CN109785320A - 一种采用改进型AlexNet模型对乳腺钼靶X线图像进行分类和识别的方法 - Google Patents
一种采用改进型AlexNet模型对乳腺钼靶X线图像进行分类和识别的方法 Download PDFInfo
- Publication number
- CN109785320A CN109785320A CN201910081682.6A CN201910081682A CN109785320A CN 109785320 A CN109785320 A CN 109785320A CN 201910081682 A CN201910081682 A CN 201910081682A CN 109785320 A CN109785320 A CN 109785320A
- Authority
- CN
- China
- Prior art keywords
- image
- mammograms
- model
- network model
- relu
- 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
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明一种采用改进型AlexNet模型对乳腺钼靶X线图像进行分类和识别的方法,属于对乳腺钼靶X线图像进行识别和分类的技术领域,所要解决的技术问题是提供一种采用改进型AlexNet模型对乳腺钼靶X线图像进行分类和识别的方法,采用的方案包括以下步骤:第一步,对乳腺钼靶X线图像预处理;第二步,采用改进型AlexNet网络模型对乳腺钼靶X线图像进行训练;第三步,对乳腺钼靶X线图像的识别和分类;本发明适用于乳腺钼靶X线图像分类处理的领域。
Description
技术领域
本发明一种采用改进型AlexNet模型对乳腺钼靶X线图像进行分类和识别的方法,属于对乳腺钼靶X线图像进行识别和分类的技术领域。
背景技术
乳腺癌是全球女性癌症相关死亡的主要原因之一。到目前为止,还没有积极有效的的预防乳腺癌的方法,早期的诊断以及及时的治疗是提高患病者生存率的仅有方法。筛查***X线图像(Mammography),也叫乳腺钼靶X线照片是乳腺癌早期诊断中最有效的工具之一,临床医生通过可疑的肿块(Mass)以及其他结构,如微钙化灶(Micro-calcification)等来诊断病情。医生只有通过对乳腺病理图像的观察,来诊断病人是否患有乳腺癌症。而对病理图像进行准确的分类是医生制订最佳治疗方案的重要依据。目前基于人工的病理图像分类,不仅耗时、费力,而且诊断结果容易受到诸多主观人为因素的影响。乳腺钼靶X线图像主要是人工观察、分类和判断,自行凭经验诊断,误差时有发生,严重时影响到医患关系。
发明内容
本发明克服现有技术存在的不足,所要解决的技术问题为一种采用改进型AlexNet模型对乳腺钼靶X线图像进行快速准确的分类和识别的方法,协助相关人员对乳腺钼靶X线图像进行客观识别,准确和快速识别与分类。
为了解决上述技术问题,本发明采用的技术方案为:一种采用改进型AlexNet模型对乳腺钼靶X线图像进行分类和识别的方法,包括以下步骤:
第一步,对乳腺钼靶X线图像预处理
1)归一化
乳腺钼靶X线图像归一化用的是零均值归一化,采用转化函数为:
其中μ为数据的均值,σ为数据的标准差;
2)图像去噪
在对图像进行归一化处理后,采用中值滤波器再对图像进行去噪,其中采用的是滤波窗口方式,定义为:
式中:G(x,y)为输入的图像;
3)图像分割
图像分割是采用边缘检测器对图像进行分割,
所述边缘检测器的边缘检测的方法,如下:
①计算去噪后的图像局部的梯度
②利用非极大值抑制,保存图像梯度方向上的极大值点,首先对阈值T1和T2进行阈值处理,初始化T1<T2,定义大于T2的称为高阈值边缘,T1与T2之间的部分属于低阈值边缘;
③执行边缘链接;
第二步,采用改进型AlexNet网络模型对乳腺钼靶X线图像进行训练
1)先建立改进型AlexNet网络模型,所述的改进型AlexNet网络模型为九层模型结构,该模型中,第一和第二层相同,包括卷积、ReLu、池化步骤;
第三、四和五层相同,包括卷积、ReLu;
第六层不再是全连接,包括卷积、ReLu、池化步骤;
第七至九就是传统的神经网络全连接层;
2)采用ReLu函数作为模型的激活函数
ReLu函数具体如下:
其中x是输入;
3)利用Adam算法优化改进型AlexNet网络模型
利用交叉熵作为代价函数为
其中中y为期望的输出,a为神经元实际输出;
[a=σ(z),wherez=∑ωj*xj+b]
其中σ为数据的标准差,ω为权值,b为阈值;
4)将第一步得到的图像输入到改进的AlexNet网络模型进行训练;
第三步,对乳腺钼靶X线图像的识别和分类
将重新输入乳腺钼靶X线图像与优化后的改进型AlexNet网络模型进行训练得出的大数据网络模型进行比对,得到相应的识别和分类。
进一步,所述的AlexNet网络模型,增加了第六层,包括卷积、ReLu、池化操作。
本发明与现有技术相比具有以下有益效果:
本发明将改进型AlexNet网络模型加入到乳腺钼靶X线图像进行分类处理技术中,利用计算机强大的信息处理能力,识别和分类乳腺钼靶X线图像,辅助医生判断乳腺病灶的良恶可能性,在医学影像领域具有重要意义。
本发明研究了基于改进型AlexNet网络模型进行识别和分类乳腺钼靶X线图像的方法,以达到辅助医生快速诊断的目的,为临床的诊断和治疗提供了一种新的有效的方法。
附图说明
下面结合附图对本发明做进一步详细的说明;
图1为本发明中图像预处理流程图。
图2为本发明中图像分割流程图。
图3为原始AlexNet的算法流程。
图4为本发明中改进型AlexNet的算法流程图。
图5为本发明中ReLU函数坐标示意图。
具体实施方式
结合图1-5对本发明一种采用改进型AlexNet模型对乳腺钼靶X线图像进行分类和识别的方法做进一步描述:本发明中主要包含三个部分,第一部分是对乳腺图像进行预处理,减少图像的无关信息;第二部分是利用增强的AlexNet模型对乳腺图片数据集进行训练迭代,并测试准确率;第三部分是通过Adam算法优化损失函数,是损失函数达到最小。主要是对改进AlexNet模型更新权重和偏差参数,优化和改善增强的网络模型的训练方式。
下面介绍本设计方案中的三大部分。
乳腺图像预处理
乳腺钼靶X线图像是一种数字图像,在传输过程中,易受到机器设备和外界环境的干扰,导致产生错误信息。乳腺钼靶X线图像是一种常见的医学诊断影像,它的肿块部分的图像与腺体组织的对比度不高,肿块部分的图像边缘模糊度较高,不够清晰。所以,在做出诊断结果前,需要对图像进行预处理,提高图像的准确率。图1中所示的图像预处理流程,图像预处理的步骤如下:
1)归一化
乳腺钼靶X线图像归一化用的是零均值归一化,其原理就是对原有数据的均值和标准差进行数据的标准归一化。这样,经过处理后,均值变为了1,标准差更新为0,转化函数为:
其中μ为数据的均值,σ为数据的标准差。
2)图像去噪
乳腺钼靶X线图像含有很多不用的复杂噪声,这是因为人身体中的***组织比较复杂和特殊由于***组织的特殊性。所以,对图像处理的第二步就需要对图像进行去噪。这里对乳腺图像去噪用到的方法是使用中值滤波器,必须保证能够保留图像的边缘信息,有效的处理掉图像中的多余噪声,进而图像的质量和清晰度得到不断地完善。
在对图像进行处理时,中值滤波首先是设置一个带有尺寸大小的滤波窗口,然后在图像上进行移动,必须遍历图像上所有的点,最后用滤波器窗口内各个原始数据的中值作为中心点的值。中值滤波器是一项非常有效的可以抑制住噪声的比较成熟的技术,它是一种非线性的。因此,滤波窗口为的中值滤波器可以定义为:
3)图像分割
图像分割是图像进行预处理的关键一步。所谓图像分割就是把图像感兴趣的部分提取出来。本专利就是把乳腺钼靶X线图像中含有病变的部分提取出来,输入模型中进行训练,从而使正确率更高。
本专利用到的方法是基于边缘信息的边缘分割。其原理就是利用图像亮度的不一致性和不连续性,从而对图像的边缘像素点进行检测,检测可以得到不一样的像素点,最后利用边缘拼接技术将这些边缘像素点组合成新的边缘,从而可以得到有用的感性的病变图像。边缘检测器是最有效的边缘检测器,算法的基本流程如图2,具体如下:
①首先利用前面的中值滤波器对图像进行去噪;
②计算图像局部的梯度
③利用非极大值抑制,保存图像梯度方向上的极大值点。首先对阈值T1和T2进行阈值处理,初始化T1<T2,定义大于T2的称为高阈值边缘,T1与T2之间的部分属于低阈值边缘;
④最后,执行边缘链接。
(2)改进的AlexNet网络模型
1)原始AlexNet的算法流程如图3所示:
图3是原始的AlexNet模型,它有八层结构,前五层都用到了卷积神经网络,都用到了激活函数ReLu,其中第一层和第二层都用了池化和标准化的操作,第五层用了池化。第六层到第八层为传统神经网络全连接层。
2)改进的AlexNet模型如图4所示,图4是改进后的AlexNet模型,其模型有了九层结构。在该模型中,第一层和第二层没有改变,让第五层和第三层、第四层有一样的参数。第六层不再是全连接,有了卷积、ReLu、池化操作。最后三层就是传统的神经网络全连接层。
改进后的AlexNet网络模型效果更佳,提高了乳腺图像分类的准确率,主要是因为它增加了第五层结构。优点:a.增加了一层卷积操作,多了一次激活函数,提高了模型的训练速度和训练效率;b.由于多了一次利用卷积核进行滤波的原因,可以更加精确的提取乳腺图像的特征,过滤出了乳腺图像更多的多余特征;c.提高了测试集的准确率,不容易产生拟合,更有效的为医生诊断提供帮助。
3)激活函数
在此改进后的AlexNet网络模型中,用到的激活函数是ReLu函数。形式如下:
如图5所示的ReLU函数的图形,ReLU比其它激活函数有许多优势:不仅可以用到线性函数,还可以用到非线性函数。其中对于线性函数,ReLU在深度神经网络中,优势更强,;而在非线性函数中,ReLU因为不存在梯度消失的问题,可以使得改进后的模型处在一个相对稳定的状态。
(3)利用Adam算法优化模型
利用交叉熵作为代价函数(以下的公式相应一个神经元,多输入单输出):
其中中y为期望的输出,a为神经元实际输出:
[a=σ(z),wherez=∑ωj*xj+b]
与方差代价函数一样,交叉熵代价函数相同有两个性质:
其中一个是非负性。所以我们的目标就是最小化代价函数;
该算法的步骤如下:
1)步长∈(建议默认为:0.001);
2)矩估计的指数衰减速率,p1和p2在区间[0,1]内。(建议默认为:分别为0.9和0.999);
3)用于数值稳定的小常数δ(建议默认:10-8)
4)初始化参数θ,初始化一阶和二阶矩变量s=0,r=0,初始化时间步t=0
5)当没有达到停止准则,从训练集中采用包含m个样本{x(1),...,x(m)}的小批量,对应目标y(i)。
6)计算梯度:t←t+1
7)更新有偏一阶矩估计:s←p1s+(1-p1)g
更新有偏二阶矩估计:
8)修正一阶矩的偏差:
修正二阶矩的偏差:
9)计算更新:(逐元素应用操作)
应用更新:θ←θ+Δθ
本发明一种采用改进型AlexNet模型对乳腺钼靶X线图像进行分类和识别的方法,首先通过对图像进行预处理,去除无用的信息,提取病变的部分,更新训练集从而对模型进行训练和测试。然利用Adam算法优化交叉熵代价函数,使模型最优,从而提高乳腺图像分类的速度和准确率。
经过上述步骤后,利用计算机强大的信息处理能力,能够快速、准确和可靠地识别和分类乳腺钼靶X线图像,辅助医生判断乳腺病灶的良恶可能性,在医学影像处理领域具有重要意义。
本发明可用其他的不违背本发明的精神或主要特征的具体形式来概述。因此,无论从哪一点来看,本发明的上述实施方案都只能认为是对本发明的说明而不能限制发明,权利要求书指出了本发明的范围,而上述的说明并未指出本发明的范围,因此,在与本发明的权利要求书相当的含义和范围内的任何变化,都应认为是包括在权利要求书的范围内。
Claims (2)
1.一种采用改进型AlexNet模型对乳腺钼靶X线图像进行分类和识别的方法,其特征在于:包括以下步骤:
第一步,对乳腺钼靶X线图像预处理
1)归一化
乳腺钼靶X线图像归一化用的是零均值归一化,采用转化函数为:
其中μ为数据的均值,σ为数据的标准差;
2)图像去噪
在对图像进行归一化处理后,采用中值滤波器再对图像进行去噪,其中采用的是滤波窗口方式,定义为:
式中:G(x,y)为输入的图像;
3)图像分割
图像分割是采用边缘检测器对图像进行分割,
所述边缘检测器的边缘检测的方法,如下:
①计算去噪后的图像局部的梯度
②利用非极大值抑制,保存图像梯度方向上的极大值点,首先对阈值T1和T2进行阈值处理,初始化T1<T2,定义大于T2的称为高阈值边缘,T1与T2之间的部分属于低阈值边缘;
③执行边缘链接;
第二步,采用改进型AlexNet网络模型对乳腺钼靶X线图像进行训练
1)先建立改进型AlexNet网络模型,所述的改进型AlexNet网络模型为九层模型结构,
该模型中,第一和第二层相同,包括卷积、ReLu、池化步骤;
第三、四和五层相同,包括卷积、ReLu;
第六层不再是全连接,包括卷积、ReLu、池化步骤;
第七至九就是传统的神经网络全连接层;
2)采用ReLu函数作为模型的激活函数
ReLu函数具体如下:
其中x是输入;
3)利用Adam算法优化改进型AlexNet网络模型
利用交叉熵作为代价函数为
其中中y为期望的输出,a为神经元实际输出;
[a=σ(z),wherez=∑ωj*xj+b]
其中σ为数据的标准差,ω为权值,b为阈值;
4)将第一步得到的图像输入到改进的AlexNet网络模型进行训练;
第三步,对乳腺钼靶X线图像的识别和分类
将重新输入乳腺钼靶X线图像与优化后的改进型AlexNet网络模型进行训练得出的大数据网络模型进行比对,得到相应的识别和分类。
2.根据权利要求1所述的一种采用改进型AlexNet模型对乳腺钼靶X线图像进行分类和识别的方法,其特征在于:所述的AlexNet网络模型,增加了第六层,包括卷积、ReLu、池化操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910081682.6A CN109785320A (zh) | 2019-01-28 | 2019-01-28 | 一种采用改进型AlexNet模型对乳腺钼靶X线图像进行分类和识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910081682.6A CN109785320A (zh) | 2019-01-28 | 2019-01-28 | 一种采用改进型AlexNet模型对乳腺钼靶X线图像进行分类和识别的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109785320A true CN109785320A (zh) | 2019-05-21 |
Family
ID=66502720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910081682.6A Pending CN109785320A (zh) | 2019-01-28 | 2019-01-28 | 一种采用改进型AlexNet模型对乳腺钼靶X线图像进行分类和识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109785320A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223287A (zh) * | 2019-06-13 | 2019-09-10 | 首都医科大学北京友谊医院 | 一种可提高乳腺癌早期诊断率的方法 |
CN110738231A (zh) * | 2019-07-25 | 2020-01-31 | 太原理工大学 | 改进S-DNet神经网络模型的乳腺X射线图像的分类方法 |
CN113450305A (zh) * | 2020-03-26 | 2021-09-28 | 太原理工大学 | 医疗图像的处理方法、***、设备及可读存储介质 |
CN113449756A (zh) * | 2020-03-26 | 2021-09-28 | 太原理工大学 | 一种基于改进的DenseNet的多尺度图像识别方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106326931A (zh) * | 2016-08-25 | 2017-01-11 | 南京信息工程大学 | 基于深度学习的乳腺钼靶图像自动分类方法 |
AU2016201298A1 (en) * | 2016-02-29 | 2017-09-14 | Biomediq A/S | Computer analysis of mammograms |
CN108304889A (zh) * | 2018-03-05 | 2018-07-20 | 南方医科大学 | 一种基于深度学习的全数字乳腺成像图像放射组学方法 |
CN108416360A (zh) * | 2018-01-16 | 2018-08-17 | 华南理工大学 | 基于乳腺钼靶钙化特征的癌症诊断***及方法 |
CN108765387A (zh) * | 2018-05-17 | 2018-11-06 | 杭州电子科技大学 | 基于Faster RCNN乳腺DBT影像肿块自动检测方法 |
CN109191424A (zh) * | 2018-07-23 | 2019-01-11 | 哈尔滨工业大学(深圳) | 一种乳腺肿块检测与分类***、计算机可读存储介质 |
-
2019
- 2019-01-28 CN CN201910081682.6A patent/CN109785320A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2016201298A1 (en) * | 2016-02-29 | 2017-09-14 | Biomediq A/S | Computer analysis of mammograms |
CN106326931A (zh) * | 2016-08-25 | 2017-01-11 | 南京信息工程大学 | 基于深度学习的乳腺钼靶图像自动分类方法 |
CN108416360A (zh) * | 2018-01-16 | 2018-08-17 | 华南理工大学 | 基于乳腺钼靶钙化特征的癌症诊断***及方法 |
CN108304889A (zh) * | 2018-03-05 | 2018-07-20 | 南方医科大学 | 一种基于深度学习的全数字乳腺成像图像放射组学方法 |
CN108765387A (zh) * | 2018-05-17 | 2018-11-06 | 杭州电子科技大学 | 基于Faster RCNN乳腺DBT影像肿块自动检测方法 |
CN109191424A (zh) * | 2018-07-23 | 2019-01-11 | 哈尔滨工业大学(深圳) | 一种乳腺肿块检测与分类***、计算机可读存储介质 |
Non-Patent Citations (5)
Title |
---|
崔斌 等: "《R语言在生物医学领域的应用》", 31 October 2016, 上海交通大学出版社 * |
方卫华: "《跨拦河建筑物安全状态感知、融合与预测》", 31 December 2018, 河海大学出版社 * |
章新友 等: "《医学图形图像处理》", 30 April 2015, 中国中医药出版社 * |
郭宝龙 等: "《数字图像处理***工程导论》", 31 July 2012, 西安电子科技大学出版社 * |
高志强 等: "《深度学习 从入门到实战》", 30 June 2018, 中国铁道出版社 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110223287A (zh) * | 2019-06-13 | 2019-09-10 | 首都医科大学北京友谊医院 | 一种可提高乳腺癌早期诊断率的方法 |
CN110738231A (zh) * | 2019-07-25 | 2020-01-31 | 太原理工大学 | 改进S-DNet神经网络模型的乳腺X射线图像的分类方法 |
CN110738231B (zh) * | 2019-07-25 | 2022-12-27 | 太原理工大学 | 改进S-DNet神经网络模型的乳腺X射线图像的分类方法 |
CN113450305A (zh) * | 2020-03-26 | 2021-09-28 | 太原理工大学 | 医疗图像的处理方法、***、设备及可读存储介质 |
CN113449756A (zh) * | 2020-03-26 | 2021-09-28 | 太原理工大学 | 一种基于改进的DenseNet的多尺度图像识别方法和装置 |
CN113449756B (zh) * | 2020-03-26 | 2022-08-16 | 太原理工大学 | 一种基于改进的DenseNet的多尺度图像识别方法和装置 |
CN113450305B (zh) * | 2020-03-26 | 2023-01-24 | 太原理工大学 | 医疗图像的处理方法、***、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3770850B1 (en) | Medical image identifying method, model training method, and computer device | |
Yun et al. | Improvement of fully automated airway segmentation on volumetric computed tomographic images using a 2.5 dimensional convolutional neural net | |
CN109785320A (zh) | 一种采用改进型AlexNet模型对乳腺钼靶X线图像进行分类和识别的方法 | |
CN108416360B (zh) | 基于乳腺钼靶钙化特征的癌症诊断***及方法 | |
CN110852396A (zh) | 一种宫颈图像的样本数据处理方法 | |
Al Mubarok et al. | Pneumonia detection with deep convolutional architecture | |
Badsha et al. | A new blood vessel extraction technique using edge enhancement and object classification | |
CN108765392B (zh) | 一种基于滑动窗口的消化道内镜病变检测和识别方法 | |
Qureshi et al. | Detection of glaucoma based on cup-to-disc ratio using fundus images | |
CN110910404B (zh) | 一种抗噪声数据的乳腺超声结节分割方法 | |
CN109919254B (zh) | 乳腺密度分类方法、***、可读存储介质和计算机设备 | |
Karkuzhali et al. | Distinguising proof of diabetic retinopathy detection by hybrid approaches in two dimensional retinal fundus images | |
CN113450305B (zh) | 医疗图像的处理方法、***、设备及可读存储介质 | |
KR20200108685A (ko) | 딥러닝 알고리즘을 이용한 유방의 병변 검출 프로그램 | |
Akpinar et al. | Chest X-ray abnormality detection based on SqueezeNet | |
Akkar et al. | Diagnosis of lung cancer disease based on back-propagation artificial neural network algorithm | |
Mabrouk et al. | Computer aided detection of large lung nodules using chest computer tomography images | |
CN114266774A (zh) | 一种基于平扫ct图像诊断肺栓塞的方法、设备及*** | |
Kumar et al. | Detection system for lung cancer based on neural network: X-Ray validation performance | |
Manikandan et al. | Segmentation and Detection of Pneumothorax using Deep Learning | |
Liu et al. | Weakly-supervised localization and classification of biomarkers in OCT images with integrated reconstruction and attention | |
CN109410191A (zh) | 基于oct图像的眼底血管定位方法及其贫血筛查方法 | |
CN112967254A (zh) | 基于胸部ct影像肺部疾病识别和检测方法 | |
Wen et al. | A novel lesion segmentation algorithm based on U-Net network for Tuberculosis CT image | |
CN115222651A (zh) | 一种基于改进Mask R-CNN的肺结节检测*** |
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: 20190521 |
|
RJ01 | Rejection of invention patent application after publication |