基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法技术

本发明专利技术公开了基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法，包括以下步骤：对获得的胃肠道组织高光谱训练图像的光谱维进行降维去噪；构造卷积神经网络结构；采用分批处理方法，将得到的高光谱数据主成分，即若干个二维灰度图像作为输入图像输入构造好的卷积神经网络结构，相当于若干张输入层的特征图，采用交叉熵函数作为损失函数，利用误差反向传播算法，根据该训练批次内的平均损失函数训练卷积神经网络中的参数以及逻辑回归层参数至网络收敛。本发明专利技术利用主成分分析法对高光谱图像进行降维，既保留了足够的光谱信息和空间纹理信息，又大大降低了算法的复杂性，提高了算法的效率。

【技术实现步骤摘要】

本专利技术涉及医学高光谱图像处理领域，具体涉及基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法。
技术介绍
肿瘤是指机体在各种致瘤因子作用下，局部组织细胞增生所形成的新生物，因为这种新生物多呈占位性块状突起，也称赘生物。胃肠肿瘤是消化道常见的肿瘤，胃肠道良性肿瘤切除后不易复发，对机体危害较小；而胃肠道恶性肿瘤，即癌，是世界范围内发病率较高、较常见的恶性肿瘤之一，且近年发病率明显上升。目前，对胃肠道肿瘤进行病理学检查时，需要对活体取材组织进行显微观察与化验。大量的医学图像需要医生通过视觉观察进行判断，一方面造成了医生工作量的繁重；另一方面视觉观察主观性较强，难以进行定量分析。高光谱成像基于多光谱成像，从紫外到近红外的光谱范围内，采用成像光谱仪，在光谱覆盖范围的数十或数百个光谱波段上对目标物体连续成像，同时获取目标物体的空间信息和光谱信息。近年来高光谱成像技术因其光谱范围广、波段多、分辨率高和图谱合一的特点越来越多地被应用于医学领域。在此背景下，医学图像处理与分析技术的作用就凸显了出来。医学图像处理与分析技术就是根据临床的特定需要利用数学的方法对医学图像进行加工与处理，为临床提供更多的诊断信息和数据。
技术实现思路
为解决现有技术存在的不足，本专利技术公开了基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法，本专利技术能够自动提取图像深层特征，有效完成胃肠道组织高光谱图像的分类，识别率较高。为实现上述目的，本专利技术的具体方案如下：基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法，包括以下步骤：对获得的胃肠道组织高光谱训练图像的光谱维进行降维去噪，仅保留高光谱数据的主成分；构造卷积神经网络结构；采用分批处理方法，将每个批次内的训练样本输入构造好的卷积神经网络，每个训练样本数据为高光谱数据主成分即若干个二维灰度图像，若干个二维灰度图像相当于若干张输入层的特征图，采用交叉熵函数作为损失函数，利用误差反向传播算法，根据该训练批次内的平均损失函数训练卷积神经网络中的参数以及逻辑回归层参数直至网络收敛；将待测试图像输入训练好的卷积神经网络得到该图像为胃肠处肿瘤组织图像的概率。进一步的，对获得的胃肠道组织高光谱训练图像的光谱维进行降维去噪，仅保留高光谱数据的主成分的具体方式为：将三维高光谱图像转换成二维高光谱特征向量；计算二维高光谱特征向量中所有像素光谱维的均值向量，并对所有像素点的光谱信息进行中心化，即减去所有像素点光谱信息的均值；计算中心化后的二维高光谱特征向量的协方差矩阵；对得到的协方差矩阵进行特征值分解，得到一组降序排列的特征值及其对应的特征向量，选择数据主成分，得到主成分映射矩阵。进一步的，选择数据主成分后，根据得到的主成分映射矩阵，对二维高光谱特征向量进行主成分映射，得到主成分分析后的二维高光谱特征向量；将得到的二维高光谱特征向量恢复为三维高光谱图像，这样就得到了保留高光谱数据的主成分的图像。进一步的，构造卷积神经网络结构为：依次为输入层、卷积层C1、下采样层S2、卷积层C3、下采样层S4、卷积层C5、下采样层S6、卷积层C7、下采样层S8、卷积层C9、下采样层C10、卷积层C11、逻辑回归层及输出层。进一步的，输入层为灰度图像块，卷积层C1设置6个特征图，下采样层S2设置6个特征图，卷积层C3、C5及C7设置10个特征图，下采样层S4、S6及S8设置10个特征图，卷积层C9设置16个特征图，下采样层C10设置16个特征图，卷积层C11设置100个特征图，逻辑回归层有100个节点，输出层有一个节点，其中卷积层C9层的特征图与采样层S8层的特征图采用部分连接方式。进一步的，卷积神经网络训练时，具体为：对卷积神经网络中待训练参数进行随机初始化；分批输入两类训练数据，图像为胃肠处肿瘤组织图像时设定输出节点为1，图像为正常胃肠组织图像设定输出节点为0；根据该批次内平均损失函数利用误差反向传播算法对卷积神经网络及逻辑回归分类参数进行训练至收敛。进一步的，损失函数为交叉熵函数。进一步的，将待测试图像输入训练好的卷积神经网络得到该图像为胃肠处肿瘤组织图像的概率具体包括：采用主成分分析法对胃肠道组织高光谱测试图像的光谱维进行降维去噪，抽取高光谱数据的a个主成分，得到主成分分析后的灰度图像块及其标签；将得到的灰度图像块输入训练好的卷积神经网络中，得出最终输出，输出节点即为该图像为胃肠处肿瘤组织图像的概率。进一步的，损失函数为交叉熵函数，公式如下： E = 1 m Σ n = 1 m Σ k = 1 d [ x n k l o g ( z n k ) + ( 1 - x n k ) l o g ( 1 - z n k ) ] - - - ( 13 ) ]]>其中，m为分批处理一个批次内样本的个数，d为输出层节点个数，该训练批次内为该训练批次内第n个样本输出层第k个节点的实际输出值，为该训练批次内第n个样本输出层第k个节点的理论值。进一步的，卷积层损失函数对待训练参数的梯度公式为： ∂ E ∂ b j l = Σ u , v ( δ j l ) u v - - - ( 14 ) ]]> ∂ E ∂ k i j l = Σ 本文档来自技高网...

【技术保护点】
基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法，其特征是，包括以下步骤：对获得的胃肠道组织高光谱训练图像的光谱维进行降维去噪，仅保留高光谱数据的主成分；构造卷积神经网络结构；采用分批处理方法，将每个批次内的训练样本输入构造好的卷积神经网络，每个训练样本数据为高光谱数据主成分即若干个二维灰度图像，若干个二维灰度图像相当于若干张输入层的特征图，采用交叉熵函数作为损失函数，利用误差反向传播算法，根据该训练批次内的平均损失函数训练卷积神经网络中的参数以及逻辑回归层参数直至网络收敛；将待测试图像输入训练好的卷积神经网络得到该图像为胃肠处肿瘤组织图像的概率。

【技术特征摘要】
1.基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法，其特征是，包括以下步骤：对获得的胃肠道组织高光谱训练图像的光谱维进行降维去噪，仅保留高光谱数据的主成分；构造卷积神经网络结构；采用分批处理方法，将每个批次内的训练样本输入构造好的卷积神经网络，每个训练样本数据为高光谱数据主成分即若干个二维灰度图像，若干个二维灰度图像相当于若干张输入层的特征图，采用交叉熵函数作为损失函数，利用误差反向传播算法，根据该训练批次内的平均损失函数训练卷积神经网络中的参数以及逻辑回归层参数直至网络收敛；将待测试图像输入训练好的卷积神经网络得到该图像为胃肠处肿瘤组织图像的概率。2.如权利要求1所述的基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法，其特征是，对获得的胃肠道组织高光谱训练图像的光谱维进行降维去噪，仅保留高光谱数据的主成分的具体方式为：将三维高光谱图像转换成二维高光谱特征向量；计算得到的二维高光谱特征向量中所有像素光谱维的均值向量，并对所有像素点的光谱信息进行中心化，即减去所有像素点光谱信息的均值；计算中心化后的二维高光谱特征向量的协方差矩阵；对得到的协方差矩阵进行特征值分解，得到一组降序排列的特征值及其对应的特征向量，选择数据主成分，得到主成分映射矩阵。3.如权利要求2所述的基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法，其特征是，选择数据主成分后，根据得到的主成分映射矩阵，对二维高光谱特征向量进行主成分映射，得到主成分分析后的二维高光谱特征向量；将得到的二维高光谱特征向量恢复为三维高光谱图像，这样就得到了保留高光谱数据的主成分的图像。4.如权利要求1所述的基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法，其特征是，构造卷积神经网络结构为：依次为输入层、卷积层C1、下采样层S2、卷积层C3、下采样层S4、卷积层C5、下采样层S6、卷积层C7、下采样层S8、卷积层C9、下采样层C10、卷积层C11、逻辑回归层及输出层。5.如权利要求4所述的基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法，其特征是，输入层为灰度图像块，卷积层C1设置6个特征图，下采样层S2设置6个特征图，卷积层C3、C5及C7设置10个特征图，下采样层S4、S6及S8设置10个特征图，卷积层C9设置16个特征图，下采样层C10设置16个特征图，卷积层C11设置100个特征图，逻辑回归层有100个节点，输出层有一个节点，其中卷积层C9层的特征图与采样层S8层的特征图采用部分连接方式。6.如权利要求1所述的基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法，其特征是，卷积神经网络训练时，具体为：对卷积神经网络中待训练参数进行随机初始化；分批输入两类训练数据，图像为胃肠处肿瘤组织图像时设定输出节点为1，图像为正常胃肠组织图像设定输出节点为0；根据该批次内平均损失函数利用误差反向传播算法对卷积神经网络及逻辑回归分类参数进行训练至收敛。7.如权利要求6所述的基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法，其特征是，损失函数为交叉熵函数。8.如权利要求1所述的基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法，其特征是，将待测试图像输入训练好的卷积神经网络得到该图像为胃肠处肿瘤组织图像的概率具体包括：采用主成分分析法对胃肠道组织高光谱测试图像的光谱维进行降维去噪，抽取高光谱数据的a个主成分，得到主成分分析后的灰度图像块及其标签；将得到的灰度图像块输入训练好的卷积神经网络中，得出最终输出，输出节点即为该图像为胃肠处肿瘤组织图像的概率。9.如权利要求1所述的基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法，其特征是，损失函数为交叉熵函数，公式如下： E = 1 m Σ n ...

【专利技术属性】
技术研发人员：刘治，邱清晨，肖晓燕，曹丽君，朱耀文，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37