一種基于遷移學習的深度神經網絡腦腫瘤圖像分類方法，包括4個步驟：S1數據預處理：從原始圖像數據集生成兩種數據集；S2構建預訓練模型：預訓練模型中應用的是ImageNet數據集，并將收斂后的預訓練模型保存下來；S3構建改進的CNN架構模型：選定帶有預訓練的InceptionV3的遷移學習的深度卷積神經網絡，微調網絡，使整個模型進一步地適應目標任務，最終提升分類效果；S4腦腫瘤圖像分類評估：分別驗證已裁剪和未裁剪的數據集，通過精確度、召回率等，評價分類性能。本發明專利技術提供可以通過腦腫瘤MR圖像數據集對患不同腦腫瘤的病人進行分類，利用分類的腦腫瘤MR圖像輔助醫生診斷，幫助病人提前發現病情和提高醫生的診斷效率。現病情和提高醫生的診斷效率。現病情和提高醫生的診斷效率。
【技術實現步驟摘要】
一種基于遷移學習的深度神經網絡腦腫瘤圖像分類方法
[0001]專利技術涉及深度學習和醫學相關領域，特別涉及一種基于遷移學習的深度神經網絡腦腫瘤圖像分類方法。
技術介紹
[0002]根據CA(A Cancer Journal for Clinicians)雜志發布的全球癌癥數據，2020年全球新發癌癥病例1929萬例。癌癥的產生可以通過早期檢測來預防，但腦癌的臨床診斷非常困難,與癌癥不同，腫瘤可以是良性、癌前或惡性,良性腫瘤可以手術切除，不影響其他器官和組織。然而，腦腫瘤包括腦膜瘤、膠質瘤和垂體。腦膜瘤腫瘤發生于膜(保護大腦和脊髓的區域)，膠質瘤發生于腦組織，垂體瘤是位于腦下垂體區域的顱骨內的腫塊。腦腫瘤由于前期患者并未感覺到自己已經患病、未能動態觀察和分析病情，這就耽誤了治療的最佳時間。
[0003]隨著計算機人工智能和圖像處理的發展，基于深度學習和神經網絡的高級機器學習模型被創造以在各種醫療診斷中輔助醫生診斷，這些模型為許多醫學成像提供了有用的幫助，幾種用于分類圖像和檢測MR圖像中部分區域。但由于網絡上公開的大多數據集數量都非常少，且訓練得出的模型都是在小數據集中得到的，而基于深度學習和神經網絡的高級機器學習模型需要大量的數據才能實現最佳性能。
技術實現思路
[0004]本專利技術目的在于提供一種基于遷移學習的深度神經網絡腦腫瘤圖像分類方法，對三種腦腫瘤數據進行訓練；通過準確性、損失、精確度、召回率等，對不同種類的腦腫瘤圖像進行分類。
[0005]為了實現以上目的，本專利技術所采用的技術方案包括以下步驟：
[0006]步驟S1.數據預處理：從原始圖像數據集生成兩種數據集；并將兩種數據集都歸一化調整為256x256像素。
[0007]步驟S2.構建預訓練模型：預訓練模型中應用的是ImageNet數據集，并將收斂后的預訓練模型保存下來。
[0008]步驟S3.構建改進的CNN架構模型：選定帶有預訓練的InceptionV3的遷移學習的深度卷積神經網絡(DCNN)，通過腦腫瘤數據集來微調網絡，使整個模型進一步地適應目標任務，最終提升分類效果。
[0009]步驟S4.腦腫瘤圖像分類評估：分別驗證已裁剪和未裁剪的數據集，通過準確性、損失、精確度、召回率等，評價分類性能。
[0010]所述步驟S1數據預處理如下：
[0011]步驟S1：從原始圖像數據集生成兩種數據集，其中一個圍繞大腦視圖做剪裁處理，另一個不進行剪裁；
[0012]步驟S12：將兩種數據集都歸一化調整為256x256像素。
[0013]所述步驟S2構建預訓練模型步驟如下：
[0014]步驟S21：使用ImageNet數據集，將其放入深度卷積神經網絡模型。
[0015]步驟S22：設置網絡參數。
[0016]步驟S23：訓練InceptionV3網絡模型。
[0017]步驟S24：保存預訓練模型。
[0018]所述步驟S3構建改進的CNN架構模型包括以下步驟：
[0019]步驟S31：準備腦腫瘤MR圖像數據集，將其作為目標數據集。
[0020]步驟S32：將腦腫瘤MR圖像數據集輸入預訓練的InceptionV3網絡模型(調用預訓練模型)。
[0021]步驟S33：設置預訓練參數，對InceptionV3預訓練得出的權重進行微調，使提取到的分類特征更貼近于腦腫瘤數據集。
[0022]步驟S34：訓練改進的CNN架構模型，根據MR圖像數據集中的類別，InceptionV3最后一層替換為具有3個隱藏單元的層。
[0023]步驟S35：保存模型。
[0024]所述步驟S4腦腫瘤圖像分類評估步驟如下：
[0025]步驟S41：將測試數據導入訓練好的網絡模型，進行測試，生成模型分類準確性、損失、精確度、召回率等。分類準確性：分類的主要性能評估指標是準確性。其公式(1)如下：
[0026][0027]其中，TP表示真陽性，TN表示真陰性，FP表示假陽性，FN表示假陰性。
[0028]精確度：特定于類的性能度量需要進行驗證，精確度是此類指標之一。其公式(2)如下：
[0029][0030]召回率：這是另一個基本度量，定義為模型正確預測的類中觀察點的分數。其公式(3)如下：
[0031][0032]損失函數：實驗中,通過構建經全連接層輸出的分類概率與輸入圖像的真實標簽之間的交叉熵函數作為網絡的目標函數。其公式(4)如下：
[0033][0034]其中p
k
(X)是輸入細胞衍射圖像X后經網絡得到的分成k類的概率分布。
[0035]步驟S42：根據準確性、精確度、損失和召回率判斷基于遷移學習的深度卷積神經網絡在腦腫瘤分類中是最佳的。
[0036]本專利技術具有以下有益效果及優點：
[0037](1)相較于傳統的圖像分類，本專利技術基于遷移學習的深度卷積神經網絡對腦腫瘤圖像進行分類，采用預訓練的InceptionV3網絡模型，并在調用其訓練腦腫瘤數據集時對參數微調，保證提取更好的圖像特征；
[0038](2)本專利技術使用剪裁和未剪裁的數據集，最終表示該網絡結構模型不需要對腦腫
瘤圖像進行分類分割。本專利技術的網絡還具有非常好的執行速度，每個epoch 15s，提高了圖像分類的效率。
附圖說明
[0039]圖1為本專利技術基于遷移學習的深度神經網絡腦腫瘤圖像分類方法步驟圖。
[0040]圖2為本專利技術遷移學習的深度神經網絡腦腫瘤圖像分類方法流程圖。
具體實施方式
[0041]實施例：
[0042]如圖1所示，本專利技術技術方案包含四個方面的步驟：數據預處理、構建預訓練模型、構建改進的CNN架構模型、腦腫瘤圖像分類評估。
[0043]所述步驟S1.數據預處理：從原始圖像數據集生成兩種數據集；并將兩種數據集都歸一化調整為256x256像素；
[0044]所述步驟S2.構建預訓練模型：預訓練模型中應用的是ImageNet數據集，并將收斂后的預訓練模型保存下來；
[0045]所述步驟S3.構建改進的CNN架構模型：選定帶有預訓練的InceptionV3的遷移學習的深度卷積神經網絡(DCNN)，通過腦腫瘤數據集來微調網絡，使整個模型進一步地適應目標任務，最終提升分類效果；
[0046]所述步驟S4.腦腫瘤圖像分類評估：分別驗證已裁剪和未裁剪的數據集，通過準確性、損失、精確度、召回率等，評價分類性能；
[0047]如圖2所示，本專利技術遷移學習的深度神經網絡腦腫瘤圖像分類的方法的工作過程主要分為以下幾步：
[0048]首先從原始圖像數據集生成兩種數據集，其中一個圍繞大腦視圖做剪裁處理，另一個不進行剪裁。將兩種數據集都歸一化調整為256x256像素，發現256x256像素和512x512像素的分類準確率沒有太大區別，且前者在內存和處理時間方面優于后者，所以選擇256x256像素的數據集。
...
【技術保護點】
【技術特征摘要】
1.一種基于遷移學習的深度神經網絡腦腫瘤圖像分類方法，其特征在于，包括以下步驟：步驟S1：從原始圖像數據集生成兩種數據集，并將兩種數據集都歸一化調整為256x 256像素；步驟S2：預訓練模型中應用的是ImageNet數據集，并將收斂后的預訓練模型保存下來；步驟S3：選定帶有預訓練的InceptionV3的遷移學習的深度卷積神經網絡(DCNN)，通過腦腫瘤數據集來微調網絡，使整個模型進一步地適應目標任務，最終提升分類效果；步驟S4：分別驗證已裁剪和未裁剪的數據集，通過準確性、損失、精確度、召回率等，評價分類性能。2.根據權利要求1所述的一種基于遷移學習的深度神經網絡腦腫瘤圖像分類方法，其特征在于，所述步驟S1中的預處理方法包括以下步驟：S11：從原始圖像數據集生成兩種數據集，其中一個圍繞大腦視圖做剪裁處理，另一個不進行剪裁；S12：將兩種數據集都歸一化調整為256x 256像素。3.根據權利要求1所述的一種基于遷移學習的深度神經網絡腦腫瘤圖像分類方法，其特征在于，所述步驟S2中...
【專利技術屬性】
技術研發人員：鄧酩，侯立憲，柳慶龍，謝才龍，
申請(專利權)人：桂林理工大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。