小样本白光图像下声带白斑类型的分类方法技术

本发明专利技术公开了一种小样本白光图像下声带白斑类型的分类方法，首先建立数据库，将数据库中的声带白斑图像随机分成训练集和测试集；对建立的训练集进行数据扩增，得到扩增后的训练集；对扩增后的训练集和建立的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；然后构建孪生深度网络，最后预测声带白光图像类别，输出结果即为预测的测试集中声带白光图像所属类别。本发明专利技术解决了现有技术中存在的小样本下声带白斑图像分类精度较低的问题。的小样本下声带白斑图像分类精度较低的问题。的小样本下声带白斑图像分类精度较低的问题。

【技术实现步骤摘要】
小样本白光图像下声带白斑类型的分类方法


[0001]本专利技术属于计算机科学与临床医学
，具体涉及一种小样本白光图像下声带白斑类型的分类方法。

技术介绍

[0002]准确的声带白斑疾病分类对于喉癌的早期发现至关重要。尽管深度学习方法已经被应用到白光图像中解决声带白斑疾病的分类问题，但受样本数量限制，其分类精度有限。本专利技术基于孪生深度网络的分类方法可以很好地解决小样本白光图像下的声带白斑疾病分类问题，有效提高声带白斑疾病的分类精度。

技术实现思路

[0003]本专利技术的目的是提供一种小样本白光图像下声带白斑类型的分类方法，解决了现有技术中存在的小样本下声带白斑图像分类精度较低的问题。
[0004]本专利技术所采用的技术方案是，小样本白光图像下声带白斑类型的分类方法，具体按照以下步骤实施：
[0005]步骤1、建立数据库，将数据库中的声带白斑图像随机分成训练集和测试集；
[0006]步骤2、对步骤1建立的训练集进行数据扩增，得到扩增后的训练集；
[0007]步骤3、对步骤2扩增后的训练集和步骤1建立的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；
[0008]步骤4、构建孪生深度网络：从步骤3扩增后归一化的训练集图像中随机选取2张图像分别作为孪生深度网络的2个输入，训练、更新网络参数，从而得到孪生深度网络的模型；
[0009]步骤5、预测声带白光图像类别：将步骤3的测试集图像送入步骤4训练好的孪生深度网络模型的第一分支的输入端，该分支得到的输出结果即为预测的测试集中声带白光图像所属类别。
[0010]本专利技术的特点还在于，
[0011]步骤1具体按照以下步骤实施：
[0012]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，数值分别对应标记为0、1、2、3、4、5。
[0013]步骤2具体按照以下步骤实施：
[0014]依次采用中心裁剪、随机仿射、水平翻转、随机调整大小裁剪、随机旋转共5种方法，对步骤1训练集的0.8M张图像进行变换，得到4M张变换后的图像，从而扩增训练集，加上原有的0.8M张图象，训练集图像数量被扩增，得到4.8M张图像，其中，中心裁剪采用双线性插值方法，将每一张原始图像先调整到长700像素、宽700像素大小，再从调整后的图像的中心位置分别向上下左右取256像素长度，得到长512像素、宽512像素大小的图像，将采用中心裁剪方法后得到的图像扩充到训练集中；随机仿射，采用双线性插值方法，将原始图像随
机旋转30
°
、放大1.2倍，扩充到训练集图像中；水平翻转，将原始图像全部水平翻转后扩充到训练集图像中；随机调整大小裁剪，采用双线性插值方法，随机调整原始图像的长宽比，改为0.75至1.33中的随机值，将采用随机调整大小裁剪方法后的图像扩充到训练集中；随机旋转，在
‑
45
°
到45
°
之间随机选取角度，将原始图像旋转，扩充到训练集图像中。
[0015]步骤3具体按照以下步骤实施：
[0016]采用双线性插值方法，将步骤2的4.8M张训练图像和0.2M张测试图像寸调整到长256像素、宽256像素，然后进行预处理，得到归一化的图像
[0017][0018]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。
[0019]步骤4具体按照以下步骤实施：
[0020]步骤4.1、首先构建孪生深度网络的输入数据对(X1,X2,L)，从步骤3的训练集图像中随机选取1张图像作为输入图像1，表示为X1，以0.5的概率，在步骤3的训练集图像中选择同一类别或不同类别的图像作为输入图像2，表示为X2，若输入图像1和输入图像2为同一类别，则相似标签L为0，否则为1；
[0021]步骤4.2、构造孪生深度网络，采用DenseNet网络作为孪生深度网络的2个分支，这2个分支共享网络参数；
[0022]步骤4.3、构造孪生深度网络损失函数；
[0023]步骤4.4、设置学习率为0.0001，选择SGD作为优化器，使用反向传播和随机梯度下降法最小化损失函数，将步骤3的训练集图像训练1000次后得到训练好的网络参数，即孪生深度网络所有卷积核的权重，所有卷积核的权重即构成孪生深度网络模型。
[0024]步骤4.3具体按照以下步骤实施：
[0025]步骤4.3.1、计算孪生深度网络2个DenseNet分支各自的交叉熵：
[0026][0027]其中，Y
l
是孪生深度网络其中一个分支的输入图像的真实类别，是该分支预测的类别，l＝1,2；
[0028]步骤4.3.2、计算孪生深度网络2个DenseNet分支的对比损失：
[0029][0030][0031]其中，L为1或0，如果2个输入图像输入是同一类别，L为0，否则L为1，D为孪生深度网络输出之间的欧氏距离，G为孪生深度网络其中一个分支的输出，X1和X2为2个输入图像，m为大于0的边际值，m取值为2，max是取0和m
‑
D之间较大值的函数；
[0032]步骤4.3.3、计算孪生深度网络的损失函数L：
[0033]L＝L
ce1
+L
ce2
+L
ct
。
[0034]本专利技术的有益效果是，在训练样本数量有限的情况下，将喉镜白光图像按照实际情况分为6类进行学习，构建孪生深度网络，可以自动、准确、高效地判断声带白光图像类别；构建的孪生深度网络，便于直接应用训练好的模型处理新的图像，能有效的缩短声带白斑类型的判断时间。
附图说明
[0035]图1是本专利技术小样本白光图像下声带白斑疾病的分类方法的流程示意图；
[0036]图2是本专利技术构建的孪生深度网络结构；
[0037]图3(a)为本专利技术小样本白光图像下声带白斑疾病的分类方法使用健康图像示例；
[0038]图3(b)为本专利技术小样本白光图像下声带白斑疾病的分类方法使用炎症角化图像示例；
[0039]图3(c)为本专利技术小样本白光图像下声带白斑疾病的分类方法使用轻度不典型增生图像示例；
[0040]图3(d)为本专利技术小样本白光图像下声带白斑疾病的分类方法使用中度不典型增生图像示例；
[0041]图3(e)为本专利技术小样本白光图像下声带白斑疾病的分类方法使用重度不典型增生图像示例；
[0042]图3(f)为本专利技术小样本白光图像下声带白斑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.小样本白光图像下声带白斑类型的分类方法，其特征在于，具体按照以下步骤实施：步骤1、建立数据库，将数据库中的声带白斑图像随机分成训练集和测试集；步骤2、对步骤1建立的训练集进行数据扩增，得到扩增后的训练集；步骤3、对步骤2扩增后的训练集和步骤1建立的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4、构建孪生深度网络：从步骤3扩增后归一化的训练集图像中随机选取2张图像分别作为孪生深度网络的2个输入，训练、更新网络参数，从而得到孪生深度网络的模型；步骤5、预测声带白光图像类别：将步骤3的测试集图像送入步骤4训练好的孪生深度网络模型的第一分支的输入端，该分支得到的输出结果即为预测的测试集中声带白光图像所属类别。2.根据权利要求1所述的小样本白光图像下声带白斑类型的分类方法，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，数值分别对应标记为0、1、2、3、4、5。3.根据权利要求2所述的小样本白光图像下声带白斑类型的分类方法，其特征在于，所述步骤2具体按照以下步骤实施：依次采用中心裁剪、随机仿射、水平翻转、随机调整大小裁剪、随机旋转共5种方法，对步骤1训练集的0.8M张图像进行变换，得到4M张变换后的图像，从而扩增训练集，加上原有的0.8M张图象，训练集图像数量被扩增，得到4.8M张图像，其中，中心裁剪采用双线性插值方法，将每一张原始图像先调整到长700像素、宽700像素大小，再从调整后的图像的中心位置分别向上下左右取256像素长度，得到长512像素、宽512像素大小的图像，将采用中心裁剪方法后得到的图像扩充到训练集中；随机仿射，采用双线性插值方法，将原始图像随机旋转30
°
、放大1.2倍，扩充到训练集图像中；水平翻转，将原始图像全部水平翻转后扩充到训练集图像中；随机调整大小裁剪，采用双线性插值方法，随机调整原始图像的长宽比，改为0.75至1.33中的随机值，将采用随机调整大小裁剪方法后的图像扩充到训练集中；随机旋转，在
‑
45
°
到45
°
之间随机选取角度，将原始图像旋转，扩充到训练集图像中。4.根据权利要求3所述的小样本白光图像下声带白斑类型的分类方法，其特征在于，所述步骤3具体按照以下步骤实施：采用双线性插值方法，将步骤2的4.8M张训练图像和0.2M...

【专利技术属性】
技术研发人员：尤珍臻，施叶雯，石争浩，赵明华，都双丽，韩博涛，闫妍，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：