一种基于卷积神经网络的阴道病理图像分类方法技术

本发明专利技术属于计算机视觉及机器学习技术领域，公开了一种基于卷积神经网络的阴道病理图像分类方法。本发明专利技术包括步骤：使用上采样方法，得到类别平衡的阴道病理图像数据集；利用数据增强方法扩增阴道病理图像数据集；利用扩增的阴道病理图像数据集对图像分类卷积神经网络进行训练；利用交叉熵损失函数，结合BP算法对图像分类卷积神经网络进行网络参数更新；通过训练后的最优图像分类卷积神经网络对输入图像进行分类。本发明专利技术避免了传统特征提取方法的局限，如：高度依赖于医护人员的经验知识，耗费大量的时间和精力完成，提取出有区分性的高质量特征也往往存在一定的困难，而且准确率低，本发明专利技术借助于卷积神经网络，实现阴道病理图像的高精度分类。

A Classification Method of Vaginal Pathological Images Based on Convolutional Neural Network

【技术实现步骤摘要】
一种基于卷积神经网络的阴道病理图像分类方法
：本专利技术属于计算机视觉及机器学习
，涉及阴道病理图像分类方法，特别涉及一种基于卷积神经网络的阴道病理图像分类方法。
技术介绍
：随着科学技术的发展和医学影像应用的推广，有越来越多的医学影像需要医生解读。医学影像解读逐渐成为一个具有挑战性的工作，医生有可能会因为经验不足或疲劳而产生解读错误，使一些疾病漏诊，导致假阴性出现，也可能将非病变解读为病变，或将良性病变误解读为恶性，导致假阳性出现。在此形势下，医学影像识别成为了研究热点。医学影像识别是综合医学影像、数学建模、计算机技术等多学科的交叉领域。在医学影像识别研究中，国内外研究者对医学影像的计算机自动识别进行了大量的研究工作，并取得了一系列重要的研究成果。其中，所采用的研究方法可以分为两类：一类为基于人工特征提取的传统机器学习算法，另一类为基于深度学习的方法。卷积神经网络在图像分类任务上取得的成功，鼓舞了越来越多的学者利用深度学习模型解决医疗影像学问题。一方面，深度学习能够自动从2D或3D图像中学习特征，避免了传统机器学习算法中人工设计、提取特征的复杂性和局限性，另一方面，卷积神经网本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的阴道病理图像分类方法，其特征在于，包括以下步骤：步骤一：通过上采样方法增加小类别阴道病理图像数量，提高标注阴道病理图像数据集的类别平衡性，其中，上采样方法包括以下步骤：1.1.输入阴道病理图像数据集D＝[D1,D2,D3]，其中，D表示阴道病理图像集，D1，D2，D3分别表示类别为细菌性阴道病阴型、细菌性阴道病中间型、细菌性阴道病阳型的阴道病理图像数据集的子集；1.2.按照类别顺序对原始病理图像样本进行排序，计算每个类别的样本数目C＝[C1,C2,C3]，并记录最大样本类样本数Cmax，其中，C表示每类样本数集合，C1，C2，C3分别表示类别为细菌性阴道病阴型、细菌性...

【技术特征摘要】
1.一种基于卷积神经网络的阴道病理图像分类方法，其特征在于，包括以下步骤：步骤一：通过上采样方法增加小类别阴道病理图像数量，提高标注阴道病理图像数据集的类别平衡性，其中，上采样方法包括以下步骤：1.1.输入阴道病理图像数据集D＝[D1,D2,D3]，其中，D表示阴道病理图像集，D1，D2，D3分别表示类别为细菌性阴道病阴型、细菌性阴道病中间型、细菌性阴道病阳型的阴道病理图像数据集的子集；1.2.按照类别顺序对原始病理图像样本进行排序，计算每个类别的样本数目C＝[C1,C2,C3]，并记录最大样本类样本数Cmax，其中，C表示每类样本数集合，C1，C2，C3分别表示类别为细菌性阴道病阴型、细菌性阴道病中间型、细菌性阴道病阳型的阴道病理图像样本个数；1.3.利用最大样本类样本数Cmax对每类阴道病理图像样本产生一个随机排列数的列表并用此列表中的随机数对各自类别的样本数Ci取余，得到各类阴道病理图像样本对应的索引其中，设定类别i的取值为1,2,3，j的取值为1,2,3…Cmax，lij表示类别为i的第j个随机数，indexij表示类别为i的第j张阴道病理图像索引值；1.4.根据各类索引Indexi从各类的图像排列中提取图像，生成各类阴道病理图像的随机列表；1.5.将各类阴...

【专利技术属性】
技术研发人员：彭绍亮，程敏霞，李非，王力，杨亚宁，周德山，李肯立，毕夏安，唐卓，蒋洪波，王树林，高亦博，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南,43