本发明专利技术属于图像分类技术领域，具体涉及一种基于NASNet的肺炎图像分类方法，包括获取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；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；基于NASNet网络构建深度学习网络，并使用训练集S对该深度学习网络进行训练；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。NASNet深度学习网络可以多尺度多模态特征提取，对肺炎图像特征进行了深入的分析与有效的智能化提取，网络的参数训练摆脱了人为干扰，避免了主观误差，并且可以高效率的进行肺炎X光图像的识别工作。的识别工作。
【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；
[0010]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。
[0011]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：
[0012]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；
[0013]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。
[0014]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：
[0015][0016]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。
[0017]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
[0018]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。
[0019]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。
[0020]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Max Pooling,池化范围为2*2，步长为1；第三个CNN模块的卷积核大小为3*3，步长为1，采用Max Pooling,池化范围为2*2，步长为1；第三个CNN模块还包括一个BN层，用于对数据进行一次批量标准化操作。
[0021]所述S3中的NASNet层包括1*1CNN部分和NASNet控制器，1*1CNN部分的输入为F(x
‑
1)，将feature map提升为8通道，输出F(x)；NASNet控制器首先以F(x)为输入进行一次3*3的卷积运算与一次3*3的最大池化，步长均为1，将2次运算得到的结果以ADD方式进行融合；之后分别以F(x)与F(x
‑
1)为输入进行一次3*3卷积，二者步长都为1，之后将2次运算得到的结果以ADD方式进行融合；最后以F(x
‑
1)为输入进行一次3*3的卷积运算与一次3*3的最大池化，步长均为1；将2次运算得到的结果以ADD方式进行融合，将3次ADD所得的feature map以Concate方式进行结合，得到NASNet层的最终输出特征。
[0022]所述S3中的全连接层的计算方法为：将上一层的输出进行flatten，之后进行两次全连接运算，得到最终的分类结果，采用Sigmoid进行输出，表达式为：
[0023][0024]其中，k为全连接输出，S(k)为最终输出，若输出值小于0.5，则认为正常，若大于等于0.5，则标记为肺炎图像。
[0025]所述S4中的深度学习网络的训练的方法为：采用Adam作为优化器，初始学习率为0.02，每100个epoch学习率衰减30％，batch size大小为32，损失函数使用指数损失函数，设定训练300个epoch，连续20个epoch模型损失值无下降则停止训练，保存模型。
[0026]所述S4中的深度学习网络的验证过程和评估的方法为：
[0027]验证过程：使用V集数据对训练的到的数据模型进行100个epoch的二次训练，若模型损失无下降，保存模型；若模型损失降低，将学习率设置为原来的0.5倍，使用训练集数据继续对模型进行训练，直到模型损失稳定；
[0028]评估过程：使用训练完成的模型对T集数据进行测试，根据模型识别结果与数据标签，对模型识别效果进行评估，评估方式为对每一个类别的数据进行准确率与召回率的计算；
[0029]准确率：Acc＝(TP+TN)/(TP+TN+FN+FP)
[0030]召回率：R＝TP/(TP+FN)
[0031]其中，TP为正类判定为正类数量；FP为负类判定为正类数量；FN为正类判定为负类数量；TN为负类判定为负类数量。
[0032]本专利技术与现有技术相比，具有的有益效果是：
[0033]本专利技术提供了一种基于NASNet的肺炎图像分类方法，采用深度学习的方法，对肺炎/正常图像进行二分类操作，本方案模型使用了可以进行多尺度多模态特征提取的NASNet网络，对肺炎X光图像的信息特征进行了深入的分析与有效的智能化提取，网络的参数训练摆脱了人为干扰，避免了主观误差，并且可以高效率的进行肺炎X光图像的识别工作。
附图说明
[0034]图本文档来自技高网...
【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。