一种结合特征选择的元学习消化道内镜图像分类算法

本发明涉及基于医学影像的人工智能辅助诊断领域，具体涉及一种结合特征选择的元学习的消化道内镜图像分类算法。

背景技术：

1、近年来，以深度学习为代表的人工智能技术在医学图像识别和辅助诊断方面展现出巨大潜力，并在多个医学领域的应用取得了很好的效果。消化内镜的重要特征之一就是会产生大量包含丰富信息的医学图像，因此，高效并且准确地提取图像信息的人工智能辅助系统将逐步融合成消化内镜领域的一部分，也会成为消化内镜未来发展的重要趋势。在消化内镜检查中，基于人工智能的辅助诊断系统主要通过分析、识别内镜图像，提供病变是肿瘤性还是非肿瘤性的信息，从而提高早癌检出率并初步判断组织学结果。

2、虽然人工智能的内镜系统对病变的早期识别有潜在的积极影响，但要将其应用到实际的消化内镜图像分析很困难。因为临床实际情况普遍存在如下一些问题：首先，消化道内镜图像的标注需要经验丰富的医学专家，因此标注的成本较高；其次，一些消化道疾病的发病率很低，病变样本的收集很困难。这些问题导致消化道内镜图像数据的数量有限且分布不平衡，严重限制了基于深度神经网络的机器学习方法的辅助诊断。

3、另一方面，在镜检成像过程中因光源切换，引起图像亮度不均，颜色变化异常；成像分辨率低和内镜的移动造成图像不同程度的模糊；消化道黏液和残留物，以及较强的光反射等，导致内镜图像数据中存在大量噪声和干扰信号，将包含这些噪声和干扰信号的全部图像特征用于图像分类，严重影响了模型的分类性能。

技术实现思路

1、发明目的：针对上述问题，本发明提供一种结合特征选择的元学习图像分类算法，模型学习分类任务的先验知识并在此基础上仅需要少量样本就能快速学习新的分类任务，同时通过特征选择机制优化嵌入空间，提高模型的分类精度。

2、技术方案：在元训练阶段用大量分类任务对模型进行元学习训练，同时学习一个执行特征选择的转换矩阵，元测试阶段在学习到的较优网络权值的基础上，仅依据少量样本图像模型能快速向新的分类任务泛化，同时用学习到的转换矩阵优化嵌入空间。

3、1.元训练阶段，通过建立大量分类训练任务让模型学习到一个适合于一般分类任务的较优的网络权值，具体步骤如下；

4、步骤1：随机初始化模型网络权值(特征提取器wf，转换矩阵h，分类器wc)；

5、步骤2：随机采样一批c-way k-shot训练任务，每个训练任务t＝{(is,ys),(iq,yq)}，

6、具体来说，每次从训练图像集上随机选定c个类别，从选定的每个类随机采样k个图像，形成支持集(is,ys)，再从这c个类中剩下的图像中随机采样q个图像，形成查询集(iq,yq)，支持集和查询集图像组合为一个少样本分类任务t。

7、步骤3：将t中的支持集图像投影到嵌入空间，得到支持集特征：fs＝wf(is)，再计算正交矩阵p：

8、

9、步骤4：计算每个类的行稀疏矩阵ki,(i＝1,…,c)，给每个类的特征施加一个稀疏约束，计算公式为：

10、

11、其中ε是一个小的正整数表示的第j个行向量，d表示特征维度；

12、步骤5：对支持集特征进行转换，用转换矩阵h优化支持集的嵌入空间，选取更紧凑更具判别性的低维特征：zs＝htfs；

13、步骤6：用选取的判别性特征而非全部特征输入分类器进行分类预测；ps＝wc(zs)；

14、步骤7：计算本发明提出的特征选择误差，通过最小化特征选择误差函数值来优化转换矩阵h，特征选择误差函数为：

15、

16、其中，第一项表示通过线性判决分析，使同类特征间距离减小，不同类特征间距离增大，第二项通过转换矩阵的正则项引入类间稀疏约束，从原始特征中选择相关的更具判别性的特征，第三项表示主成分分析约束，使变换前后特征的重构误差最小；

17、公式中矩阵s＝sw-μsb，其中，sw表示类内矩阵，sb表示类间矩阵：

18、

19、步骤8：计算支持集分类误差，误差公式为：

20、

21、步骤9：最小化分类误差和特征选择误差，更新模型网络权值，总误差公式为：

22、loss＝τl(h)+(1-τ)l(wf,h,wc)

23、模型网络权值更新如下：

24、

25、步骤10：重复4次步骤3-9，使模型在训练任务的支持集上逐渐学习到适合于当前分类任务的较优的网络权值；

26、步骤11：利用更新后的网络权值(特征提取器转换矩阵hθ，分类器)，将训练任务中的查询集图像投影到嵌入空间，得到查询集特征：

27、步骤12：对查询集特征进行转换，用学习到的转换矩阵hθ优化查询集的嵌入空间，选取更紧凑更具判别性的低维特征：zq＝hθtfq；

28、步骤13：将步骤12选取的判别性特征而非全部特征输入分类器进行分类预测：

29、步骤14：计算查询集图像分类误差并保存，误差公式为：

30、

31、步骤15：一批训练任务结束后，用保存的所有训练任务查询集上的分类误差更新模型网络权值，具体来说，用保存的所有训练任务查询集上的分类误差计算梯度，用梯度下降法更新网络权值，更新公式如下：

32、

33、

34、得到一个适合于一般内镜图像分类任务的较优的网络权值(特征提取器wf，转换矩阵h，分类器wc)。

35、2)元测试阶段，将元训练阶段学习到的网络权值作为先验知识，模型仅依据少量样本图像就能快速泛化到新的分类任务，具体步骤如下：

36、步骤1：建立一个新的c-way k-shot分类测试任务t＝{(is,ys),(iq,yq)}；

37、步骤2：用元训练阶段学习到的适合于一般内镜图像分类任务的较优的网络权值(特征提取器wf，转换矩阵h，分类器wc)作为先验知识初始化模型；

38、步骤3-13：同上述所述元训练阶段步骤3-13，在先验知识的基础上，模型依据少量样本图像向新的分类任务快速泛化，利用先验知识中的转换矩阵优化嵌入空间，选取更紧凑更具判别性的低维特征，输入分类器得到新任务中查询集图像的分类结果。

39、本发明的有益效果为：①元训练阶段可以让模型学习到一个适合于一般分类任务的较优的网络权值；②元测试阶段在已学习到的先验知识的基础上，仅依据少量样本图像模型就能快速泛化到新的分类任务；③通过最小化提出的特征选择误差函数得到最优的转换矩阵，该转换矩阵可以选取更紧凑更具判别性的低维特征用于分类，从而提高在新任务上的分类精度。

技术特征：

1.一种结合特征选择的元学习消化道内镜图像分类算法，其特征在于，包括两个阶段：

2.根据权利要求1所述元训练阶段步骤3计算矩阵p和ki，(i＝1，...，c)，其特征在于，利用转换矩阵h和支持集特征fs计算一个正交矩阵p，公式为：再为每个类计算一个行稀疏矩阵ki，(i＝1，...，c)，给每个类的特征施加一个稀疏约束，计算公式为：

3.根据权利要求1所述元训练阶段步骤4的支持集特征转换，其特征在于，用转换矩阵h优化支持集的嵌入空间，选择更紧凑更具判别性的低维特征zs，将zs而非全部特征输入分类器进行支持集分类预测。

4.根据权利要求1所述元训练阶段步骤5的特征选择误差，其特征在于，通过最小化特征选择误差函数来优化转换矩阵h，本发明提出的特征选择误差函数为：

5.根据权利要求1所述元训练阶段步骤7更新模型网络权值，其特征在于，最小化分类误差和特征选择误差组合成的总误差来更新模型网络权值，总误差公式为：

6.根据权利要求1所述元训练阶段步骤8的重复执行，其特征在于，模型在训练任务的支持集上逐渐学习到适合于当前分类任务的较优的网络权值(特征提取器转换矩阵hθ，分类器)，并用训练任务中的查询集图像进行泛化性测试。

7.根据权利要求1所述元训练阶段步骤9的查询集特征转换，其特征在于，用学习到的转换矩阵hθ优化查询集的嵌入空间，选择更紧凑更具判别性的低维特征zq，将zq而非全部特征输入分类器进行分类预测。

8.根据权利要求1所述元训练阶段步骤11更新网络权值，其特征在于，用保存的所有训练任务查询集上的分类误差计算梯度，用梯度下降法更新网络权值，获得一个适合于一般内镜图像分类任务的较优的网络权值，更新公式为：

9.根据权利要求1所述元测试阶段步骤2的模型初始化，其特征在于，将权利要求1所述元训练阶段学习到的适合于一般内镜图像分类任务的较优的网络权值作为先验知识，初始化模型的网络权值，使模型能在新的分类测试任务上快速泛化。

技术总结
本发明公开一种结合特征选择的元学习消化道内镜图像分类算法，针对解决消化道内镜图像数量有限且分布不平衡，镜检成像过程中因各种复杂因素造成的图像特征中存在大量噪声和干扰信号，严重影响模型的分类精度和泛化能力的问题。包括：①通过元训练学习一个适合于一般分类任务的较优的网络权值；②模型在学习到的较优网络权值的基础上快速泛化到新的分类任务；③最小化特征选择误差函数获得最优的转换矩阵，从嵌入空间选取更紧凑更具判别性的低维特征用于图像分类。本发明提出的图像分类方法可使模型学会一般内镜图像分类任务的先验知识，在此基础上仅需少量样本图像就能泛化到新的分类任务，转换矩阵对嵌入空间的优化进一步提高了模型的分类精度。

技术研发人员：金军,胡大裟,罗以宁,蒲蔚
受保护的技术使用者：四川大学
技术研发日：
技术公布日：2024/3/24