基于多尺度特征提取的声带白斑图像分类方法技术

本发明专利技术的目的是提供一种基于多尺度特征提取的声带白斑图像分类方法，首先建立数据库，将该数据库中的图像随机分成训练集和测试集；然后进行预处理，得到归一化的训练集图像和测试集图像；再构建基于多尺度特征提取的卷积神经网络：采用训练集图像作为基于多尺度特征提取的卷积神经网络的输入，训练、更新网络参数，从而得到基于多尺度特征提取的卷积神经网络的模型；最后预测喉镜白光图像类别，网络得到的输出结果即为预测的测试集中喉镜白光图像所属类别。本发明专利技术解决了现有技术中存在的声带白斑图像分类精度有限的问题。声带白斑图像分类精度有限的问题。声带白斑图像分类精度有限的问题。

【技术实现步骤摘要】
基于多尺度特征提取的声带白斑图像分类方法


[0001]本专利技术属于计算机科学与临床医学
，具体涉及一种基于多尺度特征提取的声带白斑图像分类方法。

技术介绍

[0002]声带白斑是声带常见疾病之一，作为临床诊断，其病理范围涵盖良性炎症性疾病至喉恶性肿瘤，基于不同高危因素及病理分级，临床进行保守治疗或不同程度的手术治疗。虽然病人有无吸烟史、临床症状及声带喉镜特点可作为判断其良恶性的依据，但需要经验丰富的耳鼻咽喉头颈外科医生在经过专业培训和长期临床实践中才能胜任。且目前基于白斑疾病的自动诊断大多以良恶性分类，而针对其癌前病变的严重程度，尚未有准确的自动分类方法。近年来的目标分类方法(AlexNet、VGG、ResNet、DenseNet、Inception等)可以有效地判断喉健康与否问题，但是对于更进一步的疾病分类问题，其精度有限。

技术实现思路

[0003]本专利技术的目的是提供一种基于多尺度特征提取的声带白斑图像分类方法，解决了现有技术中存在的声带白斑图像分类精度有限的问题。
[0004]本专利技术所采用的技术方案是，基于多尺度特征提取的声带白斑图像分类方法，具体按照以下步骤实施：
[0005]步骤1、建立数据库，将该数据库中的图像随机分成训练集和测试集；
[0006]步骤2、对步骤1建立的训练集和测试集分别进行预处理，得到归一化的训练集图像和测试集图像；
[0007]步骤3、构建基于多尺度特征提取的卷积神经网络：采用步骤2的训练集图像作为基于多尺度特征提取的卷积神经网络的输入，训练、更新网络参数，从而得到基于多尺度特征提取的卷积神经网络的模型；
[0008]步骤4、预测喉镜白光图像类别：将步骤2的测试集图像送入步骤3训练好的基于多尺度特征提取的卷积神经网络模型的输入端，该网络得到的输出结果即为预测的测试集中喉镜白光图像所属类别。
[0009]本专利技术的特点还在于，
[0010]步骤1具体按照以下步骤实施：
[0011]从M张图像中随机选取80％的图像作为训练集，20％的图像作为测试集，将M张图像的类别分为健康、炎症角化、轻度不典型增生、中度不典型增生、重度不典型增生、鳞状细胞癌6类，数值分别为0、1、2、3、4、5。
[0012]步骤2具体按照以下步骤实施：
[0013]对步骤1的M张图像进行预处理，得到归一化的图像I：
[0014][0015]步骤1的数据库图像为彩色图像，由R、G、B分量构成，I
R
(x，y)为像素(x，y)在R分量
中的值，I
G
(x，y)为像素(x，y)在G分量中的值，I
B
(x，y)为像素(x，y)在B分量中的值，分别为图像I中像素(x，y)在R、G、B分量中的归一化值，范围为0
‑
1。
[0016]步骤3具体按照以下步骤实施：
[0017]步骤3.1、首先构建3个尺度提取图像特征，分别得到特征图特征图得到特征图
[0018]步骤3.2、将步骤3.1中得到的3个尺度的特征图步骤3.2、将步骤3.1中得到的3个尺度的特征图级联在一起，再对其进行一次最大池化操作，得到特征图m1为该特征图的编号，至此，感受野尺寸为21
×
21像素、13
×
13像素和5
×
5像素；
[0019]步骤3.3、然后继续构建3个尺度提取图像特征，分别得到特征图特征图特征图
[0020]步骤3.4、将步骤3.3中得到的三个尺度的特征图步骤3.4、将步骤3.3中得到的三个尺度的特征图级联在一起，再对其进行一次最大池化操作，得到特征图m2为该特征图的编号，至此，感受野尺寸为46
×
46像素、38
×
38像素、30
×
30像素、22
×
22像素、14
×
14像素；
[0021]步骤3.5、对步骤3.2得到的特征图进行一次最大池化操作，得到特征图将特征图与步骤3.4得到的特征图级联在一起，得到特征图m12为特征图的编号；
[0022]步骤3.6、然后继续构建3个尺度提取图像特征，得到特征图特征图特征图
[0023]步骤3.7、将步骤3.6中得到的三个尺度的特征图步骤3.7、将步骤3.6中得到的三个尺度的特征图级联在一起，再对其进行一次最大池化操作，得到特征图m3为该特征图的编号，至此，感受野尺寸为96
×
96像素、88
×
88像素、80
×
80像素、72
×
72像素、64
×
64、56
×
56像素、48
×
48像素、40
×
40像素、32
×
32像素；
[0024]步骤3.8、对步骤3.5得到的特征图进行一次最大池化操作，得到特征图将其与步骤3.7得到的特征图级联在一起，得到特征图m23为该特征图的编号；
[0025]步骤3.9、使用大小为1
×
1像素的256个卷积核对步骤3.8得到的特征图进行一次卷积操作，这些卷积核的权重即为需要训练的基于多尺度特征提取
的卷积神经网络的参数之一，得到特征图d为该特征图的编号；
[0026]步骤3.10、使用大小为3
×
3像素的512个卷积核对步骤3.9得到的特征图进行一次卷积操作，这些卷积核的权重即为需要训练的基于多尺度特征提取的卷积神经网络的参数之一，得到特征图e1为该特征图的编号；
[0027]步骤3.11、将步骤3.9中得到的特征图与步骤3.10中得到的特征图级联在一起，再使用大小为3
×
3像素的512个卷积核进行一次卷积操作，这些卷积核的权重即为需要训练的基于多尺度特征提取的卷积神经网络的参数之一，得到特征图，e2为该特征图的编号；
[0028]步骤3.12、将步骤3.9中得到的特征图与步骤3.10中得到的特征图以及步骤3.11中得到的特征图级联在一起，再使用大小为3
×
3像素的256个卷积核进行一次卷积操作，这些卷积核的权重即为需要训练的基于多尺度特征提取的卷积神经网络的参数之一，得到特征图，e3为该特征图的编号；
[0029]步骤3.13、使用大小为3
×
3像素的512个卷积核对步骤3.12得到的特征图进行一次卷积操作，这些卷积核的权重即为需要训练的基于多尺度特征提取的卷积神经网络的参数之一，得到特征图，f1为该特征图的编号；
[0030]步骤3.14、将步骤3.12中得到的特征图与步骤3.13中得到的特征图级联在一起，再使用大小为3
×
3像素的512个卷积核进行一次卷积操作，这些卷积核的权重即为需要训练的基于多尺度特征提取的卷积神经网络的参数之一，得到特征图，f2为该特征图的编号；
[0031]步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多尺度特征提取的声带白斑图像分类方法，其特征在于，具体按照以下步骤实施：步骤1、建立数据库，将该数据库中的图像随机分成训练集和测试集；步骤2、对步骤1建立的训练集和测试集分别进行预处理，得到归一化的训练集图像和测试集图像；步骤3、构建基于多尺度特征提取的卷积神经网络：采用步骤2的训练集图像作为基于多尺度特征提取的卷积神经网络的输入，训练、更新网络参数，从而得到基于多尺度特征提取的卷积神经网络的模型；步骤4、预测喉镜白光图像类别：将步骤2的测试集图像送入步骤3训练好的基于多尺度特征提取的卷积神经网络模型的输入端，该网络得到的输出结果即为预测的测试集中喉镜白光图像所属类别。2.根据权利要求1所述的基于多尺度特征提取的声带白斑图像分类方法，其特征在于，所述步骤1具体按照以下步骤实施：从M张图像中随机选取80％的图像作为训练集，20％的图像作为测试集，将M张图像的类别分为健康、炎症角化、轻度不典型增生、中度不典型增生、重度不典型增生、鳞状细胞癌6类，数值分别为0、1、2、3、4、5。3.根据权利要求2所述的基于多尺度特征提取的声带白斑图像分类方法，其特征在于，所述步骤2具体按照以下步骤实施：对步骤1的M张图像进行预处理，得到归一化的图像I：步骤1的数据库图像为彩色图像，由R、G、B分量构成，I
R
(x，y)为像素(x，y)在R分量中的值，I
G
(x，y)为像素(x，y)在G分量中的值，I
B
(x，y)为像素(x，y)在B分量中的值，分别为图像I中像素(x，y)在R、G、B分量中的归一化值，范围为0
‑
1。4.根据权利要求3所述的基于多尺度特征提取的声带白斑图像分类方法，其特征在于，所述步骤3具体按照以下步骤实施：步骤3.1、首先构建3个尺度提取图像特征，分别得到特征图特征图得到特征图步骤3.2、将步骤3.1中得到的3个尺度的特征图步骤3.2、将步骤3.1中得到的3个尺度的特征图级联在一起，再对其进行一次最大池化操作，得到特征图m1为该特征图的编号，至此，感受野尺寸为21
×
21像素、13
×
13像素和5
×
5像素；步骤3.3、然后继续构建3个尺度提取图像特征，分别得到特征图特征图特征图步骤3.4、将步骤3.3中得到的三个尺度的特征图
级联在一起，再对其进行一次最大池化操作，得到特征图m2为该特征图的编号，至此，感受野尺寸为46
×
46像素、38
×
38像素、30
×
30像素、22
×
22像素、14
×
14像素；步骤3.5、对步骤3.2得到的特征图进行一次最大池化操作，得到特征图将特征图与步骤3.4得到的特征图级联在一起，得到特征图m12为特征图的编号；步骤3.6、然后继续构建3个尺度提取图像特征，得到特征图特征图特征图步骤3.7、将步骤3.6中得到的三个尺度的特征图步骤3.7、将步骤3.6中得到的三个尺度的特征图级联在一起，再对其进行一次最大池化操作，得到特征图m3为该特征图的编号，至此，感受野尺寸为96
×
96像素、88
×
88像素、80
×
80像素、72
×
72像素、64
×
64、56
×
56像素、48
×
48像素、40
×
40像素、32
×
32像素；步骤3.8、对步骤3.5得到的特征图进行一次最大池化操作，得到特征图将其与步骤3.7得到的特征图级联在一起，得到特征图m23为该特征图的编号；步骤3.9、使用大小为1
×
1像素的256个卷积核对步骤3.8得到的特征图进行一次卷积操作，这些卷积核的权重即为需要训练的基于多尺度特征提取的卷积神经网络的参数之一，得到特征图d为该特征图的编号；步骤3.10、使用大小为3
×
3像素的512个卷积核对步骤3.9得到的特征图进行一次卷积操作，这些卷积核的权重即为需要训练的基于多尺度特征提取的卷积神经网络的参数之一，得到特征图e1为该特征图的编号；步骤3.11、将步骤3.9中得到的特征图与步骤3.10中得到的特征图级联在一起，再使用大小为3
×
3像素的512个卷积核进行一次卷积操作，这些卷积核的权重即为需要训练的基于多尺度特征提取的卷积神经网络的参数之一，得到特征图e2为该特征图的编号；步骤3.12、将步骤3.9中得到的特征图与步骤3.10中得到的特征图以及步骤3.11中得到的特征图级联在一起，再使用大小为3
×
3像素的256个卷积核进行一次卷积操作，这些卷...

【专利技术属性】
技术研发人员：尤珍臻，闫妍，石争浩，赵明华，闫静，刘海琴，黑新宏，任晓勇，
申请(专利权)人：西安交通大学第二附属医院，
类型：发明
国别省市：