[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

说明书

本发明公开了一种基于动态领域自适应学习的医学图像识别方法，涉及迁移学习技术领域，其解决了近红外脑成像中有标签数据获取成本高昂的难题。本发明包括以下步骤：基于ImageNet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；基于源域数据集定义用于图像识别的卷积神经网络模型，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；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。本发明实现了动态自动寻找进行迁移学习的最佳时机的功能，显著提高了网络的分类精度和收敛速。

技术领域

本发明属于迁移学习领域，涉及一种基于动态领域自适应学习的医学图像识别方法。

背景技术

随着医学成像技术和计算机技术的不断发展和进步，医学图像分析已成为医学研究、临床疾病诊断和治疗中一个不可或缺的工具和技术手段。近几年来，深度学习(Deeplearning, DL)，特别是深度卷积神经网络(Convolutional neural networks,CNN)已经迅速发展成为医学图像分析的研究热点，它能够从医学图像大数据中自动特区隐含的疾病诊断特征。在医学图像领域，医生或者研究人员在对某种特定的内部组织器官进行定量分析、实时监控和治疗规划时，为了做出正确的治疗决策，通常需要了解这种组织器官的一些详细信息。所以生物医学影像已成为疾病诊断和治疗中不可或缺的组成部分，且日益重要。但是由于医学图像数据的特殊性，想要获取大量带有标签的医学数据是极为困难的，往往只有通过及其少量的有标签数据来训练神经网络。因此研究如何使用少量带有标签的医学数据来进行医学图像分析具有重要意义。

迁移学习(Transfer learning)，是指利用数据、任务、模型之间的相似性，将在旧领域学习过的模型，应用于新领域的一种学习过程。在传统分类学习中，为了保证训练得到的分类模型具有准确性和高可靠性，都有两个基本的假设：(1)用于学习的训练样本与新的测试样本满足独立同分布；(2)必须有足够可用的训练样本才能学习得到一个好的分类模型。但是，在实际应用中我们发现这两个条件往往无法满足。如何利用少量的有标签训练样本或者源领域数据，建立一个可靠的模型对具有不同数据分布的目标领域进行预测。这就是迁移学习所要解决的问题。

领域自适应(Domain Adaptation)，是指迁移学习中的一种代表性方法，指的是利用信息丰富的源域样本来提升目标域模型的性能。领域自适应问题中两个至关重要的概念：源域 (source domain)表示与测试样本不同的领域，但是有丰富的监督信息；目标域(target domain)表示测试样本所在的领域，无标签或者只有少量标签。源域和目标域往往属于同一类任务，但是分布不同。根据目标域和源域的不同类型，领域自适应问题有四类不同的场景：无监督的，有监督的，异构分布和多个源域问题。通过在不同阶段进行领域自适应，研究者提出了四种不同的领域自适应方法：

1)样本自适应，对源域样本进行加权重采样，从而逼近目标域的分布。

2)特征自适应，将源域和目标域投影到公共特征子空间。

3)模型自适应，对源域误差函数进行修改，考虑目标域的误差。

4)关系自适应，挖掘和利用源域和目标域的关系进行类比迁移。

最大均值差异MMD(Maximum Mean Di screpancy)，最大均值差异是迁移学习中使用频率最高的度量，它度量在再生希尔伯特空间中两个分布的距离，是一种核学习方法。许多领域自适应方法都使用最大均值差异来衡量源域和目标域之间的分布差异，并通过减小分布差异来进行知识迁移。其数学公式如下：