一种基于迁移学习的深度神经网络脑肿瘤图像分类方法

技术领域

发明涉及深度学习和医学相关领域，特别涉及一种基于迁移学习的深度神经网络脑肿瘤图像分类方法。

背景技术

根据CA(A Cancer Journal for Clinicians)杂志发布的全球癌症数据，2020年全球新发癌症病例1929万例。癌症的产生可以通过早期检测来预防，但脑癌的临床诊断非常困难,与癌症不同，肿瘤可以是良性、癌前或恶性,良性肿瘤可以手术切除，不影响其他器官和组织。然而，脑肿瘤包括脑膜瘤、胶质瘤和垂体。脑膜瘤肿瘤发生于膜(保护大脑和脊髓的区域)，胶质瘤发生于脑组织，垂体瘤是位于脑下垂体区域的颅骨内的肿块。脑肿瘤由于前期患者并未感觉到自己已经患病、未能动态观察和分析病情，这就耽误了治疗的最佳时间。

随着计算机人工智能和图像处理的发展，基于深度学习和神经网络的高级机器学习模型被创造以在各种医疗诊断中辅助医生诊断，这些模型为许多医学成像提供了有用的帮助，几种用于分类图像和检测MR图像中部分区域。但由于网络上公开的大多数据集数量都非常少，且训练得出的模型都是在小数据集中得到的，而基于深度学习和神经网络的高级机器学习模型需要大量的数据才能实现最佳性能。

发明内容

本发明目的在于提供一种基于迁移学习的深度神经网络脑肿瘤图像分类方法，对三种脑肿瘤数据进行训练；通过准确性、损失、精确度、召回率等，对不同种类的脑肿瘤图像进行分类。

为了实现以上目的，本发明所采用的技术方案包括以下步骤：

步骤S1.数据预处理：从原始图像数据集生成两种数据集；并将两种数据集都归一化调整为256x256像素。

步骤S2.构建预训练模型：预训练模型中应用的是ImageNet数据集，并将收敛后的预训练模型保存下来。

步骤S3.构建改进的CNN架构模型：选定带有预训练的InceptionV3的迁移学习的深度卷积神经网络(DCNN)，通过脑肿瘤数据集来微调网络，使整个模型进一步地适应目标任务，最终提升分类效果。

步骤S4.脑肿瘤图像分类评估：分别验证已裁剪和未裁剪的数据集，通过准确性、损失、精确度、召回率等，评价分类性能。

所述步骤S1数据预处理如下：

步骤S1：从原始图像数据集生成两种数据集，其中一个围绕大脑视图做剪裁处理，另一个不进行剪裁；

步骤S12：将两种数据集都归一化调整为256x256像素。

所述步骤S2构建预训练模型步骤如下：

步骤S21：使用ImageNet数据集，将其放入深度卷积神经网络模型。

步骤S22：设置网络参数。

步骤S23：训练InceptionV3网络模型。

步骤S24：保存预训练模型。

所述步骤S3构建改进的CNN架构模型包括以下步骤：

步骤S31：准备脑肿瘤MR图像数据集，将其作为目标数据集。

步骤S32：将脑肿瘤MR图像数据集输入预训练的InceptionV3网络模型(调用预训练模型)。

步骤S33：设置预训练参数，对InceptionV3预训练得出的权重进行微调，使提取到的分类特征更贴近于脑肿瘤数据集。

步骤S34：训练改进的CNN架构模型，根据MR图像数据集中的类别，InceptionV3最后一层替换为具有3个隐藏单元的层。

步骤S35：保存模型。

所述步骤S4脑肿瘤图像分类评估步骤如下：

步骤S41：将测试数据导入训练好的网络模型，进行测试，生成模型分类准确性、损失、精确度、召回率等。分类准确性：分类的主要性能评估指标是准确性。其公式(1)如下：

其中，TP表示真阳性，TN表示真阴性，FP表示假阳性，FN表示假阴性。

精确度：特定于类的性能度量需要进行验证，精确度是此类指标之一。其公式(2)如下：

召回率：这是另一个基本度量，定义为模型正确预测的类中观察点的分数。其公式(3)如下：

损失函数：实验中,通过构建经全连接层输出的分类概率与输入图像的真实标签之间的交叉熵函数作为网络的目标函数。其公式(4)如下：

其中p

步骤S42：根据准确性、精确度、损失和召回率判断基于迁移学习的深度卷积神经网络在脑肿瘤分类中是最佳的。

本发明具有以下有益效果及优点：

(1)相较于传统的图像分类，本发明基于迁移学习的深度卷积神经网络对脑肿瘤图像进行分类，采用预训练的InceptionV3网络模型，并在调用其训练脑肿瘤数据集时对参数微调，保证提取更好的图像特征；

(2)本发明使用剪裁和未剪裁的数据集，最终表示该网络结构模型不需要对脑肿瘤图像进行分类分割。本发明的网络还具有非常好的执行速度，每个epoch 15s，提高了图像分类的效率。

附图说明

图1为本发明基于迁移学习的深度神经网络脑肿瘤图像分类方法步骤图。

图2为本发明迁移学习的深度神经网络脑肿瘤图像分类方法流程图。

具体实施方式

实施例：

如图1所示，本发明技术方案包含四个方面的步骤：数据预处理、构建预训练模型、构建改进的CNN架构模型、脑肿瘤图像分类评估。

所述步骤S1.数据预处理：从原始图像数据集生成两种数据集；并将两种数据集都归一化调整为256x256像素；

所述步骤S2.构建预训练模型：预训练模型中应用的是ImageNet数据集，并将收敛后的预训练模型保存下来；

所述步骤S3.构建改进的CNN架构模型：选定带有预训练的InceptionV3的迁移学习的深度卷积神经网络(DCNN)，通过脑肿瘤数据集来微调网络，使整个模型进一步地适应目标任务，最终提升分类效果；

所述步骤S4.脑肿瘤图像分类评估：分别验证已裁剪和未裁剪的数据集，通过准确性、损失、精确度、召回率等，评价分类性能；

如图2所示，本发明迁移学习的深度神经网络脑肿瘤图像分类的方法的工作过程主要分为以下几步：

首先从原始图像数据集生成两种数据集，其中一个围绕大脑视图做剪裁处理，另一个不进行剪裁。将两种数据集都归一化调整为256x256像素，发现256x256像素和512x512像素的分类准确率没有太大区别，且前者在内存和处理时间方面优于后者，所以选择256x256像素的数据集。

接着构建预训练模型，使用ImageNet数据集，设置网络参数，将其放入深度卷积神经网络模型，训练InceptionV3网络模型，最终得到InceptionV3预训练模型的权重，将预训练完成后的模型权重进行冻结。

然后构建改进的CNN架构模型(迁移训练的过程)，所提出的CNN是在Keras和Tensorflow中开发的，网络模型包括从ImageNet训练的预训练InceptionV3模型、具有256个神经元的全连接层、具有20％的Dropout层、softmax分类层和输出。准备脑肿瘤MR图像数据集，将其作为目标数据集。将脑肿瘤MR图像数据集输入预训练的InceptionV3网络模型，设置预训练参数，对InceptionV3预训练得出的权重进行微调，使提取到的分类特征更贴近于脑肿瘤数据集。训练改进的CNN架构模型，根据MR图像数据集中的类别，InceptionV3最后一层替换为具有3个隐藏单元的层。

最后评估脑肿瘤图像分类，将测试数据导入训练好的网络模型，进行测试，生成模型分类准确性、损失、精确度、召回率等。分类准确性：分类的主要性能评估指标是准确性。其公式(1)如下：

其中，TP表示真阳性，TN表示真阴性，FP表示假阳性，FN表示假阴性。

精确度：特定于类的性能度量需要进行验证，精确度是此类指标之一。其公式(2)如下：

召回率：这是另一个基本度量，定义为模型正确预测的类中观察点的分数。其公式(3)如下：

损失函数：实验中,通过构建经全连接层输出的分类概率与输入图像的真实标签之间的交叉熵函数作为网络的目标函数。其公式(4)如下：

其中p

根据准确性、精确度、损失和召回率判断基于迁移学习的深度卷积神经网络在脑肿瘤分类中是最佳的。