[发明专利]一种基于卷积神经网络的阴道病理图像分类方法

摘要

本发明属于计算机视觉及机器学习技术领域，公开了一种基于卷积神经网络的阴道病理图像分类方法。本发明包括步骤：使用上采样方法，得到类别平衡的阴道病理图像数据集；利用数据增强方法扩增阴道病理图像数据集；利用扩增的阴道病理图像数据集对图像分类卷积神经网络进行训练；利用交叉熵损失函数，结合BP算法对图像分类卷积神经网络进行网络参数更新；通过训练后的最优图像分类卷积神经网络对输入图像进行分类。本发明避免了传统特征提取方法的局限，如：高度依赖于医护人员的经验知识，耗费大量的时间和精力完成，提取出有区分性的高质量特征也往往存在一定的困难，而且准确率低，本发明借助于卷积神经网络，实现阴道病理图像的高精度分类。

主权项

1.一种基于卷积神经网络的阴道病理图像分类方法，其特征在于，包括以下步骤：步骤一：通过上采样方法增加小类别阴道病理图像数量，提高标注阴道病理图像数据集的类别平衡性，其中，上采样方法包括以下步骤：1.1.输入阴道病理图像数据集D＝[D₁,D₂,D₃]，其中，D表示阴道病理图像集，D₁，D₂，D₃分别表示类别为细菌性阴道病阴型、细菌性阴道病中间型、细菌性阴道病阳型的阴道病理图像数据集的子集；1.2.按照类别顺序对原始病理图像样本进行排序，计算每个类别的样本数目C＝[C₁,C₂,C₃]，并记录最大样本类样本数C_max，其中，C表示每类样本数集合，C₁，C₂，C₃分别表示类别为细菌性阴道病阴型、细菌性阴道病中间型、细菌性阴道病阳型的阴道病理图像样本个数；1.3.利用最大样本类样本数C_max对每类阴道病理图像样本产生一个随机排列数的列表并用此列表中的随机数对各自类别的样本数C_i取余，得到各类阴道病理图像样本对应的索引其中，设定类别i的取值为1,2,3，j的取值为1,2,3…C_max，l_ij表示类别为i的第j个随机数，index_ij表示类别为i的第j张阴道病理图像索引值；1.4.根据各类索引Index_i从各类的图像排列中提取图像，生成各类阴道病理图像的随机列表；1.5.将各类阴道病理图像的随机列表连在一起随机打乱次序，得到最终的样本图像列表ImageList；步骤二：对步骤一生成的样本图像列表ImageList，使用数据增强方法增加样本数目，得到生成的阴道病理图像数据集，其中，数据增强方法包括尺度变换、水平翻转、垂直翻转中的一种或是其组合；步骤三：利用步骤二生成的阴道病理图像数据集对图像分类卷积神经网络进行训练，其中，图像分类卷积神经网络包括四个卷积层、三个最大池化层和三个全连接层，且网络顺序为卷积层、池化层、卷积层、卷积层、池化层、卷积层、池化层、全连接层、全连接层、全连接层；每个卷积层的卷积核尺寸均为3*3，个数依次为96，128，256，256，每个池化层均包括1个2*2的核，全连接层的尺寸分别为1024、512和3；步骤四：将交叉熵损失函数作为图像分类卷积神经网络的损失函数，并结合BP算法更新网络参数，使得网络随着训练的进行，网络输出越来越接近正确标签；其中，损失函数为：Loss＝‑∑_kt_k*logy_k，其中，k表示输入到卷积神经网络的阴道病理图像，log表示以e为底数的自然对数，y_k是神经网络的输出，t_k是输入到卷积神经网络的阴道病理图像的正确标签；步骤五：利用步骤四所述的训练后的最优图像分类卷积神经网络对输入图像进行预测分类。