[发明专利]基于卷积神经网络的肺炎影像识别系统

说明书

本发明涉及医学影像技术领域，且公开了基于卷积神经网络的肺炎影像识别系统，包括以下方法步骤：(a)、将数据集归一体，调整尺寸为244*244，将图像划分为几个区域再分别对其进行直方图均衡化操作；(b)、利用线性插值法优化均衡化的效果，保留更多细节信息；(c)、对图像进行高斯滤波，滤波后图像更加平滑，保留图像边缘信息，通过调节参数避免图像特征过于模糊或者突变量过多；本发明中，在肺炎影像识别系统中，通过对传统算法改进，本算法引入多主干网络并行组合的特征融合模型，通过进行反卷积操作后得到像素点分离的细节信息，最后通过Concat操作融合特征信息，较好地提高了分类准确率和浅层网络分类效果。

技术领域

本发明涉及医学影像技术领域，具体为基于卷积神经网络的肺炎影像识别系统。

背景技术

作为一门科学，医学影像属于生物影像，并包含影像诊断学、放射学、内视镜、医疗用热影像技术、医学摄影和显微镜。对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。它包含以下两个相对独立的研究方向：医学成像系统和医学图像处理，前者是指图像行成的过程，包括对成像机理、成像设备、成像系统分析等问题的研究；后者是指对已经获得的图像作进一步的处理，其目的是或者是使原来不够清晰的图像复原，或者是为了突出图像中的某些特征信息，或者是对图像做模式分类等等。

现有卷积网络模型采用主网络提取深层特征，通常增加卷积层数目来提高分类性能，但在医学影像中过度增加卷积层容易导致过拟合现象，影像结果的准确性，有待于改进。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了基于卷积神经网络的肺炎影像识别系统，解决了上述背景技术中提出的问题。

(二)技术方案

为实现上述目的，本发明提供如下技术方案：基于卷积神经网络的肺炎影像识别系统，包括以下方法步骤：

S1、预处理

(a)、将数据集归一体，调整尺寸为244*244，将图像划分为几个区域再分别对其进行直方图均衡化操作；

(b)、利用线性插值法优化均衡化的效果，保留更多细节信息；

(c)、对图像进行高斯滤波，滤波后图像更加平滑，保留图像边缘信息，通过调节参数避免图像特征过于模糊或者突变量过多；

S2、卷积模型构建

(d)、构建网络结构完全相同的多主干网络，添加跨层连接，将反卷积特征与前层卷积特征融合；

S3、模型测试

(e)、使用tensorflow框架训练并评估模型，调整参数得到最终模型。

优选的，算法引入多主干网络并行组合的特征融合模型，通过进行反卷积操作后得到像素点分离的细节信息，最后通过Concat操作融合特征信息。

(三)有益效果

本发明提供了基于卷积神经网络的肺炎影像识别系统，具备以下有益效果：

(1)、本发明中，在肺炎影像识别系统中，通过对传统算法改进，本算法引入多主干网络并行组合的特征融合模型，通过进行反卷积操作后得到像素点分离的细节信息，最后通过Concat操作融合特征信息，较好地提高了分类准确率和浅层网络分类效果。

附图说明

图1为本发明算法网络结构图。

具体实施方式