[發明專利]基于粒子群算法優化的卷積神經網絡對肺結節識別的方法

有效

• 申請號: 201811252918.X
• 申請日: 2018-10-25
• 公開（公告）號: CN109544511B
• 公開（公告）日: 2022-01-04
• 發明（設計）人: 黃文愷;倪皓舟;胡凌愷;薛義豪;彭廣龍;何杰賢;朱靜;吳羽
• 申請（專利權）人: 廣州大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08;G06N3/00
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 裘暉;林梅繁

1.基于粒子群算法優化的卷積神經網絡對肺結節識別的方法，其特征在于，包括以下步驟：

S1、獲取病人肺部的CT切片圖像；

S2、對CT切片圖像進行預處理，將獲取的CT切片圖像進行標注，形成數據集；

S3、構造卷積神經網絡；

S4、使用粒子群算法優化卷積神經網絡的超參數；

S5、利用標注好的數據集對優化后的卷積神經網絡進行訓練；

S6、使用訓練完成的卷積神經網絡提取肺結節特征；

步驟S4包括：

S41、設置粒子群算法參數：包括粒子數目、粒子的初始速度與位置以及它們的范圍、最大迭代次數；

S42、更新粒子群算法，計算更新后粒子的適應度；

粒子群算法的D維空間中有N個粒子，其位置和速度分別如下：

第i個粒子的位置：X_i＝(x_i1，x_i2，...，x_iD)，i＝1，2，...，N

第i個粒子的速度：V_i＝(v_i1，v_i2，...，v_iD)，i＝1，2，...，N

將在空間中搜尋到的第i個粒子的最優位置記為：

P_ibest＝(p_i1，p_i2，...，p_iD)i＝1，2，...，N

所有粒子搜索到的全局最優位置記為：

P_gbest＝(p_i1，p_i2，...，p_iD)i＝1，2，...，N

通過下面兩條公式調整自身的速度和位置來達到尋找最優解的目的：

其中，c₁、c₂為認知和社會參數，w為慣性權重，r₁、r₂為二個隨機數；

S43、比較當前粒子適應度和全局歷史最優適應度，若當前適應度更優，則全局歷史最優的位置為當前粒子位置；當達到最大迭代次數或者適應度誤差達到設定的誤差時結束迭代，輸出全局最優的粒子為最佳的超參數，適用于肺結節分割。

2.根據權利要求1所述的方法，其特征在于，所構造的卷積神經網絡包括輸入層、隱藏層及輸出層，輸入層、隱藏層、輸出層為完全連接層，輸出層采用Softmax作為輸出激活函數，隱藏層包括依次連接的卷積層C1、ReLU激活函數、池化層P1、卷積層C2、ReLU激活函數和池化層P2。

3.根據權利要求2所述的方法，其特征在于，所構造的卷積神經網絡中，輸出層采用歸一化指數函數Softmax作為輸出激活函數，數學表達式為：

其中，j＝1,2,...,N，Softmax輸出激活函數將一個含任意實數的K維向量z壓縮到另一個K維實向量σ(z)中，使得每一個元素的范圍都在(0,1)之間，并且所有元素的和為1。

4.根據權利要求2所述的方法，其特征在于，步驟S4利用粒子群算法優化卷積層C1和卷積層C2中的濾波器數目，并優化隱層的神經元數目、濾波器大小、池化類型及正則化概率。

5.根據權利要求4所述的方法，其特征在于，步驟S4通過設置8個粒子坐標進行卷積神經網絡的優化；8個粒子坐標分別對應：卷積層C1中濾波器數目、卷積層C2中濾波器數目、隱層的神經元數目、隱層的濾波器大小、訓練中批次大小、池化層P1及池化層P2的池化類型、卷積層dropout概率、完全連接層dropout概率。