买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：陕西师范大学

摘要：一种基于GAShuffleNet网络的医学图像分类方法，由数据集预处理、构建GAShuffleNet网络、训练GAShuffleNet网络、保存GAShuffleNet网络训练模型、验证GAShuffleNet网络、测试GAShuffleNet网络步骤组成。本发明的GAShuffleNet采用了通道混洗自注意力子网络、通道混洗自注意力子网络、通道混洗自注意力子网络、通道混洗自注意力子网络，其中通道混洗自注意力子网络采用了特征混洗模块。在训练步骤中，增强了特征互通的流动性，同时注意力机制通过关注图像中的有效信息，使网络在训练学习中增强了重要特征权重，提高了医学图像分类的精度，降低了计算的复杂度。本发明与现有技术相比，具有分类准确度高、鲁棒性强、适应力强、学习速度快等优点，可用于医学图像分类，也可用于其它图像分类。

主权项：1.一种基于GAShuffleNet网络的医学图像分类方法，其特征在于由下述步骤组成：1数据集预处理从732幅HE染色全视野数字切片图像WSI，这些图像以10x，20x，40x倍放大率扫描，并由病理学家进行注释，在这些图像中，截取出有标注的图像区域，切割成2000×2000像素的图像块。按照6：1.5：2.5的比例划分为训练集、验证集、测试集，对训练集的数据进行归一化，缩放，中心裁剪和随机翻转操作，对验证集和测试集的数据进行归一化，缩放，中心裁剪操作，使得输入网络的数据集初始图像大小为224×224；2构建GAShuffleNet网络GAShuffleNet网络由通道混洗自注意力子网络1与通道混洗自注意力子网络2、通道混洗自注意力子网络3、通道混洗自注意力子网络4依此串联构成；3训练GAShuffleNet网络1确定目标函数目标函数由损失函数Loss、评价函数AUC组成；按式1确定损失函数Loss： 其中，I为样本数，V为类别数，I和V为有限的正整数；yic为样本i属于类别c的真实概率，pic为观测样本i属于类别c的预测概率；按式2确定评价函数AUC： 其中，Pi+为第i个样本预测为正样本的概率，Pi-为第i个样本预测为负样本的概率，i∈[1,I]，I为样本数，为有限的正整数，Pi+∈[0,1]，Pi-∈[0,1]，M为正样本的个数，N为负样本的个数，M和N为有限的正整数；2训练GAShuffleNet网络将预处理后的训练集输入到GAShuffleNet网络中进行训练。在训练过程中，GAShuffleNet网络的学习率为γ，γ∈[10-6,10-4]，批处理大小为32，随机丢弃率为0，权重衰减为10-2，优化器动量参数为0.99，优化器采用AdamW优化器，迭代至损失函数收敛；4保存GAShuffleNet网络训练模型在训练GAShuffleNet网络的过程中，用深度学习框架Pytorch不断更新权重，保存权重文件；5验证GAShuffleNet网络将验证集输入到训练后的GAShuffleNet网络中进行验证；6测试GAShuffleNet网络将测试集输入到训练后的GAShuffleNet网络中进行测试，加载保存的训练过程中损失函数最低的权重文件，得到图像的分类结果。

全文数据：

权利要求：

百度查询： 陕西师范大学 基于GAShuffleNet网络的医学图像分类方法