【技术实现步骤摘要】
本专利技术属于肺炎图像分类，尤其涉及一种基于改进zfnet的肺炎图像分类方法。
技术介绍
1、在临床医学中肺炎是一种常见的感染性病症，免疫力低下的儿童与老年人是其易感人群，其特点为成因复杂，发病周期短。因此，设计一种肺炎图像分类方法，是非常必要的。人类医生如果能够独立通过肉眼判断病情，需要丰富的灵临床验，以及过硬的专业知识。除此之外，花费大量时间分类大量肺炎图像，医生难免会视觉疲劳，影响医生分类图像的准确率，因此计算机辅助分类系统被专家提出。
2、在其发展的初期，机器学习算法是主流的分类算法。现有技术中提取了肺炎图像特征以和度共生矩阵特征，并将二者结合为融合特征，应用支持向量机以及随机森林对其进行分类。现有技术中应用决策树对小儿肺炎进行分类，得到80％的分类准确率。近几年，深度学习作为一种新兴的图像分类算法出现在大众视野。现有技术中将imagenet数据集训送入googlenet inceptionv3网络提取并融合特征，最后用随机森林进行分类，识别准确率达到96.77％。现有技术中将机器学习与深度学习相结合，基于xgboost对vgg19模型进行改进，验证了机器学习与深度学习结合的有效性。现有技术中构造了层次化transformer和重参密集块简化模型参数，设计层次化transformer增强对局部特征的提取能力，与densenet神经网络相比计算量降低23倍、参数量降低29倍。
3、随着深度学习的发展，越来越多的专家学者应用深度学习的方法对肺炎图像进行分类，但是采用的模型越来越大，参数越发臃肿。在保证
技术实现思路
1、为解决上述技术问题，本专利技术提出了一种基于改进zfnet的肺炎图像分类方法，改进zfnet深度学习模型，使zfnet深度学习模型参数量大量减少，同时提升分类准确率。
2、为实现上述目的，本专利技术提供了一种基于改进zfnet的肺炎图像分类方法，包括：获取肺炎ct图像；
3、基于所述肺炎ct图像，获取肺炎ct图像的训练集、验证集和测试集；
4、对所述训练集进行第一处理，获取处理后的训练集；
5、对所述验证集和所述测试集进行第二处理，获取处理后的验证集和测试集；
6、将所述处理后的训练集对改进的zfnet网络模型进行训练，将所述处理后的验证集对改进的zfnet网络模型训练过程进行验证，获取训练后的改进的zfnet网络模型；
7、将所述处理后的测试集输入所述训练后的改进的zfnet网络模型，获取肺炎图像分类结果。
8、可选的，所述肺炎ct图像包括：细菌性肺炎、病毒性肺炎、新冠病毒引起的肺炎以及健康的肺部ct图像。
9、可选的，基于所述肺炎ct图像，获取肺炎ct图像的训练集、验证集和测试集包括：
10、将所述肺炎ct图像按照8∶1∶1的比例划分为肺炎ct图像的训练集、验证集和测试集。
11、可选的，对所述训练集进行第一处理，获取处理后的训练集包括：
12、对所述训练集进行数据增强处理和图片规格调整处理，获取处理后的训练集。
13、可选的，对所述验证集和所述测试集进行第二处理，获取处理后的验证集和测试集包括：
14、对所述验证集和所述测试集进行图片规格调整处理，获取处理后的验证集和测试集。
15、可选的，改进的zfnet网络模型包括：前五层卷积层全部采用3*3的小卷积核代替原始zfnet模型中的大卷积核，其中第一层卷积核数为288，第二层卷积核数为512，第三层卷积核数为384，第四层卷积核数为384，第五层卷积核数为256，第六层为深度可分离卷积层，拥有256个3*3大小的卷积。
16、可选的，将所述处理后的训练集对改进的zfnet网络模型进行训练，获取训练后的改进的zfnet网络模型包括：
17、将所述处理后的训练集，通过连续五层的卷积层提取肺炎图像特征图；
18、将所述特征图输入到深度可分离卷积中提取高纬度特征图；
19、将所述高纬度特征图输入到全局平均池化层及四个神经元，利用训练集与梯度下降函数对模型参数进行更新，获取训练后的改进的zfnet网络模型。
20、可选的，所述数据增强处理包括：随机转动角度、随机水平翻转、剪切变化角度和水平偏移。
21、本专利技术技术效果：本专利技术公开了一种基于改进zfnet的肺炎图像分类方法，采用连续的几个3x3的卷积核代替zfnet中的较大卷积核，不采用感受野大的卷积核，有两点好处，即保证相同的感受野同时减少网络参数和增加网络非线性表达能力。使用全局平均池化层替代zfnet全连接层，全局平均池化用更少的参数使提取到的特征降维，大大减少了模型参数数量预训练难度。在模型后加入深度可分离模块，深度可分离卷积将通道和空间信息处理过程完全分开，加深模型的宽度与深度。最终模型参数从58281093减少至5387397，识别准确率从79.2％提升至82.4％。
本文档来自技高网...【技术保护点】
1.一种基于改进zfnet的肺炎图像分类方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于改进zfnet的肺炎图像分类方法，其特征在于，
3.如权利要求1所述的基于改进zfnet的肺炎图像分类方法，其特征在于，
4.如权利要求1所述的基于改进zfnet的肺炎图像分类方法，其特征在于，
5.如权利要求1所述的基于改进zfnet的肺炎图像分类方法，其特征在于，
6.如权利要求1所述的基于改进zfnet的肺炎图像分类方法，其特征在于，
7.如权利要求6所述的基于改进zfnet的肺炎图像分类方法，其特征在于，将所述处理后的训练集对改进的zfnet网络模型进行训练，获取训练后的改进的zfnet网络模型包括：
8.如权利要求4所述的基于改进zfnet的肺炎图像分类方法，其特征在于，
【技术特征摘要】
1.一种基于改进zfnet的肺炎图像分类方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于改进zfnet的肺炎图像分类方法，其特征在于，
3.如权利要求1所述的基于改进zfnet的肺炎图像分类方法，其特征在于，
4.如权利要求1所述的基于改进zfnet的肺炎图像分类方法，其特征在于，
5.如权利要求1所述的基于改进zfnet的...
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。