[發(fā)明專利]基于多視野卷積神經(jīng)網(wǎng)絡(luò)的影像特征識別方法

有效

• 申請?zhí)枺?/td>: 201611261265.2
• 申請日: 2016-12-30
• 公開（公告）號: CN106845529B
• 公開（公告）日: 2020-10-27
• 發(fā)明（設(shè)計(jì)）人: 劉達(dá);劉奎;侯蓓蓓
• 申請（專利權(quán)）人: 北京柏惠維康科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08;G06K9/46
• 代理公司: 北京凱特來知識產(chǎn)權(quán)代理有限公司 11260
• 代理人: 鄭立明;鄭哲

1.一種基于多視野卷積神經(jīng)網(wǎng)絡(luò)的影像特征識別方法，其特征在于，包括：

步驟一、收集歷史數(shù)據(jù)庫中的帶有正負(fù)標(biāo)簽的CT影像，建立數(shù)據(jù)集；

步驟二、利用圖像分割算法判斷數(shù)據(jù)集中每一CT影像中所標(biāo)定特征的位置區(qū)域，提取不同像素大小的敏感區(qū)域；所述提取不同像素大小的敏感區(qū)域包括：判斷出CT影像中所標(biāo)定特征的位置區(qū)域，所標(biāo)定特征即用于特征識別的特征，再從中提取S個像素大小分別為M₁,M₂,…,M_S的敏感區(qū)域；

步驟三、構(gòu)建多視野卷積神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)構(gòu)架包括：相互交替的卷積層與池化層，后接一個全連接層，最后的輸出層是Softmax分類器；

步驟四、將提取的不同像素大小的敏感區(qū)域作為樣本輸入至多視野卷積神經(jīng)網(wǎng)絡(luò)，并對多視野卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得訓(xùn)練好的多視野卷積神經(jīng)網(wǎng)絡(luò)；

步驟五、采用步驟二的方式對待識別的CT影像進(jìn)行處理，將提取到的不同像素大小的敏感區(qū)域輸入到訓(xùn)練好的多視野卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征識別，根據(jù)識別結(jié)果來確定待識別CT影像的正負(fù)標(biāo)簽；

多視野卷積神經(jīng)網(wǎng)絡(luò)的前向傳播包括：

第一層為卷積層C1，其表達(dá)式為：

其中，X為輸入的樣本，表示卷積層C1的第i個特征向量的輸入，ker_i¹表示卷積層C1第i個卷積核，valid表示conv所表示的卷積運(yùn)算是窄卷積運(yùn)算，表示連接輸入層和卷積層C1的偏置向量，表示卷積層C1第i個特征向量的激活值，f為卷積層的激活函數(shù)；

第二層是池化層S2，其表達(dá)式為：

其中，表示池化層S2第i個特征向量的輸入，表示池化層S2第i個特征向量的激活值，down表示下采樣，表示池化層S2下采樣操作的系數(shù)，b_i²表示連接卷積層C1和池化層S2的偏置向量；

第三層是卷積層C3，其表達(dá)式為：

其中，表示卷積層C3第i個特征向量的輸入，ker_i³表示卷積層C3第i個卷積核，*表示卷積運(yùn)算，表示卷積層C3第i個特征向量的激活值，b_i³表示連接池化層S2和卷積層C3的偏置向量，表示池化層S2的輸出；

第四層為池化層S4，其表達(dá)式為：

其中，表示池化層S4第i個特征向量的輸入，表示池化層S4池化操作的系數(shù)，表示池化層S4第i個特征向量的激活值，表示連接輸入層和池化層S4的偏置向量；

第五層為全連接層，將順序展開成向量，并有序連接成一個長向量，作為Softmax分類器的輸入；其表達(dá)式為：

其中，池化層S4的輸出，表示全連接層第i個特征向量的激活值；

第六層為Softmax分類器，其表達(dá)式為：

其中，θ_j表示該層的參數(shù)矩陣，P(y_i＝j(luò)|x_i；θ)表示Softmax分類器輸出概率，y_i表示Softmax分類器的分類結(jié)果，J(θ)表示目標(biāo)函數(shù)，m表示樣本個數(shù)，k表示類別數(shù)，表示該層參數(shù)矩陣的轉(zhuǎn)置，θ_ij表示全連接層和Softmax分類器之間的系數(shù)矩陣，x_i表示所給定的樣本i，θ_c表示連接全連接FC層和第c個類別輸出器的參數(shù)，是權(quán)重衰減項(xiàng)，表示權(quán)重衰減項(xiàng)系數(shù)。

2.根據(jù)權(quán)利要求1所述的一種基于多視野卷積神經(jīng)網(wǎng)絡(luò)的影像特征識別方法，其特征在于，所述對多視野卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練包括：

隨機(jī)初始化各層參數(shù)，包括：卷積層的卷積核，全連接層的權(quán)重矩陣與偏置向量以及Softmax分類器的參數(shù)，并進(jìn)行前向傳播；

權(quán)值更新：基于前向傳播各層的輸出以及訓(xùn)練集的標(biāo)簽進(jìn)行逐層反向傳播，確定各層參數(shù)，完成對整個多視角神經(jīng)網(wǎng)絡(luò)有監(jiān)督的訓(xùn)練；

微調(diào)網(wǎng)絡(luò)參數(shù)：利用Dropout技術(shù)對整個網(wǎng)絡(luò)進(jìn)行微調(diào)；

選擇模型超參：將步驟二中得到的敏感區(qū)域隨機(jī)均分為N份，利用N折交叉驗(yàn)證技術(shù)，選擇使得模型識別性能最好的超參。