【技术实现步骤摘要】
一种基于改进训练网络的CT图像病变识别方法
[0001]本专利技术涉及图像处理
,尤其涉及一种基于改进训练网络的CT图像病变识别方法。
技术介绍
[0002]近年来随着数字化技术的不断发展,计算机图像在各场景中应用广泛。通过对计算机图像进行层层处理,提取有效信息,可以为信息认知提供数据基础,从而构建预测模型,提高预测的准确性。
[0003]受采集设备、环境、人为操作等因素影响,计算机图像信息具有海量、高频、多源、异构等特征,处理这类信息提取特征因子难度较大。对于图像中特征因子提取及目标识别更是一个基本的挑战。
[0004]目前用于图像特征因子提取及检测的深度学习网络主要分为一阶段检测模型和两阶段检测模型,一阶段检测模型可以直接从原图像进行提取并预测,预测实时性较好,比较经典的算法包括YOLO系列、SSD和Retina Net等。相反,两阶段检测模型首先生成一系列候选区域,之后再进行精确分类。一阶段检测模型检测速度上有比较大的优势,但是相对于两阶段检测模型来说精度不高。由于医疗图像的特殊性,在选取检测网络时会选取精度更高的两阶段检测模型。
[0005]目前,许多两阶段检测模型依赖于主干卷积神经网络,主要采用基于主干网络的RPN算法目标检测模型,如SPP net、Fast RCNN、Faster RCNN等。在训练阶段,首先训练区域建议网络(RPN),在区域建议网络中,首先使用一个小型的滑动窗口网络在特征图上进行滑动扫描。同时,将这个滑动窗口网络与特征图上的3*3大小窗口进行全连接。通过滑动 ...
【技术保护点】
【技术特征摘要】
1.一种基于改进训练网络的CT图像病变识别方法,其特征在于,包括,获取CT图像,对CT图像进行直方图均衡化处理;采用基于病变目标形状相似度的聚类方法生成初始锚点框;构建深度卷积神经网络模型,在所述深度卷积神经网络模型的RPN中嵌入特征金字塔FPN及注意力模块CBAM,并将处理后的CT图像放入所述深度卷积神经网络模型中,生成特征映射空间;以CT图像的每个像素点为中心,以初始锚点框为固定范围在特征映射空间进行窗口滑动,生成新的候选框,在深度卷积神经网络模型的全连接层对候选框进行分类与回归训练,所述候选框用于病变目标检测,在所述模型的分类层中判断候选框中是否有病变目标,在所述模型的回归层中输出病变目标的坐标位置。2.根据权利要求1所述的一种基于改进训练网络的CT图像病变识别方法,其特征在于,所述对CT图像进行直方图均衡化处理包括,获取CT图像的直方图,获取CT图像的灰度级范围,所述灰度级范围表示为[0,L
‑
1],L为CT图像中灰度的最大值,构建CT图像的离散函数h(r
k
)=n
k
,所述离散函数表示为CT图像直方图,其中r
k
是第k级灰度值,n
k
是CT图像中灰度值为r
k
的像素个数,对直方图进行归一化处理,获取CT图像的维数是M、N,M*N表示图像的像素总数,根据公式(1)对直方图进行归一化处理,其中,p(r
k
)为灰度值为r
k
的像素在CT图像中所占的比重,根据公式(2)对CT图像进行均衡化处理,其中,s
k
为均衡化后CT图像的灰度值,T为变换函数,j∈[0,k]。3.根据权利要求1所述的一种基于改进训练网络的CT图像病变识别方法,其特征在于,所述采用基于病变目标形状相似度的聚类方法生成初始锚点框包括,首先从CT数据集中选择k个初始目标的病变目标真实边框,将所述初始目标的病变目标真实边框作为簇中心,将CT数据集的剩余数据分别通过公式(3)计算CT数据对应的簇标签label,所述标签为疾病类型,u
j
表示簇中心,x
i
表示第i个CT数据中的病变目标,d
SSD
表示基于形状的距离公式,j∈[0,k],label
i
表示第i个CT数据中病变目标对应的疾病类型,从CT数据集中随机选择k个样本作为初始的k个质心向量,根据簇中心生成簇划分C,C={C1,C2,...C
k
},当j=1,2,...,k,对C
j
中所有的样本点重新计算新的质心向量,即通过式(4)计算平均值更新每个簇中心,n
j
表示每个簇划分中样本的数量,重复计算(3)和(4),直到达到式(5)表示的平方误差收敛至局部最优解,或通过预设的循环次数获得平方误差,
其中,基于形状的距离公式d
SSD
如公式(6)所示,d
ED
为欧式距离,d
MD
为曼哈顿距离,d
AD<...
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。