[发明专利]一种基于深度特征袋的分类方法

说明书

本发明提出了一种基于深度特征袋的分类方法，其通过提取二维正交平面的代表性图像的深度特征，然后采用特征袋模型对所提取的深度特征进行重新编码，最后通过核融合方法结合了三个二维正交平面的特征，求得分类函数对图像进行分类标签。该分类方法大大减少了训练和测试过程的计算量，节省了数据空间，也缩短了整个计算过程的时间，利用“码本”对图像特征进行编码实现了高维度稀疏表示，使特征更具辨别性、更紧凑，能够缓解因数据量不充足带来的过拟合问题。三个二维正交平面在计算核函数时分别乘以不同的权重系数，可以更好地利用三个不同断面包含的不同空间信息，构建的分类函数更具辨别性。

技术领域

本发明涉及医学图像分类预测技术领域，尤其涉及一种基于深度特征袋的分类方法。

背景技术

近年来，随着图像处理技术和机器学习方法的迅速发展，医学图像处理越来越受到人们的关注。许多研究表明，根据病人的医学影像包括MRI(磁共振)图像、CT(计算机断层扫描)图像和PET(正电子发射型计算机断层摄影)图像等，可以利用模式识别和机器学习等方法实现肿瘤良恶性分类、术前预测、预后分析，为临床决策提供有力的帮助。

深度学习方法具有强大的学习能力，在图像处理、目标检测和其他领域获得了巨大的成功，而卷积神经网络(CNN)是近年来发展最快、最具突破性的一种架构；相较于传统手工特征提取方法，卷积神经网络直接对图像进行卷积并提取特征，并通过反向传播方法和损失函数来更新和优化参数；许多研究表明卷积神经网络是一种具有代表性的深度学习架构并成功应用于医学图像分类和预测任务，如乳腺X射线摄影乳腺肿块的分类、CT肺结节的识别和MRI前列腺癌的自动检测等。

目前，大多数研究都采用三维医学图像作为输入，使用三维卷积神经网络达到分类效果，但相较于二维图像，三维图像通常会使训练和测试过程的计算量增加、时间延长、数据空间增大；三维卷积神经网络提取大量的深度特征也需要较大的训练数据以避免过拟合问题，然而对于特定的医学图像分类任务，很难获取大量的训练数据。

因此，针对上述现有技术不足，提供一种基于深度特征袋的分类方法以克服现有技术的不足甚为必要。

发明内容

本发明提供了一种基于深度特征袋的分类方法，通过该方法改善了三维卷积神经网络计算量大、耗时长等问题，避免了因医学图像训练数据较少带来的过拟合问题，并提高了支持向量机的分类性能。

本发明的上述目的通过如下技术手段实现。

提供一种基于深度特征袋的分类方法，依次包括如下步骤：

S1、采集目标对象的三维图像，勾画并分割出感兴趣区域；

S2、将步骤S1获得的感兴趣区域的三维图像均分解为三个二维正交平面的二维图像，得到三组二维图像组，从每一组二维图像组中选取一张像素点最多的二维图像分别作为三个二维正交平面的输入图像；

S3、利用卷积神经网络对步骤S2获得的三个二维正交平面的输入图像进行特征提取，得到三个二维正交平面的深度特征，三个二维正交平面的深度特征包括训练样本深度特征和测试样本深度特征；

S4、利用特征袋模型分别对步骤S3获得的训练样本深度特征和测试样本深度特征进行重新编码，得到训练样本编码特征和测试样本编码特征；

S5、采用核融合方法将步骤S4获得的训练样本编码特征和测试样本编码特征融合到支持向量机的核函数中，通过训练求得截距项b和权重系数α；

S6、根据步骤S5所得的截距项b和权重系数α代入分类函数中对图像进行分类标签。

进一步的，步骤S2中，三个二维正交平面分别为横断面、冠状面和矢状面。

进一步的，步骤S3中，卷积神经网络依次包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和输出层；