[發明專利]一種基于卷積神經網絡的超聲圖像分類方法

有效

• 申請號: 202010070699.4
• 申請日: 2020-01-21
• 公開（公告）號: CN111325236B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 金志斌;周雪;程裕家;袁杰;彭成磊;李睿欽;張瑋婧
• 申請（專利權）人: 南京大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/25;G06V10/26;G06V10/50;G06V10/82;G06N3/0464;G06N3/0475;G06N3/084
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 胡建華

1.一種基于卷積神經網絡的超聲圖像分類方法，其特征在于，包括如下步驟：

步驟1，從原始圖像圈定感興趣區域并裁剪，獲得剪裁后的圖像；

步驟2，對所述裁剪后的圖像采用添加高斯噪聲方法與直方圖均衡方法進行數據增廣，獲得數據增廣后的數據集；

步驟3，利用所述增廣后的數據集進行生成對抗網絡的訓練，并驗證測試，獲得訓練好的生成器；

步驟4，加載所述訓練好的生成器，通過噪聲推理出圖像，并對生成的所述圖像標定標簽；

步驟5，將所述生成器生成的圖像擴充到分類數據集中，重新訓練卷積神經網絡對超聲圖像進行分類，并輸出準確率和召回率，評估網絡性能；

步驟2中，先對所述裁剪后的圖像添加高斯白噪聲再進行直方圖均衡，或者先對所述裁剪后的圖像進行直方圖均衡再添加高斯白噪聲。

2.根據權利要求1所述的一種基于卷積神經網絡的超聲圖像分類方法，其特征在于，所述步驟1包括：從所述原始圖像中選擇包含目標區域的圖像子塊并進行裁剪，獲得剪裁后的圖像，所述裁剪后的圖像的大小為包含目標區域在內的統一尺寸，所述包含目標區域的圖像子塊即原始圖像的感興趣區域。

3.根據權利要求1所述的一種基于卷積神經網絡的超聲圖像分類方法，其特征在于，所述步驟2包括：

對所述裁剪后的圖像添加高斯白噪聲，使得添加高斯白噪聲后的圖像的直方圖曲線符合一維高斯分布；

對所述裁剪后的圖像做直方圖均衡，使得映射后的圖像的像素值符合均勻分布。

4.根據權利要求1所述的一種基于卷積神經網絡的超聲圖像分類方法，其特征在于，所述步驟3包括：

步驟3-1，將通過所述步驟2獲得的數據集中的圖像添加到真實圖像數據集，將所述真實圖像數據集中的真實圖像輸入到生成對抗網絡中，和生成器推理出的生成圖像一起作為判別器的輸入圖像，其中，所述真實圖像的標簽為真，所述生成圖像的標簽為假；

步驟3-2，在所述生成器后串接判別器，輸入隨機噪聲，經由生成器后，將生成圖像輸入到判別器中，并且此時所述生成圖像的標簽設置為真，將損失函數值回傳，只更新所述生成器的網絡參數而保持判別器的網絡參數不變；

步驟3-3，由所述訓練好的生成器的網絡參數生成生成器權重文件。

5.根據權利要求1所述的一種基于卷積神經網絡的超聲圖像分類方法，其特征在于，所述步驟4包括：

步驟4-1，將所述步驟3中生成器的網絡參數直接導入生成器權重文件，進行推理；

步驟4-2，通過所述生成器生成圖像，并給所述生成器生成的圖像標定標簽。

6.根據權利要求1所述的一種基于卷積神經網絡的超聲圖像分類方法，其特征在于，所述步驟5包括：

步驟5-1，將所述步驟4已標記的生成圖像與原數據集合并，作為殘差分類網絡的訓練集；

步驟5-2，所述殘差分類網絡的訓練過程分為訓練階段和驗證階段，數據集完成一次迭代即進行一次驗證，并且通過更新參數追蹤表現最好的網絡模型，所述表現最好的網絡模型即驗證準確率最高的模型，在訓練結束時返回所述驗證準確率最高的模型；

在訓練結束之后，通過將已做好標簽的測試數據集輸入到訓練好的網絡中，計算分類準確的樣本數占所述測試數據集樣本總數的比例，得到殘差分類網絡的準確率，所述準確率越高，網絡性能越好；

同時，輸出召回率，即計算訓練數據集經過所述殘差分類網絡后，分類準確的樣本數占所述訓練數據集樣本總數的比例，所述召回率越高，網絡性能越好。