识别方法，其特征在于：所述S104中，基于自适应权重参数λ构建自适应损失L_MMD，来调节卷积神经网络的各层级参数，具体包括：

基于预设种群和种群进化阶段的轮数epoch_s，利用差分进化算法获取最优的自适应权重参数λ；

定义损失函数为：L＝L_{classification}+λL_MMD，其中，L表示网络的最终损失L_{classification}表示网络在源域上的常规分类损失，L_MMD表示网络的自适应损失，此处使用最大均值差异MMD表示；

基于预设神经网络的训练阶段的轮数epoch_t，利用反向传播算法对卷积神经网络进行迭代训练，直至最终损失L收敛，停止训练。

4.根据权利要求3所述的一种基于动态领域自适应学习的医学图像识别方法，其特征在于：所述进化阶段自适应权重参数λ的获取方法，具体包括：

初始化原始种群的个数和位置[λ₁，λ₂，λ₃，…，λ_i]，并将其中每个个体复制一次组成个体对[λ₁，λ₁，λ₂，λ₂，λ₃，λ₃，…，λ_i，λ_i]；

依次使用每个个体对进行网络迭代训练，以相同个体λ_i相邻两次迭代损失函数的减速速度作为个体的适应值，来评价当前个体λ_i的性能；

通过差分进化算法实现个体变异，利用从种群中随机选取的两个个体的差向量作为第三个个体的随机变化源，将差向量加权后按照与第三个个体进行向量合成而产生变异个体；

通过交叉来随机选择个体，将变异个体与某个预先决定的目标个体进行参数混合，生成试验个体；如果试验个体的适应值优于目标个体的适应值，则在下一代中使用试验个体取代目标个体，否则目标个体仍保存下来；

迭代训练，每代都保留优良个体，淘汰劣质个体，引导搜索过程向全局最优解逼近，得到最优自适应权重参数λ。