[发明专利]基于特征迁移的肺部CT图像分类方法

说明书

本发明公开了基于特征迁移的肺部CT图像分类方法，包括如下步骤：首先，对CT图像进行滤波、拉伸和数据增强。其次，应用特征可视化改进网络架构进行图像特征迁移，减少超参数调整，降低网络训练对标签图像的依赖。最后，使用改进网络对CT图像提取特征，并用K近邻算法、支持向量机和随机森林进行分类评价。在公开CT图像数据集上与6种对比算法进行实验验证。实验结果表明，改进网络分类准确率为93.3％，精确率为96.9％，模型最小、分类时间最少，具有较好的鲁棒性，有效改善了肺部CT图像的诊断效果。

技术领域

本发明涉及计算机视觉技术领域，特别涉及基于特征迁移的肺部CT图像分类方法。

背景技术

当前医疗设备行业快速发展，医学图像呈现快速增长态势。由于医疗资源的匮乏，通过放射科医生对大规模医学图像进行阅片诊断工作量大、效率低。因此，在计算机视觉领域，通过应用计算机辅助诊断提高诊断效率具有重要意义，也是当前众多学者研究的一个热点之一。

卷积神经网络在图像分类领域取得了巨大的成功。2012年，Hinton等人提出的AlexNet在ImageNet竞赛中获得了冠军。2014年由牛津大学Simonyan等人提出的VGGNet在ImageNet竞赛中获得了第二名。同年，GoogLeNet获得了ImageNet竞赛中获得了第一名。2015年，何凯明等人提出了ResNet获得了大规模视觉识别赛冠军。Szegedy C等人通过卷积的分解以及正则化有效地利用增加的计算量来扩大网络。这些著名的深度学习网络都是在卷积神经网络的基础上发展得到的。

SqueezeNet是2016年提出的一种轻量级的卷积神经网络模型。SqueezeNet可在参数减少50倍以上的情况下性能接近AlexNet。SqueezeNet网络使用大量的1×1的滤波器，同时减少3×3滤波器通道数以及延迟采样来实现高压缩参数下的性能。SqueezeNet共有68层，包含8个Fire模块，每个Fire模块包含7层，Fire模块如图1所示。在一个Fire模块中有三个超参数：s1x1，e1x1和e3x3。在Fire模块中，s1x1是挤压层所有1x1滤波器的数量，e1x1是1x1滤波器在拓展层的数量，e3x3是3x3滤波器在拓展层的数量。

目前，大量的学者通过机器学习或者深度学习的方法对医学图像进行处理。如Hua等人应用深度学习技术对肺结节CT图像计算机辅助分类。Litjens等人研究了深度学习算法，特别是卷积网络在医学图像分类、分割、配准领域的应用，提出了未来研究面临的挑战和方向。Xie等人提出了一种多视图基于知识的协同深度模型，利用有限的胸部CT数据来区分良恶性结节。Zhang等人提出了深度叠加变换将深度学习方法推广到不可见区域的医学图像分割。Xie等人通过模型将一个三维肺结节分解成九个固定视图来学习三维肺部结节的特征。2020年，Liu等人提出了一个多任务深度模型用于自动肺结节分析。徐宏伟等人采用残差双注意力U-Net模型的对CT图像自动分割。Yang等人采用DenseNet网络对肺炎图像进行分类，获得了84.7％的分类准确率。这些学者都在其特定数据集上取得了较大的成功。以此同时，一些学者对轻量型SqueezeNet网络进行改进并应用于不同领域。文献将SqueezeNet网络加深，用来对图像进行语义分割。将改进的queezeNet网络用于人脸识别。Liu等人研究改进了SqueezeNet网络使其在ImageNet数据集上的TOP-1和TOP-5分类精度分别提高了7.05％和4.79％。此外Bsra等人将SqueezeNet网络用于癫痫病人脑电图信号的识别。这些学者成功的对SqueezeNet网络进行改进并应用于不同领域。然而，在有限的带标签训练样本下训练出一个高质量的轻量型深度学习网络仍是当前面临的一个重要挑战。

发明内容