一种基于原型图神经网络和小样本学习的罕见病分类方法

技术特征：
1.一种基于原型图神经网络和小样本学习的罕见病分类方法，其特征在于，该方法包括以下具体步骤：步骤1：罕见病人脸数据集收集与划分1.1）采集罕见病人脸图片构成数据集，整个数据集按照8∶2的比例划分成训练集和测试集，训练集和测试集的类别标签不相交；1.2）训练集和测试集均采用n-way k-shot的小样本学习的划分方式划分h次，每次为一个迭代集，每一个迭代集里分为支持集和查询集，支持集里有n个类，每个类k个样本，k大于0，小于等于15；步骤2：样本特征提取2.1）将每个迭代集里的罕见病人脸样本进行二维人脸配准，使用基于haar特征的adaboost级联人脸检测分类器，判断是否有人脸：如果有，则将人的脸部区域截取出来，缩放到84
×
84尺寸，得到预处理样本，避免样本中除人脸以外的因素干扰；否则，重新选择图片；2.2）取一个迭代集里经过上一步预处理之后的支持集样本和查询集样本，送入嵌入子网络：依次经过一个64滤波器的3
×
3的卷积、一个批归一化层、一个relu非线性层和2
×
2的最大池化，得到每个样本的特征图；2.3）将所有特征图输入到两个分别是8
×
64和1
×
128维的全连接层，得到对应的特征向量，将这些特征向量进行批归一化处理和relu非线性激活，得到样本的低维特征向量；2.4）对一个迭代集里支持集中每个类所有样本的低维特征向量计算平均值，即对每个类中支持集所有样本的低维特征向量求和，除以每个类中支持集的样本数量来计算一个虚拟点，作为这个类在特征空间中的原型点；步骤3：原型图神经网络构建3.1）首先进行图神经网络初始化，由步骤2中计算的所有样本的低维特征向量以及原型点构造原型图神经网络，节点为样本的低维特征向量和原型点，边特征介于0和1之间，表示两个节点属于同一个类的可能性，如果两个节点标签相等，边特征设为1，如果不等，边特征设为0，否则边特征设为0.5；3.2）节点特征更新，首先设置一个节点特征更新网络，将节点特征和边特征输入到节点特征更新网络中，得到更新的节点特征；3.3）边特征更新，设置一个边特征更新网络，将所有更新的节点特征输入到边特征更新网络，得到更新的边特征；3.4）节点标签传播，设置一个节点标签传播网络，将更新的边特征及节点标签输入到节点标签传播网络中，得到更新的节点标签；3.5）经过l次节点特征更新、边特征更新以及节点标签传播后，得到更新后的原型图神经网络；步骤4：标签预测4.1）得到更新后的原型图神经网络之后，查询图像的预测标签根据最大值自变量点集，选择概率值最大的罕见病类作为查询图像的分类预测结果；4.2）设计两个损失函数优化网络参数，其一计算每个查询点与特征空间中对应原型点的欧氏距离得到几何正则化损失，其二计算查询集中每个查询点的预测标签和真实标签之
间的二元交叉熵损失；由这两个损失函数构造出整个网络最终的损失，进行反向传播，更新原型图神经网络模型参数；4.3）通过测试集计算原型图神经网络模型分类准确度，选择准确度最高的模型参数作为最优模型参数；4.4）分类时，用最优模型参数为原型图神经网络赋值，将待分类罕见病人脸样本作为查询集，罕见病人脸数据集中所有样本作为支持集送入原型图神经网络，网络输出即为分类结果。2.根据权利要求1所述的基于原型图神经网络和小样本学习的罕见病分类方法，其特征在于，所述训练集和测试集均采用n-way k-shot的小样本学习的划分方式，是从数据集中随机选择n个类，在这n个类中每个类都随机选择k个样本作为支持集，继续在这n个类的剩余样本中随机选择q个样本作为查询集；这n
×
k q个样本构成一个迭代集。3.根据权利要求1所述的基于原型图神经网络和小样本学习的罕见病分类方法，其特征在于，所述设置一个节点特征更新网络，该网络由聚合模块和卷积模块组成，聚合模块，是指对于每一个当前节点，使用它的所有邻接节点的特征以及对应的标签聚合当前节点特征，使用邻接节点特征除以当前节点标签与邻接节点标签的欧氏距离获得聚合信息；卷积模块是由两个卷积层、批处理归一化层以及relu非线性激活层组成；将聚合信息和当前节点特征一并送入卷积模块中，输出即为当前节点的更新节点特征。4.根据权利要求1所述的基于原型图神经网络和小样本学习的罕见病分类方法，其特征在于，所述设置一个边特征更新网络，该网络由四个卷积层、批处理归一化层以及relu非线性激活层组成，网络的输出即为两个节点之间的边特征。5.根据权利要求1所述的基于原型图神经网络和小样本学习的罕见病分类方法，其特征在于，所述设置一个节点标签传播网络，该网络由权重更新模块和卷积模块组成，权重更新模块是指对于每一个当前节点标签，首先对它所有邻接节点标签进行重新加权，即当前节点的每一个边特征除以它所有边特征的和，然后与当前节点的所有邻接节点标签相乘，得到所有邻接节点标签的加权更新节点标签；卷积模块是由两个卷积层、批处理归一化层以及relu非线性激活层组成，将当前节点标签与所有加权更新节点标签送入卷积模块中，输出即为当前节点的更新标签，实现标签传播。

技术总结
本发明公开了一种基于原型图神经网络和小样本学习的罕见病分类方法，其包括：收集罕见病人脸样本构成数据集，按照n-way k-shot的形式划分为h个迭代集；迭代集中每个类所有样本通过嵌入子网络得到特征向量并计算一个原型点；用所有特征向量及原型点构建原型图神经网络，设置三个网络来交替优化节点/边特征相关性和标签：节点特征更新网络用来细化结点的特征，边特征更新网络用来增强边的表示能力，节点标签传播网络用来推断结点的标签；设计了一个由交叉熵损失和几何正则化损失组成的损失函数优化模型。本发明引入图神经网络进行小样本学习，克服了罕见病人脸样本量少带来的过拟合问题，模型的分类准确性更高。模型的分类准确性更高。模型的分类准确性更高。


技术研发人员：马圣进 院旺 马利庄
受保护的技术使用者：华东师范大学
技术研发日：2022.05.23
技术公布日：2022/8/12