[發(fā)明專利]一種基于SE-ResNet的肺結(jié)核識別方法

在審

• 申請?zhí)枺?/td>: 202110301567.2
• 申請日: 2021-03-22
• 公開（公告）號: CN113052227A
• 公開（公告）日: 2021-06-29
• 發(fā)明（設(shè)計）人: 潘曉光;焦璐璐;令狐彬;宋曉晨;韓丹
• 申請（專利權(quán)）人: 山西三友和智慧信息技術(shù)股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/42;G06N3/04;G06N3/08;G06T7/00
• 代理公司: 太原榮信德知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 14119
• 代理人: 楊凱;連慧敏

1.一種基于SE-ResNet的肺結(jié)核識別方法，其特征在于：包括以下步驟：

S1、獲取真實肺結(jié)核圖像，采用DCGAN網(wǎng)絡(luò)生成肺結(jié)核圖像，并基于真實肺結(jié)核圖像和生成肺結(jié)核圖像構(gòu)建矩陣化的肺結(jié)核圖像數(shù)據(jù)集；

S2、對肺結(jié)核圖像數(shù)據(jù)集進(jìn)行預(yù)處理，預(yù)處理包括數(shù)據(jù)讀取和數(shù)據(jù)歸一化處理；將肺結(jié)核圖像數(shù)據(jù)集劃分為訓(xùn)練集與測試集；

S3、基于ResNet50網(wǎng)絡(luò)和SENet模塊構(gòu)建SE-ResNet網(wǎng)絡(luò)，使用ImageNet數(shù)據(jù)對該網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，對網(wǎng)絡(luò)參數(shù)進(jìn)行初始化，并采用訓(xùn)練集對SE-ResNet網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并對SE-ResNet網(wǎng)絡(luò)的模型效果進(jìn)行評價；

S4、采用訓(xùn)練完成的SE-ResNet網(wǎng)絡(luò)對待識別的肺結(jié)核圖像進(jìn)行分析識別，得到對應(yīng)的分析識別結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于SE-ResNet的肺結(jié)核識別方法，其特征在于：所述S1中采用DCGAN網(wǎng)絡(luò)生成肺結(jié)核圖像的方法為：使用DCGAN網(wǎng)絡(luò)進(jìn)行肺結(jié)核陽性圖像與肺結(jié)核陰性圖像的生成，輸出生成圖像的分辨率設(shè)置為128x128，并從生成圖像中篩選符合預(yù)設(shè)要求的肺結(jié)核陽性圖像與肺結(jié)核陰性圖像；

3.根據(jù)權(quán)利要求1所述的一種基于SE-ResNet的肺結(jié)核識別方法，其特征在于：所述S2中對肺結(jié)核圖像數(shù)據(jù)集進(jìn)行數(shù)據(jù)讀取的方法為：讀取圖片形式的肺結(jié)核數(shù)據(jù)與其對應(yīng)標(biāo)簽并保存為矩陣形式，用于所述SE-ResNet網(wǎng)絡(luò)的訓(xùn)練與識別；數(shù)據(jù)保存形式為(n,x,y)，其中，n為數(shù)據(jù)編號，x與y為其像素值；標(biāo)簽保存形式為(n,l)，其中，n為對應(yīng)數(shù)據(jù)編號，l＝1表示陽性，l＝0表示陰性。

4.根據(jù)權(quán)利要求1所述的一種基于SE-ResNet的肺結(jié)核識別方法，其特征在于：所述S2中行數(shù)據(jù)歸一化處理的方法為：將肺結(jié)核圖像數(shù)據(jù)集中的灰度數(shù)據(jù)的所有像素點除以255，即X′_i＝X_i/255

其中，X_i代表第i條數(shù)據(jù)，X′_i代表歸一化后的第i條數(shù)據(jù)，將所有數(shù)據(jù)歸一化到[0,1]范圍內(nèi)。

5.根據(jù)權(quán)利要求1所述的一種基于SE-ResNet的肺結(jié)核識別方法，其特征在于：所述S3中ResNet50網(wǎng)絡(luò)的表示方式為：

y_l＝h(x_l)+F(x_l,W_l)

x_l+1＝f(y_l)

其中，x_l和x_l+1表示第l個殘差單元的輸入和輸出，F(xiàn)是殘差函數(shù)，表示學(xué)習(xí)到的殘差，h(x_l)＝x_l表示恒等映射，f為ReLU激活函數(shù)；基于此，從淺層l到深層L的學(xué)習(xí)特征為：

6.根據(jù)權(quán)利要求5所述的一種基于SE-ResNet的肺結(jié)核識別方法，其特征在于：所述S3中構(gòu)建SE-ResNet網(wǎng)絡(luò)的方法為：所述SE-ResNet網(wǎng)絡(luò)在原始ResNet網(wǎng)絡(luò)的基礎(chǔ)上添加一個Global Average Pooling-FC-ReLU-FC-Sigmoid的組合，第一層的FC會把通道降下來，然后第二層FC再把通道升上去，得到和通道數(shù)相同的C個權(quán)重，每個權(quán)重用于給對應(yīng)的一個通道進(jìn)行加權(quán)。

7.根據(jù)權(quán)利要求1所述的一種基于SE-ResNet的肺結(jié)核識別方法，其特征在于：所述S3中SE-ResNet網(wǎng)絡(luò)的訓(xùn)練方法為：使用訓(xùn)練集數(shù)據(jù)對保存好的預(yù)訓(xùn)練參數(shù)模型進(jìn)行訓(xùn)練，采用BGD作為優(yōu)化器，初始學(xué)習(xí)率為0.01，每100個epoch學(xué)習(xí)率衰減50％，batch size大小為64，損失函數(shù)使用交叉熵?fù)p失函數(shù)，設(shè)定訓(xùn)練500個epoch，連續(xù)20個epoch模型損失值無下降則停止訓(xùn)練，保存模型。

8.根據(jù)權(quán)利要求1所述的一種基于SE-ResNet的肺結(jié)核識別方法，其特征在于：所述S3中對SE-ResNet網(wǎng)絡(luò)的模型效果進(jìn)行評價的方法為：采用敏感性、特異性與約登指數(shù)對SE-ResNet網(wǎng)絡(luò)的模型效果進(jìn)行評價，特異性代表陰性標(biāo)本被正確分類的比例，敏感性代表陽性標(biāo)本被正確分類的比例；敏感性TPR、特異性TNR、約登指數(shù)YI的計算方式為：

TPR＝TP/(TP+FN)

TNR＝TN/(TN+FP)

YI＝TPR+TNR-1

其中，TP為正類判定為正類數(shù)量；FP為負(fù)類判定為正類數(shù)量；FN為正類判定為負(fù)類數(shù)量；TN為負(fù)類判定為負(fù)類數(shù)量。