一种基于EfficientNetV2网络的脑肿瘤分类方法技术

本发明专利技术提出一种基于EfficientNetV2网络的脑肿瘤分类方法，该方法可提高脑肿瘤分类准确率及分类精度。引入EfficientNetV2网络结构，该网络有参数量更少、收敛速度更快以及精准度更高的特点，改进的EfficientNetV2网络模型引入了CA轻量级注意力机制模块，该模块能够帮助网络更准确地定位目标信息，使感兴趣的区域能够被更准确地捕获，增强识别能力，解决脑肿瘤MRI图像的分类准确率低及过拟合问题。再将激活函数替换Hard

【技术实现步骤摘要】
一种基于EfficientNetV2网络的脑肿瘤分类方法


[0001]本专利技术提出一种基于深度学习的脑肿瘤分类方法，采用一种基于EfficientNetV2网络的脑肿瘤MRI图像分类方法。改进的EfficientNetV2网络模型引入了CA轻量级通道注意力机制模块，该模块能够帮助网络更准确地定位目标信息，增强识别能力。本专利技术能够在有限的训练样本情况下提高脑肿瘤MRI图像的分类准确率及分类精确率，有效改善MRI图像的医学诊断效果。

技术介绍

[0002]脑肿瘤是世界上对人类生命安全最具威胁力的癌症之一，并且诊断难度大，更难以治疗。磁共振成像(MRI)是医生初步判断脑肿瘤最重要的工具之一，但诊断起来仍然耗时耗力，因此计算机的图像分类技术可以辅助医生判断脑肿瘤的类别。计算机辅助诊断系统能够提供给医生一个客观的计算机诊断结果作为第二参考对于提高医生诊断的准确率、减少漏诊起到了积极的作用。因此深度学习领域的最新进展已帮助医疗行业在医学成像方面对许多疾病进行医学诊断。
[0003]随着深度学习技术的不断突破，基于深度学习的图像分类方法也取得了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于EfficientNetV2网络的脑肿瘤分类方法，其特征在于，包括以下步骤：Step1：获取脑肿瘤MRI图像数据集，并对其预处理，包括调整大小，之后将预处理后的脑肿瘤图像数据集按照一定比例划分得到训练集、测试集；Step2：构建改进的EfficientNetV2网络模型，并将所述训练集输入到所述改进的EfficientNetV2网络模型中进行训练，得到训练好的MRI图像分类模型；Step3：将所述测试集输入到所述MRI图像分类模型中，得到MRI图像分类结果。2.根据权利要求1所述的一种基于EfficientNetV2网络的脑肿瘤分类方法，其特征在于，所述Step1中的具体过程如下：Step1.1将脑肿瘤图像数据集中的每一幅图像调整尺寸大小至512像素*512像素；Step1.2对所述MRI图像原始数据信息进行特征提取和数据增强，得到带有标签的样本集合；Step1.3对所述样本集合按照比例划分为训练集和测试集，划分比例分别为80％和20％。所述分类标签，包括：脑膜瘤、胶质瘤、垂体瘤三种类别标签。3.根据权利要求1所述的一种基于EfficientNetV2网络的脑肿瘤分类方法，其特征在于，所述Step2中的具体过程如下：Step2.1搭建改进EfficientNetV2脑肿瘤分类网络模型；Step2.1.1 EfficientNetV2模型由MBConv模块和Fused
‑
MBConv模块构成，本发明中将原模型中的MBConv模块中的SE注意力机制替换为CA注意力机制；CA注意力机制可以充分利用捕获到的位置信息，使感兴趣的区域能够被准确地捕获；CA模块中的Coordinate信息嵌入部分有助于网络更准确地定位感兴趣的目标，其中全局池化方法通常用于通道注意编码空间信息的全局编码，但由于它将全局空间信息压缩到通道描述符中，导致难以保存位置信息。为了促使注意力模块能够捕捉具有精确位置信息的远程空间交互，按照以下公式分解了全局池化，转化为一对一维特征编码操作...

【专利技术属性】
技术研发人员：侯阿临，崔博，贾兆年，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：