CN106778850A - 基于受限玻尔兹曼机和最近邻分类法的脑部磁共振图像分类方法 - Google Patents
基于受限玻尔兹曼机和最近邻分类法的脑部磁共振图像分类方法 Download PDFInfo
- Publication number
- CN106778850A CN106778850A CN201611103479.7A CN201611103479A CN106778850A CN 106778850 A CN106778850 A CN 106778850A CN 201611103479 A CN201611103479 A CN 201611103479A CN 106778850 A CN106778850 A CN 106778850A
- Authority
- CN
- China
- Prior art keywords
- matrix
- image
- magnetic resonance
- nearest neighbor
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Abstract
本发明公开了基于受限玻尔兹曼机和最近邻分类法的脑部磁共振图像分类方法,包括如下步骤:步骤A,对脑部磁共振图像集中各图像进行预处理,抽样各图像及其对应的标签构成测试集和训练集;步骤B,基于受限莫尔兹曼机对训练集进行训练,提取训练集特征;步骤C,将上一步提取的特征利用最近邻分类器进行分类。利用本发明方法在公开的脑部磁共振图像库中进行了实验,结果表明:与现有的技术相比较,可以明显提高分类准确率。本发明可以用于脑部磁共振图像分类系统中。
Description
技术领域
本发明属于图像分类技术领域,具体涉及一种基于受限玻尔兹曼机和最近邻分类法的脑部磁共振图像分类方法。
背景技术
磁共振图像由于具有无放射污染、分辨率高、成像参数多等优点在医学临床和研究中发挥了重要的应用价值。如何快速、有效地对人脑图像数据进行组织分类,协助医生完成医学诊断已成为当今研究的热点。然而,由于成像过程受到诸如噪声、场偏移效应、局部体效应以及组织运动等的影响,医学图像不可避免地具有各组织边缘模糊、区域灰度不均匀等特点,这些都给图像组织类别的正确分类带来了困难,常常导致分类的结果准确率不高、分类速度较慢。传统基于统计学习的贝叶斯分类器、神经网络分类器等在水质预警、细胞图像分割和医学图像分类等领域中取得较好的分类效果,但它们需要建立在大样本前提下才能避免过拟合和欠拟合,在医学图像分类应用中有一定的局限性。支持向量机(SVM)对小样本、高维、非线性样本具有更好的分类效果,但是不同的核函数选择和参数d值的设定对分类的精度有比较大的影响。
发明内容
本发明的目的在于克服现有技术中的不足,提供了一种基于受限玻尔兹曼机和最近邻分类法的脑部磁共振图像分类方法,对脑部磁共振图像预处理后利用受限玻尔兹曼机进行特征提取,然后根据特征基于最近邻分类法进行分类, 可以提高分类准确性,加快分类速度。
为解决上述技术问题,本发明提供了一种基于受限玻尔兹曼机和最近邻分类法的脑部磁共振图像分类方法,其特征是,包括如下步骤:
步骤A,对脑部磁共振图像集中各图像进行预处理,抽样各图像及其对应的标签构成测试集和训练集;
步骤B,基于受限莫尔兹曼机对训练集进行训练,提取训练集特征;
步骤C,将上一步提取的特征利用最近邻分类器进行分类。
进一步的,图像预处理的过程包括:
A1,将各图像统一为同等像素大小;
A2,对各图像进行二值化处理;
A3,对二值化后的各图像进行降采样处理。
进一步的,将图像统一为100*100像素大小。
进一步的,采用随机抽样方法抽取各图像生成测试集和训练集,测试集和训练集比例范围为12:4~20:4。
进一步的,对RMB训练的具体过程为:
B1,采用随机函数生成均值为0、方差为1的权值矩阵,生成全0的可视层偏置矩阵和全0的隐层偏置矩阵,设定学习率、误差值;
B2,将训练集与权值矩阵相乘,再与可视层偏置矩阵相加,得到隐层矩阵,隐层矩阵的数目等同可视层数目;
B3,随机生成一个均值为0、方程为1的矩阵,该矩阵的维度数和隐层矩阵大小相同,用该矩阵作为阈值,将隐层矩阵数据二值化;
B4,基于对比散度算法,对隐层矩阵进行重构,得到重构后的可视层矩阵;
B5,将重构后的可视层矩阵和原可视层矩阵作差,得到差值矩阵,差值矩阵与学习速率相乘即为新的权值矩阵,可视层偏置矩阵与重构偏置矩阵做差再乘以学习速率即为新的可视层偏置;隐层偏置与重构隐层偏置做差再乘以学习速率即为新的隐层偏置;
B6,重复步骤B5,直至重构误差低于设定误差值,停止迭代,所得的权值矩阵和可视层偏置矩阵即为特征提取器。
进一步的,利用RBM提取特征输入KNN中进行分类的具体过程包括:
C1,将所得的特征矩阵及与之对应的训练集中各图像标签,采用最近邻分类器,得到两类分类模型;
C2,将测试集经过特征提取器提取之后得到的测试集特征输入分类模型进行分类,得到分类结果;
C3,将分类结果与测试集中各图像标签做对比,得到分类结果准确率。
与现有技术相比,本发明所达到的有益效果是:本发明方法对脑部磁共振图像预处理后利用受限玻尔兹曼机进行特征提取,然后根据特征基于最近邻分类法进行分类,可以提高分类准确性,加快分类速度。经统一化、二值化和降采样预处理后的图像,不仅可以大大提高图像的质量,而且使后面利用受限玻尔兹曼机对图像特征学习的结果变得更加可靠,提高诊断的准确率。
附图说明
图1是本发明方法的流程示意图;
图2是本发明实施例中训练次数与分类正确率之间的关系图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,本发明的一种基于受限玻尔兹曼机和最近邻分类法的图像分类方法,包括如下步骤:
步骤A,对脑部磁共振图像集中各图像进行预处理,抽样各图像构成测试集和训练集。
现有技术中公开的脑部磁共振图像库中包含大量脑部磁共振图像样本,各图像上还对应有标注图像是否病变的标签(例如标注为正常或异常的标签)。
图像预处理的主要目的是消除图像中无关的信息,恢复有用的真实信息,增强有关信息的可检测性和最大限度地简化数据,从而改进特征抽取、图像分割、匹配和识别的可靠性。
其具体过程为:
A1,将各图像统一为同等像素大小;本实施例中将图像统一为100*100像素大小;
A2,对各图像进行二值化处理,摒弃冗余特征信息;
A3,对二值化后的各图像进行降采样处理;
经统一化二值化和降采样处理后的图像,不仅可以大大提高图像的质量,而且使后面利用受限玻尔兹曼机对图像特征学习的结果变得更加可靠,提高诊断的准确率。
A4,每个图像占据矩阵一行构建输入图像矩阵;
A5,采用随机抽样方法从图像矩阵中抽取各图像生成测试集和训练集,测试集和训练集比例范围为12:4~20:4,同时将测试集与训练集中各图像的标签对应取出。
步骤B,基于受限莫尔兹曼机对训练集进行训练,提取训练集特征;
受限玻尔兹曼机(RBM)是一种无向生成模型,是目前研究较热的深度学习算法模型的基础模型,主要充当其他分类算法的特征提取器。一个RBM中,v表示所有可视层单元,h表示所有隐层单元,要想确定该模型,只要能够得到模型三个参数θ={W,A,B}即可,分别是权重矩阵W,可视层偏置矩阵A,隐层偏置矩阵B。
在给定一个训练样本集后,训练一个RBM的意义在于调整模型的参数,以拟合给定的训练样本集,使得在该参数下RBM表示的可视层节点概率分布尽可能的与训练样本集相符合。
对RMB训练的具体过程为:
B1,采用随机函数生成均值为0、方差为1的权值矩阵(大小为10000*8000),生成全0的可视层偏置矩阵和全0的隐层偏置矩阵,设定学习率、误差值;
B2,将训练集与权值矩阵相乘,再与可视层偏置矩阵相加,得到隐层矩阵,隐层矩阵的数目等同可视层数目;
B3,随机生成一个均值为0、方程为1的矩阵,该矩阵的维度数和隐层矩阵大小相同,用该矩阵作为阈值,将隐层矩阵数据二值化;
B4,基于对比散度算法,对隐层矩阵进行重构,得到重构后的可视层矩阵;
B5,将重构后的可视层矩阵和原可视层矩阵作差,得到差值矩阵,差值矩阵与学习速率相乘即为新的权值矩阵,可视层偏置矩阵与重构偏置矩阵做差再乘以学习速率即为新的可视层偏置;隐层偏置与重构隐层偏置做差再乘以学习速率即为新的隐层偏置;
B6,重复步骤B5,直至重构误差低于设定误差值(如设定为3%),停止迭代,所得的权值矩阵和可视层偏置矩阵即为特征提取器。
该方法训练过程中进行一次对比散度,减少重构次数,减少迭代次数,可以提高分类准确性,加快分类速度。
步骤C,基于上一步提取的特征利用最近邻分类器进行分类。
最近邻分类器(KNN)是现有技术充常用的分类方法,利用RBM提取特征输入KNN中进行分类的具体过程包括:
C1,将所得的特征矩阵及与之对应的训练集中各图像标签,采用最近邻分类器,得到两类分类模型;
C2,将测试集经过特征提取器提取之后得到的测试集特征输入分类模型进行分类,得到分类结果;
C3,将分类结果与测试集中各图像标签做对比,得到分类结果准确率。
实施例
在公开的脑部磁共振图像库中进行了实验,用随机抽样的方法分别从正常样本中抽取116个,从异常样本中抽取88个组成204个训练样本集;从正常样本中抽取39个,从异常样本中抽取9个组成48个测试样本集。对样本集中204幅图像统一为100*100像素,进行图像预处理之后,将样本集204幅图像变换到一个204*10000的图像矩阵中,其中每行代表一个图像。由于实验数据集较小在小型服务器上即可实现,所以采用在线训练方法,服务器配置为:CPU:Intel(R)Xeon(R)E5-2420;RAM:16GB;软件平台:Matlab R2015b;操作系统:Windows Server2008 R2。为了得到合适的学习速率,分别进行了5次独立试验,试验结果如下表所示。
表1不同学习率下结果对比
由表1可以看出,学习率选在0.001~0.0015之间,分类正确率效果好,学习率大于0.0018,分类正确率会大幅下降。用受限玻尔兹曼机结合最近邻分类法对脑部磁共振医学图像分类的最好准确率是93.75%,平均分类准确率为87.92%。
通过实验得到训练次数与分类正确率之间的关系图如图2所示,从图中可以看出,当训练次数大于250次,分类正确率波动范围很小。可知在进行RMB训练时,可将训练次数设定为250次。
将本文采用的方法与现有技术中常用医学图像分类方法(PCA+基于规则关联分类器和支持向量机分类器)在同一训练集上准确率做比较,比较结果表2所示,可知本发明方法的分类准确率可高达87.92%,明显高于现有技术中的两种方法。
表2各种分类方法准确率对比
本发明方法对脑部磁共振图像预处理后利用受限玻尔兹曼机进行特征提 取,然后根据特征基于最近邻分类法进行分类,可应用于医学图像分类速度要求较高的环境中,在分类时间基本不变的情况下,提高分类准确率。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (6)
1.基于受限玻尔兹曼机和最近邻分类法的脑部磁共振图像分类方法,其特征是,包括如下步骤:
步骤A,对脑部磁共振图像集中各图像进行预处理,抽样各图像及其对应的标签构成测试集和训练集;
步骤B,基于受限莫尔兹曼机对训练集进行训练,提取训练集特征;
步骤C,将上一步提取的特征利用最近邻分类器进行分类。
2.根据权利要求1所述的基于受限玻尔兹曼机和最近邻分类法的脑部磁共振图像分类方法,其特征是,图像预处理的过程包括:
A1,将各图像统一为同等像素大小;
A2,对各图像进行二值化处理;
A3,对二值化后的各图像进行降采样处理。
3.根据权利要求2所述的基于受限玻尔兹曼机和最近邻分类法的脑部磁共振图像分类方法,其特征是,将图像统一为100*100像素大小。
4.根据权利要求1所述的基于受限玻尔兹曼机和最近邻分类法的脑部磁共振图像分类方法,其特征是,采用随机抽样方法抽取各图像生成测试集和训练集,测试集和训练集比例范围为12:4~20:4。
5.根据权利要求1所述的基于受限玻尔兹曼机和最近邻分类法的脑部磁共振图像分类方法,其特征是,对RMB训练的具体过程为:
B1,采用随机函数生成均值为0、方差为1的权值矩阵,生成全0的可视层偏置矩阵和全0的隐层偏置矩阵,设定学习率、误差值;
B2,将训练集与权值矩阵相乘,再与可视层偏置矩阵相加,得到隐层矩阵,隐层矩阵的数目等同可视层数目;
B3,随机生成一个均值为0、方程为1的矩阵,该矩阵的维度数和隐层矩阵大小相同,用该矩阵作为阈值,将隐层矩阵数据二值化;
B4,基于对比散度算法,对隐层矩阵进行重构,得到重构后的可视层矩阵;
B5,将重构后的可视层矩阵和原可视层矩阵作差,得到差值矩阵,差值矩阵与学习速率相乘即为新的权值矩阵,可视层偏置矩阵与重构偏置矩阵做差再乘以学习速率即为新的可视层偏置;隐层偏置与重构隐层偏置做差再乘以学习速率即为新的隐层偏置;
B6,重复步骤B5,直至重构误差低于设定误差值,停止迭代,所得的权值矩阵和可视层偏置矩阵即为特征提取器。
6.根据权利要求1所述的基于受限玻尔兹曼机和最近邻分类法的脑部磁共振图像分类方法,其特征是,利用RBM提取特征输入KNN中进行分类的具体过程包括:
C1,将所得的特征矩阵及与之对应的训练集中各图像标签,采用最近邻分类器,得到两类分类模型;
C2,将测试集经过特征提取器提取之后得到的测试集特征输入分类模型进行分类,得到分类结果;
C3,将分类结果与测试集中各图像标签做对比,得到分类结果准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611103479.7A CN106778850A (zh) | 2016-12-05 | 2016-12-05 | 基于受限玻尔兹曼机和最近邻分类法的脑部磁共振图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611103479.7A CN106778850A (zh) | 2016-12-05 | 2016-12-05 | 基于受限玻尔兹曼机和最近邻分类法的脑部磁共振图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106778850A true CN106778850A (zh) | 2017-05-31 |
Family
ID=58884677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611103479.7A Pending CN106778850A (zh) | 2016-12-05 | 2016-12-05 | 基于受限玻尔兹曼机和最近邻分类法的脑部磁共振图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106778850A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545548A (zh) * | 2017-07-05 | 2018-01-05 | 河南师范大学 | 基于受限玻尔兹曼机的置换混叠图像盲分离方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411715A (zh) * | 2010-09-21 | 2012-04-11 | 张云超 | 有监督学习功能的细胞图像自动分类方法和系统 |
CN102902966A (zh) * | 2012-10-12 | 2013-01-30 | 大连理工大学 | 一种基于深度信赖网络的超分辨率人脸识别方法 |
CN103034847A (zh) * | 2012-12-13 | 2013-04-10 | 河海大学 | 一种基于隐马尔可夫模型的人脸识别方法 |
CN104036242A (zh) * | 2014-06-03 | 2014-09-10 | 北京工业大学 | 基于Centering Trick卷积限制玻尔兹曼机的物体识别方法 |
US20160048741A1 (en) * | 2014-08-12 | 2016-02-18 | Siemens Aktiengesellschaft | Multi-layer aggregation for object detection |
CN105894114A (zh) * | 2016-03-31 | 2016-08-24 | 华中科技大学 | 一种基于动态条件玻尔兹曼机的太阳能预测方法 |
-
2016
- 2016-12-05 CN CN201611103479.7A patent/CN106778850A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411715A (zh) * | 2010-09-21 | 2012-04-11 | 张云超 | 有监督学习功能的细胞图像自动分类方法和系统 |
CN102902966A (zh) * | 2012-10-12 | 2013-01-30 | 大连理工大学 | 一种基于深度信赖网络的超分辨率人脸识别方法 |
CN103034847A (zh) * | 2012-12-13 | 2013-04-10 | 河海大学 | 一种基于隐马尔可夫模型的人脸识别方法 |
CN104036242A (zh) * | 2014-06-03 | 2014-09-10 | 北京工业大学 | 基于Centering Trick卷积限制玻尔兹曼机的物体识别方法 |
US20160048741A1 (en) * | 2014-08-12 | 2016-02-18 | Siemens Aktiengesellschaft | Multi-layer aggregation for object detection |
CN105894114A (zh) * | 2016-03-31 | 2016-08-24 | 华中科技大学 | 一种基于动态条件玻尔兹曼机的太阳能预测方法 |
Non-Patent Citations (2)
Title |
---|
张岁霞 等;: "《KNN分类器在新疆哈萨克族食管癌分型中的应用》", 《科技通报》 * |
陈娜: "《基于受限玻尔兹曼机的医学图像分类方法研究》", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545548A (zh) * | 2017-07-05 | 2018-01-05 | 河南师范大学 | 基于受限玻尔兹曼机的置换混叠图像盲分离方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Saleem et al. | Automated analysis of visual leaf shape features for plant classification | |
Wan et al. | Deep convolutional neural networks for diabetic retinopathy detection by image classification | |
Aghdam et al. | A practical approach for detection and classification of traffic signs using convolutional neural networks | |
Kwon et al. | Backpropagated gradient representations for anomaly detection | |
Li et al. | Robust face recognition based on dynamic rank representation | |
CN107610087B (zh) | 一种基于深度学习的舌苔自动分割方法 | |
Shen et al. | Learning to predict eye fixations for semantic contents using multi-layer sparse network | |
Mahapatra et al. | Retinal image quality classification using saliency maps and CNNs | |
Dosovitskiy et al. | Unsupervised feature learning by augmenting single images | |
Lai et al. | Multiscale logarithm difference edgemaps for face recognition against varying lighting conditions | |
Wu et al. | Metric learning based structural appearance model for robust visual tracking | |
Zhang et al. | Visual tracking via Boolean map representations | |
Qin et al. | Finger-vein quality assessment by representation learning from binary images | |
Guo et al. | CST: Convolutional Swin Transformer for detecting the degree and types of plant diseases | |
Dornaika et al. | Toward graph-based semi-supervised face beauty prediction | |
Bermúdez-Chacón et al. | Scalable unsupervised domain adaptation for electron microscopy | |
Zhou et al. | Automatic microaneurysms detection based on multifeature fusion dictionary learning | |
Aswathi et al. | Transfer Learning approach for grading of Diabetic Retinopathy | |
Zhou et al. | constitution identification of tongue image based on CNN | |
Li et al. | Cervical histopathology image classification using ensembled transfer learning | |
Zilvan et al. | Convolutional variational autoencoder-based feature learning for automatic tea clone recognition | |
Zhuo et al. | Uncertainty modeling for robust domain adaptation under noisy environments | |
Huang et al. | Identifying synapses using deep and wide multiscale recursive networks | |
Kharghanian et al. | Pain detection using batch normalized discriminant restricted Boltzmann machine layers | |
Zhang et al. | PEDENet: Image anomaly localization via patch embedding and density estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |