基于卷积神经网络的淋巴结识别的半监督方法技术

本发明专利技术公开的基于卷积神经网络的淋巴结识别的半监督方法。包括一下步骤：先获取并预处理淋巴结图像，得到淋巴结图像样本；将淋巴结图像样本按照9:1的比例随机分为训练数据集和验证数据集，将训练数据集进行翻转和剪切的数据增强，之后从训练数据中选取20％作为有标签数据，剩下的训练数据作为无标签数据，验证数据集不做任何处理；将训练样本集输入模型分类器并不断迭代训练，每迭代1000步使用验证样本集验证模型分类器，记录验证集的正确率。本发明专利技术的识别方法将淋巴结识别的过程实现了处理流程的简化，将淋巴结图像特征提取及风格识别融为一体，识别速度快，而且识别准确率高，收敛速度快，识别准确率高，具有较好的鲁棒性、扩展性。

Semi supervised method of lymph node recognition based on convolution neural network

【技术实现步骤摘要】
基于卷积神经网络的淋巴结识别的半监督方法
本专利技术属于半监督图像分类识别方法
，特别是涉及一种卷积神经网络在淋巴结识别的方法。
技术介绍
一直以来，淋巴结肿大是诱发许多疾病的根本原因，如淋巴瘤、炎症等，但是淋巴结的临床诊断一直是一个费时耗力的难题，这是由于医学图像固有的特点所决定的。一方面，人体组织是一个多种组织融合的实体，要把这种实体的影像清晰地通过图像方式展示出来，其过程本身就是一个错综复杂的操作；另一方面，人体内的各种组织相似度很大，这就造成了医学成像数据的模糊和不均匀。正是医学图像的上述特性医生识别病变组织的难度，本文针对对腹腔淋巴结自动识别的问题，设计了一个基于卷积的半监督模型。
技术实现思路
本专利技术针对现有技术的不足，提出了一种基于卷积神经网络的淋巴结识别的半监督方法。本专利技术的所采用的技术方案是，基于卷积网络的淋巴结识别方法，包括以下步骤：步骤1，获取并预处理淋巴结图像，得到淋巴结图像样本；具体为将淋巴结图像归一化处理，并将归一化处理过的淋巴结图像调整为32×32×3的统一格式；步骤2，将步骤1得到的淋巴结图像样本按照9:1的比例随机分为训练数据集和验证数据集，将训练数据集进行翻转和剪切的数据增强，之后从训练数据中选取20％作为有标签数据DL(x,y)，剩下的训练数据作为无标签数据DUL(x,y)，验证数据集不做任何处理；步骤3，将步骤2中的训练样本集输入模型分类器并不断迭代训练，每迭代1000步使用验证样本集验证模型分类器，记录验证集的正确率；其中具体迭代训练过程为：(1)、采样有标签数据采样(2)、代入模型分类器计算监督交叉熵损失Ls其中fθ()表示模型分类器；(3)、采样两个无标签样本采样(4)、计算假的标签其中fθ′()表示滑动平均模型分类器；(5)、采样插值系数λ采样λ～Q，其中Q随机分布在0～1之间；(6)、计算插值um、um＝Mixλ(uj,uk),其中Mixλ(a,b)＝λa+(1-λ)b；(7)、计算平方误差LUS(8)、计算总的损失LL＝Ls+w(t)·LUS，其中w(t)取100.0，(9)、计算梯度gθ(10)、更新滑动平均参数θ′＝αθ′+(1-α)θ，其中α取1.0(11)、使用随机梯度SGD或Adam优化器更新参数θ；所述收敛的条件为：迭代次数不大于10000且达到残差值最小；步骤4，将步骤1的淋巴结图像样本输入步骤3训练后的模型分类器中，完成淋巴结图像识别；模型分类器中网络模型包含第一卷积单元、第二卷积单元和第三专门用来减少图像尺寸的卷积单元以及第四卷积单元，输入是通道为3的图像，分辨率大小是32×32；第一卷积单元是连续3层是感受野大小是3×3，卷积核是128的卷积层，步长为1，边缘填充为2，输出为128个通道、大小为32×32的特征，接着是感受野大小是3×3步长为2的maxpool和随机失活是0.1的dropout，此时的输出为128个通道、大小为16×16的特征；接着是连续3层是感受野大小是3×3卷积核是256的卷积层，步长为1，边缘填充为2，输出为256个通道、大小为32×32的特征，接着是感受野大小是3×3的步长为2的最大池化和随机失活是0.1的dropout此时的输出为256个通道、大小为8×8的特征；第二卷积单元是先是使用leakyrelu进行预激活，之后包含3个分支，第1个分支为shorcut；第2个分支为有32输出通道的1×1的步长为1的卷积；第3个分支为有32通道的1×1的步长为1的卷积再连续连接2个有32个通道的3×3的步长为1的卷积；之后第二个和第三个分支使用256通道的1×1的步长为1的卷积,然后将3个分支相加，得到最后的输出尺寸是8×8×256的结果；第三专门用来减少图像尺寸的卷积单元是包含2个分支，第1个分支是感受野大小是3×3步长为2的最大池化；第二个分支是256通道的3×3的步长为2的卷积；最后，将2个分支在输出通道上合并，输出尺寸为4×4×512；第四卷积单元是先是使用leakyrelu进行预激活，之后包含3个分支，第1个分支为shorcut；第2个分支为有64输出通道的1×1的步长为1的卷积；第3个分支为有64通道的1×1的步长为1的卷积再连续连接2个有64个通道的3×3的步长为1的卷积；之后第二个和第三个分支使用256通道的1×1的步长为1的卷积,然后将3个分支相加，得到最后的输出尺寸是4×4×512的结果；最后是感受野大小是3×3步长为2的平均池化和随机失活是0.1的dropout以及softmax分类层，用于计算输出属于每一类的概率。本专利技术的有益效果是：本专利技术的识别方法将淋巴结识别的过程实现了处理流程的简化，将淋巴结图像特征提取及风格识别融为一体，识别速度快，而且识别准确率高，收敛速度快，识别准确率高，具有较好的鲁棒性、扩展性。附图说明图1是本专利技术基于卷积神经网络的淋巴结识别方法中模型分类器网络总的结构图；图2是本专利技术基于卷积神经网络的淋巴结识别方法中模型分类器网络结构中的BasicConv结构图；图3是本专利技术基于卷积神经网络的淋巴结识别方法中模型分类器网络结构中的stem结构图；图4是本专利技术基于卷积神经网络的淋巴结别方法中模型分类器网络结构中的BasicConv结构图；图5是本专利技术基于卷积神经网络的淋巴结识别方法中模型分类器网络结构中的MixA结构图；图6是本专利技术基于卷积神经网络的淋巴结识别方法中模型分类器网络结构中的Reduction结构图；图7是本专利技术基于卷积神经网络的淋巴结识别方法中模型分类器网络结构中的MixB结构图；图8是本专利技术基于卷积神经网络的淋巴结识别方法中模型分类器网络结构中深度残差卷积结构图；具体实施方式fθ(x)：θ是神经网络fθ(x)的训练参数fθ′(x)：θ′是θ的滑动平均参数，fθ′(x)是滑动平均神经网络DL(x,y)：有标签训练数据的集合DUL(x,y)：无标签训练数据的集合α：滑动平均率取1.0w(t):取100.0T：总的迭代数Q：随机分布在0～1之间Mixλ(a,b)＝λa+(1-λ)bfort＝1,…,T采样→采样minibatch标签数据→监督损失(交叉熵)采样→采样两个无标签样本→计算假的标签采样λ～Q→采样插值系数→计算插值→平方误差L＝Ls+w(t)·LUS→总的损失→计算梯度θ′＝αθ′+(1-α)θ→更新滑动平均参数θ←Step(θ,gθ)→SGD,Adamendforreturnθ下面结合附图和具体实施方式对本发本文档来自技高网...

【技术保护点】
1.基于卷积神经网络的淋巴结识别的半监督方法，其特征在于，包括以下步骤：/n步骤1，获取并预处理淋巴结图像，得到淋巴结图像样本；具体为将淋巴结图像归一化处理，并将归一化处理过的淋巴结图像调整为32×32×3的统一格式；/n步骤2，将步骤1得到的淋巴结图像样本按照9∶1的比例随机分为训练数据集和验证数据集，将训练数据集进行翻转和剪切的数据增强，之后从训练数据中选取20％作为有标签数据D

【技术特征摘要】
1.基于卷积神经网络的淋巴结识别的半监督方法，其特征在于，包括以下步骤：
步骤1，获取并预处理淋巴结图像，得到淋巴结图像样本；具体为将淋巴结图像归一化处理，并将归一化处理过的淋巴结图像调整为32×32×3的统一格式；
步骤2，将步骤1得到的淋巴结图像样本按照9∶1的比例随机分为训练数据集和验证数据集，将训练数据集进行翻转和剪切的数据增强，之后从训练数据中选取20％作为有标签数据DL(x，y)，剩下的训练数据作为无标签数据DUL(x，y)，验证数据集不做任何处理；
步骤3，将步骤2中的训练样本集输入模型分类器并不断迭代训练，每迭代1000步使用验证样本集验证模型分类器，记录验证集的正确率；
其中具体迭代训练过程为：
(1)、采样有标签数据
采样
(2)、代入模型分类器计算监督交叉熵损失Ls

其中fθ()表示模型分类器；
(3)、采样两个无标签样本
采样
(4)、计算假的标签

其中fθ′()表示滑动平均模型分类器；
(5)、采样插值系数λ
采样λ～Q，其中Q随机分布在0～1之间；
(6)、计算插值um、
um＝Mixλ(uj，uk)，
其中Mixλ(a，b)＝λa+(1-λ)b；
(7)、计算平方误差LUS



(8)、计算总的损失L
L＝Ls+w(t)·Lus，其中w(t)取100.0，
(9)、计算梯度gθ



(10)、更新滑动平均参数
θ′＝αθ′+(1-α)θ，其中α取1.0
(11)、使用随机梯度SGD或Adam优化器更新参数θ；
所述收敛的条件为：迭代次数不大于10000且达到残差值最小；
步骤4，将步骤1的淋巴结图像样本输入步骤3训练后的模型分类器中，完成淋巴结图像识别；
模型分类器中网络模型包含第一卷积单元、第二卷积单元和第三专门用来减少图像尺寸的卷积单...

【专利技术属性】
技术研发人员：郑小青，王洪成，郑松，孔亚广，陈杰，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33