[发明专利]一种基于全卷积神经网络的真菌显微图像识别方法

说明书

本发明公开了一种基于全卷积神经网络的真菌显微图像识别方法，包含如下步骤：真菌图像采集；图像预处理；构建全卷积神经网络；训练真菌识别神经网络；验证识别效果并进行参数调整。本发明能从海量真菌图像中，提取出足够用于识别的特征信息，从而应用与多类的真菌图像识别。此外，全卷积神经网络的使用，提高了图像的识别效率和识别精度，同时使得学习特征更容易可视化。本发明实现了高效、准确的真菌图像识别，因此具有较高的实用价值。

技术领域

本发明涉及图像识别领域，具体应用为显微真菌图像识别分类，尤其涉及一种基于全卷积神经网络(Convolutional Neural Network，CNN)的真菌显微图像识别方法。

背景技术

随着信息技术的不断飞速发展，各个领域每天都在以惊人的速度产生各种类型的图像数据。其中医学领域图像的的增长尤其明显，包括CT图像、脑波图像和显微图像等，如何从海量的医学图像中提取重要信息，构建人工智能模型辅助医学诊断和病理识别，成为了一个十分重要的问题。在医学中，对人类有致病性的真菌约有300多个种类，因此如何能通过计算机，对真菌显微图像进行分析和识别并辅助医生诊断，也成为了医学和计算机视觉结合的重要应用。

图像分类作为计算机视觉和模式识别的最主要技术之一，一直受到了学术界和工业界的广泛关注，并且经常作为各种图像相关国际学术会议的重要主题。图像分类是指，根据图像数据特征，通过一定的技术手段，将未标注类别的图像进行准确分类。图像分类在医学图像中也有很多不同的应用，如脑电波图像分类，细菌显微图像分类，真菌显微图像分类等。但传统自然图像分类的方法在医学图像中往往效果不好，一方面因为医学图像数据分布比较集中，不同图像间差异小，分类困难，另一方面因为医学图像的标注需要大量受过专业训练的医生，因此有标注数据的数量往往有限。科学研究人员已经渐渐意识到以上问题的重要性并不断深入分析，使得医学图像分类成为一个活跃的研究方向。

近几年，基于深度神经网络，特别是深度卷积神经网络的方法广泛应用于许多计算机视觉和模式识别任务，在自然图像的分类问题上取得了超越人类表现的效果，但由于其对标注数据的过分依赖，使得其在医学图像上的表现不尽如人意，仍有许多研究点尚未涉及，因此在该领域仍有巨大的突破空间。因此基于卷积神经网络的医学图像识别，已成为当前相关领域研究的的热点，对积极推进社会信息化起到重要作用。已有的卷积神经网络用于医学图像方法，往往针对CT图像、细菌图像等数据量较大的图像类型，而对数据数量较为匮乏的真菌图像则少有优化。因此，如何利用深度卷积神经网络，更有效地学习真菌显微图像分类，对于人类加深对真菌的研究和真菌相关疾病辅助诊断，具有深远的意义。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于全卷积神经网络(Convolutional Neural Network，CNN)[1]的真菌显微图像识别方法，通过在海量有标注真菌显微图像数据中训练全卷积神经网络模型，最终提取得高准确率的真菌图像识别效果。

为了解决上述技术问题，本发明公开了一种基于全卷积神经网络的真菌显微图像识别方法，包含如下步骤：

步骤1，真菌图像采集与标类：在显微镜下拍摄并采集真菌图像，同时对每张图像进行标类，得到标注好类的原始图像数据集合；

步骤2，数据预处理：对标注好类的原始图像进行缩放和裁剪处理，并对每张图像以50％概率翻转，同时进行归一化处理，得到预处理后的图像集合；

步骤3，构建神经网络：卷积神经网络[1]总深度为11层，卷积核大小为3x3，第2、4、7层步长为2，其余层步长为1；

步骤4，训练神经网络：对所构建神经网络进行训练，以标好的对应类标作为网络监督信息，使用优化算法调整参数使网络输出和真实类标差距尽可能小，得到训练后的神经网络；

步骤5，将训练后的神经网络作为模型，测试真菌图像识别效果，并调整步骤4优化算法参数继续训练，直到验证识别准确率稳定。