CN108053398A - 一种半监督特征学习的黑色素瘤自动检测方法 - Google Patents
一种半监督特征学习的黑色素瘤自动检测方法 Download PDFInfo
- Publication number
- CN108053398A CN108053398A CN201711374297.8A CN201711374297A CN108053398A CN 108053398 A CN108053398 A CN 108053398A CN 201711374297 A CN201711374297 A CN 201711374297A CN 108053398 A CN108053398 A CN 108053398A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msup
- image
- mfrac
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Abstract
本发明公开了一种半监督特征学习的黑色素瘤自动检测方法,包括以下步骤:A.图像预处理:包括图像去噪、毛发消除和尺度归一化;B.病变区域分割:采用基于色差改进的GrabCut算法,先对图像前景进行初始估计,再将初始估计作为GrabCut算法输入进行前景分割,改进方法能自动提取前景目标,避免用户交互;C.特征提取与分类:采用CNN模型对图像特征进行半监督学习,该模型分训练和测试两个阶段,其中训练模型是先将图像放入搭建好的模型中进行前向特征提取,再将提取的特征放入SVM分类器中训练,测试模型则输入未知图片,完成黑色素瘤检测工作。本发明实现计算机辅助诊断皮肤病技术,提高诊断效率,同时实现远程医疗。
Description
技术领域
本发明属于医学图像处理、计算机辅助诊断和人工智能等领域,具体涉及一种半监督特 征学习的黑色素瘤自动检测方法。
背景技术
通常黑色素瘤早期诊断是通过专家目视检查进行,但随着图像处理技术的发展,计算机 辅助诊断技术也逐步发展起来。相比较前者,后者经过训练判断更加客观,且准确率有保 障。
计算机辅助诊断黑色素瘤技术基于图像处理技术,原始图像主要来源于皮肤镜像。皮肤 镜像通过专门成像设备消除皮肤表面反射,视觉增强皮肤更深层环境,拥有良好的显示效 果,但成像成本昂贵,无形增加了普通病患医疗压力;随着电子产品普及,通过智能手机或 普通相机拍摄的普通图像显示效果虽不及皮肤镜像,但成像成本低廉且易获取,本文黑色素 瘤检测框架旨在融合上述两种图像,使之既适用于医院等其他医疗机构,又方便患者在家自 主检查。
发明内容
本发明目的是为了克服现有技术的不足,提供了一种半监督特征学习的黑色素瘤自动检 测方法,该方法融合了皮肤镜像和普通图像处理技术,采用半监督方法对图像特征进行学习 完成分类工作,实现计算机辅助诊断皮肤病技术,提高诊断效率;同时实现远程医疗。
本发明采用的技术方案是:一种半监督特征学习的黑色素瘤自动检测方法,包括以下步 骤:
A.图像预处理
图像预处理包括图像去噪、毛发消除和尺度归一化;
B.病变区域分割
采用基于色差改进的GrabCut算法,先对图像前景进行初始,自动提取前景目标,避免 交互需要;
C.特征提取与分类
采用CNN模型对图像特征进行半监督学习,该模型分训练和测试两个阶段,其中训练 模型是先将图像放入搭建好的模型中进行前向特征提取,再将提取的特征放入SVM分类器 中训练,测试模型则输入未知图片,完成黑色素瘤检测。
作为优选,所述步骤A中,图像去噪采用小波阈值去噪方法,利用其良好的时频特性,在图像小波分解后根据不同子图像的不同特征选择不同阈值去噪;毛发消除采用基于形 态学闭运算的方法从图像中提取毛发,并用毛发周围的像素信息对毛发区域进行填充,完成 毛发消除;采用双线性插值法对图像进行尺度归一化处理。
作为优选,所述步骤B中,基于CIE2000色差改进后的GrabCut方法中先获得前景的初始 提取,再将获得的前景初始估计用作GrabCut算法的输入,从而避免交互需要;
前景初始估计:
色差改进方法是基于CIEDE2000色差;CIEDE2000色差公式解决人眼与色差计在色度图 中不同位置的色彩评估方法和形状上的差异问题,CIEDE2000色差公式I表示为:
其中ΔL*,ΔC*,ΔH*分别表示亮度、饱和度和色度的变化值;ωL,ωC,ωH分别表示亮度、 饱和度和色度的权重值;SL,SC,SH分别表示在亮度、饱和度和色度方向上的差异程度;RT为色相旋转项;
GrabCut分割:
GrabCut算法将图像表示为矢量z={z1,z2,...,zn,...zN},将图像分割表示为求每个像素点的 值α={α1,α2...,αn,...αN},其中αn∈{0,1},αn=0、1分别表示属于背景、前景;对背景和前 景采用K个高斯混合模型进行建模;用kn={1,...,K}表示第n个像素的高斯分量,来自背景 还是前景取决于αn的值,N表示图像像素总数,GrabCut的Gibbs能量函数表示为:
EN(α,k,θ,z)=U(α,k,θ,z)+V(α,z) (2)
其中
D(αn,kn,θ,zn)=-logP(zn|αn,kn,θ)-logπ(αn,kn) (4)
区域项U(α,k,θ,z)、P(·)、π(·)分别表示一个像素被归类为前景还是背景的惩罚、高 斯概率分布、混合权重系数;
θ={π(α,k),μ(α,k),∑(α,k),α={0,1},k=1,...K} (5)
θ是高斯混合模型参数,μ(·)表示均值向量,∑(·)表示协方差矩阵;
V(a,z)是边界项,体现邻域像素m,n之间不连续的惩罚,m为像素点n的领域像素点, 当两邻域像素差别越大,能量越小,O表示成对相邻像素;
作为优选,所述步骤C中,CNN是一种前馈神经网络,CNN模型共有八层结构,前七层用于特征提取,其中每层卷积操作包括卷积和RELU,最后一层将提取的高级特征放入SVM分类器中进行训练,最终输出训练集分类结果;
卷积操作可表示为:
al=g(∑Wlal-1+bl) (7)
其中,al,al-1分别表示第l,l-1层神经网络输出,g(x)=max(0,x)为非线性激活函数ReLU,Wl,bl分别表示第l层权重和偏置;
训练SVM分类器:
训练过程包括损失函数值计算和优化,该优化是寻找损失函数值最小的参数W的过程; SVM分类器中的损失函数为折叶损失,则第i个样本的损失函数Lossi表示为:
其中f为评分函数,fj、fyi分别为第j个类别和正确标注的评分函数值;Δ为间隔,在 实际应用中值为1;
优化器采用Adam算法,其根据损失函数对每个参数梯度的一阶矩和二阶矩估计动态地 调整针对于每个参数的学习速率。Adam优化算法也是基于梯度下降方法,但每次迭代参数 的学习步长都有一个确定范围,不会因为很大的梯度导致很大的学习步长,参数值比较平 稳。算法公式如下:
其中Φt表示T(φ)在时间步长t上的梯度,▽为梯度算子,T(φ)表示参数φ的目标函 数,pt,qt分别表示对梯度Φt一阶矩和二阶矩估计;是对pt,qt的校正,近似对期望 的无偏估计;μ,v表示局部估计的指数衰减率,η表示学习率。
有益效果:
1、本发明将针对自然图像前景提取的GrabCut算法应用到医学图像,融合皮肤镜像和 普通图像处理技术,具有普遍性;
2、本发明对病变区域先进行分割,避免特征学习过程中产生无效特征,提高分类准确 率;
3、本发明采用卷积神经网络对病变区域特征进行半监督学习,提取具有深度语义的高 级特征,分析病变区域整体特征,解决黑色素瘤存在的类内变异等问题。
附图说明
图1为本发明半监督特征学习的黑色素瘤自动检测方法流程图;
图2是本发明CNN模型结构图。
具体实施方式
以下结合附图和具体实施方式对本发明作进一步详述:
如图1所示方法流程图,一种半监督特征学习的黑色素瘤自动检测方法包括以下步骤:
A.图像预处理:
图像去噪采用小波阈值去噪方法,利用小波阈值去噪法良好的时频特性在图像小波分解 后根据不同子图像的不同特征选择不同阈值去噪;
毛发消除采用基于形态学闭运算的方法从图像中提取毛发,并用毛发周围的像素信息对 毛发区域进行填充,完成毛发消除工作;
采用双线性插值法对图像进行尺度归一化处理。
B.病变区域分割:
分割主要是将图像病变区域分离出来,为后续特征提取做准备。分割准确率直接影响着 后续分类准确率。本文对黑色素瘤病变区域分割方法采用基于色差改进后过的GrabCut图像 分割算法。GrabCut算法采用RGB三通道混合高斯模型,根据分割模型参数更新完成学习过 程,分割过程需要少量用户交互完成目标区域选定。改进后的方法中先获得前景的初始提 取,再将获得的前景初始估计用作GrabCut算法的输入,从而避免了交互需要。
前景初始估计:
前景初始估计是基于CIEDE2000色差方法,CIEDE2000色差公式解决人眼与色差计在色 度图中不同位置的色彩评估方法和形状上的差异问题。CIEDE2000色差公式I表示为:
其中ΔL*,ΔC*,ΔH*分别表示亮度、饱和度和色度的变化值;ωL,ωC,ωH分别表示亮度、 饱和度和色度的权重值;SL,SC,SH分别表示在亮度、饱和度和色度方向上的差异程度;RT为色相旋转项;
GrabCut分割:
GrabCut算法将图像表示为矢量z={z1,z2,...,zn,...zN},将图像分割表示为求每个像素点的 值α={α1,α2...,αn,...αN},其中αn∈{0,1},αn=0、1分别表示属于背景、前景。对背景和前 景采用K个高斯混合模型进行建模。用kn={1,...,K}表示第n个像素的高斯分量,来自背景 还是前景取决于αn的值,N表示图像像素总数,GrabCut的Gibbs能量函数表示为:
EN(α,k,θ,z)=U(α,k,θ,z)+V(α,z) (2)
其中:
D(αn,kn,θ,zn)=-logP(zn|αn,kn,θ)-logπ(αn,kn) (4)
区域项U(α,k,θ,z)、P(·)、π(·)分别表示一个像素被归类为前景还是背景的惩罚、高 斯概率分布、混合权重系数。
θ={π(α,k),μ(α,k),∑(α,k),α={0,1},k=1,...K} (5)
θ是高斯混合模型参数,μ(·)表示均值向量,∑(·)表示协方差矩阵。
V(a,z)是边界项,体现邻域像素m,n之间不连续的惩罚,m为像素点n的领域像素点, 当两邻域像素差别越大,能量越小,O表示成对相邻像素。
C.特征提取与分类
CNN是一种前馈神经网络,它的人工神经元响应一部分覆盖范围内的周围单元,对图像 识别、分类和检测都有出色表现。本文CNN模型是基于AlexNet模型,结构如图2所示,共有 八层结构,前七层用于特征提取,其中每层卷积操作包括卷积和RELU,最后一层将提取的 高级特征放入SVM分类器中进行训练,最终用训练好的分类器完成黑色素瘤检测工作。
卷积操作可表示为:
al=g(∑Wlal-1+bl) (7)
其中al,al-1分别表示第l,l-1层神经网络输出,g(x)=max(0,x)为非线性激活函数 ReLU,Wl,bl分别表示第l层权重和偏置;
训练SVM分类器:
训练过程包括损失函数值计算和优化,该优化是寻找损失函数值最小的参数W的过程;SVM分类器中的损失函数为折叶损失,则第i个样本的损失函数Lossi表示为:
其中f为评分函数,fj、fyi分别为第j个类别和正确标注的评分函数值;Δ为间隔,在 实际应用中值为1;
优化器采用Adam算法,其根据损失函数对每个参数梯度的一阶矩和二阶矩估计动态地 调整针对于每个参数的学习速率。Adam优化算法也是基于梯度下降方法,但每次迭代参数 的学习步长都有一个确定范围,不会因为很大的梯度导致很大的学习步长,参数值比较平 稳。算法公式如下:
其中Φt表示T(φ)在时间步长t上的梯度,▽为梯度算子,T(φ)表示参数φ的目标函 数,pt,qt分别表示对梯度Φt一阶矩和二阶矩估计;是对pt,qt的校正,近似对期望 的无偏估计;μ,v表示局部估计的指数衰减率,η表示学习率。μ,v表示局部估计的指数衰减率,η表示学习率。
经实验验证,当μ=0.9,v=0.999,η=0.001,ε=10-8时优化效果最好。
当然,以上只是本发明的典型实例,除此之外,本发明还可以有其它多种具体实施方 式,凡采用等同替换或等效变换形成的技术方案,均落在本发明要求保护的范围之内。
Claims (4)
1.一种半监督特征学习的黑色素瘤自动检测方法,包括以下步骤:
A.图像预处理
包括图像去噪、毛发消除和尺度归一化;
B.病变区域分割
采用基于色差改进的GrabCut算法,先对图像前景进行初始估计,再将初始估计作为GrabCut算法输入进行前景分割;
C.特征提取与分类
采用CNN(Convolutional Neural Network,卷积神经网络)模型对图像特征进行半监督学习,该模型分训练和测试两个阶段,其中训练模型是先将图像放入搭建好的模型中进行前向特征提取,再将提取的特征放入SVM分类器中训练,测试模型则输入未知图片,完成黑色素瘤检测。
2.根据权利要求1所述的一种半监督特征学习的黑色素瘤自动检测方法,其特征在于:所述步骤A中,图像去噪采用小波阈值去噪方法,利用其良好的时频特性,在图像小波分解后根据不同子图像的不同特征选择不同阈值去噪;毛发消除采用基于形态学闭运算的方法从图像中提取毛发,并用毛发周围的像素信息对毛发区域进行填充,完成毛发消除;采用双线性插值法对图像进行尺度归一化处理处理。
3.根据权利要求1所述的一种半监督特征学习的黑色素瘤自动检测方法,其特征在于:所述步骤B中,基于色差改进的GrabCut算法采用CIEDE2000色差方法对图像前景进行初始估计,CIEDE2000色差公式I表示表示为:
<mrow>
<mi>I</mi>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msup>
<mi>&Delta;L</mi>
<mo>*</mo>
</msup>
</mrow>
<mrow>
<msub>
<mi>&omega;</mi>
<mi>L</mi>
</msub>
<msub>
<mi>S</mi>
<mi>L</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msup>
<mi>&Delta;C</mi>
<mo>*</mo>
</msup>
</mrow>
<mrow>
<msub>
<mi>&omega;</mi>
<mi>C</mi>
</msub>
<msub>
<mi>S</mi>
<mi>C</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msup>
<mi>&Delta;H</mi>
<mo>*</mo>
</msup>
</mrow>
<mrow>
<msub>
<mi>&omega;</mi>
<mi>H</mi>
</msub>
<msub>
<mi>S</mi>
<mi>H</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>R</mi>
<mi>T</mi>
</msub>
<mfrac>
<mrow>
<msup>
<mi>&Delta;C</mi>
<mo>*</mo>
</msup>
</mrow>
<mrow>
<msub>
<mi>&omega;</mi>
<mi>C</mi>
</msub>
<msub>
<mi>S</mi>
<mi>C</mi>
</msub>
</mrow>
</mfrac>
<mfrac>
<mrow>
<msup>
<mi>&Delta;H</mi>
<mo>*</mo>
</msup>
</mrow>
<mrow>
<msub>
<mi>&omega;</mi>
<mi>H</mi>
</msub>
<msub>
<mi>S</mi>
<mi>H</mi>
</msub>
</mrow>
</mfrac>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中ΔL*,ΔC*,ΔH*分别表示亮度、饱和度和色度的变化值;ωL,ωC,ωH分别表示亮度、饱和度和色度的权重值;SL,SC,SH分别表示在亮度、饱和度和色度方向上的差异程度;RT为色相旋转项;
将初始估计作为GrabCut算法输入进行前景分割,GrabCut算法将图像表示为矢量z={z1,z2,...,zn,...zN},将图像分割表示为求每个像素点的值α={α1,α2...,αn,...αN},其中αn∈{0,1},αn=0、1分别表示属于背景、前景;对背景和前景采用K个高斯混合模型进行建模;用kn={1,...,K}表示第n个像素的高斯分量,来自背景还是前景取决于αn的值,N表示图像像素总数,GrabCut的Gibbs能量函数表示为:
EN(α,k,θ,z)=U(α,k,θ,z)+V(α,z) (2)
其中
<mrow>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>,</mo>
<mi>k</mi>
<mo>,</mo>
<mi>&theta;</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>n</mi>
</munder>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&alpha;</mi>
<mi>n</mi>
</msub>
<mo>,</mo>
<msub>
<mi>k</mi>
<mi>n</mi>
</msub>
<mo>,</mo>
<mi>&theta;</mi>
<mo>,</mo>
<msub>
<mi>z</mi>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
D(αn,kn,θ,zn)=-logP(zn|αn,kn,θ)-logπ(αn,kn) (4)
区域项U(α,k,θ,z)、P(·)、π(·)分别表示一个像素被归类为前景还是背景的惩罚、高斯概率分布、混合权重系数;
θ={π(α,k),μ(α,k),Μ(α,k),α={0,1},k=1,...,K} (5)
θ是高斯混合模型参数,μ(·)表示均值向量,Μ(·)表示协方差矩阵;
<mrow>
<mi>V</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&gamma;</mi>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
<mo>&Element;</mo>
<mi>O</mi>
</mrow>
</munder>
<mo>&lsqb;</mo>
<msub>
<mi>&alpha;</mi>
<mi>m</mi>
</msub>
<mo>&NotEqual;</mo>
<msub>
<mi>&alpha;</mi>
<mi>n</mi>
</msub>
<mo>&rsqb;</mo>
<mi>exp</mi>
<mo>-</mo>
<mi>&beta;</mi>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>z</mi>
<mi>m</mi>
</msub>
<mo>-</mo>
<msub>
<mi>z</mi>
<mi>n</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
V(a,z)是边界项,体现邻域像素m,n之间不连续的惩罚,m为像素点n的领域像素点,当两邻域像素差别越大,能量越小,O表示成对相邻像素。
4.根据权利要求1所述的一种半监督特征学习的黑色素瘤自动检测方法,其特征在于:所述步骤C中,采用卷积神经网络对图像进行前向特征提取,其中每层卷积操作包括卷积和RELU,将提取的高级特征放入SVM分类器中进行训练,最终输出训练集分类结果;
卷积操作表示为:
al=g(∑Wlal-1+bl) (7)
其中,al,al-1分别表示第l,l-1层神经网络输出,g(x)=max(0,x)为非线性激活函数ReLU,Wl,bl分别表示第l层权重和偏置;
SVM分类器训练过程包括损失函数值计算和优化,其中优化是寻找使损失函数值最小的参数W的过程;SVM分类器中的损失函数为折叶损失,则第i个样本的损失函数Lossi表示为:
<mrow>
<msub>
<mi>Loss</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&NotEqual;</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
</mrow>
</munder>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<msub>
<mi>f</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
</msub>
<mo>+</mo>
<mi>&Delta;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
其中f为评分函数,fj、分别为第j个类别和正确标注的评分函数值;Δ为间隔,在实际应用中值为1;
优化器采用Adam算法,其公式如下:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&Phi;</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<msub>
<mo>&dtri;</mo>
<mi>&phi;</mi>
</msub>
<msub>
<mi>T</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>&phi;</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>p</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<mi>&mu;</mi>
<mo>&times;</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&mu;</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<msub>
<mi>&Phi;</mi>
<mi>t</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>q</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<mi>v</mi>
<mo>&times;</mo>
<msub>
<mi>q</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<msup>
<msub>
<mi>&Phi;</mi>
<mi>t</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>p</mi>
<mo>^</mo>
</mover>
<mi>t</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>p</mi>
<mi>t</mi>
</msub>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>&mu;</mi>
<mi>t</mi>
</msup>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>q</mi>
<mo>^</mo>
</mover>
<mi>t</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>q</mi>
<mi>i</mi>
</msub>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>v</mi>
<mi>t</mi>
</msup>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&phi;</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<msub>
<mi>&phi;</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<mfrac>
<msub>
<mover>
<mi>p</mi>
<mo>^</mo>
</mover>
<mi>t</mi>
</msub>
<mrow>
<msqrt>
<msub>
<mover>
<mi>q</mi>
<mo>^</mo>
</mover>
<mi>t</mi>
</msub>
</msqrt>
<mo>+</mo>
<mi>&epsiv;</mi>
</mrow>
</mfrac>
<mo>&times;</mo>
<mi>&eta;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
其中Φt表示T(φ)在时间步长t上的梯度,为梯度算子,T(φ)表示参数φ的目标函数,pt,qt分别表示对梯度Φt一阶矩和二阶矩估计;是对pt,qt的校正,近似对期望的无偏估计;μ,v表示局部估计的指数衰减率,η表示学习率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711374297.8A CN108053398A (zh) | 2017-12-19 | 2017-12-19 | 一种半监督特征学习的黑色素瘤自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711374297.8A CN108053398A (zh) | 2017-12-19 | 2017-12-19 | 一种半监督特征学习的黑色素瘤自动检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108053398A true CN108053398A (zh) | 2018-05-18 |
Family
ID=62130002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711374297.8A Pending CN108053398A (zh) | 2017-12-19 | 2017-12-19 | 一种半监督特征学习的黑色素瘤自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108053398A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921205A (zh) * | 2018-06-14 | 2018-11-30 | 浙江大学 | 一种基于多特征融合的皮肤病临床图像分类方法 |
CN108985349A (zh) * | 2018-06-26 | 2018-12-11 | 福州大学 | 一种考虑图像集复杂性的石材纹理图像cnn识别方法 |
CN109782392A (zh) * | 2019-02-27 | 2019-05-21 | 中国科学院光电技术研究所 | 一种基于改进型随机并行梯度下降算法的光纤耦合方法 |
CN111445488A (zh) * | 2020-04-22 | 2020-07-24 | 南京大学 | 一种弱监督学习自动识别和分割盐体的方法 |
CN111583256A (zh) * | 2020-05-21 | 2020-08-25 | 北京航空航天大学 | 一种基于旋转均值操作的皮肤镜图像分类方法 |
CN111652863A (zh) * | 2020-05-27 | 2020-09-11 | 刘君茹 | 一种医学影像检测方法、装置、设备和存储介质 |
CN111863232A (zh) * | 2020-08-06 | 2020-10-30 | 罗春华 | 基于区块链和医学影像的远程疾病智能诊断系统 |
CN112689851A (zh) * | 2019-01-09 | 2021-04-20 | 欧姆龙株式会社 | 图像处理装置、图像处理程序以及图像处理方法 |
CN113255681A (zh) * | 2021-05-31 | 2021-08-13 | 东华理工大学南昌校区 | 一种生物数据性状识别系统 |
WO2021203796A1 (zh) * | 2020-04-09 | 2021-10-14 | 之江实验室 | 一种基于深度半监督多任务学习生存分析的疾病预后预测系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335981A (zh) * | 2015-10-29 | 2016-02-17 | 重庆电信系统集成有限公司 | 一种基于图像的货物监控方法 |
CN107301640A (zh) * | 2017-06-19 | 2017-10-27 | 太原理工大学 | 一种基于卷积神经网络的目标检测实现肺部微小结节检测的方法 |
CN107316294A (zh) * | 2017-06-28 | 2017-11-03 | 太原理工大学 | 一种基于改进的深度玻尔兹曼机肺结节特征提取和良恶性分类方法 |
CN107330883A (zh) * | 2017-07-04 | 2017-11-07 | 南京信息工程大学 | 一种医学图像病变区域定位和分类方法 |
CN107464250A (zh) * | 2017-07-03 | 2017-12-12 | 深圳市第二人民医院 | 基于三维mri图像的乳腺肿瘤自动分割方法 |
-
2017
- 2017-12-19 CN CN201711374297.8A patent/CN108053398A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335981A (zh) * | 2015-10-29 | 2016-02-17 | 重庆电信系统集成有限公司 | 一种基于图像的货物监控方法 |
CN107301640A (zh) * | 2017-06-19 | 2017-10-27 | 太原理工大学 | 一种基于卷积神经网络的目标检测实现肺部微小结节检测的方法 |
CN107316294A (zh) * | 2017-06-28 | 2017-11-03 | 太原理工大学 | 一种基于改进的深度玻尔兹曼机肺结节特征提取和良恶性分类方法 |
CN107464250A (zh) * | 2017-07-03 | 2017-12-12 | 深圳市第二人民医院 | 基于三维mri图像的乳腺肿瘤自动分割方法 |
CN107330883A (zh) * | 2017-07-04 | 2017-11-07 | 南京信息工程大学 | 一种医学图像病变区域定位和分类方法 |
Non-Patent Citations (4)
Title |
---|
ADRI`A A. SANG¨UESA 等: "Initiating GrabCut by Color Difference for Automatic Foreground Extraction of Passport Imagery", 《2016 SIXTH INTERNATIONAL CONFERENCE ON IMAGE PROCESSING THEORY, TOOLS AND APPLICATIONS (IPTA)》 * |
DIEDERIK P. KINGMA 等: "ADAM: A METHOD FOR STOCHASTIC OPTIMIZATION", 《《HTTPS://ARXIV.ORG/ABS/1412.6980》》 * |
伊聪聪 等: "一种改进的Grabcut图像分割方法", 《小型微型计算机系统》 * |
孙银辉: "色素性皮肤病图像预处理与内容检索研究", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921205A (zh) * | 2018-06-14 | 2018-11-30 | 浙江大学 | 一种基于多特征融合的皮肤病临床图像分类方法 |
CN108985349A (zh) * | 2018-06-26 | 2018-12-11 | 福州大学 | 一种考虑图像集复杂性的石材纹理图像cnn识别方法 |
CN108985349B (zh) * | 2018-06-26 | 2021-09-28 | 福州大学 | 一种考虑图像集复杂性的石材纹理图像cnn识别方法 |
CN112689851A (zh) * | 2019-01-09 | 2021-04-20 | 欧姆龙株式会社 | 图像处理装置、图像处理程序以及图像处理方法 |
CN109782392A (zh) * | 2019-02-27 | 2019-05-21 | 中国科学院光电技术研究所 | 一种基于改进型随机并行梯度下降算法的光纤耦合方法 |
WO2021203796A1 (zh) * | 2020-04-09 | 2021-10-14 | 之江实验室 | 一种基于深度半监督多任务学习生存分析的疾病预后预测系统 |
CN111445488A (zh) * | 2020-04-22 | 2020-07-24 | 南京大学 | 一种弱监督学习自动识别和分割盐体的方法 |
CN111445488B (zh) * | 2020-04-22 | 2023-08-04 | 南京大学 | 一种弱监督学习自动识别和分割盐体的方法 |
CN111583256A (zh) * | 2020-05-21 | 2020-08-25 | 北京航空航天大学 | 一种基于旋转均值操作的皮肤镜图像分类方法 |
CN111583256B (zh) * | 2020-05-21 | 2022-11-04 | 北京航空航天大学 | 一种基于旋转均值操作的皮肤镜图像分类方法 |
CN111652863A (zh) * | 2020-05-27 | 2020-09-11 | 刘君茹 | 一种医学影像检测方法、装置、设备和存储介质 |
CN111863232A (zh) * | 2020-08-06 | 2020-10-30 | 罗春华 | 基于区块链和医学影像的远程疾病智能诊断系统 |
CN111863232B (zh) * | 2020-08-06 | 2021-02-19 | 深圳市柯尼达巨茂医疗设备有限公司 | 基于区块链和医学影像的远程疾病智能诊断系统 |
CN113255681A (zh) * | 2021-05-31 | 2021-08-13 | 东华理工大学南昌校区 | 一种生物数据性状识别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108053398A (zh) | 一种半监督特征学习的黑色素瘤自动检测方法 | |
CN107203999B (zh) | 一种基于全卷积神经网络的皮肤镜图像自动分割方法 | |
CN107154023B (zh) | 基于生成对抗网络和亚像素卷积的人脸超分辨率重建方法 | |
Du et al. | An overview of multi-modal medical image fusion | |
Kumar et al. | Breast cancer classification of image using convolutional neural network | |
CN107220980A (zh) | 一种基于全卷积网络的mri图像脑肿瘤自动分割方法 | |
CN106296699A (zh) | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 | |
CN107481188A (zh) | 一种图像超分辨率重构方法 | |
CN107492095A (zh) | 基于深度学习的医学图像肺结节检测方法 | |
CN107016406A (zh) | 基于生成式对抗网络的病虫害图像生成方法 | |
CN109146899A (zh) | Ct图像的危及器官分割方法及装置 | |
CN108416266A (zh) | 一种利用光流提取运动目标的视频行为快速识别方法 | |
CN111815574A (zh) | 一种用于眼底视网膜血管图像分割的粗糙集神经网络方法 | |
Pan et al. | Mitosis detection techniques in H&E stained breast cancer pathological images: A comprehensive review | |
CN107424145A (zh) | 基于三维全卷积神经网络的核磁共振图像的分割方法 | |
CN109977955A (zh) | 一种基于深度学习的宫颈癌前病变识别的方法 | |
CN111028923B (zh) | 数字病理图像染色归一化方法、电子装置及存储介质 | |
CN107516312A (zh) | 一种应用浅层神经网络的中医面色自动分类方法 | |
Cao et al. | Gastric cancer diagnosis with mask R-CNN | |
CN102737382A (zh) | 一种前列腺超声图像自动精确分割方法 | |
Yonekura et al. | Improving the generalization of disease stage classification with deep CNN for glioma histopathological images | |
CN106127689A (zh) | 图像视频超分辨率方法和装置 | |
CN107909588A (zh) | 基于三维全卷积神经网络的mri皮质下分区系统 | |
Xue et al. | Automated tongue segmentation in Chinese medicine based on deep learning | |
Ye et al. | Medical image diagnosis of prostate tumor based on PSP-Net+ VGG16 deep learning network |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180518 |
|
WD01 | Invention patent application deemed withdrawn after publication |