[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

说明书

一种基于迁移学习的深度神经网络脑肿瘤图像分类方法，包括4个步骤：S1数据预处理：从原始图像数据集生成两种数据集；S2构建预训练模型：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；S3构建改进的CNN架构模型：选定带有预训练的InceptionV3的迁移学习的深度卷积神经网络，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；S4脑肿瘤图像分类评估：分别验证已裁剪和未裁剪的数据集，通过精确度、召回率等，评价分类性能。本发明提供可以通过脑肿瘤MR图像数据集对患不同脑肿瘤的病人进行分类，利用分类的脑肿瘤MR图像辅助医生诊断，帮助病人提前发现病情和提高医生的诊断效率。

技术领域

发明涉及深度学习和医学相关领域，特别涉及一种基于迁移学习的深度神经网络脑肿瘤图像分类方法。

背景技术

根据CA(A Cancer Journal for Clinicians)杂志发布的全球癌症数据，2020年全球新发癌症病例1929万例。癌症的产生可以通过早期检测来预防，但脑癌的临床诊断非常困难,与癌症不同，肿瘤可以是良性、癌前或恶性,良性肿瘤可以手术切除，不影响其他器官和组织。然而，脑肿瘤包括脑膜瘤、胶质瘤和垂体。脑膜瘤肿瘤发生于膜(保护大脑和脊髓的区域)，胶质瘤发生于脑组织，垂体瘤是位于脑下垂体区域的颅骨内的肿块。脑肿瘤由于前期患者并未感觉到自己已经患病、未能动态观察和分析病情，这就耽误了治疗的最佳时间。

随着计算机人工智能和图像处理的发展，基于深度学习和神经网络的高级机器学习模型被创造以在各种医疗诊断中辅助医生诊断，这些模型为许多医学成像提供了有用的帮助，几种用于分类图像和检测MR图像中部分区域。但由于网络上公开的大多数据集数量都非常少，且训练得出的模型都是在小数据集中得到的，而基于深度学习和神经网络的高级机器学习模型需要大量的数据才能实现最佳性能。

发明内容

本发明目的在于提供一种基于迁移学习的深度神经网络脑肿瘤图像分类方法，对三种脑肿瘤数据进行训练；通过准确性、损失、精确度、召回率等，对不同种类的脑肿瘤图像进行分类。

为了实现以上目的，本发明所采用的技术方案包括以下步骤：

步骤S1.数据预处理：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.构建预训练模型：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.构建改进的CNN架构模型：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.脑肿瘤图像分类评估：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。

所述步骤S1数据预处理如下：

步骤S1：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；

步骤S12：将两种数据集都归一化调整为256x256像素。

所述步骤S2构建预训练模型步骤如下：

步骤S21：使用ImageNet数据集，将其放入深度卷积神经网络模型。

步骤S22：设置网络参数。

步骤S23：训练InceptionV3网络模型。

步骤S24：保存预训练模型。

所述步骤S3构建改进的CNN架构模型包括以下步骤：

步骤S31：准备脑肿瘤MR图像数据集，将其作为目标数据集。