[发明专利]一种基于迁移学习的深度神经网络脑肿瘤图像分类方法

权利要求书

1.一种基于迁移学习的深度神经网络脑肿瘤图像分类方法，其特征在于，包括以下步骤：

步骤S1：从原始图像数据集生成两种数据集，并将两种数据集都归一化调整为256x256像素；

步骤S2：预训练模型中应用的是ImageNet数据集，并将收敛后的预训练模型保存下来；

步骤S3：选定带有预训练的InceptionV3的迁移学习的深度卷积神经网络(DCNN)，通过脑肿瘤数据集来微调网络，使整个模型进一步地适应目标任务，最终提升分类效果；

步骤S4：分别验证已裁剪和未裁剪的数据集，通过准确性、损失、精确度、召回率等，评价分类性能。

2.根据权利要求1所述的一种基于迁移学习的深度神经网络脑肿瘤图像分类方法，其特征在于，所述步骤S1中的预处理方法包括以下步骤：

S11：从原始图像数据集生成两种数据集，其中一个围绕大脑视图做剪裁处理，另一个不进行剪裁；

S12：将两种数据集都归一化调整为256x 256像素。

3.根据权利要求1所述的一种基于迁移学习的深度神经网络脑肿瘤图像分类方法，其特征在于，所述步骤S2中的预训练方法包括以下步骤：

S21：使用ImageNet数据集，将其放入深度卷积神经网络模型；

S22：设置网络参数并训练InceptionV3网络模型；

S23：保存预训练模型。

4.根据权利要求1所述的一种基于迁移学习的深度神经网络脑肿瘤图像分类方法，其特征在于，所述步骤S3中的改进方法包括以下步骤：

S31：准备脑肿瘤MR图像数据集，将其作为目标数据集；

S32：将脑肿瘤MR图像数据集输入预训练的InceptionV3网络模型(调用预训练模型)；

S33：设置预训练参数，微调InceptionV3预训练得出的权重，使提取到的分类特征更贴近于脑肿瘤数据集；

S34：训练改进的CNN架构模型，根据MR图像数据集中的类别，将InceptionV3最后一层替换为具有3个隐藏单元的层。

5.根据权利要求1所述的一种基于迁移学习的深度神经网络脑肿瘤图像分类方法，其特征在于，所述步骤S4中的测试评估方法为：将测试数据导入训练好的网络模型，进行测试，生成模型分类准确性、损失、精确度、召回率等。