一种基于GoogLeNet网络的医学图像分类方法技术

本发明专利技术公开了一种基于GoogLeNet网络的医学图像分类方法，具体包括以下步骤：S1、采集CT图像原始数据信息并进行预处理，并将预处理之后的CT图像数据划分为测试集和训练集；S2、构建改进的GoogLeNet网络模型，并将所述训练集输入到所述改进的GoogLeNet网络模型中进行训练，得到训练好的CT图像分类模型；S3、将所述测试集输入到所述CT图像分类模型中，得到CT图像分类结果。本发明专利技术能够在有限的训练样本情况下提高CT图像的分类准确率及分类精确率，有效改善了CT图像的诊断效果。

【技术实现步骤摘要】
一种基于GoogLeNet网络的医学图像分类方法
本专利技术属于医学图像计算机辅助诊断
，特别是涉及一种基于GoogLeNet网络的医学图像分类方法。
技术介绍
早发现、早确诊、早隔离是控制肺炎传播的主要方法,目前核酸检测仍是确诊的“金标准”，通过核酸检测阳性才能确诊新冠肺炎。但是核酸检测存在检测速度不够快，并存在核酸检测敏感度问题，可能导致假阴性情况的出现。因此部分专家建议将影像学图像诊断作为新冠肺炎确诊的一个辅助条件。由于医疗资源的匮乏，通过放射科医生对大规模医学图像进行阅片诊断工作量大、效率不高。因此，利用计算机视觉技术对可能的新冠肺炎CT图像进行辅助诊断能够有效降低新冠肺炎的漏诊率，缓解医疗资源的不足，具有重要意义，计算机辅助诊断也成为了当前众多学者研究的热点之一。目前，国内外学者对医学图像研究主要分为两大类。一类是基于传统机器学习的方法。如赵可扬等人在“机器学习辅助肿瘤诊断”中采用高质量数字病理切片用机器学习的方法判断肿瘤的性质，分级和预后。孙蕾等人在“基于医学图像的数学规划支持向量机”中应用非线性支持向量机的方法进行计算机辅助诊断。范炤等人在“基于机器学习的阿尔茨海默病病程分类”中利用支持向量机和随机森林构建模型对阿尔茨海默病进行分类研究。然而传统的机器学习方法不能有效地挖掘到医学图像中蕴含的丰富信息。另一部分学者采用深度学习的方法来研究医学图像。刘迪等人在“基于深度学习的医学图像肺结节检测”中采用卷积神经网络进行假阳性结节去除并在LUNA16数据集上进行了实验；Yang等人在“COVID-CT-Dataset:ACTScanDatasetaboutCOVID-19”使用DenseNet网络对肺炎CT图像进行分类获得了84.7％的分类准确率。然而，上述传统的机器学习方法或者深度学习方法需要大量带标签的图像数据来训练模型。因此，寻找一种高准确率和高分类精确率，并且不需要大量带标签的图像数据来训练模型的医学图像分类方法成为研究人员重点关注的问题。
技术实现思路
为了解决上述技术问题，本专利技术提供一种基于GoogLeNet网络的医学图像分类方法,能够在有限的训练样本情况下提高CT图像的分类准确率及分类精确率，有效改善了CT图像的诊断效果。为实现上述目的，本专利技术提出一种基于GoogLeNet网络的医学图像分类方法，具体包括以下步骤：S1、采集CT图像原始数据信息并进行预处理，并将预处理之后的CT图像数据划分为测试集和训练集；S2、构建改进的GoogLeNet网络模型，并将所述训练集输入到所述改进的GoogLeNet网络模型中进行训练，得到训练好的CT图像分类模型；S3、将所述测试集输入到所述CT图像分类模型中，得到CT图像分类结果。优选地，所述S1具体为：S1.1、通过医学放射仪器对人体病变部位进行扫描，得到不同灰度的像素按矩阵排列形成的CT图像原始数据信息；S1.2、对所述CT图像原始数据信息进行图像分割、特征提取、标注数据信息和数据增强，得到带有标签的样本集合；S1.3、对所述样本集合按照比例划分为训练集和测试集。优选地，所述分类标签，包括：正常和多种病变类别标签。优选地，所述数据增强，包括：镜像、旋转、缩放、裁剪、平移、高斯噪声、亮度调节、饱和度调节和对比度调节。优选地，所述S2具体为：S2.1、根据可视化特征图和修改GoogLeNet特征网络中结构，构建改进的GoogLeNet网络模型，并对所述改进的GoogLeNet网络模型进行预训练；S2.2、根据医学图像与自然图像在纹理、边缘低层次特征具有的共通性，对预训练后的GoogLeNet网络进行低层次特征迁移学习；S3.3、将所述训练集输入到所述改进的GoogLeNet网络模型中进行训练，得到训练好的CT图像分类模型。优选地，修改所述GoogLeNet特征网络的结构，具体为：将GoogLeNet特征网络中的Inception结构替换为Fast-Inception结构，激活函数采用h-Switsh函数，分类器采用Softmax函数，全连接层的神经元个数为24个；然后，将GoogLeNet模型中原有的Inception模块中的3×3卷积核和5×5卷积核的两条分支合并。优选地，所述S3.3具体为：采用自适应梯度估计方法对所述改进的GoogLeNet特征网络进行优化网络深度训练，并采用梯度下降法更新权重矩阵和偏置；同时调整所述改进的GoogLeNet特征网络中的冻结层，得到训练好的CT图像分类模型。优选地，所述S3具体为：S3.1、将所述测试集输入到所述CT图像分类模型中，得到正常或多种病变类别CT图像；S3.2、将正常和多种病变类别CT图像分别存放在不同的两个文件夹；S3.3、通过matlab中的imageDatastore指令自动为所述正常和多种病变类别CT图像打上对应标签，然后将正常和多种病变的CT图像进行比对，得到分类准确率、分类精度、敏感度和特异性。与现有技术相比，本专利技术的有益效果在于：本专利技术首先对CT原始图像数据进行数据增强、图像处理等一系列预处理，充分利用医学图像与自然图像之间的内在联系进行特征迁移，同时采用特征可视化，提高了网络层的特征提取效率和图像分类准确率，并减少了训练过程中的冗余计算量。最后用改进的网络进行调整和分类，得到了拟合较好的CT图像分类模型。本专利技术能够在有限的训练样本情况下提高肺部CT图像的分类准确率及分类精确率，有效改善了肺部CT图像的诊断效果。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术的方法流程图；图2为本专利技术GoogLeNet特征网络结构替换图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。实施例1参照图1所示，本专利技术提出一种基于GoogLeNet网络的医学图像分类方法，具体包括以下步骤：S1、采集CT图像原始数据信息并进行预处理，并将预处理之后的CT图像数据划分为测试集和训练集；首先，采用医学放射科的机器对人体进行扫描，机器发出的X射线在穿透人体后，其检测病变部位被X射线的探测器捕捉到，由于人体不同器官对X射线的透过率不一样，可以显示由软组织组成的器官，(如脑、脊髓、纵膈、肺、胆、胰本文档来自技高网...

【技术保护点】
1.一种基于GoogLeNet网络的医学图像分类方法，其特征在于，具体包括以下步骤：/nS1、采集CT图像原始数据信息并进行预处理，并将预处理之后的CT图像数据划分为测试集和训练集；/nS2、构建改进的GoogLeNet网络模型，并将所述训练集输入到所述改进的GoogLeNet网络模型中进行训练，得到训练好的CT图像分类模型；/nS3、将所述测试集输入到所述CT图像分类模型中，得到CT图像分类结果。/n

【技术特征摘要】
1.一种基于GoogLeNet网络的医学图像分类方法，其特征在于，具体包括以下步骤：
S1、采集CT图像原始数据信息并进行预处理，并将预处理之后的CT图像数据划分为测试集和训练集；
S2、构建改进的GoogLeNet网络模型，并将所述训练集输入到所述改进的GoogLeNet网络模型中进行训练，得到训练好的CT图像分类模型；
S3、将所述测试集输入到所述CT图像分类模型中，得到CT图像分类结果。


2.根据权利要求1所述的基于GoogLeNet网络的医学图像分类方法，其特征在于，所述S1具体为：
S1.1、通过医学放射仪器对人体病变部位进行扫描，得到不同灰度的像素按矩阵排列形成的CT图像原始数据信息；
S1.2、对所述CT图像原始数据信息进行图像分割、特征提取、标注数据信息和数据增强，得到带有标签的样本集合；
S1.3、对所述样本集合按照比例划分为训练集和测试集。


3.根据权利要求2所述的基于GoogLeNet网络的医学图像分类方法，其特征在于，所述分类标签，包括：正常和多种病变类别标签。


4.根据权利要求2所述的基于GoogLeNet网络的医学图像分类方法，其特征在于，所述数据增强，包括：镜像、旋转、缩放、裁剪、平移、高斯噪声、亮度调节、饱和度调节和对比度调节。


5.根据权利要求1所述的基于GoogLeNet网络的医学图像分类方法，其特征在于，所述S2具体为：
S2.1、根据可视化特征图和修改GoogLeNet特征网络中结构，构建改进的GoogLeNet网络模型，并对所述改进的GoogLeNet网络模型进行预训练；
S2.2、根据医学图像与自...

【专利技术属性】
技术研发人员：杨敬民，陈静，廖健鑫，杨东海，张文杰，方金生，
申请(专利权)人：闽南师范大学，
类型：发明
国别省市：福建;35