[发明专利]一种基于多级筛选卷积神经网络的微血管瘤图像识别方法

权利要求书

1.一种基于多级筛选卷积神经网络的微血管瘤图像识别方法，其特征在于，所述方法包括下列步骤：

A1)将待检测图像进行随机蕨分割，根据分割结果得到待检测图像的辅助通道图像；

A2)将步骤A1)得到的待检测图像的辅助通道图像与待检测图像作为输入，进入多级筛选卷积神经网络训练模型进行检测，得到待检测图像的微血管瘤特征检测结果；

所述步骤A2)中的多级筛选卷积神经网络训练模型的建立过程具体为：

B1)将现有的微血管瘤诊断报告作为样本，对微血管瘤诊断报告中的病变图像进行随机蕨分割，根据分割结果建立辅助通道图像；

B2)将得到的辅助通道图像与医生对像素的病变标记图像进行比对，根据比对结果将样本分类并进行多级筛选卷积神经网络训练，得到多级筛选卷积神经网络训练模型。

2.根据权利要求1所述的基于多级筛选卷积神经网络的微血管瘤图像识别方法，其特征在于，所述步骤B1)具体为：

B11)将现有的微血管瘤诊断报告作为样本，提取诊断报告中的文字建立病变标签集合；

B12)对诊断报告中的病变图像进行随机蕨分割，计算分割后的像素与病变标签的相关度d_ε(j,t)；

B13)根据步骤B12)计算的相关度d_ε(j,t)，建立病变图像的辅助通道图像。

3.根据权利要求2所述的基于多级筛选卷积神经网络的微血管瘤图像识别方法，其特征在于，所述分割后的像素与病变标签的相关度d_ε(j,t)具体为：

其中，j为对应的像素点，t为对应的病变标签，ε为随机蕨的集合，为随机蕨L_e的索引值y所对应的特征空间的区域，κ为每个病变标签选取关联度测度值最好的K个分割区域构成的集合，e,y表示随机分割结果中的空间；E为随机蕨的集合数量，L为二值函数的数量。

4.根据权利要求3所述的基于多级筛选卷积神经网络的微血管瘤图像识别方法，其特征在于，所述步骤B13)具体为：

B131)对当前病变标签，遍历病变图像的所有像素，选取与病变标签的相关度最高的像素；

B132)重新定义步骤B131)选取的像素的灰度值，所述灰度值与病变标签相对应；

B133)判断当前病变标签是否为病变标签集合中的最后一个，若是则将生成的灰度图作为辅助通道图像进行输出，若否则将下一个病变标签作为当前病变标签，返回步骤B131)。

5.根据权利要求1所述的基于多级筛选卷积神经网络的微血管瘤图像识别方法，其特征在于，所述步骤B2)具体为：

B21)将得到的辅助通道图像与医生对像素的病变标记图像进行比对，将样本分为正类样本和负类样本；

B22)随机选取正类样本和负类样本进行多级筛选卷积神经网络训练，并在负类样本中的假阳样本增长率不变时停止训练，得到训练模型。

6.根据权利要求5所述的基于多级筛选卷积神经网络的微血管瘤图像识别方法，其特征在于，所述正类样本包括真阳样本和假阴样本，所述负类样本包括假阳样本和真阴样本，所述真阳样本为医生和辅助通道图像均标记为有病变的像素，所述假阴样本为医生标记为有病变而辅助通道图像标记为无病变的像素，所述假阳样本为医生标记为无病变而辅助通道图像标记为有病变的像素，所述真阴样本为医生和辅助通道图像均标记为无病变的像素。

7.根据权利要求6所述的基于多级筛选卷积神经网络的微血管瘤图像识别方法，其特征在于，所述步骤B22)具体为：

B221)保持正类样本的数量不变，随机选取与正类样本数量相同的负类样本加入训练样本集，进行卷积神经网络训练；

B222)判断得到的假阳样本数量是否大于正类样本数量，若是则随机采样假阳样本得到与正类样本数量相同的假阳样本加入训练样本集，进行下一轮卷积神经网络训练，若否则进入步骤B223)；

B223)将得到的所有假阳样本加入训练样本集，并在所有的负类样本中进行随机选取，进行下一轮卷积神经网络训练，所述随机选取的负类样本数量等于正类样本数量与假阳样本数量之差；

B224)判断训练得到的假阳样本增长率是否不变，若是则停止训练得到训练模型，若否则返回步骤B223)。