【技术实现步骤摘要】
本专利技术属于医学图像处理，尤其是涉及一种基于领域自适应的肺炎x光胸片分类方法、设备和介质。
技术介绍
1、目前，胸部x光检查是诊断肺炎的最佳方法之一，采用深度学习方法对医学影像进行处理以辅助诊断已成为主流趋势。深度学习模型需要基于大量训练数据得出，由于医学影像的特殊性，很难有大型的公开数据集。领域自适应可以将深度学习模型从一个已经标记或已经拥有大量数据的领域(源域)迁移到另一个缺乏大量标记数据或与源域相关但存在一定的差异的领域(目标域)，以提高其在目标域上的性能表现。
2、中国专利技术专利cn114359629b公开了一种基于深度迁移学习的肺炎x光胸片分类识别方法，搭建了一种深度迁移学习模型，采用其他疾病的大型x胸片作为源域数据集先训练得到基权重，再将其迁移到迁移学习模型中，冻结模型中低层网络参数，对目标域数据集进行训练，构建最优深度迁移学习模型，提高肺炎x光胸片的识别率，可以有效解决深度学习方法中小型数据集无法达到训练要求，且容易过拟合等问题。但上述方法中缺乏有效的特征表示，难以确保源域和目标域之间的显著相似性，从源域学习到的特征可能无法用于目标域，产生负迁移问题，导致模型在目标域上的性能受到严重影响，而通过额外的特征转换或映射步骤，又会导致模型的复杂度增加。因此，需要设计一种新型的基于领域自适应的肺炎x光胸片分类方法，进一步提升肺炎x光胸片的分类精度。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于领域自适应的肺炎x光胸片分类方
2、本专利技术的目的可以通过以下技术方案来实现：
3、本专利技术提供一种基于领域自适应的肺炎x光胸片分类方法，包括以下步骤：
4、获取肺炎x光胸片，输入训练好的基于领域自适应的肺炎x光胸片分类模型，获得肺炎x光胸片的分类结果；
5、所述基于领域自适应的肺炎x光胸片分类模型包括特征提取器、源域分类器、目标域分类器、源域判别器、目标域判别器、域判别器、第一特征转化器和第二特征转化器，所述基于领域自适应的肺炎x光胸片分类模型的训练过程具体如下：
6、s1、获取源域数据和目标域数据并进行预处理，其中，所述源域数据为多分类的x光胸片数据集，所述目标域数据为二分类的肺炎x光胸片数据集；
7、s2、将预处理后的源域数据和目标域数据输入所述特征提取器进行特征提取，将获得的源域特征和目标域特征分别输入所述源域分类器和所述目标域分类器进行分类，并计算相应的分类损失；
8、s3、将步骤s2中提取的源域特征和目标域特征同时输入所述域判别器进行判别，并计算判别损失；
9、s4、将步骤s2中提取的源域特征和目标域特征分别输入所述第一特征转化器和所述第二征转化器，将源域特征转换为目标域特征，将目标域特征转换为源域特征，然后将源域特征和转换得到的源域特征输入所述源域判别器进行判别，将目标域特征和转换得到目标域特征的输入所述目标域判别器进行判别，并计算相应的转换损失；
10、s5、将步骤s4中经过转换的特征再次输入所述第一特征转化器或所述第二特征转化器，计算两次特征转化后的循环一致性损失；
11、s6、重复步骤s1-步骤s5，直至总损失或迭代次数达到设定阈值，所述总损失基于所述的分类损失、判别损失、转换损失和循环一致性损失构建。
12、进一步地，步骤s1中，所述预处理包括图像标准化和随机裁剪。
13、进一步地，步骤s3中，所述判别损失基于所述特征提取器提取的特征与步骤s2得到的分类结果之间的联合变量进行计算。
14、进一步地，所述判别损失的计算公式具体如下：
15、
16、其中，为判别损失，hs＝(fs,ps)为由特征提取器f所获得的源域特征fs与对应分类器ps所获得的分类结果ps之间的联合变量，ht＝(ft,pt)为目标域特征ft与对应分类结果pt之间的联合变量，为一种基于多线性映射的域判别器的条件策略，dd为域判别器的判别操作。
17、进一步地，步骤s4中，源域特征转化为目标域特征的转换损失的计算公式具体如下：
18、
19、其中，为源域特征转化为目标域特征的转换损失，dt为目标域判别器的判别操作，ft为目标域特征，fs为源域特征，ts2t为源域特征转化为目标域特征的操作。
20、进一步地，步骤s4中，目标域特征转化为源域特征的转换损失的计算公式具体如下：
21、
22、其中，为目标域特征转化为源域特征的转换损失，ds为源域判别器的判别操作，ft为目标域特征，fs为源域特征，tt2s为目标域特征转化为源域特征的操作。
23、进一步地，步骤s5中，所述循环一致性损失基于经过两次转换的特征与转换前的特征之间的l2损失计算，计算公式具体如下：
24、
25、其中，为循环一致性损失，ft为目标域特征，fs为源域特征，tt2s为目标域特征转化为源域特征的操作，ts2t为源域特征转化为目标域特征的操作。
26、进一步地，所述总损失的表达式具体如下：
27、
28、其中，为总损失，为分类损失，为判别损失，为源域特征转化为目标域特征的转换损失，为目标域特征转化为源域特征的转换损失，为循环一致性损失，α、β和γ为系数。
29、本专利技术还提供一种电子设备，包括存储器、处理器，以及存储于所述存储器中的程序，所述处理器执行所述程序时实现上述方法。
30、本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述方法。
31、与现有技术相比，本专利技术具有以下有益效果：
32、1、本专利技术通过基于领域自适应的肺炎x光胸片分类模型实现肺炎x光胸片的分类，基于领域自适应的肺炎x光胸片分类模型包括特征提取器、源域分类器、目标域分类器、源域判别器、目标域判别器、域判别器、第一特征转化器和第二特征转化器，基于领域自适应的肺炎x光胸片分类模型的总损失引入了循环一致性损失，循环一致性损失基于经过两次特征转换的特征与转换前的特征计算，可以对两个特征转化器形成约束，尽可能保留原始特征信息，提高特征转化器的特征转化的能力，可以进一步提高模型在目标域的应用效果，即可以进一步提高肺炎x光胸片的分类精度。
33、2、本专利技术基于对抗学习搭建和训练基于领域自适应的肺炎x光胸片分类模型，利用两个特征转化器分别对特征提取器提取的源域特征和目标与特征分别进行两次转换，随后利用两个判别器分别进行判别，并计算相应的损失，进行模型的迭代训练，可以对齐源域与目标域之间的特征，显式限制特征提取器和特征转化器获取域不变的特征，提高模型的迁移性能，减少领域偏移。
本文档来自技高网...【技术保护点】
1.一种基于领域自适应的肺炎X光胸片分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于领域自适应的肺炎X光胸片分类方法，其特征在于，步骤S1中，所述预处理包括图像标准化和随机裁剪。
3.根据权利要求1所述的一种基于领域自适应的肺炎X光胸片分类方法，其特征在于，步骤S3中，所述判别损失基于所述特征提取器提取的特征与步骤S2得到的分类结果之间的联合变量进行计算。
4.根据权利要求3所述的一种基于领域自适应的肺炎X光胸片分类方法，其特征在于，所述判别损失的计算公式具体如下：
5.根据权利要求1所述的一种基于领域自适应的肺炎X光胸片分类方法，其特征在于，步骤S4中，源域特征转化为目标域特征的转换损失的计算公式具体如下：
6.根据权利要求1所述的一种基于领域自适应的肺炎X光胸片分类方法，其特征在于，步骤S4中，目标域特征转化为源域特征的转换损失的计算公式具体如下：
7.根据权利要求1所述的一种基于领域自适应的肺炎X光胸片分类方法，其特征在于，步骤S5中，所述循环一致性损失基于经过两次转换的特征与转换
8.根据权利要求1所述的一种基于领域自适应的肺炎X光胸片分类方法，其特征在于，所述总损失的表达式具体如下：
9.一种电子设备，包括存储器、处理器，以及存储于所述存储器中的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一所述的方法。
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，所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
...【技术特征摘要】
1.一种基于领域自适应的肺炎x光胸片分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于领域自适应的肺炎x光胸片分类方法，其特征在于，步骤s1中，所述预处理包括图像标准化和随机裁剪。
3.根据权利要求1所述的一种基于领域自适应的肺炎x光胸片分类方法，其特征在于，步骤s3中，所述判别损失基于所述特征提取器提取的特征与步骤s2得到的分类结果之间的联合变量进行计算。
4.根据权利要求3所述的一种基于领域自适应的肺炎x光胸片分类方法，其特征在于，所述判别损失的计算公式具体如下：
5.根据权利要求1所述的一种基于领域自适应的肺炎x光胸片分类方法，其特征在于，步骤s4中，源域特征转化为目标域特征的转换损失的计算公式具体如下：
6.根据权利要求1所述的一种...
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。