[发明专利]一种基于自适应选择的双源域异构迁移学习的肺结节CT图像分类方法

权利要求书

1.一种基于自适应选择的双源域异构迁移学习的肺结节CT图像分类方法，其特征在于：包括：

步骤1：获取原始肺部SPSN的CT图像数据集、肺癌WSI数据集、自然图像的ImageNet数据集；

步骤2：利用步骤1获取的肺癌WSI数据集训练ResNet34，作为源网络1；利用步骤1获取的自然图像的ImageNet数据集训练另一个ResNet34，作为源网络2；

步骤3：在步骤2的基础上，利用步骤1获取的肺部SPSN的CT图像数据集分别通过源网络1和源网络2得到源特征空间1和源特征空间2，源网络1和源网络2中每一个卷积核的输出分别作为源特征空间1和源特征空间2的某个特征图；

步骤4：在步骤3的基础上，利用肺部SPSN的CT图像数据集训练基于自适应选择的双源域特征匹配模型以及基于多样化分支块结构的ResNet18，作为目标模型；

步骤5：在步骤4的基础上，以肺部SPSN的CT图像作为等效变换后的目标模型的输入数据，将目标模型等效变换后的卷积核作为特征提取器提取深度学习特征；

步骤6：获取每个患者的临床特征、CT主观征像，并串联步骤5中的深度学习特征形成新的特征集；

步骤7：在步骤6的基础上，训练基于稀疏贝叶斯极限学习机的集成学习分类器，集成学习分类器中的基分类器和集成分类器都是基于稀疏贝叶斯的极限学习机，得到肺结节CT图像分类结果。

2.根据权利要求1所述的一种基于自适应选择的双源域异构迁移学习的肺结节CT图像分类方法，其特征在于：所述步骤4包括：

步骤4.1：在步骤3获取的源特征空间1和源特征空间2的基础上，基于自适应选择的双源域特征匹配网络自适应确定源特征空间1、源特征空间2与目标网络之间每对特征图的匹配权重，以及源网络1、源网络2特征块和目标网络每对卷积块之间的匹配权重，根据这两个匹配权重构建迁移损失函数，并结合目标网络的损失函数获得基于自适应选择的双源域异构迁移学习模型的损失函数；

步骤4.2：使用步骤4.1获得基于自适应选择的双源域异构迁移学习模型的损失函数，使用四阶段训练方法，进行基于自适应选择的双源域异构迁移学习中的特征匹配模型与基于多样化分支块结构的目标网络训练。