[发明专利]一种基于改进的Resnet网络的X光图像分类方法

说明书

本发明涉及一种基于改进的Resnet网络的X光图像分类方法，属于图像处理技术领域。该方法将X光图像数据集作为图像输入，通过SMOTE数据扩充算法得到模型的训练、测试和验证数据集；分类模型采用残差网络ResNet为模型基本框架，通过在残差网络ResNet中加入挤压激励网络并将其进行捷径连接；模型中普通方形卷积核中加入了水平卷积和垂直卷积组成非对称卷积结构，突显局部关键特征和加快训练效率；采用焦点损失函数，整个网络会根据损失函数调整每种疾病的损失值，以得到对疾病分类能力更强的网络模型。本发明能够解决数据不平衡分布带来的问题，并增强特征信息提取能力，提高模型整体性能，从而提高对X光图像分类的准确度。

技术领域

本发明属于图像处理技术领域，涉及一种基于改进的Resnet网络的X光图像分类方法。

背景技术

当今，计算机结合医学影像辅助医生诊断病情已成常规步骤，但是现有的医学影像图像分析方法仍具有分析不准确等缺陷，如：

Wang等人以弱监督的方式采用经过ImageNet预训练的全卷积网络作为特征提取器而仅训练过渡层和分类层的方法，比较了4种卷积神经网络模型对病变区域的分类和定位性能，有效利用了ImageNet预训练结果，但是训练时使用经典网络独立处理多个特征图忽略了特征通道间的相关性。Yao提出了一种结合ResNet和DenseNet构建的在多分辨率下学习且训练模型进行定位的结构，模型还采用了更具优势的下限自适应Log-Sum-Exp池化函数，该方法在生成分辨率高的病灶区定位图上表现突出，但是由于缺乏对特征通道信息的关注因此诊断精度不够。Ma提出一种多注意网络进行分类，该网络以ResNet-101作为主干网络，并在其中加入挤压激励(squeeze-and-excitation，SE)模块来建模通道间的依赖关系，其次还配备了空间注意模块(space attention module，SAM)以融合全局和局部信息，同时使用错分样例注意模块(hard example attention module，HEAM)将分类错误的阳性病例与原始数据集结合起来训练网络，以缓解类失衡问题，但是其中错分样例注意模块将易分错样本加入训练集的方法并不能真正提升模型本身的性能。

为了克服上述现有技术的不足，本发明提供了一种新的医学图像分类方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于改进的Resnet网络的X光图像分类方法，解决胸部X光原始图像数据不平衡分布带来的问题，并增强特征信息提取能力，提高模型整体性能，从而提高对胸部X光图像分类的准确度。

为达到上述目的，本发明提供如下技术方案：

一种基于改进的Resnet网络的X光图像分类方法，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。