[发明专利]一种基于ARM的深度学习轻量化肺结节分类方法

权利要求书

1.一种基于ARM的深度学习轻量化肺结节分类方法，其特征在于，包括如下步骤：

步骤1：对LIDC带标签的图像数据集进行预处理；

步骤2：将预处理后的图像数据集输入到MobileNet V2网络模型中进行全精度的训练，得到训练好的全精度神经网络；

步骤3：将训练好的全精度神经网络的权重采用Ternary Quantization算法进行三值化压缩，得到三值化神经网络；

步骤4：将全精度神经网络作为教师网络，三值化神经网络作为学生网络，采用知识蒸馏算法再次训练，对三值化权重中的权重参数进行微调；

步骤5：训练完成后保存模型，通过交叉编译或者在ARM潜入式设备上直接安装的方式，将训练好的模型录入ARM中；

步骤6：读入要分析的肺结节图像，自动分析并给出分类结果。

2.根据权利要求1所述的基于ARM的深度学习轻量化肺结节分类方法，其特征在于，所述步骤1的过程如下：

步骤1.1：将图像数据集中的结节体积限制在长宽高相同的图像大小中；

步骤1.2：以结节的质心为中心，采用双三次插值进行采样，从不同视角生成对个横截面；

步骤1.3：将每个横截面的大小调整为相同尺寸的三通道图像作为MobileNet V2网络的输入。

3.根据权利要求1所述的基于ARM的深度学习轻量化肺结节分类方法，其特征在于，所述将训练好的全精度神经网络的权重采用Ternary Quantization算法进行三值化压缩的过程如下：

步骤3.1：将32-bit的权重归一化处理；

步骤3.2：设置阈值，如下：

其中，为全精度的权重的绝对值，设置参数t，通过上式计算得到神经网络中的第l层的阈值Δ_l；

步骤3.3：通过设置的阈值将全精度权重精简为三值权重，如下：

其中，为第l层神经网络的三值化权重值，W_l^p和W_lⁿ为第l层神经网络的权重参数，在后面的微调过程中进行调整。

4.根据权利要求1所述的基于ARM的深度学习轻量化肺结节分类方法，其特征在于，所述对三值化权重中的权重参数进行微调的梯度设置为：

其中，L为损失函数，取表示大于阈值的权重的集合，取表示小于负的阈值的权重的集合，即分别表示在阈值两侧的权重的集合。