System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【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。