[发明专利]基于卷积神经网络的淋巴结识别的半监督方法

说明书

本发明公开的基于卷积神经网络的淋巴结识别的半监督方法。包括一下步骤：先获取并预处理淋巴结图像，得到淋巴结图像样本；将淋巴结图像样本按照9:1的比例随机分为训练数据集和验证数据集，将训练数据集进行翻转和剪切的数据增强，之后从训练数据中选取20％作为有标签数据，剩下的训练数据作为无标签数据，验证数据集不做任何处理；将训练样本集输入模型分类器并不断迭代训练，每迭代1000步使用验证样本集验证模型分类器，记录验证集的正确率。本发明的识别方法将淋巴结识别的过程实现了处理流程的简化，将淋巴结图像特征提取及风格识别融为一体，识别速度快，而且识别准确率高，收敛速度快，识别准确率高，具有较好的鲁棒性、扩展性。

技术领域

本发明属于半监督图像分类识别方法技术领域，特别是涉及一种卷积神经网络在淋巴结识别的方法。

背景技术

一直以来，淋巴结肿大是诱发许多疾病的根本原因，如淋巴瘤、炎症等，但是淋巴结的临床诊断一直是一个费时耗力的难题，这是由于医学图像固有的特点所决定的。一方面，人体组织是一个多种组织融合的实体，要把这种实体的影像清晰地通过图像方式展示出来，其过程本身就是一个错综复杂的操作；另一方面，人体内的各种组织相似度很大，这就造成了医学成像数据的模糊和不均匀。

正是医学图像的上述特性医生识别病变组织的难度，本文针对对腹腔淋巴结自动识别的问题，设计了一个基于卷积的半监督模型。

发明内容

本发明针对现有技术的不足，提出了一种基于卷积神经网络的淋巴结识别的半监督方法。

本发明的所采用的技术方案是，基于卷积网络的淋巴结识别方法，包括以下步骤：

步骤1，获取并预处理淋巴结图像，得到淋巴结图像样本；具体为将淋巴结图像归一化处理，并将归一化处理过的淋巴结图像调整为32×32×3的统一格式；

步骤2，将步骤1得到的淋巴结图像样本按照9:1的比例随机分为训练数据集和验证数据集，将训练数据集进行翻转和剪切的数据增强，之后从训练数据中选取20％作为有标签数据D_L(x,y)，剩下的训练数据作为无标签数据D_UL(x,y)，验证数据集不做任何处理；

步骤3，将步骤2中的训练样本集输入模型分类器并不断迭代训练，每迭代1000步使用验证样本集验证模型分类器，记录验证集的正确率；

其中具体迭代训练过程为：

(1)、采样有标签数据

采样

(2)、代入模型分类器计算监督交叉熵损失L_s

其中f_θ()表示模型分类器；

(3)、采样两个无标签样本

采样

(4)、计算假的标签

其中f_θ′()表示滑动平均模型分类器；

(5)、采样插值系数λ

采样λ～Q，其中Q随机分布在0～1之间；

(6)、计算插值u_m、

u_m＝Mix_λ(u_j,u_k),

其中Mix_λ(a,b)＝λa+(1-λ)b；

(7)、计算平方误差L_US

(8)、计算总的损失L