[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

本發明公開了一種基于卷積神經網絡的超聲圖像分類方法。包括：從原始圖像圈定感興趣區域并裁剪，獲得剪裁后的圖像；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；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；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；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。本發明在對超聲圖像分類時，解決了神經網絡中訓練數據集不足的問題，提高了網絡的泛化性能。

技術領域

本發明涉及超聲圖像分析領域，尤其涉及一種基于卷積神經網絡的超聲圖像分類方法。

背景技術

在深度學習的圖像分類研究中，通常都依賴于大規模的數據集以避免過擬合問題的發生。當圖像數據量不夠或者是圖像不同類間數量分布不均衡時，通常采用傳統圖像增廣方式進行圖像增廣，例如多次裁剪、添加高斯噪聲、灰度均衡等傳統圖像增廣方法。

雖然這些傳統圖像增廣方法可以對現有數據集實現擴充，但是也會帶來網絡過擬合的問題，原因是這些傳統的圖像增廣方法只能產生和原始圖像極其相似的圖像，隨著增廣數據量的增加，數據集中雷同的數據項越來越多最終導致網絡過擬合，泛化性能差，即只能分辨該數據集中的圖像，而在新的形態有所差異的圖像上的分類效果差。

發明內容

發明目的：在深度學習領域中常常存在著圖像數據量不夠，或者圖像種類不夠豐富等情況，使用良好的圖像增廣方法往往能起到事半功倍甚至是決定性的作用；但與此同時單一的圖像增廣方式也有可能會導致網絡的過擬合，即僅在當前訓練集上能夠取得不錯的分類效果，而網絡的泛化性能差。本發明所要解決的技術問題是利用生成對抗網絡合成圖像，與傳統圖像增廣方式共同擴大分類數據集，從而提高卷積神經網絡對于超聲圖像分類性能。

為了解決上述技術問題，提出一種基于卷積神經網絡的超聲圖像分類方法，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。

進一步地，在一種實現方式中，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。

進一步地，在一種實現方式中，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。

進一步地，在一種實現方式中，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；