CN110321922A - 一种基于空间相关区分卷积神经网络的ct图像分类方法 - Google Patents
一种基于空间相关区分卷积神经网络的ct图像分类方法 Download PDFInfo
- Publication number
- CN110321922A CN110321922A CN201910385106.0A CN201910385106A CN110321922A CN 110321922 A CN110321922 A CN 110321922A CN 201910385106 A CN201910385106 A CN 201910385106A CN 110321922 A CN110321922 A CN 110321922A
- Authority
- CN
- China
- Prior art keywords
- neural networks
- convolutional neural
- space correlation
- image
- 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
- 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
-
- 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
- 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
本发明公开一种基于空间相关区分卷积神经网络的CT图像分类方法,涉及数据处理技术领域;构造三维稀疏卷积核,针对CT图像数据,在卷积过程中获取CT图像数据各个切片的空间信息及各个切片空间信息之间的空间相关性,在每个卷积层后利用softmax损失函数对CT图像数据的特征图的学习进行区分性特征学习约束,约束每个特征图的相关特征点符合对应的CT图像的类别,利用每个卷积层的softmax损失函数之和获得空间相关区分卷积神经网络的优化函数,待分类的CT图像输入空间相关区分卷积神经网络后,利用优化函数对待分类的CT图像进行分类。
Description
技术领域
本发明公开一种基于空间相关区分卷积神经网络的CT图像分类方法,涉及数据处理技术领域。
背景技术
危害人类生命健康的重大疾病,很多具有临床表现多样化特点,基于临床表现不同,可分为多种类型。而CT图像是辅助检查一些重要疾病的常用工具,然而,人工阅片容易受主观经验的影响,且工作量较大,本发明提供一种基于空间相关区分卷积神经网络的CT图像分类方法,引入空间维度,提出一种3维卷积核,学习不同切片的空间相关性信息,提高特征的有效性,在每个中间层中引入softmax损失函数,对每个特征图的学习进行类别约束,提高特征的区分性,能够取得优于现有卷积神经网络模型的识别效果,为医生提供一个客观结果,降低医生的工作负担,提高医生的工作效率具有重要的意义。
发明内容
本发明针对现有技术的问题,提供一种基于空间相关区分卷积神经网络的CT图像分类方法,为医生提供一个客观结果,降低医生的工作负担,提高医生的工作效率具有重要的意义。
本发明提出的具体方案是:
一种基于空间相关区分卷积神经网络的CT图像分类方法:构造三维稀疏卷积核,针对CT图像数据,在卷积过程中获取CT图像数据各个切片的空间信息及各个切片空间信息之间的空间相关性,
在每个卷积层后利用softmax损失函数对CT图像数据的特征图的学习进行区分性特征学习约束,约束每个特征图的相关特征点符合对应的CT图像的类别,
利用每个卷积层的softmax损失函数之和获得空间相关区分卷积神经网络的优化函数,
待分类的CT图像输入空间相关区分卷积神经网络后,利用优化函数对待分类的CT图像进行分类。
所述的方法中在每个卷积层后将softmax损失函数引入L1正则化项对CT图像数据的特征图的学习进行区分性特征学习约束。
所述的方法中softmax损失函数引入L1正则化项后建立的目标函数为:
式1中θ是要求解的参数,I是指示函数,N是获得的特征映射的大小,M是类别数量,Ot(vi)是通过最小化公式1求得的空间相关区分卷积神经网络的参数。
所述的方法中利用误差逆传播和梯度下降法对空间相关区分卷积神经网络的参数进行优化。
一种基于空间相关区分卷积神经网络的CT图像分类工具,包括空间相关区分卷积神经网络单元和输入单元,
空间相关区分卷积神经网络单元构造三维稀疏卷积核,针对CT图像数据,在卷积过程中获取CT图像数据各个切片的空间信息及各个切片空间信息之间的空间相关性,
在每个卷积层后利用softmax损失函数对CT图像数据的特征图的学习进行区分性特征学习约束,约束每个特征图的相关特征点符合对应的CT图像的类别,
利用每个卷积层的softmax损失函数之和获得空间相关区分卷积神经网络的优化函数,
输入单元将待分类的CT图像输入空间相关区分卷积神经网络单元后,空间相关区分卷积神经网络单元利用优化函数对待分类的CT图像进行分类。
所述的工具中空间相关区分卷积神经网络单元在每个卷积层后将softmax损失函数引入L1正则化项对CT图像数据的特征图的学习进行区分性特征学习约束。
所述的工具中空间相关区分卷积神经网络单元中softmax损失函数引入L1正则化项后建立的目标函数为:
式1中θ是要求解的参数,I是指示函数,N是获得的特征映射的大小,M是类别数量,Ot(vi)是通过最小化公式1求得的空间相关区分卷积神经网络的参数。
所述的工具中空间相关区分卷积神经网络单元利用误差逆传播和梯度下降法对空间相关区分卷积神经网络的参数进行优化。
本发明的有益之处是:
本发明提供一种基于空间相关区分卷积神经网络的CT图像分类方法,构造三维稀疏卷积核,不同于现有的卷积神经网络中的二维卷积核,本发明针对CT图像数据特点,引入空间维度,使得在卷积过程中能够获取CT图像数据各个切片的空间信息,从而利用各切片之间的相关性,提高特征的有效性,
本发明进行区分性特征学习约束时,在每个卷积层后利用softmax函数对特征图的学习进行约束,约束每个特征图的相关特征点符合对应的类别,使得学出的feature map与给定的标记尽量保持一致,提高了特征的区分性,在进行CT图像分类时能够提高分类精度,可用于智慧医疗等领域。带来良好的经济效益和社会效益。
附图说明
图1是本发明方法流程示意图。
具体实施方式
本发明提供一种基于空间相关区分卷积神经网络的CT图像分类方法:
构造三维稀疏卷积核,针对CT图像数据,在卷积过程中获取CT图像数据各个切片的空间信息及各个切片空间信息之间的空间相关性,
在每个卷积层后利用softmax损失函数对CT图像数据的特征图的学习进行区分性特征学习约束,约束每个特征图的相关特征点符合对应的CT图像的类别,
利用每个卷积层的softmax损失函数之和获得空间相关区分卷积神经网络的优化函数,
待分类的CT图像输入空间相关区分卷积神经网络后,利用优化函数对待分类的CT图像进行分类。
同时提供一种基于空间相关区分卷积神经网络的CT图像分类工具,包括空间相关区分卷积神经网络单元和输入单元,
空间相关区分卷积神经网络单元构造三维稀疏卷积核,针对CT图像数据,在卷积过程中获取CT图像数据各个切片的空间信息及各个切片空间信息之间的空间相关性,
在每个卷积层后利用softmax损失函数对CT图像数据的特征图的学习进行区分性特征学习约束,约束每个特征图的相关特征点符合对应的CT图像的类别,
利用每个卷积层的softmax损失函数之和获得空间相关区分卷积神经网络的优化函数,
输入单元将待分类的CT图像输入空间相关区分卷积神经网络单元后,空间相关区分卷积神经网络单元利用优化函数对待分类的CT图像进行分类。
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
可根据不同的CT图像进行多种疾病的判断及分析。以肺部CT图像为例,利用本发明方法,说明对肺部CT图像进行分类的过程。
具体过程如下:
以Resnet为基本网络,构造三维稀疏卷积核,针对肺部CT图像数据,引入空间维度,在卷积过程中获取肺部CT图像数据各个切片的空间信息及各个切片空间信息之间的空间相关性,提高特征的有效性;
在每个卷积层后利用softmax损失函数引入L1正则化项后建立的目标函数为:
式1中θ是要求解的参数,I是指示函数,N是获得的特征映射的大小,M是类别数量,O(v)表示像素v的特征映射,v表示像素,第一项是L1正则化项,用于保证卷积核的稀疏性,从而使得其能较好地选择对最后分类有关的信息,第二项用于学习区分性特征,Ot(vi)是通过最小化公式1求得的空间相关区分卷积神经网络的参数,可利用误差逆传播和梯度下降法对空间相关区分卷积神经网络的参数进行优化,
对肺部CT图像数据的特征图的学习进行区分性特征学习约束,约束每个特征图的相关特征点符合对应的肺部CT图像的类别,
利用每个卷积层的softmax损失函数之和获得空间相关区分卷积神经网络的优化函数,
待分类的肺部CT图像输入空间相关区分卷积神经网络后,利用优化函数对待分类的肺部CT图像进行分类。
以肺部CT图像为例,利用本发明工具,说明对肺部CT图像进行分类的过程。
具体过程如下:
空间相关区分卷积神经网络单元以Resnet为基本网络,构造三维稀疏卷积核,针对肺部CT图像数据,引入空间维度,在卷积过程中获取肺部CT图像数据各个切片的空间信息及各个切片空间信息之间的空间相关性,提高特征的有效性;
在每个卷积层后利用softmax损失函数引入L1正则化项后建立的目标函数为:
式1中θ是要求解的参数,I是指示函数,N是获得的特征映射的大小,M是类别数量,O(v)表示像素v的特征映射,v表示像素,第一项是L1正则化项,用于保证卷积核的稀疏性,从而使得其能较好地选择对最后分类有关的信息,第二项用于学习区分性特征,Ot(vi)是通过最小化公式1求得的空间相关区分卷积神经网络单元的参数,可利用误差逆传播和梯度下降法对空间相关区分卷积神经网络单元的参数进行优化,
对肺部CT图像数据的特征图的学习进行区分性特征学习约束,约束每个特征图的相关特征点符合对应的肺部CT图像的类别,
利用每个卷积层的softmax损失函数之和获得空间相关区分卷积神经网络的优化函数,
输入单元将待分类的肺部CT图像输入空间相关区分卷积神经网络单元后,空间相关区分卷积神经网络单元利用优化函数对待分类的CT图像进行分类。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (8)
1.一种基于空间相关区分卷积神经网络的CT图像分类方法,其特征是
构造三维稀疏卷积核,针对CT图像数据,在卷积过程中获取CT图像数据各个切片的空间信息及各个切片空间信息之间的空间相关性,
在每个卷积层后利用softmax损失函数对CT图像数据的特征图的学习进行区分性特征学习约束,约束每个特征图的相关特征点符合对应的CT图像的类别,
利用每个卷积层的softmax损失函数之和获得空间相关区分卷积神经网络的优化函数,
待分类的CT图像输入空间相关区分卷积神经网络后,利用优化函数对待分类的CT图像进行分类。
2.根据权利要求1所述的方法,其特征是在每个卷积层后将softmax损失函数引入L1正则化项对CT图像数据的特征图的学习进行区分性特征学习约束。
3.根据权利要求2所述的方法,其特征是softmax损失函数引入L1正则化项后建立的目标函数为:
式1中θ是要求解的参数,I是指示函数,N是获得的特征映射的大小,M是类别数量,Ot(vi)是通过最小化公式1求得的空间相关区分卷积神经网络的参数。
4.根据权利要求3所述的方法,其特征是利用误差逆传播和梯度下降法对空间相关区分卷积神经网络的参数进行优化。
5.一种基于空间相关区分卷积神经网络的CT图像分类工具,其特征是包括空间相关区分卷积神经网络单元和输入单元,
空间相关区分卷积神经网络单元构造三维稀疏卷积核,针对CT图像数据,在卷积过程中获取CT图像数据各个切片的空间信息及各个切片空间信息之间的空间相关性,
在每个卷积层后利用softmax损失函数对CT图像数据的特征图的学习进行区分性特征学习约束,约束每个特征图的相关特征点符合对应的CT图像的类别,
利用每个卷积层的softmax损失函数之和获得空间相关区分卷积神经网络的优化函数,
输入单元将待分类的CT图像输入空间相关区分卷积神经网络单元后,空间相关区分卷积神经网络单元利用优化函数对待分类的CT图像进行分类。
6.根据权利要求5所述的工具,其特征是空间相关区分卷积神经网络单元在每个卷积层后将softmax损失函数引入L1正则化项对CT图像数据的特征图的学习进行区分性特征学习约束。
7.根据权利要求6所述的工具,其特征是空间相关区分卷积神经网络单元中softmax损失函数引入L1正则化项后建立的目标函数为:
式1中θ是要求解的参数,I是指示函数,N是获得的特征映射的大小,M是类别数量,Ot(vi)是通过最小化公式1求得的空间相关区分卷积神经网络的参数。
8.根据权利要求7所述的工具,其特征是空间相关区分卷积神经网络单元利用误差逆传播和梯度下降法对空间相关区分卷积神经网络的参数进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910385106.0A CN110321922A (zh) | 2019-05-09 | 2019-05-09 | 一种基于空间相关区分卷积神经网络的ct图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910385106.0A CN110321922A (zh) | 2019-05-09 | 2019-05-09 | 一种基于空间相关区分卷积神经网络的ct图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110321922A true CN110321922A (zh) | 2019-10-11 |
Family
ID=68118882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910385106.0A Pending CN110321922A (zh) | 2019-05-09 | 2019-05-09 | 一种基于空间相关区分卷积神经网络的ct图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110321922A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766701A (zh) * | 2019-10-31 | 2020-02-07 | 北京推想科技有限公司 | 网络模型训练方法及装置、区域划分方法及装置 |
CN110890143A (zh) * | 2019-11-21 | 2020-03-17 | 重庆邮电大学 | 一种引入空间信息的2d卷积方法 |
CN111724356A (zh) * | 2020-06-04 | 2020-09-29 | 杭州健培科技有限公司 | 一种用于ct影像肺炎识别的图像处理方法和系统 |
-
2019
- 2019-05-09 CN CN201910385106.0A patent/CN110321922A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766701A (zh) * | 2019-10-31 | 2020-02-07 | 北京推想科技有限公司 | 网络模型训练方法及装置、区域划分方法及装置 |
CN110766701B (zh) * | 2019-10-31 | 2020-11-06 | 北京推想科技有限公司 | 网络模型训练方法及装置、区域划分方法及装置 |
CN110890143A (zh) * | 2019-11-21 | 2020-03-17 | 重庆邮电大学 | 一种引入空间信息的2d卷积方法 |
CN110890143B (zh) * | 2019-11-21 | 2022-03-08 | 重庆邮电大学 | 一种引入空间信息的2d卷积方法 |
CN111724356A (zh) * | 2020-06-04 | 2020-09-29 | 杭州健培科技有限公司 | 一种用于ct影像肺炎识别的图像处理方法和系统 |
CN111724356B (zh) * | 2020-06-04 | 2023-08-18 | 杭州健培科技有限公司 | 一种用于ct影像肺炎识别的图像处理方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumar et al. | Breast cancer classification of image using convolutional neural network | |
CN107977671A (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
CN106682633B (zh) | 基于机器视觉的粪便镜检图像有形成分的分类识别方法 | |
CN109670510A (zh) | 一种基于深度学习的胃镜活检病理数据筛查系统和方法 | |
CN109964235A (zh) | 用于对昆虫进行视觉分类的预测模型 | |
CN110321922A (zh) | 一种基于空间相关区分卷积神经网络的ct图像分类方法 | |
CN107066934A (zh) | 胃部肿瘤细胞图像识别判定装置、方法及胃部肿瘤切片识别判定设备 | |
CN107194937A (zh) | 一种开放环境下中医舌象图像分割方法 | |
Russel et al. | Leaf species and disease classification using multiscale parallel deep CNN architecture | |
Lu et al. | A method for optimal detection of lung cancer based on deep learning optimized by marine predators algorithm | |
Prusty et al. | A novel transfer learning technique for detecting breast cancer mammograms using VGG16 bottleneck feature | |
CN110100774A (zh) | 基于卷积神经网络的河蟹雌雄识别方法 | |
CN110459303B (zh) | 基于深度迁移的医疗影像异常检测装置 | |
Kumar et al. | Identification of plant diseases using image processing and image recognition | |
Lakshminarayanan et al. | Diagnosis of cancer using hybrid clustering and convolution neural network from breast thermal image | |
Kothari et al. | Cancerous brain tumor detection using hybrid deep learning framework | |
Poornam et al. | Detection of Brain Tumor in MRI Images using Deep Learning Method | |
Cao et al. | 3D convolutional neural networks fusion model for lung nodule detection onclinical CT scans | |
Tri Wahyuningrum et al. | Classification of Corn Leaf Disease Using the Optimized DenseNet-169 Model | |
Alshehhi et al. | Date palm leaves discoloration detection system using deep transfer learning | |
Russo et al. | Application of the Self-Organizing Map to the study of skeletal anomalies in aquaculture: The case of dusky grouper (Epinephelus marginatus Lowe, 1834) juveniles reared under different rearing conditions | |
Bhatia et al. | A proposed stratification approach for MRI images | |
Ghosh et al. | Identification of medicinal plant using hybrid transfer learning | |
Işik et al. | Classification of coffee leaf diseases through image processing techniques | |
Rosales et al. | Oreochromis niloticus growth performance analysis using pixel transformation and pattern recognition |
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: 20191011 |
|
RJ01 | Rejection of invention patent application after publication |