CN110188789A - 一种基于预处理模型的小样本医学图像分类方法 - Google Patents
一种基于预处理模型的小样本医学图像分类方法 Download PDFInfo
- Publication number
- CN110188789A CN110188789A CN201910302762.XA CN201910302762A CN110188789A CN 110188789 A CN110188789 A CN 110188789A CN 201910302762 A CN201910302762 A CN 201910302762A CN 110188789 A CN110188789 A CN 110188789A
- Authority
- CN
- China
- Prior art keywords
- model
- medical image
- small sample
- pretreated
- classification method
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
一种基于预处理模型的小样本医学图像分类方法,包括如下步骤:1)构建预处理模型,过程如下:(1.1)选取预处理模型数据集;(1.2)构建深度学习网络;(1.3)对于选取的数据集进行图像预处理;(1.4)在深度学习网络中加入Dropout策略,并将概率设置为p;(1.5)将训练后的模型保存为M1;2)对小样本医学图像数据进行处理;3)导入M1模型;4)将M1模型中的Dropout策略改为P;5)将小样本医学图像在M1下进行训练;6)得出分类结果。本发明提供了一种测试集效果好,模型泛化能力强的小样本医学图像分类方法。
Description
技术领域
本发明属于医学图像处理领域,尤其是涉及一种医学图像分类方法。
背景技术
21世纪以来,随着互联网的兴起,智能医学领域快速发展起来,医学图像的分类、分割、识别也随之兴起,其中由于小样本医学图像样本数量少,使得医学图像分类成了一大难题,因此解决医学图像分类对智能医学以致人们的生活有着相当重要的意义。通常的,在深度学习网络中,小样本医学图像数据的结果,会出现过拟合的问题,其网络模型会出现泛化性差的问题。
存在的技术缺陷为:过拟合、模型泛化性差。
发明内容
为了克服已有深度学习网络直接运用在小样本医学图像数据上出现的过拟合、模型泛化性差问题,本发明提供了一种测试集效果好,模型泛化能力强的小样本医学图像分类方法。
本发明解决其技术问题所采用的技术方案是:
一种基于预处理模型的小样本医学图像分类方法,包括如下步骤:
1)构建预处理模型,过程如下:
(1.1)选取预处理模型数据集;
(1.2)构建深度学习网络;
(1.3)对于选取的数据集进行图像预处理;
(1.4)在深度学习网络中加入Dropout策略,并将概率设置为p;
(1.5)将训练后的模型保存为M1;
2)对小样本医学图像数据进行处理;
3)导入M1模型;
4)将M1模型中的Dropout策略改为P;
5)将小样本医学图像在M1下进行训练;
6)得出分类结果。
进一步,所述步骤4)中,根据以下公式:
p=5*P (2)
将M1模型中的Dropout策略改为P。
本发明的技术构思为:该方法针对小样本医学图像数据直接在深度学习网络中训练出现的过拟合和模型泛化性差的情况。首先提出了预训练模型,用大样本数据集对深度学习网络进行训练,得到模型并保存,然后在Dropout策略值的选择上进行了改进,使得避免了小样本医学图像数据集的过拟合情况,提高了模型泛化性。
本发明的有益效果主要表现在:1、避免了小样本医学图像数据的过拟合;2、提出新的Dropout策略选择方法,增加小样本医学图像数据的分类准确率。
附图说明
图1是预处理模型训练示意图。
图2是小样本医学图像分类流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明描述。
参照图1和图2,一种基于预处理模型的小样本医学图像分类方法,包括以下步骤:
1)构建预处理模型,过程如下:
(1.1)预处理模型的构建首先在于选取训练数据集,根据测试集错误率与样本数量之间的关系:
p1表示测试集错误率,p2表示训练集错误率,h是算法可以打散的最大点集的基数,N表示样本数量,δ表示0-1之间的数。选取相应的公共数据集作为图像的训练集;
(1.2)构建深度学习网络;
(1.3)对于选取的数据集进行图像预处理;
(1.4)在深度学习网络中加入Dropout策略,并选取概率值为p;
(1.5)将训练后的模型保存为M1;
2)对小样本医学图像进行处理;
3)导入M1模型;
4)根据以下公式:
p=5*P (2)
将M1模型中的Dropout策略改为P;
5)将小样本医学图像在M1下进行训练;
6)得出结果。
本实施例中,首先初始化系统,清空上一次输出结果留在缓存区中的数据,然后开始导入事先选取好的训练数据集data1,将数据集进行处理,之后再将构建的网络加载到训练数据集上,点击setting键对参数进行设置,得出并保存预处理模型M。导入进行分类的数据集data2,并对数据集进行预处理,导入模型M,点击setting键对参数进行更改,导出分类结果,并退出系统。
Claims (2)
1.一种基于预处理模型的小样本医学图像分类方法,其特征在于,所述方法包括如下步骤:
1)构建预处理模型,过程如下:
(1.1)选取预处理模型数据集;
(1.2)构建深度学习网络;
(1.3)对于选取的数据集进行图像预处理;
(1.4)在深度学习网络中加入Dropout策略,并将概率设置为p;
(1.5)将训练后的模型保存为M1;
2)对小样本医学图像数据进行处理;
3)导入M1模型;
4)将M1模型中的Dropout策略改为P;
5)将小样本医学图像在M1下进行训练;
6)得出分类结果。
2.如权利要求1所述的一种基于预处理模型的小样本医学图像分类方法,其特征在于,所述步骤4)中,根据以下公式:
p=5*P (2)
将M1模型中的Dropout策略改为P。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910302762.XA CN110188789A (zh) | 2019-04-16 | 2019-04-16 | 一种基于预处理模型的小样本医学图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910302762.XA CN110188789A (zh) | 2019-04-16 | 2019-04-16 | 一种基于预处理模型的小样本医学图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110188789A true CN110188789A (zh) | 2019-08-30 |
Family
ID=67714586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910302762.XA Pending CN110188789A (zh) | 2019-04-16 | 2019-04-16 | 一种基于预处理模型的小样本医学图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188789A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408463A (zh) * | 2021-06-30 | 2021-09-17 | 吉林大学 | 一种基于距离度量的细胞图像小样本分类系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9396400B1 (en) * | 2015-07-30 | 2016-07-19 | Snitch, Inc. | Computer-vision based security system using a depth camera |
CN107292333A (zh) * | 2017-06-05 | 2017-10-24 | 浙江工业大学 | 一种基于深度学习的快速图像分类方法 |
CN107341518A (zh) * | 2017-07-07 | 2017-11-10 | 东华理工大学 | 一种基于卷积神经网络的图像分类方法 |
CN107480773A (zh) * | 2017-08-09 | 2017-12-15 | 北京小米移动软件有限公司 | 训练卷积神经网络模型的方法、装置及存储介质 |
CN108596044A (zh) * | 2018-04-02 | 2018-09-28 | 中国人民解放军陆军工程大学 | 基于深度卷积神经网络的行人检测方法 |
-
2019
- 2019-04-16 CN CN201910302762.XA patent/CN110188789A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9396400B1 (en) * | 2015-07-30 | 2016-07-19 | Snitch, Inc. | Computer-vision based security system using a depth camera |
CN107292333A (zh) * | 2017-06-05 | 2017-10-24 | 浙江工业大学 | 一种基于深度学习的快速图像分类方法 |
CN107341518A (zh) * | 2017-07-07 | 2017-11-10 | 东华理工大学 | 一种基于卷积神经网络的图像分类方法 |
CN107480773A (zh) * | 2017-08-09 | 2017-12-15 | 北京小米移动软件有限公司 | 训练卷积神经网络模型的方法、装置及存储介质 |
CN108596044A (zh) * | 2018-04-02 | 2018-09-28 | 中国人民解放军陆军工程大学 | 基于深度卷积神经网络的行人检测方法 |
Non-Patent Citations (1)
Title |
---|
丁华: "《基于知识工程的电牵引采煤机现代设计》", 31 December 2015, 国防工业出版社 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408463A (zh) * | 2021-06-30 | 2021-09-17 | 吉林大学 | 一种基于距离度量的细胞图像小样本分类系统 |
CN113408463B (zh) * | 2021-06-30 | 2022-05-10 | 吉林大学 | 一种基于距离度量的细胞图像小样本分类系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112084790B (zh) | 一种基于预训练卷积神经网络的关系抽取方法及系统 | |
CN107622104B (zh) | 一种文字图像识别标注方法及系统 | |
CN105718890A (zh) | 一种基于卷积神经网络的特定视频检测方法 | |
CN111309912A (zh) | 文本分类方法、装置、计算机设备及存储介质 | |
CN103996018B (zh) | 基于4dlbp的人脸识别方法 | |
CN104268134B (zh) | 一种主客观分类器构建方法和系统 | |
US20230119593A1 (en) | Method and apparatus for training facial feature extraction model, method and apparatus for extracting facial features, device, and storage medium | |
CN107506796A (zh) | 一种基于深度森林的阿尔兹海默病分类方法 | |
CN111143563A (zh) | 基于bert与lstm及cnn融合的文本分类方法 | |
CN106997379B (zh) | 一种基于图片文本点击量的相近文本的合并方法 | |
CN111161207A (zh) | 一种集成的卷积神经网络织物疵点分类方法 | |
CN109145180B (zh) | 一种基于增量聚类的企业热点事件挖掘方法 | |
CN107945875A (zh) | 基于数据增强的肺结节检测方法及系统 | |
CN108830270A (zh) | 对满文单词正确分割各识别的满文单词中轴线的定位方法 | |
CN111079978A (zh) | 基于逻辑回归和增强学习的煤与瓦斯突出预测的方法 | |
CN113052243A (zh) | 基于CycleGAN和条件分布自适应的目标检测方法 | |
CN113448843A (zh) | 基于缺陷分析的图像识别软件测试数据增强方法及装置 | |
CN110188789A (zh) | 一种基于预处理模型的小样本医学图像分类方法 | |
CN111125370A (zh) | 一种适应小样本的关系抽取方法 | |
CN108961270B (zh) | 一种基于语义分割的桥梁裂缝图像分割模型 | |
CN111984790B (zh) | 一种实体关系抽取方法 | |
CN102880857A (zh) | 一种基于svm的文档图像版式信息识别方法 | |
CN108229565A (zh) | 一种基于认知的图像理解方法 | |
CN112132841A (zh) | 医疗图像切割方法及装置 | |
WO2023125456A1 (zh) | 基于多层次变分自动编码器的高光谱图像特征提取方法 |
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 |
Application publication date: 20190830 |
|
RJ01 | Rejection of invention patent application after publication |