[发明专利]基于特征迁移的肺部CT图像分类方法

权利要求书

1.基于特征迁移的肺部CT图像分类方法，其特征在于，包括如下步骤：

步骤1：图像预处理

图像预处理利用现有的小规模的带标签的CT图像样本，预处理包括对CT图像样本的噪声滤波、对比对拉伸、肺部CT图像数据增强；

步骤2：迁移学习

使用迁移学习的方法解决小规模CT图像样本训练网络产生的过拟合问题；

步骤3：改进SqueezeNet网络架构

使用在ImageNet数据集上预训练的SqueezeNet网络进行低层次特征迁移学习，根据肺炎CT图像特定细粒度类别，通过对原始SqueezeNet网络的主要节点进行特征可视化，通过特征可视化，设定在所有特征通道中首次出现50％以上通道的特征出现无法正常识别出肺部的纹理轮廓信息时，确定该层之后的网络层对CT图像低层次特征的提取敏感度低；

步骤4：改进SqueezeNet网络伪代码；步骤4的算法如下：

输入：CT图像及图像标签，冻结层数，最大验证精度A_max＝0,N＝0；

输出：CT图像的混淆矩阵，分类准确率，分类精确率；

a)对原始CT图像滤波拉伸以及数据增强；

b)处理后的CT图像输入到改进的预训练SqueezeNet网络；

c)forepoch＝1：k；

d)计算样本损失；

e)用Adam优化器更新网络权重和偏置；

f)endfor；

g)训练集训练一遍后用验证集验证分类准确率A_i，保存对应网络；

h)判断A_i是否大于A_max,若是，A_max＝A_i,计数器N清零,重复步骤c至步骤g，反之，N＝N+1，当N小于20时，重复步骤c至步骤g；

i)当N＝20，触发早停机制，训练提前结束；

j)用验证精度最高时对应的网络对测试集图像进行特征提取；

k)使用KNN、SVM和随机森林进行特征分类得到预测结果和分类时间；

l)通过图像标签和预测结果得到CT图像的混淆矩阵，分类准确率，分类精确率；

返回：混淆矩阵，分类准确率，分类精确率。

2.如权利要求1所述的基于特征迁移的肺部CT图像分类方法，其特征在于，对于CT图像样本的噪声滤波，由于不同的CT设备生成的图像具有不同的高斯噪声，图像预处理阶段引入了自适应二维高斯噪声滤波技术。

3.如权利要求1所述的基于特征迁移的肺部CT图像分类方法，其特征在于，对于对比对拉伸，为提取CT图像信息，对滤除噪声后的图像进行对比度拉伸，把CT图像的像素点从拓展到0到255。

4.如权利要求1所述的基于特征迁移的肺部CT图像分类方法，其特征在于，对于肺部CT图像数据增强，图像增强的目的是增加训练样本的多样性，调整图像的通道数和图像像素大小以匹配网络输入，图像增强采用的方式包括对图像进行随机缩放、随机旋转角度、像素平移、水平或垂直镜像、调整图像的像素大小。