System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及模型训练,特别是涉及一种膝关节多标签分类模型构建方法和系统。
技术介绍
1、膝关节疾病包括膝关节骨赘、软骨硬化、骨边缘不完整和骨质囊性变等多种类型。在膝关节dr影像中,往往同时存在多种疾病并可能出现并发症。及早发现和治疗膝关节疾病是非常重要的,可以减轻症状和减少对人体的影响。
2、对于膝关节疾病若采用单标签进行分类,模型只能预测出一个结果,但是膝关节dr影像往往同时存在多种疾病,无法全面捕捉到所有疾病的存在。而用常规的多标签分类,膝关节疾病的发生率可能存在正负样本不均衡的情况,即某些疾病在样本中出现的频率较低,这会导致多标签分类模型在少数类别上的分类准确率较低,难以得到充分的训练和预测性能;这使得常规的多标签预测模型分类准确率较低。
技术实现思路
1、基于此,针对上述技术问题,提供一种膝关节dr影像多标签分类模型构建方法和系统,以提高对膝关节dr影像的分类准确率。
2、第一方面,一种膝关节dr影像多标签分类模型构建方法,所述方法包括:
3、获取膝关节x光dicom原始图像样本集,对所述膝关节x光dicom原始图像进行预处理;
4、对处理后的膝关节x光dicom原始图像的膝关节间隙区域进行定位,并对膝关节间隙区域进行图像裁剪;对所述膝关节间隙区域图像进行图像特征的提取;
5、将所述图像特征作为查询向量序列输入至transformer模型,利用transformer模型计算每个标签的预测概率;对于每个标签,根据计算所
6、上述方案中,可选地,所述损失函数为以下公式:
7、
8、其中,yk是二值标签,代表图像是否具备标签k;pk是图像中k标签的概率;γ是损失函数的参数,γ+为0,r-为1;k是总标签数量。
9、上述方案中,可选地,所述对所述膝关节x光dicom原始图像进行预处理,包括:
10、对所述膝关节x光dicom影像原始图根据设定的窗宽和窗位进行调整;
11、将调整后的膝关节x光dicom影像原始图转换为jpeg格式;
12、对jpeg格式的膝关节影像图进行降采样、噪声去除、对比度增强,并将jpeg格式的膝关节影像图调整到预设尺寸。
13、上述方案中,可选地,所述对处理后的膝关节x光dicom原始图像的膝关节间隙区域进行定位,具体为:利用yolo定位模型对处理后的膝关节x光dicom原始图像进行处理,对膝关节间隙区域进行定位。
14、上述方案中,可选地,对所述膝关节间隙区域图像进行图像特征的提取前,利用opencv中的resize方法对膝关节间隙区域图像进行尺寸的变换。
15、上述方案中,可选地,对所述膝关节间隙区域图像进行图像特征的提取,具体通过resnet卷积神经网络进行图像特征的提取。
16、第二方面,一种膝关节dr影像多标签分类模型构建系统,所述系统包括:
17、预处理模块,用于获取膝关节x光dicom原始图像样本集,对所述膝关节x光dicom原始图像进行预处理;
18、特征提取模块,用于对处理后的膝关节x光dicom原始图像的膝关节间隙区域进行定位,并对膝关节间隙区域进行图像裁剪;对所述膝关节间隙区域图像进行图像特征的提取;
19、多标签分类模型构建模块,用于获取膝关节x光dicom原始图像样本集,对所述膝关节x光dicom原始图像进行预处理;
20、对处理后的膝关节x光dicom原始图像的膝关节间隙区域进行定位,并对膝关节间隙区域进行图像裁剪;对所述膝关节间隙区域图像进行图像特征的提取;
21、多标签分类模型构建模块,用于将所述图像特征作为查询向量序列输入至transformer模型,利用transformer模型计算每个标签的预测概率;对于每个标签,根据计算所有标签的预测概率和真实标签之间的交叉熵损失,将所有标签的损失求和作为总体损失,利用梯度下降优化算法来最小化损失,并更新transformer模型的参数;所述交叉熵损失的计算利用的损失函数对正负样本采用不同的权重。
22、上述方案中,可选地,所述预处理模块具体用于:
23、获取膝关节x光dicom原始图像;
24、对所述膝关节x光dicom影像原始图根据设定的窗宽和窗位进行调整;
25、将调整后的膝关节x光dicom影像原始图转换为jpeg格式;
26、对jpeg格式的膝关节影像图进行降采样、噪声去除、对比度增强,并将jpeg格式的膝关节影像图调整到预设尺寸。
27、第三方面,一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面所述的一种膝关节dr影像多标签分类模型构建方法的步骤。
28、第四方面,一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的一种膝关节dr影像多标签分类模型构建方法的步骤。
29、本申请至少具有以下有益效果:
30、本申请通过利用transformer模型根据图像特征生成标签的预测概率,transformer通过自注意力机制计算标签的注意力权重,并生成相应的预测概率。利用这种方法能够更好地捕捉膝关节影像和标签之间的复杂关系,可以提高模型的准确性;同时利用损失函数对多标签分类模型进行分类时,对正负样本采用不同的调节权重,考虑了正负样本的不均衡性,并通过指数衰减和对数变换来调整预测概率的影响,以提高训练效果;因此,通过上述方法,能够提高模型的分类准确度。
本文档来自技高网...【技术保护点】
1.一种膝关节DR影像多标签分类模型构建方法,其特征在于,所述方法包括:
2.根据权利要求1所述的膝关节DR影像多标签分类模型构建方法,其特征在于,所述损失函数为以下公式:
3.根据权利要求1所述的膝关节DR影像多标签分类模型构建方法,其特征在于,所述对所述膝关节X光dicom原始图像进行预处理,包括:
4.根据权利要求1所述的膝关节DR影像多标签分类模型构建方法,其特征在于,所述对处理后的膝关节X光dicom原始图像的膝关节间隙区域进行定位,具体为:利用YOLO定位模型对处理后的膝关节X光dicom原始图像进行处理,对膝关节间隙区域进行定位。
5.根据权利要求1所述的膝关节DR影像多标签分类模型构建方法,其特征在于,对所述膝关节间隙区域图像进行图像特征的提取前,利用OpenCV中的resize方法对膝关节间隙区域图像进行尺寸的变换。
6.根据权利要求1所述的膝关节DR影像多标签分类模型构建方法,其特征在于,对所述膝关节间隙区域图像进行图像特征的提取,具体通过ResNet卷积神经网络进行图像特征的提取。
7.
8.根据权利要求7所述的膝关节DR影像多标签分类模型构建系统,其特征在于,所述预处理模块具体用于:
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种膝关节dr影像多标签分类模型构建方法,其特征在于,所述方法包括:
2.根据权利要求1所述的膝关节dr影像多标签分类模型构建方法,其特征在于,所述损失函数为以下公式:
3.根据权利要求1所述的膝关节dr影像多标签分类模型构建方法,其特征在于,所述对所述膝关节x光dicom原始图像进行预处理,包括:
4.根据权利要求1所述的膝关节dr影像多标签分类模型构建方法,其特征在于,所述对处理后的膝关节x光dicom原始图像的膝关节间隙区域进行定位,具体为:利用yolo定位模型对处理后的膝关节x光dicom原始图像进行处理,对膝关节间隙区域进行定位。
5.根据权利要求1所述的膝关节dr影像多标签分类模型构建方法,其特征在于,对所述膝关节间隙区域图像进行图像特征的提取前,利用opencv中的...
【专利技术属性】
技术研发人员:怀晓晨,穆红章,
申请(专利权)人:瓴域影诺北京科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。