CN109544511A - 基于粒子群算法优化的卷积神经网络对肺结节识别的方法 - Google Patents
基于粒子群算法优化的卷积神经网络对肺结节识别的方法 Download PDFInfo
- Publication number
- CN109544511A CN109544511A CN201811252918.XA CN201811252918A CN109544511A CN 109544511 A CN109544511 A CN 109544511A CN 201811252918 A CN201811252918 A CN 201811252918A CN 109544511 A CN109544511 A CN 109544511A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural networks
- convolutional neural
- swarm algorithm
- particle swarm
- 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.)
- Granted
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明属于人工智能与医学影像分析相结合的领域,涉及基于粒子群算法优化的卷积神经网络对肺结节识别的方法,包括以下步骤:获取病人肺部的CT切片图像;对CT切片图像进行预处理,将获取的CT切片图像进行标注,形成数据集;构造卷积神经网络;使用粒子群算法优化卷积神经网络的超参数;利用标注好的数据集对优化后的卷积神经网络进行训练;使用训练完成的卷积神经网络提取肺结节特征。本发明通过粒子群算法对卷积神经网络进行优化,解决了卷积神经网络最优超参数的人工选取难的问题,对于肺结节有很好的识别效果。
Description
技术领域
本发明属于人工智能与医学影像分析相结合的领域,涉及基于粒子群算法优化的卷积神经网络对肺结节识别的方法。
背景技术
目前,计算机断层扫描(CT)是普遍使用的一种有效筛查早期肺癌的技术,CT技术的发展使得早期肺癌的发现率有了显著的提高。相比起常规的X线摄影,在CT下我们可以看到更高分辨率的肺部解剖结构图;但对于放射科医生来说,观察和解释这些图像是一个复杂又繁琐的工作。这是因为在复杂的CT图像中,肺结节的表现形式与一些肺部结构类似,肺结节密度低、体积小,有可能在离血管或肺边界很近的地方,或与血管或肺边界相连。其次,另一个因素是放射科医生需要分析大量的CT图像。每一次扫描都会产生50-250张图像,这使得放射科医生需要花大量的精力和心思去对每组CT数据分析,繁琐的工作可能会导致分析的不足、分心而出错。
发明内容
针对现有技术的不足,本发明提出基于粒子群算法优化的卷积神经网络对肺结节识别的方法,通过粒子群算法对卷积神经网络进行优化,解决了卷积神经网络最优超参数的人工选取难的问题,对于肺结节有很好的识别效果。
本发明通过以下技术方案实现:基于粒子群算法优化的卷积神经网络对肺结节识别的方法,包括以下步骤:
S1、获取病人肺部的CT切片图像;
S2、对CT切片图像进行预处理,将获取的CT切片图像进行标注,形成数据集;
S3、构造卷积神经网络;
S4、使用粒子群算法优化卷积神经网络的超参数;
S5、利用标注好的数据集对优化后的卷积神经网络进行训练;
S6、使用训练完成的卷积神经网络提取肺结节特征。
优选地,所构造的卷积神经网络包括输入层、隐藏层及输出层,输入层、隐藏层、输出层为完全连接层,输出层采用Softmax作为输出激活函数,隐藏层包括依次连接的卷积层C1、ReLU激活函数、池化层P1、卷积层C2、ReLU激活函数和池化层P2。
与现有技术相比,本发明具有以下有益效果:
(1)通过粒子群算法对卷积神经网络进行优化,解决了卷积神经网络最优超参数的人工选取难的问题。
(2)优化后的卷积神经网络,加快了网络的学习速度与学习效果,对于肺结节有很好的识别效果。
附图说明
图1为基于粒子群算法优化的卷积神经网络对肺结节识别的方法流程图;
图2为基于粒子群算法优化CNN的流程图。
具体实施方式
下面结合附图和实施例详细叙述本发明的技术方案,但本发明的实施方式不限于此。
本实施例中,基于粒子群算法优化的卷积神经网络对肺结节识别的方法,如图1、2所示,该方法包括以下步骤:
S1、获取病人肺部的CT切片图像;
S2、对CT切片图像进行预处理,将获取的CT切片图像进行标注,形成数据集;
S3、构造卷积神经网络CNN;
本实施例中,卷积神经网络CNN包括输入层、隐藏层及输出层,输入层、隐藏层、输出层为完全连接层,输出层采用Softmax作为输出激活函数,隐藏层包括依次连接的卷积层C1、ReLU激活函数、池化层P1(大小:2x2)、卷积层C2、ReLU激活函数和池化层P2(大小:2x2)。
本实施例中,CNN采用修正线性单元ReLU作为激活函数,数学表达式为:
其中:y表示激活函数的输入,ReLu(y)表示激活函数的输出。
本实施例中,CNN采用归一化指数函数Softmax作为输出激活函数,数学表达式为:
其中,j=1,2,...,N,Softmax输出激活函数能将一个含任意实数的K维向量z压缩到另一个K维实向量σ(z)中,使得每一个元素的范围都在(0,1)之间,并且所有元素的和为1。
S4、使用粒子群算法优化卷积神经网络的超参数;
具体为:利用粒子群算法优化卷积层C1和卷积层C2中的滤波器数目,并优化隐层的神经元数目、滤波器大小、池化类型、正则化概率。通过设置8个粒子坐标进行卷积神经网络的优化,设置粒子的初始速度、位置以及它们的范围、最大迭代次数。
8个粒子坐标分别对应:卷积层C1中滤波器数目、卷积层C2中滤波器数目、隐层的神经元数目、隐层的滤波器大小、训练中批次大小、池化层P1及池化层P2的池化类型、卷积层dropout概率、完全连接层dropout概率。
本实施例中,基于粒子群算法优化卷积神经网络CNN超参数的流程,如图2所示,包括:
S41、设置粒子群算法参数:包括粒子数目、粒子的初始速度与位置以及它们的范围、最大迭代次数;
S42、更新粒子群算法,计算更新后粒子的适应度:
粒子群算法的D维空间中,有N个粒子,其位置和速度分别如下:
第i个粒子的位置:
Xi=(xi1,xi2,...,xiD),i=1,2,...,N
第i个粒子的速度:
Vi=(vi1,vi2,...,viD),i=1,2,...,N
将目前为止在空间中搜寻到的第i个粒子的最优位置记为:
Pibest=(pi1,pi2,...,piD)i=1,2,...,N
所有粒子搜索到的全局最优位置记为:
Pgbest=(pi1,pi2,...,piD)i=1,2,...,N
通过下面两条公式来调整自身的速度和位置来达到寻找最优解的目的:
对于上述公式,其中:c1、c2为认知和社会参数,w为惯性权重,r1、r2为二个随机函数,取值范围[0,1],以增加搜索随机性。
本实施例中,认知和社会参数c1、c2设为2.5,惯性权重w设为0.6,惯性权重的有效值在0.2到0.9之间会达到好的效果。
S43、比较当前粒子适应度和全局历史最优适应度,若当前适应度更优,则全局历史最优的位置为当前粒子位置。
当达到最大迭代次数或者适应度误差达到设定的误差时结束迭代,输出全局最优的粒子为最佳的超参数,适用于肺结节分割。
S5、利用标注好的数据集对优化后的卷积神经网络进行训练;
S6、使用训练完成的卷积神经网络提取肺结节特征,从而实现对肺结节的识别。
上面对本发明的具体实施方式作出了详细的说明,但是本发明不限于上述实施方式,在本领域普通技术人员的知识范围内,还可以在不脱离本发明宗旨的基础上进行各种变化,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.基于粒子群算法优化的卷积神经网络对肺结节识别的方法,其特征在于,包括以下步骤:
S1、获取病人肺部的CT切片图像;
S2、对CT切片图像进行预处理,将获取的CT切片图像进行标注,形成数据集;
S3、构造卷积神经网络;
S4、使用粒子群算法优化卷积神经网络的超参数;
S5、利用标注好的数据集对优化后的卷积神经网络进行训练;
S6、使用训练完成的卷积神经网络提取肺结节特征。
2.根据权利要求1所述的方法,其特征在于,所构造的卷积神经网络包括输入层、隐藏层及输出层,输入层、隐藏层、输出层为完全连接层,输出层采用Softmax作为输出激活函数,隐藏层包括依次连接的卷积层C1、ReLU激活函数、池化层P1、卷积层C2、ReLU激活函数和池化层P2。
3.根据权利要求2所述的方法,其特征在于,所构造的卷积神经网络中,输出层采用归一化指数函数Softmax作为输出激活函数,数学表达式为:
其中,j=1,2,...,N,Softmax输出激活函数将一个含任意实数的K维向量z压缩到另一个K维实向量σ(z)中,使得每一个元素的范围都在(0,1)之间,并且所有元素的和为1。
4.根据权利要求2所述的方法,其特征在于,步骤S4利用粒子群算法优化卷积层C1和卷积层C2中的滤波器数目,并优化隐层的神经元数目、滤波器大小、池化类型及正则化概率。
5.根据权利要求4所述的方法,其特征在于,步骤S4通过设置8个粒子坐标进行卷积神经网络的优化;8个粒子坐标分别对应:卷积层C1中滤波器数目、卷积层C2中滤波器数目、隐层的神经元数目、隐层的滤波器大小、训练中批次大小、池化层P1及池化层P2的池化类型、卷积层dropout概率、完全连接层dropout概率。
6.根据权利要求1所述的方法,其特征在于,步骤S4包括:
S41、设置粒子群算法参数;
S42、更新粒子群算法,计算更新后粒子的适应度;
S43、比较当前粒子适应度和全局历史最优适应度,若当前适应度更优,则全局历史最优的位置为当前粒子位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811252918.XA CN109544511B (zh) | 2018-10-25 | 2018-10-25 | 基于粒子群算法优化的卷积神经网络对肺结节识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811252918.XA CN109544511B (zh) | 2018-10-25 | 2018-10-25 | 基于粒子群算法优化的卷积神经网络对肺结节识别的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109544511A true CN109544511A (zh) | 2019-03-29 |
CN109544511B CN109544511B (zh) | 2022-01-04 |
Family
ID=65845092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811252918.XA Active CN109544511B (zh) | 2018-10-25 | 2018-10-25 | 基于粒子群算法优化的卷积神经网络对肺结节识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109544511B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111078891A (zh) * | 2019-11-21 | 2020-04-28 | 北京爱医生智慧医疗科技有限公司 | 一种基于粒子群算法的知识图谱优化方法及装置 |
CN111242895A (zh) * | 2019-12-31 | 2020-06-05 | 福建工程学院 | 一种基于卷积柔性神经森林的竹片虫洞和霉斑检测方法 |
CN111612733A (zh) * | 2020-04-02 | 2020-09-01 | 杭州电子科技大学 | 一种面向医学影像数据分析的卷积神经网络优化方法 |
CN111899905A (zh) * | 2020-08-05 | 2020-11-06 | 哈尔滨工程大学 | 一种基于核动力装置的故障诊断方法及系统 |
CN113762486A (zh) * | 2021-11-11 | 2021-12-07 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀故障诊断模型的构建方法、装置和计算机设备 |
CN114882270A (zh) * | 2022-04-15 | 2022-08-09 | 华南理工大学 | 基于粒子群优化算法的主动脉夹层ct图像分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120020573A1 (en) * | 2010-07-20 | 2012-01-26 | Lockheed Martin Corporation | Image analysis systems using non-linear data processing techniques and methods using same |
CN104361393A (zh) * | 2014-09-06 | 2015-02-18 | 华北电力大学 | 基于粒子群优化算法改进的神经网络模型用于数据预测方法 |
CN105718943A (zh) * | 2016-01-19 | 2016-06-29 | 南京邮电大学 | 基于粒子群优化算法的特征选择方法 |
CN108062779A (zh) * | 2017-12-26 | 2018-05-22 | 杭州健培科技有限公司 | 一种用于胸部断层扫描放射影像的无损压缩方法 |
CN108229657A (zh) * | 2017-12-25 | 2018-06-29 | 杭州健培科技有限公司 | 一种基于演化算法的深度神经网络训练与优化算法 |
-
2018
- 2018-10-25 CN CN201811252918.XA patent/CN109544511B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120020573A1 (en) * | 2010-07-20 | 2012-01-26 | Lockheed Martin Corporation | Image analysis systems using non-linear data processing techniques and methods using same |
CN104361393A (zh) * | 2014-09-06 | 2015-02-18 | 华北电力大学 | 基于粒子群优化算法改进的神经网络模型用于数据预测方法 |
CN105718943A (zh) * | 2016-01-19 | 2016-06-29 | 南京邮电大学 | 基于粒子群优化算法的特征选择方法 |
CN108229657A (zh) * | 2017-12-25 | 2018-06-29 | 杭州健培科技有限公司 | 一种基于演化算法的深度神经网络训练与优化算法 |
CN108062779A (zh) * | 2017-12-26 | 2018-05-22 | 杭州健培科技有限公司 | 一种用于胸部断层扫描放射影像的无损压缩方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111078891A (zh) * | 2019-11-21 | 2020-04-28 | 北京爱医生智慧医疗科技有限公司 | 一种基于粒子群算法的知识图谱优化方法及装置 |
CN111078891B (zh) * | 2019-11-21 | 2024-05-07 | 北京爱医生智慧医疗科技有限公司 | 一种基于粒子群算法的医学特征识别方法及装置 |
CN111242895A (zh) * | 2019-12-31 | 2020-06-05 | 福建工程学院 | 一种基于卷积柔性神经森林的竹片虫洞和霉斑检测方法 |
CN111242895B (zh) * | 2019-12-31 | 2023-04-18 | 福建工程学院 | 一种基于卷积柔性神经森林的竹片虫洞和霉斑检测方法 |
CN111612733A (zh) * | 2020-04-02 | 2020-09-01 | 杭州电子科技大学 | 一种面向医学影像数据分析的卷积神经网络优化方法 |
CN111899905A (zh) * | 2020-08-05 | 2020-11-06 | 哈尔滨工程大学 | 一种基于核动力装置的故障诊断方法及系统 |
CN111899905B (zh) * | 2020-08-05 | 2022-11-01 | 哈尔滨工程大学 | 一种基于核动力装置的故障诊断方法及系统 |
CN113762486A (zh) * | 2021-11-11 | 2021-12-07 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀故障诊断模型的构建方法、装置和计算机设备 |
CN113762486B (zh) * | 2021-11-11 | 2022-04-08 | 中国南方电网有限责任公司超高压输电公司广州局 | 换流阀故障诊断模型的构建方法、装置和计算机设备 |
CN114882270A (zh) * | 2022-04-15 | 2022-08-09 | 华南理工大学 | 基于粒子群优化算法的主动脉夹层ct图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109544511B (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544511A (zh) | 基于粒子群算法优化的卷积神经网络对肺结节识别的方法 | |
CN111476292B (zh) | 医学图像分类处理人工智能的小样本元学习训练方法 | |
Hong et al. | Tomato disease detection and classification by deep learning | |
US20220148191A1 (en) | Image segmentation method and apparatus and storage medium | |
Xi et al. | Facial expression recognition of industrial internet of things by parallel neural networks combining texture features | |
CN107862694A (zh) | 一种基于深度学习的手足口病检测系统 | |
JP2018529134A (ja) | ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー | |
CN107239514A (zh) | 一种基于卷积神经网络的植物识别方法及系统 | |
CN110188794B (zh) | 一种深度学习模型的训练方法、装置、设备及存储介质 | |
CN107705305A (zh) | 一种医学图像处理的方法及装置 | |
CN108596327A (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
CN106599549A (zh) | 一种计算机辅助诊断系统、方法及其医疗系统 | |
CN106909938A (zh) | 基于深度学习网络的视角无关性行为识别方法 | |
Di et al. | Big-hypergraph factorization neural network for survival prediction from whole slide image | |
Zhao et al. | Diagnose like a radiologist: Hybrid neuro-probabilistic reasoning for attribute-based medical image diagnosis | |
Meng et al. | Few-shot image classification algorithm based on attention mechanism and weight fusion | |
CN109871869A (zh) | 一种肺结节分类方法及其装置 | |
Singh et al. | Object classification to analyze medical imaging data using deep learning | |
Da et al. | Brain CT image classification with deep neural networks | |
CN111462082A (zh) | 一种病灶图片识别装置、方法、设备及可读存储介质 | |
Sultana et al. | Comparison of four transfer learning and hybrid cnn models on three types of lung cancer | |
CN109191425A (zh) | 医学影像分析方法 | |
Das et al. | Classification of magnetic resonance images of brain using concatenated deep neural network | |
Li et al. | Classification of ceramics based on improved AlexNet convolutional neural network | |
Subramanian et al. | Design and Evaluation of a Deep Learning Aided Approach for Kidney Stone Detection in CT scan Images |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |