[发明专利]一种基于改进MobileNet模型的蜂窝肺识别方法

说明书

本发明公开了一种基于改进MobileNet模型的蜂窝肺识别方法，研究涉及图像处理技术领域；方法包括：获取蜂窝征CT影像数据集，对数据集进行数据标注和预处理；构建分类识别模型；计算模型输出与原始数据的误差损失值；根据误差损失值更新神经网络模型的参数；遍历所有训练样本，完成神经网络模型的训练学习，构建蜂窝肺CT影像识别模型，利用评价指标获得模型的识别性能；本发明是在计算机辅助的前提下精确获得蜂窝肺CT影像识别分类结果，提高分类识别准确率和模型整体性能。

技术领域

本发明属于图像处理技术领域，涉及一种基于改进MobileNet模型的蜂窝肺识别方法。

背景技术

蜂窝征是特发性肺纤维化的主要组织病理学特征，是多种晚期肺疾病形成以蜂窝样为特征的肺部改变。近年来，由于环境恶化，间质性肺疾病的发病率和患病率正在逐年增高，这类疾病的病死率高，临床预后差，5年生存率不足30％。在进行蜂窝肺疾病诊断时，可以通过活检获得相关的蜂窝征CT影像，医疗人员通过CT影像可以清晰地观察到蜂窝肺的分布范围或程度的细微变化。

传统的医学图像识别方法是利用手工提取特征，且常用方法多为基于纹理、形状和颜色的特征提取，将这些特征使用支持向量机、随机森林等分类器完成分类。但由于蜂窝肺CT影像存在分辨率低、噪声明显、病灶形状不规则等问题，导致传统的识别方法提取特征不充分，效率低下，造成泛化能力及鲁棒性较差，进而影响图像的识别分类精度。

近年来，随着科学技术的发展，深度学习技术因其强大的特征提取能力，在图像分类中起着至关重要的作用。与人工识别相比，深度学习技术因其客观能力强，识别速度快，并且可以在短时间内处理大量图像数据，可以帮助医生做出更好的判断，减轻医生的负担。但现有的深度学习技术对于此类蜂窝肺影像数据集仍然存在分类识别准确率低的问题。

发明内容

本发明克服了现有技术的不足，提出一种基于改进MobileNet模型的蜂窝肺识别方法，通过多尺度特征融合和改进深度可分离卷积模块对蜂窝肺CT影像数据集进行识别和分类。

为了达到上述目的，本发明是通过如下技术方案实现的。

一种基于改进MobileNet模型的蜂窝肺识别方法，包括以下步骤：

a)收集得到不同年龄段有关正常人和病人的CT图像，利用二者生成数据集，对数据集中的蜂窝肺CT影像进行数据标注和预处理。

b)将预处理的蜂窝肺CT影像数据集进行数据扩充，并按照预设比例划分为训练集和验证集。

c)构建基于改进的MobileNet的网络模型，通过训练过程得到神经网络模型的输出；所述改进的MobileNet的网络模型是通过运用不同扩张率的空洞卷积自动提取蜂窝肺CT影像中的特征信息，在不损失特征信息的基础上扩大特征提取的感受野，并且将不同层次的特征信息送入特征提取模块进行通道拼接，获得特征融合向量，之后将通过卷积操作后获得的多种特征信息通过通道拼接实现特征信息的融合，最后通过使用Sigmid线性激活函数使各通道的特征信息得以保留。

d)根据识别分类网络模型的预测值与真实值之间的损失误差更新所述网络模型的参数；所述的损失误差是通过使用交叉熵损失函数获取，所述损失误差的计算式为：

其中J(θ)为参数θ的偏导数；y⁽ⁱ⁾为第i个样本x⁽ⁱ⁾的标签；m为样本数量； h_θ(*)为样本预测正确的概率。

e)采用参数更新后的MobileNet的网络模型对验证集进行测试，通过评价指标获得所述网络模型的整体性能。

f)将待预测的CT影像输入参数更新后的MobileNet的网络模型中获得预测识别结果。

优选的，步骤b中，将预处理的蜂窝肺CT影像进行数据扩充后，再进行标准化处理。