[發明專利]一種基于多級篩選卷積神經網絡的微血管瘤圖像識別方法

有效

• 申請號: 201611145150.7
• 申請日: 2016-12-13
• 公開（公告）號: CN106803247B
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 盛斌;戴領;倪純;瞿蒙;鄭凌寒;陳慕凡
• 申請（專利權）人: 上海交通大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10;G06N3/04
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 葉敏華

1.一種基于多級篩選卷積神經網絡的微血管瘤圖像識別方法，其特征在于，所述方法包括下列步驟：

A1)將待檢測圖像進行隨機蕨分割，根據分割結果得到待檢測圖像的輔助通道圖像；

A2)將步驟A1)得到的待檢測圖像的輔助通道圖像與待檢測圖像作為輸入，進入多級篩選卷積神經網絡訓練模型進行檢測，得到待檢測圖像的微血管瘤特征檢測結果；

所述步驟A2)中的多級篩選卷積神經網絡訓練模型的建立過程具體為：

B1)將現有的微血管瘤診斷報告作為樣本，對微血管瘤診斷報告中的病變圖像進行隨機蕨分割，根據分割結果建立輔助通道圖像；

B2)將得到的輔助通道圖像與醫生對像素的病變標記圖像進行比對，根據比對結果將樣本分類并進行多級篩選卷積神經網絡訓練，得到多級篩選卷積神經網絡訓練模型。

2.根據權利要求1所述的基于多級篩選卷積神經網絡的微血管瘤圖像識別方法，其特征在于，所述步驟B1)具體為：

B11)將現有的微血管瘤診斷報告作為樣本，提取診斷報告中的文字建立病變標簽集合；

B12)對診斷報告中的病變圖像進行隨機蕨分割，計算分割后的像素與病變標簽的相關度d_ε(j,t)；

B13)根據步驟B12)計算的相關度d_ε(j,t)，建立病變圖像的輔助通道圖像。

3.根據權利要求2所述的基于多級篩選卷積神經網絡的微血管瘤圖像識別方法，其特征在于，所述分割后的像素與病變標簽的相關度d_ε(j,t)具體為：

其中，j為對應的像素點，t為對應的病變標簽，ε為隨機蕨的集合，為隨機蕨L_e的索引值y所對應的特征空間的區域，κ為每個病變標簽選取關聯度測度值最好的K個分割區域構成的集合，e,y表示隨機分割結果中的空間；E為隨機蕨的集合數量，L為二值函數的數量。

4.根據權利要求3所述的基于多級篩選卷積神經網絡的微血管瘤圖像識別方法，其特征在于，所述步驟B13)具體為：

B131)對當前病變標簽，遍歷病變圖像的所有像素，選取與病變標簽的相關度最高的像素；

B132)重新定義步驟B131)選取的像素的灰度值，所述灰度值與病變標簽相對應；

B133)判斷當前病變標簽是否為病變標簽集合中的最后一個，若是則將生成的灰度圖作為輔助通道圖像進行輸出，若否則將下一個病變標簽作為當前病變標簽，返回步驟B131)。

5.根據權利要求1所述的基于多級篩選卷積神經網絡的微血管瘤圖像識別方法，其特征在于，所述步驟B2)具體為：

B21)將得到的輔助通道圖像與醫生對像素的病變標記圖像進行比對，將樣本分為正類樣本和負類樣本；

B22)隨機選取正類樣本和負類樣本進行多級篩選卷積神經網絡訓練，并在負類樣本中的假陽樣本增長率不變時停止訓練，得到訓練模型。

6.根據權利要求5所述的基于多級篩選卷積神經網絡的微血管瘤圖像識別方法，其特征在于，所述正類樣本包括真陽樣本和假陰樣本，所述負類樣本包括假陽樣本和真陰樣本，所述真陽樣本為醫生和輔助通道圖像均標記為有病變的像素，所述假陰樣本為醫生標記為有病變而輔助通道圖像標記為無病變的像素，所述假陽樣本為醫生標記為無病變而輔助通道圖像標記為有病變的像素，所述真陰樣本為醫生和輔助通道圖像均標記為無病變的像素。

7.根據權利要求6所述的基于多級篩選卷積神經網絡的微血管瘤圖像識別方法，其特征在于，所述步驟B22)具體為：

B221)保持正類樣本的數量不變，隨機選取與正類樣本數量相同的負類樣本加入訓練樣本集，進行卷積神經網絡訓練；

B222)判斷得到的假陽樣本數量是否大于正類樣本數量，若是則隨機采樣假陽樣本得到與正類樣本數量相同的假陽樣本加入訓練樣本集，進行下一輪卷積神經網絡訓練，若否則進入步驟B223)；

B223)將得到的所有假陽樣本加入訓練樣本集，并在所有的負類樣本中進行隨機選取，進行下一輪卷積神經網絡訓練，所述隨機選取的負類樣本數量等于正類樣本數量與假陽樣本數量之差；

B224)判斷訓練得到的假陽樣本增長率是否不變，若是則停止訓練得到訓練模型，若否則返回步驟B223)。