面向癌症检测的小样本高光谱图像分类理论研究

This project studies the key theories and methods of medical hyperspectral image classification based on Transfer Learning Theory, which faces the problems of few number of samples, negative transfer, unbalanced data, heterogeneity of data and model, lack of debug nature of the model, etc. The research includes the research of sample uncertainty in medical hyperspectral image transfer learning, the data source and model heterogeneity in medical hyperspectral image transfer learning, the interpretability of medical hyperspectral image transfer learning mode . In view of these research contents, this project proposed methods of using depth-enhanced learning, sampling model fusion cost function, virtual sample generation, Drop-boosting model parameter transfer, sample influence function and feature space distribution impact function. On the basis of these theoretical studies, the results of this project will be applied to the field of intelligent analysis of cancer hyperspectral images as an important aid to enhance the level of cancer diagnosis..The purpose of this project is to break through the limitations of the existing training data that require a large amount of standardization based on the deep learning method and to explore new theories and new methods in the field of artificial intelligence and intelligent analysis of medical images in order to solve the problem that artificial intelligence technology is used in medical work and provide new theories and robust techniques.

本项目研究基于迁移学习理论的癌症高光谱影像分类的关键理论和方法，面向该领域中存在样本负迁移、类不平衡、数据和模型异构、模型缺乏可调试性等问题展开研究。研究内容包括癌症高光谱影像迁移学习中的样本不确定性问题研究；癌症高光谱影像迁移学习中的数据源和模型异构问题研究；癌症高光谱影像迁移学习模型的可解释性问题研究。针对这些研究内容，本项目提出了使用深度强化学习、采样模型融合代价函数、虚拟样本生成、Drop-boosting模型参数迁移、样本影响函数和特征空间分布影响函数的方法。在本课题理论研究的基础上，研究成果将应用于癌症高光谱影像智能分析的领域，作为医生重要的辅助手段提升癌症诊断水平。..本课题旨在突破现有基于深度学习方法需要大量规整训练数据的局限性，探索在人工智能和医疗影像智能分析这个交叉领域的新理论和新方法，为基于人工智能技术解决医疗工作中的重大需求提供新理论方法和可靠技术手段。

随着人工智能技术的快速发展，研发用于智慧医疗的新型人工智能技术是有重大意义的。目前对于重大疾病的检测是我国的重大需求，比如癌症就具有死亡率高、普查率低、发现晚等诸多问题，急需一种低成本、准确便捷的新型检测技术。本课题就是在这一背景下，研究使用高光谱图像分析技术进行重大疾病检测的关键技术。..本项目研究基于迁移学习理论的癌症高光谱影像分类的关键理论和方法，面向该领域中存在样本负迁移、类不平衡、数据和模型异构、模型缺乏可调试性等问题展开研究。研究内容包括癌症高光谱影像迁移学习中的样本不确定性问题研究；癌症高光谱影像迁移学习中的数据源和模型异构问题研究；癌症高光谱影像迁移学习模型的可解释性问题研究。针对这些研究内容，本项目提出了使用深度强化学习、采样模型融合代价函数、虚拟样本生成、Drop-boosting模型参数迁移、样本影响函数和特征空间分布影响函数的方法。..本项目的研究成果覆盖了上述研究内容，尤其是在解决不确定性问题中，提出的一系列显著性检测理论方法有效的降低了样本和模型的不确定性，提升了检测的性能和可解释性。本项目的理论成果在有影响力的SCI期刊和会议上上发表论文17篇，其中SCI一区论文4篇，CCF A类国际会议长文2篇，SCI二区论文6篇，CCF A类国内期刊1篇，申请专利4项，培养研究生毕业生5名，并获得天津市科技进步二等奖1项。在本课题理论研究的基础上，研究成果可应用于重大疾病智能检测和辅助诊断的重要领域，有效提升我国的智能医疗水平。