[发明专利]一种轻量级CNN结合迁移学习的医学图像分类方法

说明书

本发明公开了一种轻量级CNN结合迁移学习的医学图像分类方法，包括：(1)获取医学图像数据集，并对其预处理，包括调整大小，使用高斯模糊和直方图均衡化进行增强处理，之后将预处理后的医学图像数据集按照一定比例划分得到训练集、验证集以及测试集；(2)构建预训练好的MobileNetV2网络并进行微调，对MobileNetV2网络的损失函数使用L2正则化进行处理，通过贝叶斯优化方法调整MobileNetV2网络中的超参数，之后利用训练集对MobileNetV2网络进行训练，利用验证集对MobileNetV2网络进行验证，得到重新训练好的MobileNetV2网络；(3)将测试集输入重新训练好的MobileNetV2网络，得到分类结果。本发明所述方法提高了分类精度，缩短了MobileNetV2网络的训练时间，并且对于硬件设备的要求不高，适合资源匮乏的地区使用。

技术领域

本发明属于图像处理技术领域，具体涉及一种轻量级CNN结合迁移学习的医学图像分类方法。

背景技术

新冠是一种传染性极强的病毒，同时新冠的诊断是治疗新冠最大的拦路虎。为此，大量的研究人员都在研究能够快速准确诊断新冠的方法。目前，诊断新冠的标准是逆转录聚合链式反应，但是这一方式耗时长、假阳性率高，而且在进行检测的过程中存在医患交叉感染的风险。因此，通过胸部医学影像来诊断新冠就成了一大研究热点，医生们可以通过观察病人的胸部影像来判断病人是否患有新冠肺炎或者其他疾病，但是，由于新冠患者数量的庞大和医疗资源的匮乏，医护人员每天的工作量巨大，难免会导致诊断出现失误；因此，人为检测胸部影像的效率并不高。开发一种能够自动诊断新冠肺炎的方法势在必行。

当下能够自动检测新冠的方法是基于深度学习的方法，具体实现是通过大量胸部影像数据训练神经网络使其具有区分正常胸部影像和新冠肺炎胸部影像的能力，以此达到诊断新冠的目的。而且这些方法不仅能够检测新冠肺炎，还可以检测出其它的肺部疾病。虽然使用神经网络诊断新冠肺炎的效率很高，但是训练网络并且使用训练好的网络进行分类较为耗时而且必须配有昂贵的硬件设备进行加速训练，而这些条件往往是很多地区和医院所不具备的。

发明内容

发明目的：针对现有新冠图像分类技术的缺点，本发明提出一种轻量级CNN结合迁移学习的医学图像分类方法。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种轻量级CNN结合迁移学习的医学图像分类方法，具体包括如下步骤：

(1)获取医学图像数据集，并对其预处理，包括调整大小，使用高斯模糊和直方图均衡化进行增强处理，之后将预处理后的医学图像数据集按照一定比例划分得到训练集、验证集以及测试集；

(2)构建预训练好的MobileNetV2网络并进行微调，对MobileNetV2网络的损失函数使用L2正则化进行处理，通过贝叶斯优化方法调整MobileNetV2网络中的超参数，之后利用训练集对MobileNetV2网络进行训练，利用验证集对MobileNetV2网络进行验证，得到重新训练好的MobileNetV2网络；

(3)将测试集输入重新训练好的MobileNetV2网络，得到分类结果。

进一步地，步骤(1)中对医学图像数据集预处理，包括调整大小，使用高斯模糊和直方图均衡化进行增强处理，方法如下：

(1.1)将医学图像数据集中的每一幅图像调整尺寸大小至224像素*224像素；

(1.2)利用高斯滤波器对调整尺寸后的图像进行高斯模糊处理，方法如下：

(1.21)设置滑动窗口模板，所述窗口模板是一个长宽都为M像素的正方形窗口，设置窗口模板的中心点为坐标原点，进而得到窗口模板中剩余点的坐标；

(1.22)利用二维高斯函数计算窗口模板中每一个点各自对应的二维高斯函数值；其中，二维高斯函数值G(x,y)为：