【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 ...
【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:
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。