【技术实现步骤摘要】
本专利技术属于图像分类系统领域，具体涉及一种基于神经网络的脑瘤ct图像分类系统。
技术介绍
1、卷积神经网络(convolutional neural networks，cnn)是一种前馈神经网络，它的核心原理主要是卷积和池化的层级结构，可以有效地处理多维数据，同时也是分类和检测目标物体的首选方案。
2、随着医学影像技术的快速发展，计算机断层扫描(ct)在脑瘤的诊断中起着至关重要的作用。ct图像能够提供脑部的高分辨率横截面视图，帮助医生发现和评估脑瘤。然而，传统依赖于手工特征提取的图像分类方法，如基于纹理分析和形状特征的方法，不仅耗时且准确率有限。此外，脑肿瘤在外形和与正常脑组织的重叠有很大的多样性，肿瘤的扩大也会使附近的正常组织转移或变形导致脑瘤解剖结构的个体差异较大从而增大了分类难度。
3、近年来，深度学习作为人工智能最流行的研究趋势之一，在病灶识别和疾病分类方面发挥了巨大的作用。在不同的神经网络构架中，卷积神经网络在医学图像处理任务中占据了多年主导地位，其优势是可以完成计算机自动标注并提取图片中的病灶特征，对疾病进行准确的识别和诊断。
4、但卷积神经网络在医学图像领域仍存在一定的不足，比如使用深度学习对脑瘤ct进行分类时，需要大量数据集作为训练集和测试集，但是脑瘤ct在各自的采集过程中会存在差异，来源不同的图像所呈现的图像质量也参差不齐，造成模型最终的分类效果变差。
5、在深度学习领域，优化算法对于调整和优化神经网络模型的参数起到至关重要的作用。优化算法的性能直接影响到神经网
技术实现思路
1、本专利技术针对现有技术存在的问题，提供了一种基于神经网络的脑瘤ct图像分类系统，通过采用前沿的深度学习技术，通过构建优化的卷积神经网络模型，并结合残差混合注意力机制，能够实现对脑瘤ct图像的高精度自动分类，从而辅助医生进行更为精确的诊断和治疗规划。
2、为解决以上技术问题，本专利技术提供如下技术方案：一种基于神经网络的脑瘤ct图像分类系统，包括：数据预处理模块、脑ct图像分类神经网络构建模块、脑瘤ct图像分类神经网络训练模块、以及脑瘤ct图像分类输出模块；
3、脑部ct图像数据集预处理模块，用于构建用于脑部ct图像数据集并进行预处理，所述数据集包括若干脑部ct图像、以及对应的标签；
4、数据增强模块，用于对脑部ct图像进行多种变换操，使增强后的图像在特征空间中保持多样性；
5、脑瘤ct图像分类神经网络构建模块，包括顺序连接的输入层、残差块、注意力机制层、以及输出层；
6、输入层用于接收数据增强模块输出的脑部ct图像数据，并将脑部ct图像数据转化为数值型形式；残差块包括若干个顺序连接的卷积层，每个卷积层后连接一个批量归一化层和relu激活函数，残差块通过跳跃连接将输入特征直接添加到残差块的输出，以解决深层网络训练中的梯度消失问题；注意力机制层，使用自注意力机制捕捉图像的全局依赖关系，每个注意力头计算查询q、键k和值v的加权和，输出层使用softmax激活函数将最终的特征图转换为类别概率分布；
7、脑瘤ct图像分类神经网络训练模块，以脑部ct图像为输入、图像对应的标签为输出训练得到脑瘤ct图像分类模型，在训练时使用交叉熵损失函数计算模型输出与真实标签之间的差异；同时利用贝叶斯统计推断来选择最优的超参数组合；采用监控准确率、召回率和f1分数指标评估模型的分类性能，最后进行超参数优化调整模型参数；
8、脑瘤ct图像分类输出模块，利用脑瘤ct图像分类模型，以采集到的脑部ct图像为输入，得到对应的脑瘤分类结果。
9、进一步地，前述的，脑部ct图像数据集预处理模块被配置执行对脑部ct图像去噪、增强对比度、标准化、归一化操作；
10、对脑部ct图像去噪包括高斯滤波、中值滤波；高斯滤波使用高斯核进行卷积运算，减弱高频噪声，如下式：
11、
12、其中，g(x,y)表示在坐标(x,y)处的高斯滤波后的值；x和y表示像素点在图像中的横、纵坐标位置；σ是高斯核的标准差，决定了滤波的平滑程度和对噪声的抑制能力；
13、中值滤波是将每个像素点的值替换为其邻域内的中值，有效去除椒盐噪声，如下式：
14、imedian(x,y)＝median(i(x-i,y-j))
15、其中，imedian(x,y)是经中值滤波后的像素值
16、增强对比度具体是：首先计算图像的直方图，然后使用直方图均衡化方法调整像素值的分布，使得图像的对比度增强，直方图均衡化，如下式：
17、
18、其中，iep(p)是均衡化后的像素值，i(p)是原始像素值，γ是对比度拉伸参数；
19、标准化具体是首选计算图像的均值即均值μ，然后从每个像素值中减去均值，使处理后的图像像素值具有零均值，零均值化如下式：
20、izero-centered(x,y)＝i(x,y)-μ
21、其中，izero-centered(x,y)是零均值化后的像素值；
22、归一化具体是：计算图像的最小值和最大值，将每个像素值缩放到[0,1]范围内；归一化，如下式：
23、
24、其中，x代表原始脑瘤ct图像中的一个像素值；xmin表示该图像数据集中的最小像素值；xmax表示图像数据集中的最大像素值；xnorm表示经过归一化处理后的像素值。
25、进一步地，前述的，数据增强模块对脑部ct图像进行旋转、翻转、缩放、剪裁操作；
26、旋转操作是对图像进行随机角度的旋转，二维空间旋转矩阵用于调整图像的像素坐标，其中，θ表示旋转角度；矩阵中的元素在二维空间中对坐标点进行旋转操作；对于一个二维坐标点(x,y)，经过旋转矩阵作用后变为：(cosθ·x-sinθ·y,sinθ·x+cosθ·y)；
27、翻转操作是沿水平或垂直轴对图像进行翻转，水平翻转交换像素列，垂直翻转交换像素行；
28、缩放操作是通过调整图像的尺寸来增强图像数据的多样性，同时保持原始比例；
29、裁剪操作是在图像上随机裁剪区域以改变视野，保留关键特征；裁剪区域的大小和位置通常通过随机函数确定。
30、进一步地，前述的，残差块被配置执行如下动作：
31、f(x)＝x+δ(x)
32、其中，f(x)是残差块的输出，x是输入特征图，δ(x)是卷积层的输出。
33、进一步地，前述的，注意力机制层被配置执行如下动作：
34、a(x)＝σ(g(x)·x)
35、其中，a(x)是加权后的特征图，g(x)是注意力权重，σ是激活函数，·表示元素乘法；
36、进一步地，前述的，输出层被配置执行如下动作：使用softmax激活函数进行多分类，如下式：
37、
【技术保护点】
1.一种基于神经网络的脑瘤CT图像分类系统，其特征在于，包括：数据预处理模块、脑CT图像分类神经网络构建模块、脑瘤CT图像分类神经网络训练模块、以及脑瘤CT图像分类输出模块；
2.根据权利要求1所述的一种基于神经网络的脑瘤CT图像分类系统，其特征在于，脑部CT图像数据集预处理模块被配置执行对脑部CT图像去噪、增强对比度、标准化、归一化操作；
3.根据权利要求1所述的一种基于神经网络的脑瘤CT图像分类系统，其特征在于，数据增强模块对脑部CT图像进行旋转、翻转、缩放、剪裁操作；
4.根据权利要求1所述的一种基于神经网络的脑瘤CT图像分类系统，其特征在于，残差块被配置执行如下动作：
5.根据权利要求1所述的一种基于神经网络的脑瘤CT图像分类系统，其特征在于，注意力机制层被配置执行如下动作：
6.根据权利要求1所述的一种基于神经网络的脑瘤CT图像分类系统，其特征在于，输出层被配置执行如下动作：使用softmax激活函数进行多分类，如下式：
7.根据权利要求1所述的一种基于神经网络的脑瘤CT图像分类系统，其特征在于，脑
8.根据权利要求1所述的一种基于神经网络的脑瘤CT图像分类系统，其特征在于，采用多种性能评估指标评估模型的分类性能，具体是：统计出真正例TP、真负例TN、假正例FP和假负例FN的数量，计算准确率和召回率，最后，将计算得到的精确率和召回率代入F1分数公式中，计算出F1分数的值，通过使用F1分数指标，综合衡量模型的性能，
9.根据权利要求1所述的一种基于神经网络的脑瘤CT图像分类系统，其特征在于，利用贝叶斯统计推断来选择最优的超参数组合，具体是通过构建一个概率模型，概率模型用于预测给定超参数设置下的性能指标包括准确率、召回率，然后选择提高性能的超参数组合进行评估。
10.根据权利要求1所述的一种基于神经网络的脑瘤CT图像分类系统，其特征在于，进行超参数优化调整模型参数，具体包括一下子步骤：
...【技术特征摘要】
1.一种基于神经网络的脑瘤ct图像分类系统，其特征在于，包括：数据预处理模块、脑ct图像分类神经网络构建模块、脑瘤ct图像分类神经网络训练模块、以及脑瘤ct图像分类输出模块；
2.根据权利要求1所述的一种基于神经网络的脑瘤ct图像分类系统，其特征在于，脑部ct图像数据集预处理模块被配置执行对脑部ct图像去噪、增强对比度、标准化、归一化操作；
3.根据权利要求1所述的一种基于神经网络的脑瘤ct图像分类系统，其特征在于，数据增强模块对脑部ct图像进行旋转、翻转、缩放、剪裁操作；
4.根据权利要求1所述的一种基于神经网络的脑瘤ct图像分类系统，其特征在于，残差块被配置执行如下动作：
5.根据权利要求1所述的一种基于神经网络的脑瘤ct图像分类系统，其特征在于，注意力机制层被配置执行如下动作：
6.根据权利要求1所述的一种基于神经网络的脑瘤ct图像分类系统，其特征在于，输出层被配置执行如下动作：使用softmax激活函数进行多分类，如下式：
7.根...
【专利技术属性】
技术研发人员：张洁，于乐，潘刘华，沈周洁，解刚才，
申请(专利权)人：南通大学，
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。