[发明专利]一种基于Transformer的自适应医学影像分类方法及系统

权利要求书

1.一种基于Transformer的自适应医学影像分类方法，其特征在于，包括：

步骤1、构建包括卷积神经网络、通道注意力网络和Transformer网络的医学影像分类模型，获取多个已标注类别的原始医学影像；

步骤2、通过该卷积神经网络提取该原始图像的基础特征图，将该基础特征图输入至该通道注意力网络，得到加权之后的通道注意力特征图；

步骤3、该通道注意力特征图依次通过Transformer网络的编码层和解码层，得到各类别的概率分布，基于该概率分布得到该原始医学影像的分类结果；

步骤4、基于该分类结果和该原始医学影像已标注的类别，构建损失函数，以迭代训练该医学影像分类模型，直到损失函数收敛或达到预设迭代次数，保存当前医学影像分类模型作为最终识别模型；

步骤5、将待分类医学影像输入该最终识别模型，得到该待分类医学影像的医学影像类别。

2.如权利要求1所述的基于Transformer的自适应医学影像分类方法，其特征在于，该多个原始医学影像已通过缩放完成影像尺寸归一化处理。

3.如权利要求1所述的基于Transformer的自适应医学影像分类方法，其特征在于，该步骤2包括：

该通道注意力网络将该基础特征图进行压缩，得到通道级别的全局特征，然后对全局特征进行激发操作得到不同通道的权重；通过权重和该基础特征图进行相乘，得到该通道注意力特征图。

4.如权利要求1所述的基于Transformer的自适应医学影像分类方法，其特征在于，该原始医学影像和该待分类医学影像均为肺部CT影像，对应的类别包括：细菌、病毒、真菌和新冠。

5.一种基于Transformer的自适应医学影像分类系统，其特征在于，包括：

模块1，用于构建包括卷积神经网络、通道注意力网络和Transformer网络的医学影像分类模型，获取多个已标注类别的原始医学影像；

模块2，用于通过该卷积神经网络提取该原始图像的基础特征图，将该基础特征图输入至该通道注意力网络，得到加权之后的通道注意力特征图；

模块3，用于使该通道注意力特征图依次通过Transformer网络的编码层和解码层，得到各类别的概率分布，基于该概率分布得到该原始医学影像的分类结果；

模块4，用于以该分类结果和该原始医学影像已标注的类别，构建损失函数，以迭代训练该医学影像分类模型，直到损失函数收敛或达到预设迭代次数，保存当前医学影像分类模型作为最终识别模型；

模块5，用于将待分类医学影像输入该最终识别模型，得到该待分类医学影像的医学影像类别。

6.如权利要求4所述的基于Transformer的自适应医学影像分类系统，其特征在于，该多个原始医学影像已通过缩放完成影像尺寸归一化处理。

7.如权利要求4所述的基于Transformer的自适应医学影像分类系统，其特征在于，该模块2，用于使该通道注意力网络将该基础特征图进行压缩，得到通道级别的全局特征，然后对全局特征进行激发操作得到不同通道的权重；通过权重和该基础特征图进行相乘，得到该通道注意力特征图。

8.如权利要求4所述的基于Transformer的自适应医学影像分类系统，其特征在于，该原始医学影像和该待分类医学影像均为肺部CT影像，对应的类别包括：细菌、病毒、真菌和新冠。

9.一种存储介质，用于存储执行如权利要求1到4所述任意一种基于Transformer的自适应医学影像分类方法的程序。

10.一种客户端，用于权利要求5至8中任意一种基于Transformer的自适应医学影像分类系统。