CN109544585A - 一种基于轻量化卷积神经网络的胆石病ct医疗图像数据增强方法 - Google Patents
一种基于轻量化卷积神经网络的胆石病ct医疗图像数据增强方法 Download PDFInfo
- Publication number
- CN109544585A CN109544585A CN201811558384.3A CN201811558384A CN109544585A CN 109544585 A CN109544585 A CN 109544585A CN 201811558384 A CN201811558384 A CN 201811558384A CN 109544585 A CN109544585 A CN 109544585A
- Authority
- CN
- China
- Prior art keywords
- cholelithiasis
- medical image
- neural networks
- convolutional neural
- image data
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20—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]
Abstract
本发明提供了一种基于基于深度学习的胆石病CT医疗图像数据增强方法,包括:构建胆石病CT医疗图像数据增强卷积神经网络,该网络由四部分卷积单元组成,首先构建胆石病CT医疗图像数据集作为神经网络的输入,将图像进行增强边缘信息和去除冗余信息等操作,进而按照分割阈值对图像进行切割,形成诸多的图像块,通过放缩、旋转及平移等操作对数据集进行扩充。卷积神经网络不断地使用数据集进行训练,自适应的提升网络对图像的特征提取、对比度拉伸、直方图均衡化以及图像重建等功能,生成可用于胆石病CT医疗图像数据增强的卷积神经网络模型。本方法可以实时地完成胆石病CT医疗图像数据增强的功能,并且取得良好的视觉效果和医疗效果。
Description
技术领域
本发明涉及图像处理领域,具体为一种基于轻量化卷积神经网络的胆石病CT医疗图像数据增强方法。
背景技术
图像识别的过程包括预处理、特征提取、特征匹配、相似性计算等环节。预处理中的一个重要环节就是图像增强的处理,它的目的是,增强图像中的有用信息改善图像的视觉效果,针对给定图像的应用场合。图像数据增强是一个很重要的部分,它的处理效果直接影响后续的图像识别过程。
本发明所涉及的胆石病是一种常见的消化系统疾病,病种繁多,发病因素错综复杂,具有发病率高,溶排石困难等特点。此外,胆石病的种类以及形态多种多样,部分胆石病的病灶形态也是非常相似,这大大阻碍了胆石病的正确诊疗。在这种情况下,一些年轻的肝胆科医师需要长时间的学习才能够熟练的掌握诊断胆石病的技能,这给肝胆科医师的临床诊断带来了巨大的挑战。而对于患者来说,胆石病不能根据自身病症在网上查阅资料,如不能及时得到治疗,有诱发癌变的危险。
借助人工智能深度学习,同时结合胆石病大数据和知识等,创造基于轻量化卷积神经网络的胆石病CT医疗图像数据增强方法,进而为胆石病的正确诊疗提供更有效的帮助。胆石病种类以及形态多种多样,使得在模型训练过程中需要非常多的胆石病医疗图像数据。通常的做法是首先建立好胆石病CT医疗图像训练集,在使用深度学习的方法利用模型对大量的图像训练集进行训练,生成训练好的模型,随后构建新的图像验证集对模型进行验证,得到最终的识别结果。但是胆石病的种类与形态多种多样以至于其临床诊断过程非常困难,给胆石病的临床诊断带来了极大的挑战。采用图像数据增强的方法对胆石病CT医疗图像进行处理,能够有效的缓解这种困难,并可以提高医生的诊断效率。目前市场上还未发现针对胆石病CT医疗图像的轻量化卷积神经网络处理方法。
发明内容
本发明的目的是为了解决上述肝胆疾病领域所存在的困难,提供一种基于轻量化卷积神经网络的胆石病CT医疗图像数据增强方法,能够帮助胆石病临床的医生进行正确的诊疗,提高诊断的效率。
为实现上述目的,本发明所提供的技术方案为:一种基于轻量化卷积神经网络的胆石病CT医疗图像数据增强方法,包括以下步骤:
1)选取胆石病CT医疗图像,构建训练集;
2)对数据图像进行分割,扩充数据训练集;
3)构建基于轻量化卷积神经网络的胆石病CT医疗图像数据增强卷积神经网络,该网络由四部分卷积单元组成;
4)使用构建的训练集对轻量化卷积神经网络模型进行训练,生成训练好的胆石病CT医疗图像数据增强卷积神经网络模型。
5)构建新的胆石病CT医疗图像测试集,对训练好的模型进行测试。
2.进一步的,所述的一种基于轻量化卷积神经网络的胆石病CT医疗图像数据增强方法中的对数据图像进行分割,具体地,对每张带有胆石病病灶的CT医疗图像,已设定的分割阈值进行分割,形成大小固定的图像块,并构成初始的数据训练集。
3.进一步的,对所述的数据训练集进行扩充,包括以下步骤的任意一个或多个:
1)对所述训练集中的图像进行放大或缩小的步骤;
2)对所述训练集中的图像进行旋转步骤;
3)对所述训练集中的图像进行平移步骤;
4)对所述训练集中的图像进行放射变换的步骤。
4.进一步的,一种基于轻量化卷积神经网络的胆石病CT医疗图像数据增强方法,其神经网络结构卷积单元包括:
1)第一部分卷积单元由卷积层、平均池化层和Batch Normalization层构成,其中卷积的大小为7*7,Batch Normalization层主要的功能是对数据进行归一化操作,保证网络的拟合能力;
2)第二部分卷积单元由两个相同的分支网络构成,其中每一个分支由卷积层、最大池化层以及LN层构成,卷积核进行了缩小,变成了3*3;
3)第三部分卷积单元由卷积层、最大池化层构成,卷积核大小不变,为5*5;
4)第四部分卷积单元由一层卷积层构成,输出最终的增强之后的图像。
5.进一步的,基于轻量化卷积神经网络的胆石病CT医疗图像数据增强卷积神经网络模型的训练阶段,采用反向传播算法,目的是不断对模型的参数进行调优,提高模型的拟合能力,同时采用Dropout、Bagging等正则化算法对模型进行训练,目的是优化模型的拟合能力,防止模型过拟合。
6.进一步的,基于轻量化卷积神经网络的胆石病CT医疗图像数据增强方法,在步骤5)所述的构建新的测试集与步骤1)所述的构建训练集是相同。
本发明具有以下优点与有益效果:
1、采用设定的分割阈值对图像进行了分割并得到了相应的图像块,采用高效的方法对数据集进行了扩充,提高了训练集的有效性,继而可以提高模型的拟合能力。
2、基于反向传播算法以及Dropout、Bagging等正则化算法训练卷积神经网络模型,可以自适应地提高网络的学习效率,提高网络图像的重建能力。
3、构建的由四部分卷积单元组成的基于轻量化卷积神经网络的胆石病CT医疗图像数据增强卷积神经网络,完成胆石病CT医疗图像的特征提取、对比度拉伸、直方图均衡化以及图像重建等功能,可以取得很好的视觉效果与医疗效果。
附图说明
图1为本发明的基于轻量化卷积神经网络的胆石病CT医疗图像数据增强卷积神经网络的架构示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明
如图1所示,本实施例所述的基于轻量化卷积神经网络的胆石病CT医疗图像数据增强方法,其具体情况:
1)选取200张胆石病CT医疗图像作为基于深度学习的胆石病CT医疗图像数据增强卷积神经网络的初始训练集,接下来完善训练集,具体步骤为:
1-1)采用已设定的分割阈值,对每张带有胆石病病灶的CT医疗图像进行分割,每张图像就会被分割成大小不同的四块图像块。
1-2)随机采用以下步骤的任意一个或多个对上述数据集进行扩充:
对所述训练集中的图像进行放大或缩小的步骤;
对所述训练集中的图像进行旋转步骤;
对所述训练集中的图像进行平移步骤;
对所述训练集中的图像进行放射变换的步骤。
2)构建基于轻量化卷积神经网络的胆石病CT医疗图像数据增强卷积神经网络,由四部分卷积单元组成,分别完成胆石病CT医疗图像的特征提取、对比度拉伸、直方图均衡化以及图像重建等功能。其中第一部分卷积单元由卷积层、平均池化层和BatchNormalization层构成,第二部分卷积单元由两个相同的分支网络构成,其中每一个分支由卷积层、最大池化层以及LN层构成,第三部分卷积单元由卷积层、最大池化层以及Globalaverage Pooling层构成,第四部分卷积单元由一层卷积层构成,输出最终的增强之后的图像。具体的,原始的胆石病CT医疗图像尺寸大小为64*64,经过卷积神经网络的处理之后输出的图像大小为36*36。具体地,第一部分的卷积单元由一个有64个7*7卷积核的卷积层,一个运算核为3*3的平均池化层和一个Batch Normalization层构成;第二部分的卷积单元由两个相同的分支网络构成,其中每一个分支由一个有64个5*5卷积核的卷积层,一个运算核为3*3的最大池化层和一个LN层构成;第三部分的卷积单元由一个有32个3*3卷积核的卷积层,一个运算核为3*3的最大池化层构成;第四部分的卷积单元由一层卷积层构成。
3)对基于轻量化卷积神经网络的胆石病CT医疗图像数据增强卷积神经网络模型进行训练,采用反向传播算法以及Dropout、Bagging等正则化算法,以20000次迭代作为一个完整的训练,不断对模型的参数进行调优,降低误差,优化模型的拟合能力。
4)构建新的胆石病CT医疗图像测试集,输入到训练好的基于轻量化卷积神经网络的胆石病CT医疗图像数据增强卷积神经网络模型当中,输出数据增强之后的图像。
以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (6)
1.一种基于轻量化卷积神经网络的胆石病CT医疗图像数据增强方法,其特征在于,包括以下步骤:
1)选取胆石病CT医疗图像,构建训练集;
2)对数据图像进行分割,扩充数据训练集;
3)构建基于深度学习的胆石病CT医疗图像数据增强卷积神经网络,该网络由四部分卷积单元组成;
4)使用构建的训练集对轻量化卷积神经网络模型进行训练,生成训练好的胆石病CT医疗图像数据增强卷积神经网络模型。
5)构建新的胆石病CT医疗图像测试集,对训练好的模型进行测试。
2.根据权利要求1所述的一种基于轻量化卷积神经网络的胆石病CT医疗图像数据增强方法,其特征在于,所述对数据图像进行分割,具体地,对每张带有胆石病病灶的CT医疗图像,已设定的分割阈值进行分割,形成大小固定的图像块,并构成初始的数据训练集。
3.根据权利要求1所述的一种基于轻量化卷积神经网络的胆石病CT医疗图像数据增强方法,其特征在于,所述扩充数据训练集,包括以下步骤的任意一个或多个:
1)对所述训练集中的图像进行放大或缩小的步骤;
2)对所述训练集中的图像进行旋转步骤;
3)对所述训练集中的图像进行平移步骤;
4)对所述训练集中的图像进行放射变换的步骤。
4.根据权利要求1所述的一种基于深度学习的胆石病CT医疗图像数据增强方法,其特征在于,所述四部分卷积单元包括:
1)第一部分卷积单元由卷积层、平均池化层和Batch Normalization层构成,其中卷积的大小为7*7,Batch Normalization层主要的功能是对数据进行归一化操作,保证网络的拟合能力;
2)第二部分卷积单元由两个相同的分支网络构成,其中每一个分支由卷积层、最大池化层以及LN层构成,卷积核进行了缩小,变成了3*3;
3)第三部分卷积单元由卷积层、最大池化层构成,卷积核大小不变,为5*5;
4)第四部分卷积单元由一层卷积层构成,输出最终的增强之后的图像。
5.根据权利要求1所述的一种基于轻量化卷积神经网络的胆石病CT医疗图像数据增强方法,其特征在于:所述胆石病CT医疗图像数据增强卷积神经网络模型的训练阶段,采用反向传播算法,目的是不断对模型的参数进行调优,提高模型的拟合能力,同时采用Dropout、Bagging等正则化算法对模型进行训练,目的是优化模型的拟合能力,防止模型过拟合。
6.根据权利要求1所述的一种基于轻量化卷积神经网络的胆石病CT医疗图像数据增强方法,其特征在于,在步骤5)所述的构建新的测试集与步骤1)所述的构建训练集是相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811558384.3A CN109544585A (zh) | 2018-12-19 | 2018-12-19 | 一种基于轻量化卷积神经网络的胆石病ct医疗图像数据增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811558384.3A CN109544585A (zh) | 2018-12-19 | 2018-12-19 | 一种基于轻量化卷积神经网络的胆石病ct医疗图像数据增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109544585A true CN109544585A (zh) | 2019-03-29 |
Family
ID=65855822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811558384.3A Pending CN109544585A (zh) | 2018-12-19 | 2018-12-19 | 一种基于轻量化卷积神经网络的胆石病ct医疗图像数据增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109544585A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619947A (zh) * | 2019-09-19 | 2019-12-27 | 南京工程学院 | 基于轻量级深度学习的肺部ct辅助筛查系统及筛查方法 |
CN110648288A (zh) * | 2019-08-27 | 2020-01-03 | 上海理工大学 | 一种基于残差转置去卷积神经网络的胆道镜图像增强方法 |
CN111489364A (zh) * | 2020-04-08 | 2020-08-04 | 重庆邮电大学 | 基于轻量级全卷积神经网络的医学图像分割方法 |
CN111932534A (zh) * | 2020-09-22 | 2020-11-13 | 平安科技(深圳)有限公司 | 医学影像图片分析方法、装置、电子设备及可读存储介质 |
CN112419182A (zh) * | 2020-11-19 | 2021-02-26 | 中国石油大学(华东) | 基于图像加噪和去噪的台风遥感图像自动增强系统、计算机设备、存储介质 |
CN112489029A (zh) * | 2020-12-10 | 2021-03-12 | 深圳先进技术研究院 | 一种基于卷积神经网络的医学图像分割方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299204A (zh) * | 2013-07-17 | 2015-01-21 | 王垒 | 直方图局部影像对比增强的方法与装置 |
CN105825484A (zh) * | 2016-03-23 | 2016-08-03 | 华南理工大学 | 一种基于深度学习的深度图像去噪及增强方法 |
CN106339998A (zh) * | 2016-08-18 | 2017-01-18 | 南京理工大学 | 基于对比度金字塔变换的多聚焦图像融合方法 |
CN106447645A (zh) * | 2016-04-05 | 2017-02-22 | 天津大学 | 增强ct图像中冠脉钙化检测及量化装置和方法 |
WO2018018470A1 (zh) * | 2016-07-27 | 2018-02-01 | 华为技术有限公司 | 一种去除图像噪声的方法、装置、设备及卷积神经网络 |
CN108268870A (zh) * | 2018-01-29 | 2018-07-10 | 重庆理工大学 | 基于对抗学习的多尺度特征融合超声图像语义分割方法 |
CN108460764A (zh) * | 2018-03-31 | 2018-08-28 | 华南理工大学 | 基于自动上下文和数据增强的超声图像智能分割方法 |
CN108986124A (zh) * | 2018-06-20 | 2018-12-11 | 天津大学 | 结合多尺度特征卷积神经网络视网膜血管图像分割方法 |
CN109285128A (zh) * | 2018-09-06 | 2019-01-29 | 中国石油大学(华东) | 一种基于深度学习的胆石病ct医疗图像数据增强方法 |
-
2018
- 2018-12-19 CN CN201811558384.3A patent/CN109544585A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104299204A (zh) * | 2013-07-17 | 2015-01-21 | 王垒 | 直方图局部影像对比增强的方法与装置 |
CN105825484A (zh) * | 2016-03-23 | 2016-08-03 | 华南理工大学 | 一种基于深度学习的深度图像去噪及增强方法 |
CN106447645A (zh) * | 2016-04-05 | 2017-02-22 | 天津大学 | 增强ct图像中冠脉钙化检测及量化装置和方法 |
WO2018018470A1 (zh) * | 2016-07-27 | 2018-02-01 | 华为技术有限公司 | 一种去除图像噪声的方法、装置、设备及卷积神经网络 |
CN106339998A (zh) * | 2016-08-18 | 2017-01-18 | 南京理工大学 | 基于对比度金字塔变换的多聚焦图像融合方法 |
CN108268870A (zh) * | 2018-01-29 | 2018-07-10 | 重庆理工大学 | 基于对抗学习的多尺度特征融合超声图像语义分割方法 |
CN108460764A (zh) * | 2018-03-31 | 2018-08-28 | 华南理工大学 | 基于自动上下文和数据增强的超声图像智能分割方法 |
CN108986124A (zh) * | 2018-06-20 | 2018-12-11 | 天津大学 | 结合多尺度特征卷积神经网络视网膜血管图像分割方法 |
CN109285128A (zh) * | 2018-09-06 | 2019-01-29 | 中国石油大学(华东) | 一种基于深度学习的胆石病ct医疗图像数据增强方法 |
Non-Patent Citations (1)
Title |
---|
高友文;周本君;胡晓飞;: "基于数据增强的卷积神经网络图像识别研究", 计算机技术与发展, no. 08, pages 69 - 72 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648288A (zh) * | 2019-08-27 | 2020-01-03 | 上海理工大学 | 一种基于残差转置去卷积神经网络的胆道镜图像增强方法 |
CN110648288B (zh) * | 2019-08-27 | 2023-02-03 | 上海理工大学 | 一种基于残差转置去卷积神经网络的胆道镜图像增强方法 |
CN110619947A (zh) * | 2019-09-19 | 2019-12-27 | 南京工程学院 | 基于轻量级深度学习的肺部ct辅助筛查系统及筛查方法 |
CN111489364A (zh) * | 2020-04-08 | 2020-08-04 | 重庆邮电大学 | 基于轻量级全卷积神经网络的医学图像分割方法 |
CN111489364B (zh) * | 2020-04-08 | 2022-05-03 | 重庆邮电大学 | 基于轻量级全卷积神经网络的医学图像分割方法 |
CN111932534A (zh) * | 2020-09-22 | 2020-11-13 | 平安科技(深圳)有限公司 | 医学影像图片分析方法、装置、电子设备及可读存储介质 |
CN111932534B (zh) * | 2020-09-22 | 2021-07-06 | 平安科技(深圳)有限公司 | 医学影像图片分析方法、装置、电子设备及可读存储介质 |
CN112419182A (zh) * | 2020-11-19 | 2021-02-26 | 中国石油大学(华东) | 基于图像加噪和去噪的台风遥感图像自动增强系统、计算机设备、存储介质 |
CN112489029A (zh) * | 2020-12-10 | 2021-03-12 | 深圳先进技术研究院 | 一种基于卷积神经网络的医学图像分割方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544585A (zh) | 一种基于轻量化卷积神经网络的胆石病ct医疗图像数据增强方法 | |
CN109285128A (zh) | 一种基于深度学习的胆石病ct医疗图像数据增强方法 | |
Mazo et al. | Transfer learning for classification of cardiovascular tissues in histological images | |
US20200258218A1 (en) | Method based on deep neural network to extract appearance and geometry features for pulmonary textures classification | |
Kumar et al. | Breast cancer classification of image using convolutional neural network | |
El-Shafai et al. | Efficient Deep-Learning-Based Autoencoder Denoising Approach for Medical Image Diagnosis. | |
CN107154043A (zh) | 一种基于3dcnn的肺结节假阳性样本抑制方法 | |
CN108960141A (zh) | 基于增强型深度卷积神经网络的行人再识别方法 | |
Rahman et al. | A new method for lung nodule detection using deep neural networks for CT images | |
CN111938569A (zh) | 基于深度学习的眼底多病种分类的检测方法 | |
CN109858429A (zh) | 一种基于卷积神经网络的眼底图像病变程度识别与可视化系统 | |
Chen et al. | Deep learning based data augmentation and classification for limited medical data learning | |
Wu et al. | Ultrasound image segmentation method for thyroid nodules using ASPP fusion features | |
Priyadharshini et al. | A novel hybrid Extreme Learning Machine and Teaching–Learning-Based Optimization algorithm for skin cancer detection | |
Cortes | Plant disease classification using convolutional networks and generative adverserial networks | |
CN109325533A (zh) | 一种人工智能框架进行cnn迭代训练方法 | |
Li et al. | Double attention U-Net for brain tumor MR image segmentation | |
CN111340760B (zh) | 基于多任务两级卷积神经网络的膝关节定位方法 | |
Ru et al. | Brain tumor image segmentation method based on M-Unet network | |
CN111368734A (zh) | 一种基于正常表情辅助的微表情识别方法 | |
Mu et al. | Image Segmentation Model of Pear Leaf Diseases Based on Mask R-CNN | |
Gurumoorthy et al. | Computer aided breast cancer detection and classification using optimal deep learning | |
Nurrahmadayeni et al. | Analysis of deep learning methods in diabetic retinopathy disease identification based on retinal fundus image | |
Liu et al. | Large kernel refine fusion net for neuron membrane segmentation | |
Zhou et al. | Design of lightweight convolutional neural network based on dimensionality reduction module |
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 |