基于特征迁移的肺部CT图像分类方法技术

本发明专利技术公开了基于特征迁移的肺部CT图像分类方法，包括如下步骤：首先，对CT图像进行滤波、拉伸和数据增强。其次，应用特征可视化改进网络架构进行图像特征迁移，减少超参数调整，降低网络训练对标签图像的依赖。最后，使用改进网络对CT图像提取特征，并用K近邻算法、支持向量机和随机森林进行分类评价。在公开CT图像数据集上与6种对比算法进行实验验证。实验结果表明，改进网络分类准确率为93.3％，精确率为96.9％，模型最小、分类时间最少，具有较好的鲁棒性，有效改善了肺部CT图像的诊断效果。有效改善了肺部CT图像的诊断效果。有效改善了肺部CT图像的诊断效果。

【技术实现步骤摘要】
基于特征迁移的肺部CT图像分类方法


[0001]本专利技术涉及计算机视觉
，特别涉及基于特征迁移的肺部CT图像分类方法。

技术介绍

[0002]当前医疗设备行业快速发展，医学图像呈现快速增长态势。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、效率低。因此，在计算机视觉领域，通过应用计算机辅助诊断提高诊断效率具有重要意义，也是当前众多学者研究的一个热点之一。
[0003]卷积神经网络在图像分类领域取得了巨大的成功。2012年，Hinton等人提出的AlexNet在ImageNet竞赛中获得了冠军。2014年由牛津大学Simonyan等人提出的VGGNet在ImageNet竞赛中获得了第二名。同年，GoogLeNet获得了ImageNet竞赛中获得了第一名。2015年，何凯明等人提出了ResNet获得了大规模视觉识别赛冠军。Szegedy C等人通过卷积的分解以及正则化有效地利用增加的计算量来扩大网络。这些著名的深度学习网络都是在卷积神经网络的基础上发展得到的。
[0004]SqueezeNet是2016年提出的一种轻量级的卷积神经网络模型。SqueezeNet可在参数减少50倍以上的情况下性能接近AlexNet。SqueezeNet网络使用大量的1
×
1的滤波器，同时减少3
×
3滤波器通道数以及延迟采样来实现高压缩参数下的性能。SqueezeNet共有68层，包含8个Fire模块，每个Fire模块包含7层，Fire模块如图1所示。在一个Fire模块中有三个超参数：s1x1，e1x1和e3x3。在Fire模块中，s1x1是挤压层所有1x1滤波器的数量，e1x1是1x1滤波器在拓展层的数量，e3x3是3x3滤波器在拓展层的数量。
[0005]目前，大量的学者通过机器学习或者深度学习的方法对医学图像进行处理。如Hua等人应用深度学习技术对肺结节CT图像计算机辅助分类。Litjens等人研究了深度学习算法，特别是卷积网络在医学图像分类、分割、配准领域的应用，提出了未来研究面临的挑战和方向。Xie等人提出了一种多视图基于知识的协同深度模型，利用有限的胸部CT数据来区分良恶性结节。Zhang等人提出了深度叠加变换将深度学习方法推广到不可见区域的医学图像分割。Xie等人通过模型将一个三维肺结节分解成九个固定视图来学习三维肺部结节的特征。2020年，Liu等人提出了一个多任务深度模型用于自动肺结节分析。徐宏伟等人采用残差双注意力U
‑
Net模型的对CT图像自动分割。Yang等人采用DenseNet网络对肺炎图像进行分类，获得了84.7％的分类准确率。这些学者都在其特定数据集上取得了较大的成功。以此同时，一些学者对轻量型SqueezeNet网络进行改进并应用于不同领域。文献将SqueezeNet网络加深，用来对图像进行语义分割。将改进的queezeNet网络用于人脸识别。Liu等人研究改进了SqueezeNet网络使其在ImageNet数据集上的TOP
‑
1和TOP
‑
5分类精度分别提高了7.05％和4.79％。此外Bsra等人将SqueezeNet网络用于癫痫病人脑电图信号的识别。这些学者成功的对SqueezeNet网络进行改进并应用于不同领域。然而，在有限的带标签训练样本下训练出一个高质量的轻量型深度学习网络仍是当前面临的一个重要挑战。

技术实现思路

[0006]本专利技术的目的在于提供基于特征迁移的肺部CT图像分类方法，该方法仅在有限带标记的CT图像样本即可进行模型的训练，通过对肺部CT图像进行预处理，对预训练的SqueezeNet网络进行迁移学习，采用可视化方法减少超参数调整，结合冻结网络层来降低网络训练过程对带标签样本规模的要求。用训练好的模型对测试集图像进行特征提取，并用K近邻算法(K NearestNeighbor，KNN)、支持向量机(Support Vector Machines，SVM)和随机森林分类器对提取的特征进行分类，并与6个对比算法进行比较。实验结果表明，所提方法能够在小规模训练样本情况下高效训练网络，同时提高肺部CT图像的分类准确率及分类精确率。通过该模型，能够提高了疾病诊断效率，为疾病的诊治留下了宝贵的时间，以解决上述
技术介绍
中提出的问题。
[0007]为实现上述目的，本专利技术提供如下技术方案：
[0008]基于特征迁移的肺部CT图像分类方法，包括如下步骤：
[0009]步骤1：图像预处理
[0010]图像预处理可以充分利用现有的小规模的带标签的CT图像样本，预处理包括对CT图像样本的噪声滤波、对比对拉伸、肺部CT图像数据增强；
[0011]步骤2：迁移学习
[0012]使用迁移学习的方法可以有效解决小规模CT图像样本训练网络产生的过拟合问题；
[0013]步骤3：改进SqueezeNet网络架构
[0014]使用在ImageNet数据集上预训练的SqueezeNet网络进行低层次特征迁移学习，根据肺炎CT图像特定细粒度类别，通过对原始SqueezeNet网络的主要节点进行特征可视化，通过特征可视化，设定在所有特征通道中首次出现50％以上通道的特征出现无法正常识别出肺部的纹理轮廓信息时，确定该层之后的网络层对CT图像低层次特征的提取敏感度低；
[0015]步骤4：改进SqueezeNet网络伪代码。
[0016]进一步地，对于自适应噪声滤波，由于不同的CT设备生成的图像具有不同的高斯噪声，图像预处理阶段引入了自适应二维高斯噪声滤波技术。
[0017]进一步地，对于对比对拉伸，为提取CT图像信息，对滤除噪声后的图像进行对比度拉伸，把CT图像的像素点从拓展到0到255。
[0018]进一步地，对于肺部CT图像数据增强，图像增强的目的是增加训练样本的多样性，调整图像的通道数和图像像素大小以匹配网络输入，图像增强采用的方式包括对图像进行随机缩放、随机旋转角度、像素平移、水平或垂直镜像、调整图像的像素大小。
[0019]进一步地，步骤4的算法如下：
[0020]输入：CT图像及图像标签，冻结层数，最大验证精度A
max
＝0，N＝0；
[0021]输出：CT图像的混淆矩阵，分类准确率，分类精确率；
[0022]a)对原始CT图像滤波拉伸以及数据增强；
[0023]b)处理后的CT图像输入到改进的预训练SqueezeNet网络；
[0024]c)for epoch＝1：k；
[0025]d)计算样本损失；
[0026]e)用Adam优化器更新网络权重和偏置；
[0027]f)end for；
[0028]g)训练集训练一遍后用验证集验证分类准确率A
i
，保存对应网络；
[0029]h)判断A
i
是否大于A
max
，若是，A
max
＝本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于特征迁移的肺部CT图像分类方法，其特征在于，包括如下步骤：步骤1：图像预处理图像预处理可以充分利用现有的小规模的带标签的CT图像样本，预处理包括对CT图像样本的噪声滤波、对比对拉伸、肺部CT图像数据增强；步骤2：迁移学习使用迁移学习的方法可以有效解决小规模CT图像样本训练网络产生的过拟合问题；步骤3：改进SqueezeNet网络架构使用在ImageNet数据集上预训练的SqueezeNet网络进行低层次特征迁移学习，根据肺炎CT图像特定细粒度类别，通过对原始SqueezeNet网络的主要节点进行特征可视化，通过特征可视化，设定在所有特征通道中首次出现50％以上通道的特征出现无法正常识别出肺部的纹理轮廓信息时，确定该层之后的网络层对CT图像低层次特征的提取敏感度低；步骤4：改进SqueezeNet网络伪代码。2.如权利要求1所述的基于特征迁移的肺部CT图像分类方法，其特征在于，对于CT图像样本的噪声滤波，由于不同的CT设备生成的图像具有不同的高斯噪声，图像预处理阶段引入了自适应二维高斯噪声滤波技术。3.如权利要求1所述的基于特征迁移的肺部CT图像分类方法，其特征在于，对于对比对拉伸，为提取CT图像信息，对滤除噪声后的图像进行对比度拉伸，把CT图像的像素点从拓展到0到255。4.如权利要求1所述的基于特征迁移的肺部CT图像分类方法，其特征在于，对于肺部CT图像数据增强，图像增强的目的是增加训练样本的多样性，调整图像...

【专利技术属性】
技术研发人员：杨东海，杜志昭，许淑茹，黄仲庆，
申请(专利权)人：漳州卫生职业学院，
类型：发明
国别省市：