[发明专利]一种基于卷积神经网络的病变图像的分类和分割方法

说明书

本发明涉及一种基于卷积神经网络的病变图像的分类和分割方法，具体包括以下步骤：(1)采集病人的标准白光图像，将采集到的白光图像基于严格的组织学证据进行标注类别和分割标注并作为图像数据库；(2)构建病变分类网络Dual‑stream ELNet，得到病变分类模型；(3)构建病变U‑Net分割网络，得到病变分割网络模型；(4)将待测试的病变白光图像输入病变分类网络Dual‑stream ELNet中，得到病变所属类别；将所述类别的病变白光图像输入到指定的U‑Net分割网络模型中，得到病变分割结果。病变分类网络Dual‑stream ELNet基于Global Stream和Local Stream模型提取全局和局部特征，有效的提高了最终的分类结果。

技术领域

本发明涉及一种病变的分类和分割方法，具体涉及一种基于卷积神经网络的病变的分类和分割方法。

背景技术

近年来，随着科技的发展，内窥镜技术在临床上得到了广泛的应用，能够以最少的伤害，达成观察人体内部器官的目的。然而，每次内窥镜检查将产生大量的数据图像。为了检测病变图像，医生需要消耗大量时间在阅览图像工作，同时也会因为视觉疲劳产生漏检和误检。因此，研究出一套内窥镜病变图像自动检测的方法是当前急需解决的关键问题。目前在自动检测内窥镜病变图像研究领域中，众多研究者采用了传统的机器学习方法，而传统的机器学习方法往往需要人工提取特征，其方法比较繁琐，且很难达到预期理想的结果。深度学习与传统的机器学习相比，因其具有自动提取图像特征的优势而被广泛应用于众多图像处理领域中，在最后的处理结果中能够达到预期的理想效果，因此，本文基于深度学习思想，提出利用卷积神经网络方法(Convolutional Neural Network，CNN)对内窥镜图像常见病变的检测识别研究。

发明内容

本发明所要解决的技术问题是提供一种基于卷积神经网络的病变图像的分类和分割方法来解决现有技术中需要人工提取图像特征而造成步骤繁琐，达到的效果不理想的问题。

为解决以上技术问题，本发明的技术方案为：提供一种基于卷积神经网络的病变图像的分类和分割方法，其创新点在于：具体包括以下步骤：

(1)采集早期病变病人的标准白光图像，将采集到的白光图像基于严格的组织学证据进行标注类别和分割标注，将分类和标注好的图像作为图像数据库；

(2)构建病变分类网络Dual-stream ELNet，用训练样本集训练所述病变分类网络，确定网络参数，得到病变分类模型；

(3)构建病变U-Net分割网络，用训练样本集训练所述病变分割网络，得到病变分割网络模型；

(4)将待测试的病变白光图像输入病变分类网络Dual-stream ELNet中，得到病变所属类别；将所述类别的病变白光图像输入到指定的U-Net分割网络模型中，得到病变分割结果，完成病变图像的分类和分割。

进一步的，所述步骤(1)中采集的白光图像的标准是选择可采用常规白光内窥镜检查的图像，所述可采用常规白光内窥镜检查的图像包括由执照医师手动注释的像素级注释。

进一步的，所述步骤(1)中的图像数据库中的80％的图像为训练数据集，10％的图像为测试数据集，剩余的10％的图像为验证数据集。

进一步的，所述步骤(2)中构建的病变分类网络Dual-stream ELNet包括两个互补的网络，分别为Global Stream和Local Stream，所述Dual-stream ELNet模型包括多个卷积和池化层。

进一步的，使用训练样本集进行病变分类网络训练的方法为：将训练样本集的整体图像输入到Global Stream网络中，自动提取与病变大小和颜色对比度信息有关的全局特征，其中，通过采用21层网络层确定Global Stream网络参数，所述21层网络层包括16层卷积和5层池化自动优化权重参数。