[发明专利]一种基于改进的Resnet网络的X光图像分类方法

权利要求书

1.一种基于改进的Resnet网络的X光图像分类方法，其特征在于，该方法具体包括以下步骤：

S1：获取X光图像数据；

S2：采用SMOTE算法对获取的图像数据进行分析合成新数据，并添加到原图像数据中；

S3：训练网络时，采用焦点损失函数计算每种疾病的损失值，再将N种疾病的损失值求平均作为网络整体的损失；

S4：以残差网络ResNet为基础模型，在ResNet中加入挤压激励网络，生成改进的网络SE-ResNet；

S5：在SE-ResNet网络的方形卷积核中加入水平卷积和垂直卷积，构成非对称卷积；

S6：对原始图像的灰度图进行缩放，并将其转换为RGB 3通道格式，再随机选取中心点对图像进行剪裁；

S7：利用步骤S5的SE-ResNet网络将经步骤S6处理后的图像编码成大小为S×S的C个特征图，并将其输出到过渡层；通过过渡层将每个特征图简化为1×1×D，再由采样层将其转换为D维特征向量；

S8：通过Sigmoid函数转换完全连接层，然后输出目标分类的概率分数。

2.根据权利要求1所述的X光图像分类方法，其特征在于，步骤S1中，获取的X光图像数据属于少数类样本。

3.根据权利要求1所述的X光图像分类方法，其特征在于，步骤S3中，采用焦点损失函数计算每种疾病图像的损失值L_i，表达式为：

其中，i＝1,2,...,N，N表示疾病种类；y_i的值为1或0，1代表患者患有第i种疾病，0代表患者未患第i种疾病；表示网络判断第i种疾病患病的概率值；α、β为超参数。

4.根据权利要求1所述的X光图像分类方法，其特征在于，步骤S4中，生成改进的网络SE-ResNet，具体包括：RseNet网络将每个残差块中的某些层与前面的某层通过对应通道上元素级别的相加实现短路连接不同；改进的网络SE-ResNet将前面所有卷积单元的特征图在通道维度相连后先进行加权，即挤压激励操作，之后再作为当前卷积单元的输入。

5.根据权利要求4所述的X光图像分类方法，其特征在于，步骤S4中，所述挤压激励操作具体包括：首先，对特征图U进行全局平均池化，将特征图U压缩为向量Z；然后，激励操作是将向量Z经过两个全连接层，通过自适应学习权重参数矩阵，得到新的向量S；最后，根据向量S进行特征重标定，得到加权特征图X。

6.根据权利要求1所述的X光图像分类方法，其特征在于，所述步骤S5具体包括：通过将每个方形卷积核替换为非对称卷积并训练网络到收敛；然后，将每个ACB中非对称核的权值加到方形核的对应位置，将非对称卷积网络转换为和原始网络等效的结构；利用卷积的可加性，即如果几个大小兼容的二维核在相同的输入上以相同的步幅操作以产生相同分辨率的输出，并且它们的输出求和，将这些核在相应的位置相加，从而得到一个产生相同输出的等效核；

其中，I为一个矩阵，K⁽¹⁾和K⁽²⁾为具有兼容尺寸的两个2D核，表示在对应位置的求和操作。