【技术实现步骤摘要】
一种基于NASNet的肺炎图像分类方法
[0001]本专利技术属于图像分类
,具体涉及一种基于NASNet的肺炎图像分类方法。
技术介绍
[0002]在传统的肺炎诊断过程中,肺炎图像的判断主要取决于医生的经验,但由于人工经验的差异,无法保证准确率。在一些CAD系统中,使用了如SVM的一些机器学习算法,作为一种出色的机器学习方法,SVM算法通过使用高维映射解决了许多线性不可分的问题,并且在图像和文本信息分类中取得了很好的效果。但是,当数据量太大时,通常会导致模型计算量过多,效率低下,并且无法保证鲁棒性和准确性。
[0003]现有技术存在的问题或者缺陷:当前的肺炎图像诊断容易受到主观因素的干扰,影响病情的判别。而现有辅助诊断系统所应用的算法计算效率较低,且准确率难以达到现实要求。
技术实现思路
[0004]针对上述的技术问题,本专利技术提供了一种效率高、误差小、成本低的基于NASNet的肺炎图像分类方法。
[0005]为了解决上述技术问题,本专利技术采用的技术方案为:
[0006]一种基于NASNet的肺炎图像分类方法,包括下列步骤:
[0007]S1、获取Mendeley数据集,将Mendeley数据集中的肺炎图片缩放到预设大小,并将数据和数据标签读取保存为矩阵形式;
[0008]S2、对读取保存后的数据集进行预处理,得到标准化的数据集;将预处理后的数据集划分为训练集S、验证集V和测试集T;
[0009]S3、基于NASNet网络构建深度学习网络,所 ...
【技术保护点】
【技术特征摘要】
1.一种基于NASNet的肺炎图像分类方法,其特征在于:包括下列步骤:S1、获取Mendeley数据集,将Mendeley数据集中的肺炎图片缩放到预设大小,并将数据和数据标签读取保存为矩阵形式;S2、对读取保存后的数据集进行预处理,得到标准化的数据集;将预处理后的数据集划分为训练集S、验证集V和测试集T;S3、基于NASNet网络构建深度学习网络,所述深度学习网络包括CNN层、NASNet层与全连接层,并使用训练集S对该深度学习网络进行训练;S4、采用训练完成的深度学习网络对待识别分类的肺炎图像进行分类。2.根据权利要求1所述的一种基于NASNet的肺炎图像分类方法,其特征在于:所述S1中将数据和数据标签读取保存为矩阵形式的方法为:包括下列步骤:S1.1、使用python的matplotlib包读取数据,并使用scipy将数据保存为矩阵形式,保存格式为npy,得到矩阵为(n,x,y)形式,其中,n为数据量,x为数据长度,y为数据宽度;S1.2、将csv格式的标签文件读取并保存为矩阵,以npy格式保存,得到矩阵为(n,a),其中,n为数据量,a代表该条数据的类别,0代表正常,1代表肺炎。3.根据权利要求1所述的一种基于NASNet的肺炎图像分类方法,其特征在于:所述S2中对读取保存后的数据集进行预处理的方法为:读取npy图像数据集,对数据进行标准化操作,标准化公式如下:其中,x
′
i
为标准化后的数据值,x
i
为待处理数据,μ代表样本均值,σ代表样本方差。4.根据权利要求1所述的一种基于NASNet的肺炎图像分类方法,其特征在于:所述S2中将预处理后的数据集划分为训练集S、验证集V和测试集T的方法为以hold
‑
out方法对数据集进行划分,将数据集划分为是三个互斥的集合,包括训练集S、验证集V和测试集T;所述训练集S用于对深度学习网络模型进行训练,所述验证集V用于验证深度学习网络模型是否训练完全,所述测试集T用于评估测试深度学习网络模型的泛化误差。5.根据权利要求1所述的一种基于NASNet的肺炎图像分类方法,其特征在于:所述S3中的CNN层用于数据特征的初步提取,所述CNN层将单通道X光数据提升为高维度数据特征;所述NASNet层由多个NASNet控制器模块构建,用于以不同的方式与感受野对数据特征进行进一步的提取;所述全连接层用于对数据特征进行最后的运算,完成分类任务。6.根据权利要求1所述的一种基于NASNet的肺炎图像分类方法,其特征在于:所述S3中的CNN层包括三个CNN模块,每个CNN模块均包括一次卷积运算、一次池化和一次激活;第一个CNN模块的卷积核大小为5*5,步长为2,采用Max Pooling,池化范围为2*2,步长为1;第二个CNN模块的卷积核大小为3*3,步长为1,采用M...
【专利技术属性】
技术研发人员:潘晓光,张娜,令狐彬,陈智娇,姚珊珊,
申请(专利权)人:山西三友和智慧信息技术股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。