[发明专利]基于CNN的胶囊网络图像定位改进算法

说明书

本发明公开了一种基于改进的卷积神经网络的肺炎图像的病灶定位算法，该算法在CNN精简模型的基础上，增加了批量归一化层，下采样层和Dropout层以防止过拟合特征提取，在Dropout层后添加ReLu激活函数，进一步对特征图进行降维，提高CNN模型表达能力，将CNN模型提取到的特征传入胶囊网络，通过隶属度矩阵更新聚类中心的定位信息，输出病灶的定位坐标。能够通过神经网络自动提取特征并对肺癌图像的病灶区域进行定位。本发明通过改进CNN精简模型结合胶囊网络，有效防止了过拟合现象，并且在使用少量训练集的情况下，提高了图像定位准确率。

技术领域

本发明属于深度学习，图像处理领域，涉及到图像定位在改进后的深度神经网络技术下的应用。

背景技术

目前计算机硬件性能发展已经能让深度学习技术很好的拟合医学图像定位。传统的图像处理技术，多用于支持向量机，这样的技术需要人为的提取特征，这样对医生的专业背景有很多的要求。而深度学习技术并不需要人为的提取特征，是一种端到端的学习方式。其中xception是谷歌公司继Inceptioin后提出的对Inception V3的另外一种改进，其好处是提升了正确率，但是需要的训练集数量也是很大的。通过后续的实验发现想要得到更好训练效果，要么加大数据的训练量，要么继续加深模型的深度。但是这样以来，又会造成一个问题，那就是过深的网络很容易导致过拟合的出现。

为了解决卷积神经网络过拟合以及对样本数量的依赖性问题，本发明提出了一种基于改进CNN精简模型的算法，使得改进后的模型不需要大量的训练集就能完成肺炎病灶图像的定位工作。

发明内容

发明目的：本发明提出了一种基于改进CNN精简模型的算法，使得改进后的模型不需要大量的训练集就能实现肺炎病灶图像的定位工作。

技术方案：基于CNN的胶囊网络图像定位改进算法，具体包含以下步骤：

步骤一：对输入进行图像增强，降噪，降低对特征的影响。

步骤二：改进xception模型，xception模型添加批量归一化层，下采样层和Dropout层。

步骤三：将处理好的图片传入经过改进的xception模型进行特征提取。

步骤四：将提取好的特征通过胶囊网络进行特征融合。

步骤五：通过定位器将肺炎的位置定位出来，输出定位好的肺炎图像。

进一步地步骤一中：按照数据集中的标签，取其中4个值，分别是：x，y，width，height。取出4个值，保证标签数据名跟图像名字一一对应，然后将其打包作为数据集。取其中百分之90作为训练集，百分之10作为测试集。并且对准备输入的图像进行增强，降噪。在输入模型之前，对随机图片进行预处理。预处理采用随机翻转，灰度化，由于本发明进行定位工作，为了防止定位的部分被裁剪开来，所以在预处理部分并不进行随机裁剪。

进一步地步骤二中：在基础的xception模型上，添加批标准化层，批标准化层的作用主要是将分散的数据统一到一种规格,能让机器学习更容易学习到数据之中的规律。再添加Dropout层，Dropout层能让神经元隐藏一部分神经元能够有效的防止过拟合的问题。再添加全局池化层。

进一步地步骤三中：设置让图片分批次的传入模型，每个Batch设置为16，每次仅仅传入16张图片到内存当中。在模型运行过程中，将参数设置为repeat，直到整个图片全部传入进去。模型的卷积层设置其中卷积核为3*3，卷积步长设置为2*2，将其填充方式设置为‘same’，这么做的目的是在于保证同一个卷积层中传入下一层的图片大小并没有减小。将卷积层激活函数设置为ReLU，ReLU的公式为

f(x)＝max(0,x) (1)