一种基于改进的Resnet网络的X光图像分类方法技术

本发明专利技术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。本发明专利技术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。从而提高对X光图像分类的准确度。从而提高对X光图像分类的准确度。

【技术实现步骤摘要】
一种基于改进的Resnet网络的X光图像分类方法


[0001]本专利技术属于图像处理
，涉及一种基于改进的Resnet网络的X光图像分类方法。

技术介绍

[0002]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：
[0003]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。
[0004]为了克服上述现有技术的不足，本专利技术提供了一种新的医学图像分类方法。

技术实现思路

[0005]有鉴于此，本专利技术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。
[0006]为达到上述目的，本专利技术提供如下技术方案：
[0007]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：
[0008]S1：获取X光图像数据；
[0009]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；
[0010]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；
[0011]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；
[0012]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；
[0013]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；
[0014]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；
[0015]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。
[0016]进一步，步骤S1中，获取的X光图像数据属于少数类样本，如胸部X光图像。
[0017]进一步，步骤S2中，对于数据集中的X光图像，令其中的每一张图像都对应一个N维的向量作为标签(即真实值)，该向量为y＝[y1,y2,
…
,y
N
]，其中N代表N种疾病，y
i
(i＝1,2,
…
,N)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。同时，网络的N个输出值也可看做一个N维向量，即其中代表网络判断第i种疾病患病的概率值(即预测值)。
[0018]进一步，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：
[0019][0020]其中，i＝1,2，...，N，N表示疾病种类，α＝0.5、β＝2为超参数。
[0021]进一步，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(skip connection)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。
[0022]进一步，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。因此通过学习网络能够高度地关注X光图像特征图不同通道的重要程度，从而抑制对疾病诊断无用信息的表达，促进有用信息的表达，以此来增强网络对胸部疾病的分类性能。
[0023]进一步，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(ACB结构)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(ACNet)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；
[0024][0025]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。注意I可能会被裁剪或者执行Padding操作。这里，“兼容”意味着我们可以把较小的内核“修补”到较大的内核上。
[0026]本专利技术的有益效果在于：本专利技术解决了胸部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(即网络模型对疾病分类能力更强)，从而提高对胸部X光图像分类的准确度。
[0027]本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可
mean)，数值上一般接近于二者中的较小值，因此如果F1 score比较高的话，意味着Precision和Recall都较高。因此，在模型评价研究中，一般采用P和R的综合度量F1 score作为主要的评价指标，F1 score可以使用P和R转换，如公式(2)所示。同时，考虑模型的实用性，本实施例也将时间作为考虑指标。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：王慧倩，毕瑞，庞宇，卢毅，王元发，罗家赛，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：