CN113989543A - 一种covid-19医学影像检测分类方法及装置 - Google Patents
一种covid-19医学影像检测分类方法及装置 Download PDFInfo
- Publication number
- CN113989543A CN113989543A CN202111140377.3A CN202111140377A CN113989543A CN 113989543 A CN113989543 A CN 113989543A CN 202111140377 A CN202111140377 A CN 202111140377A CN 113989543 A CN113989543 A CN 113989543A
- Authority
- CN
- China
- Prior art keywords
- medical image
- covid
- particle
- neural network
- convolutional neural
- 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
- 208000025721 COVID-19 Diseases 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 239000002245 particle Substances 0.000 claims abstract description 81
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 59
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 238000003745 diagnosis Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 35
- 238000011176 pooling Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000002059 diagnostic imaging Methods 0.000 abstract description 2
- 206010035664 Pneumonia Diseases 0.000 description 8
- 210000004072 lung Anatomy 0.000 description 8
- 241000711573 Coronaviridae Species 0.000 description 7
- 241001678559 COVID-19 virus Species 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003902 lesion Effects 0.000 description 3
- 150000007523 nucleic acids Chemical class 0.000 description 3
- 102000039446 nucleic acids Human genes 0.000 description 3
- 108020004707 nucleic acids Proteins 0.000 description 3
- 208000035473 Communicable disease Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 239000005338 frosted glass Substances 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Images
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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种COVID‑19医学影像检测分类方法及装置,属于医学影像学检测以及深度学习技术领域,方法包括:获取用于COVID‑19检测诊断的医学影像数据集;处理医学影像数据集,对处理过后的医学影像数据集进行划分;基于粒子群算法优化卷积神经网络,首先选择卷积神经网络中可以优化的超参数,然后通过实验对比确定需要优化超参数的最优解;基于粒子群算法优化的卷积神经网络训练划分过的医学影像数据集,批量识别图像并进行正确分类,本发明借助深度学习的手段,可以实现对COVID‑19医学影像进行高效的自动鉴别,结合群体智能优化算法的深度学习可以进一步提高图像分类准确率。
Description
技术领域
本发明涉及一种COVID-19医学影像检测分类方法及装置,属于医学影像学检测以及深度学习技术领域。
背景技术
新型冠状病毒肺炎(Corona Virus Disease 2019,COVID-19)是一种由严重急性呼吸系统综合征冠状病毒2(SARS-CoV-2)引发的传染病,简称“新冠肺炎”。自2019年底以来,COVID-19在全球各国大规模爆发。目前的主流检测诊断方法主要包括核酸检测和医学影像的人工诊断。但是,由于核酸检测耗时较长且疫情爆发初期核酸检测试剂盒供不应求,而医学影像的人工诊断则存在分析耗时较长、隐秘病变难以发现且难免存在主观诊断误差,因此急需新的COVID-19检测方法予以配合。
新冠肺炎,顾名思义,肺部是新型冠状病毒攻击的主要部位。相较于正常人的肺部,新冠肺炎患者的肺部出现了像云雾状磨砂玻璃一样的“病灶”,医学上称为“磨玻璃影”。但肺是一个内脏器官,医生很难直接观测到病变的模样、位置等,因此需要借助影像学检查。而根据中华医学会放射学分会传染病学组等部门(2020)的研究表明,肺部影像表现早于临床症状,而且肺部CT对COVID-19患者的早期诊断具有高度敏感性,临床症状变化与肺部CT病灶改变具有时间一致性,是判断病情变化更为简单迅速的指标,但由于人工检测方法耗时较长,且难免存在主观诊断误差,因此可结合深度学习处理图像的相关技术来从CT中筛选出病变的肺部,继而追踪到COVID-19感染者,从而对患者进行隔离救治。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种COVID-19医学影像检测分类方法及装置,借助深度学习的手段,可以实现对COVID-19医学影像进行高效的自动鉴别,结合群体智能优化算法的深度学习可以进一步提高图像分类准确率。
为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种COVID-19医学影像检测分类方法及装置,包括:
获取用于COVID-19检测诊断的医学影像数据集;
处理医学影像数据集,对处理过后的医学影像数据集进行划分;
基于粒子群算法优化卷积神经网络,先选取卷积神经网络中可以优化的超参数,然后确定本实验中要优化的超参数的最优解;
基于粒子群算法优化的卷积神经网络训练划分过的医学影像数据集,批量识别图像并进行正确分类。
进一步的,处理医学影像数据集,包括:选出清晰且肉眼可分辨病灶特征的图像。
进一步的,对处理过后的医学影像数据集进行划分,包括:
将标注过的图像按照3:1:1的比例分配为训练集、测试集和验证集;
将处理过后的医学影像数据集分为两类,一类为COVID数据集,另一类为NonCOVID数据集。
进一步的,基于粒子群算法优化卷积神经网络,包括:
(1)在粒子群算法中每个粒子可以看作是解空间中的一个点,若粒子的群体规模为N,则第i(i=1,2,...,N)个粒子的位置可以记为Xi,速度记为Vi,它所经历过的“最好”位置记为pbest(i),群体中“最好”粒子的位置记为gbest(i),粒子i根据下式更新自己的速度和位置:
其中,V'i和X'i分别为更新后的速度与位置,ω为惯性权值;c1,c2为加速常量;r为[0,1]上的随机数,另外,粒子在不断根据速度调整自己的位置时,受到最大速度Vmax的限制。当Vi超过Vmax时被限定为Vmax;
(2)在粒子的搜索过程中,需要使适应值Fitnessi达到最小,即使均方误差最小,其公式如下所示:
(3)基本粒子群算法的流程为:
①依照初始化过程,对粒子群的随机位置和速度进行初始设定;
②计算每个粒子的适应度值;
③对于每个粒子,将其适应度值与所经历过的最好位置pbest的适应度值进行比较,若较好,则将其作为当前的最好位置;
④对于每个粒子,将其适应度值与全局所经历的最好位置gbest的适应度值进行比较,若较好,则将其作为当前的全局最好位置;
⑤根据速度更新公式和位置更新公式更新粒子的速度和位置;
⑥如未达到结束条件,通常为足够好的适应阈值或达到一个预设的最大代数(Gmax),则返回步骤②。
进一步的,所述卷积神经网络采用CNN网络结构。
进一步的,对卷积神经网络中超参数进行选取时,选择在LeNet-5网络的基础上建模,其中,所述LeNet-5网络共有7层,包括3个卷积层,2个池化层和2个全连接层。
进一步的,所述卷积神经网络中需要优化的超参数有卷积核大小及个数、池化大小和池化步长。
第二方面,本发明提供一种COVID-19医学影像检测分类装置,包括:
医学影像数据集获取单元,用于获取用于COVID-19检测诊断的医学影像数据集;
医学影像数据集处理划分单元,用于处理医学影像数据集,对处理过后的医学影像数据集进行划分;
超参数选取及确定单元,用于基于粒子群算法优化的卷积神经网络,先选取卷积神经网络中可以优化的超参数,然后确定本实验中需要优化的超参数最优解;
训练识别单元,用于基于粒子群算法优化的卷积神经网络训练划分过的医学影像数据集,批量识别图像并进行正确分类。
第三方面,本发明提供一种COVID-19医学影像检测分类装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据上述任一项所述方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
本发明利用基于粒子群算法的卷积神经网络提高了鉴别是否感染COVID-19的效率,解决了人工诊断CT图像是否感染2019冠状病毒病肺炎耗时较长且存在主观诊断误差的缺点,该方法成本低,正确率高,适用范围广,本发明通过将粒子群算法用于卷积神经网络的优化,然后再通过卷积神经网络训练COVID-19CT图像,能够实现使网络批量高效识别分类临床测试者是否感染2019冠状病毒病肺炎。
附图说明
图1是本发明实施例提供的一种COVID-19医学影像检测分类方法的流程示意图;
图2是本发明实施例提供的COVID-19数据集图像示例图;
图3是本发明实施例提供的CT_COVID示例图;
图4是本发明实施例提供的CT_NonCOVID示例图;
图5是本发明实施例提供的粒子群算法一般形式的流程图;
图6是本发明实施例提供的训练与测试准确性结果图;
图7是本发明实施例提供的训练与测试损失结果图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1
本实施例介绍一种COVID-19医学影像检测分类方法及装置,包括:
获取用于COVID-19检测诊断的医学影像数据集;
处理医学影像数据集,对处理过后的医学影像数据集进行划分;
基于粒子群算法优化卷积神经网络,先选取卷积神经网络中可以优化的超参数,然后确定本实验中需要优化的超参数最优解;
基于粒子群算法优化的卷积神经网络训练划分过的医学影像数据集,批量识别图像并进行正确分类。
本实施例提供的COVID-19医学影像检测分类方法及装置,其应用过程具体涉及如下步骤:
1、准备数据集:
本文使用的数据集来源于经国家专业研究认证的国家生物信息中心的病毒信息库数据集,包含了5000张COVID-19CT图像和5000张正常CT图像。在处理数据集时,首先在数据集中挑选出清晰且肉眼可分辨病灶特征的图像。在划分数据集时,将标注过的图像按照3:1:1的比例分配为训练集、测试集和验证集。图像分布情况如表1所示:
表1
Type | NonCOVID-19 | COVID-19 | Total |
Train | 3000 | 3000 | 6000 |
Val | 1000 | 1000 | 2000 |
Test | 1000 | 1000 | 2000 |
最后,所有处理后的数据集被分为两类,一类为COVID数据集,另一类为NonCOVID数据集。COVID数据集包括3000张训练图像、1000张验证图像以及1000张测试图像;NonCOVID数据集包括3000张训练图像、1000张验证图像以及1000张测试图像。图2展示了COVID-19数据集图像示例,图3和图4分别展示了CT_COVID和CT_NonCOVID的示例图片。
2、粒子群算法优化卷积神经网络以及卷积神经网络中超参数的选取。
(1)粒子群算法优化卷积神经网络
1)在粒子群算法中每个粒子可以看作是解空间中的一个点。若粒子的群体规模为N,则第i(i=1,2,...,N)个粒子的位置可以记为Xi,速度记为Vi,它所经历过的“最好”位置记为pbest(i),群体中“最好”粒子的位置记为gbest(i)。粒子i根据下式更新自己的速度和位置:
其中,V'i和X'i分别为更新后的速度与位置,ω为惯性权值;c1,c2为加速常量;r为[0,1]上的随机数。另外,粒子在不断根据速度调整自己的位置时,受到最大速度Vmax的限制。当Vi超过Vmax时被限定为Vmax。
2)在粒子的搜索过程中,需要使适应值Fitnessi达到最小,即使均方误差最小,其公式如下所示:
3)基本粒子群算法的流程为:
①依照初始化过程,对粒子群的随机位置和速度进行初始设定;
②计算每个粒子的适应度值;
③对于每个粒子,将其适应度值与所经历过的最好位置pbest的适应度值进行比较,若较好,则将其作为当前的最好位置;
④对于每个粒子,将其适应度值与全局所经历的最好位置gbest的适应度值进行比较,若较好,则将其作为当前的全局最好位置;
⑤根据速度更新公式和位置更新公式更新粒子的速度和位置;
⑥如未达到结束条件,通常为足够好的适应阈值或达到一个预设的最大代数(Gmax),则返回步骤②。
图5为粒子群算法一般形式的流程图。
粒子群优化算法的数学描述为:粒子搜索所求解问题的D维空间,种群的大小为N,一般情况下粒子群算法的求解效果随种群规模的增大而变得更好,但同时随着种群的扩大,求解的时间也将随之增加,对此,本发明中选择的种群规模为4。此外,设置最大迭代次数是14,惯性权重ω=0.5,学习因子c1=c2=0.5。
(2)卷积神经网络中超参数的选取
CNN神经网络和普通神经网络的区别在于,卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器。在卷积神经网络的卷积层中,一个神经元只与部分邻层神经元连接。在CNN的一个卷积层中,通常包含若干个特征平面,每个特征平面有一些矩阵排列的神经元组成,同一特征平面的神经元共享权值,即卷积核。
此实施例在选取卷积神经网络中的超参数时,选择在LeNet-5的基础上建模。以LeNet-5为例,结合实验数据说明CNN超参数对于网络性能的影响,进而说明CNN网络结构对网络的影响。LeNet-5网络共有7层,包括3个卷积层,2个池化层和2个全连接层。第一个卷积层使用6个5×5的内核,激活函数为ReLU;第一个池化层的池化大小为2×2,步长为2×2;第二个卷积层使用5×5的卷积核,激活函数为ReLU;第二个池化层的池化大小为2×2,步长为2×2;接下来的卷积层用120个2×2的卷积核,激活函数为ReLU;第一个全连接层有84个节点;第二个全连接层有2个节点。在MNIST数据集上,LeNet-5中选择的超参数如下表所示:
表2
符号 | 超参数 |
lr | 学习率 |
n | C1中卷积核个数 |
sf | C1中卷积核大小 |
sp | P1中池化大小 |
l | P1中池化步长 |
Batchsize | 批处理大小 |
Epoch=1时,LeNet-5在MNIST数据集上的准确率如表3所示。Epoch表示遍历图像的次数,也称“时期”。
表3
CNN的学习率决定着网络学习的快慢,影响网络的性能。LeNet-5-1、LeNet-5-2和LeNet-5-3的学习率大小不一样,识别正确率也不一样,随着学习率的增大,CNN学习速度越快,但是网络性能会先提高再降低。
卷积核的个数影响模型分类正确率。LeNet-5-1和LeNet-5-4的卷积核个数不相同,识别正确率也不同。实验结果验证了对于同一个深度的模型,特征面数目越大,分类性能越好,但是会增加计算成本。卷积核的大小会直接影响卷积神经网络的参数数目及容量。LeNet-5-1和LeNet-5-5的卷积核大小不相同,识别正确率也不同。
池化层一般接在卷积层后面能够降低信息冗余。LeNet-5-7、LeNet-5-1和LeNet-5-6的池化大小逐渐增大,各不相同,识别正确率也不同。可以发现随着池化大小的增加,网络性能逐渐降低,因此网络结构中池化的大小一般取较小的值,通常取值1*1。
LeNet-5-1和LeNet-5-8可知,池化步长不同,识别正确率也不同。而且随着池化步长的增加会导致图像丢失信息,从而使最后的识别正确率降低。
Batch size越大,所需要的内存越大,在实际情况中Batch size会受到显存的限制,所以需要平衡二者的关系,同时Batch size影响着模型分类正确率和训练时间长短,观察LeNet-5-9、LeNet-5-1和LeNet-5-10可以发现,随着Batch size的增大,网络模型的识别正确率逐渐降低。
CNN训练时,卷积核一般以随机数矩阵的形式初始化,在网络训练过程中卷积核将学习得到合理的权值。
3、基于粒子群优化算法的卷积神经网络训练COVID-19医学影像数据集及其结果
以lenet-5为例,其输出为输入图像通过在训练集上进行大量训练后,在测试集上能够识别CT图像是否带有新型冠状病毒的准确率及损失。准确率高于90%则表示将粒子群算法用于卷积神经网络的优化,能够高效的用于批量识别临床测试者是否感染2019新型冠状病毒。
本发明通过将粒子群算法用于卷积神经网络的优化,然后再通过卷积神经网络训练COVID-19CT图像,能够实现使网络批量高效识别分类临床测试者是否感染2019冠状病毒病肺炎。
本发明的有益效果是:利用基于粒子群算法的卷积神经网络提高了鉴别是否感染COVID-19的效率,解决了人工诊断CT图像是否感染2019冠状病毒病肺炎耗时较长且存在主观诊断误差的缺点,该方法成本低,正确率高,适用范围广。
实施例2
本实施例提供一种COVID-19医学影像检测分类装置,包括:
医学影像数据集获取单元,用于获取用于COVID-19检测诊断的医学影像数据集;
医学影像数据集处理划分单元,用于处理医学影像数据集,对处理过后的医学影像数据集进行划分;
超参数选取及确定单元,用于基于粒子群算法优化的卷积神经网络,先选取卷积神经网络中可以优化的超参数,然后确定本实验中需要优化的超参数最优解;
训练识别单元,用于基于粒子群算法优化的卷积神经网络训练划分过的医学影像数据集,批量识别图像并进行正确分类。
实施例3
本实施例提供一种COVID-19医学影像检测分类装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据下述任一项所述方法的步骤:
获取用于COVID-19检测诊断的医学影像数据集;
处理医学影像数据集,对处理过后的医学影像数据集进行划分;
基于粒子群算法优化卷积神经网络,先选取卷积神经网络中可以优化的超参数,然后确定本实验中需要优化的超参数最优解;
基于粒子群算法优化的卷积神经网络训练划分过的医学影像数据集,批量识别图像并进行正确分类。
实施例4
本实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现下述任一项所述方法的步骤:
获取用于COVID-19检测诊断的医学影像数据集;
处理医学影像数据集,对处理过后的医学影像数据集进行划分;
基于粒子群算法优化卷积神经网络,先选取卷积神经网络中可以优化的超参数,然后确定本实验中需要优化的超参数最优解;
基于粒子群算法优化的卷积神经网络训练划分过的医学影像数据集,批量识别图像并进行正确分类。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种COVID-19医学影像检测分类方法,其特征在于,包括:
获取用于COVID-19检测诊断的医学影像数据集;
处理医学影像数据集,对处理过后的医学影像数据集进行划分;
基于粒子群算法优化卷积神经网络,首先选择卷积神经网络中可以优化的超参数,然后通过实验对比确定需要优化超参数的最优解;
基于粒子群算法优化的卷积神经网络训练划分过的医学影像数据集,批量识别图像并进行正确分类。
2.根据权利要求1所述的COVID-19医学影像检测分类方法,其特征在于:处理医学影像数据集,包括:选出清晰且肉眼可分辨病灶特征的图像。
3.根据权利要求1所述的COVID-19医学影像检测分类方法,其特征在于:对处理过后的医学影像数据集进行划分,包括:
将标注过的图像按照3:1:1的比例分配为训练集、测试集和验证集;
将处理过后的医学影像数据集分为两类,一类为COVID数据集,另一类为NonCOVID数据集。
4.根据权利要求1所述的COVID-19医学影像检测分类方法,其特征在于:基于粒子群算法优化卷积神经网络,包括:
(1)在粒子群算法中每个粒子可以看作是解空间中的一个点,若粒子的群体规模为N,则第i(i=1,2,...,N)个粒子的位置可以记为Xi,速度记为Vi,它所经历过的“最好”位置记为pbest(i),群体中“最好”粒子的位置记为gbest(i),粒子i根据下式更新自己的速度和位置:
其中,V'i和X'i分别为更新后的速度与位置,ω为惯性权值;c1,c2为加速常量;r为[0,1]上的随机数,另外,粒子在不断根据速度调整自己的位置时,受到最大速度Vmax的限制。当Vi超过Vmax时被限定为Vmax;
(2)在粒子的搜索过程中,需要使适应值Fitnessi达到最小,即使均方误差最小,其公式如下所示:
(3)基本粒子群算法的流程为:
①依照初始化过程,对粒子群的随机位置和速度进行初始设定;
②计算每个粒子的适应度值;
③对于每个粒子,将其适应度值与所经历过的最好位置pbest的适应度值进行比较,若较好,则将其作为当前的最好位置;
④对于每个粒子,将其适应度值与全局所经历的最好位置gbest的适应度值进行比较,若较好,则将其作为当前的全局最好位置;
⑤根据速度更新公式和位置更新公式更新粒子的速度和位置;
⑥如未达到结束条件,通常为足够好的适应阈值或达到一个预设的最大代数(Gmax),则返回步骤②。
5.根据权利要求1所述的COVID-19医学影像检测分类方法,其特征在于:所述卷积神经网络采用CNN网络结构。
6.根据权利要求1所述的COVID-19医学影像检测分类方法,其特征在于:对卷积神经网络中超参数进行选取时,选择在LeNet-5网络的基础上建模,其中,所述LeNet-5网络共有7层,包括3个卷积层,2个池化层和2个全连接层。
7.根据权利要求1所述的COVID-19医学影像检测分类方法,其特征在于:所述卷积神经网络中需要优化的超参数有卷积核大小及个数、池化大小和池化步长。
8.一种COVID-19医学影像检测分类装置,其特征在于,包括:
医学影像数据集获取单元,用于获取用于COVID-19检测诊断的医学影像数据集;
医学影像数据集处理划分单元,用于处理医学影像数据集,对处理过后的医学影像数据集进行划分;
超参数选取及确定单元,用于基于粒子群算法优化的卷积神经网络,先选取卷积神经网络中可以优化的超参数,然后确定本实验中需要优化的超参数最优解;
训练识别单元,用于基于粒子群算法优化的卷积神经网络训练划分过的医学影像数据集,批量识别图像并进行正确分类。
9.一种COVID-19医学影像检测分类装置,其特征在于:包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~7任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:该程序被处理器执行时实现权利要求1~7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111140377.3A CN113989543A (zh) | 2021-09-28 | 2021-09-28 | 一种covid-19医学影像检测分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111140377.3A CN113989543A (zh) | 2021-09-28 | 2021-09-28 | 一种covid-19医学影像检测分类方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113989543A true CN113989543A (zh) | 2022-01-28 |
Family
ID=79736967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111140377.3A Pending CN113989543A (zh) | 2021-09-28 | 2021-09-28 | 一种covid-19医学影像检测分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113989543A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544511A (zh) * | 2018-10-25 | 2019-03-29 | 广州大学 | 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 |
WO2020168820A1 (zh) * | 2019-02-22 | 2020-08-27 | 中国石油大学(华东) | 一种基于yolo卷积神经网络的胆石病ct医疗图像数据增强方法 |
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 |
WO2020215557A1 (zh) * | 2019-04-24 | 2020-10-29 | 平安科技(深圳)有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
-
2021
- 2021-09-28 CN CN202111140377.3A patent/CN113989543A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544511A (zh) * | 2018-10-25 | 2019-03-29 | 广州大学 | 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 |
WO2020168820A1 (zh) * | 2019-02-22 | 2020-08-27 | 中国石油大学(华东) | 一种基于yolo卷积神经网络的胆石病ct医疗图像数据增强方法 |
WO2020215557A1 (zh) * | 2019-04-24 | 2020-10-29 | 平安科技(深圳)有限公司 | 医学影像解释方法、装置、计算机设备及存储介质 |
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 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yun et al. | Improvement of fully automated airway segmentation on volumetric computed tomographic images using a 2.5 dimensional convolutional neural net | |
CN111986811B (zh) | 一种基于算法和大数据的疾病预测系统 | |
CN109949276B (zh) | 一种于改进SegNet分割网络的淋巴结检测方法 | |
Radjabov et al. | Neural networks for medical image segmentation | |
CN112215259B (zh) | 基因选择方法和装置 | |
CN110716792A (zh) | 一种目标检测器及其构建方法和应用 | |
Xie et al. | Optic disc and cup image segmentation utilizing contour-based transformation and sequence labeling networks | |
CN114359629A (zh) | 一种基于深度迁移学习的肺炎x胸片分类识别方法 | |
Iparraguirre-Villanueva et al. | Convolutional neural networks with transfer learning for pneumonia detection | |
CN114822823B (zh) | 基于云计算和人工智能的融合多维度医疗数据的肿瘤精细分类系统 | |
El-Shafai et al. | Automated COVID-19 detection based on single-image super-resolution and CNN models | |
CN114820490A (zh) | 一种基于yolox改进算法的聚集血小板检测方法 | |
CN111932541A (zh) | 一种用于预测新冠肺炎预后的ct影像图像处理方法 | |
CN113989543A (zh) | 一种covid-19医学影像检测分类方法及装置 | |
Mangeri et al. | Chest diseases prediction from X-ray images using CNN models: a study | |
El-Shafai et al. | Efficient Deep CNN Model for COVID-19 Classification. | |
CN115147640A (zh) | 一种基于改进胶囊网络的脑肿瘤图像分类方法 | |
CN113449791B (zh) | 基于深度学习的肺炎图像分类方法及系统 | |
CN112669319B (zh) | 一种多视角多尺度淋巴结假阳性抑制建模方法 | |
Jain et al. | Diagnosing covid-19 and pneumonia from chest ct-scan and x-ray images using deep learning technique | |
Zhao et al. | A decision fusion strategy for polyp detection in capsule endoscopy | |
CN117195027A (zh) | 基于成员选择的簇加权聚类集成方法 | |
JP2024508852A (ja) | 医療画像における病変分析方法 | |
CN113362927A (zh) | 一种基于深度学习的鳞状食道癌放化疗效果预测方法 | |
Srinivasulu | Early prediction of covid-19 using modified recurrent neural networks |
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 |