[发明专利]基于多粒度卷积降噪自动编码器技术的医疗图像分类方法

说明书

本发明公开了一种基于多粒度卷积降噪自动编码器技术的医疗图像分类方法，通过在传统自动编码器的基础上，引入卷积神经网络；同时在同一个卷积层设置不同大小的卷积核，并在训练阶段加入随机高斯噪声，最后基于贪婪逐层训练方法训练成三个多粒度卷积降噪自动编码器的深度神经网络，经微调后最终实现参数全局最优。本发明实现了提高分类精度，达到最优分类结果并且对于复杂环境具有较强抗干扰能力，解决了现有技术中存在的数据类标获得困难且耗费资源多、提取特征单一和对复杂环境的抗干扰能力低导致泛化性显著下降的问题。

技术领域

本发明属于计算机视图技术领域，特别是涉及一种基于多粒度卷积降噪自动编码器技术的医疗图像分类方法。

背景技术

图像分类是计算机视觉中一个非常活跃的应用研究方向，其目的是对各种类别的图像进行分门别类，特征相似的图像被分到同一个类中，而不同类的图像则被分到不同的类中。在现有的研究中，图像分类大致可以分为以下几个步骤：(1)图像预处理；(2)特征提取；(3)特征选择；(4)分类器的选择与设计。在这几个步骤中，特征提取起着关键的作用，决定了最后分类结果的精度与性能的稳定性。在过去的研究中，进行特征提取的过程通常是提取局部特征或者全局特征，比如：local binary pattern(LBP),histogram of orientedgradients(HOG),scale invariant feature transform(SIFT)。近几年来，随着机器学习的兴起研究者们把目光聚集在了发展最快的深度学习，这是因为已有研究表明深度学习算法具有模拟人类大脑结构的功能，能将底层低级的特征逐层抽象为高级特征，可以更有效的来表达和描述图像。由于此研究领域具有较高的理论研究与实际应用价值，国内外许多研究者提出了较多医疗图像分类的技术，但大致包含了三个方面的工作：特征学习、特征提取以及分类。首先，对原始的医疗图像数据进行特征学习；其次，提取出图像的高级特征，最后，基于提取到的高级特征对图像进行分类分析。

尽管研究人员在图像分类领域上已经取得了一些成果，但由于实际医疗图像类间差异极小，特征分布十分的复杂，还有噪声干扰的问题，使得现有技术并不成熟。主要存在以下几方面的缺陷。(1)现有卷积神经网络需要大量的有类标的数据；在现实生活中数据类标的获得是困难的，且严重依赖人们手工和专家知识，这就需要耗费大量的资源；(2)现有的基于特征提取的图像分类算法中，提取到的特征具有单一性，由于传统卷积神经网络只使用一种大小的卷积核，导致提取到的高级特征不具备多样性，最后会导致算法的精度有所下降。(3)大部分的分类算法的稳定性是有限的，当遇到一些复杂的环境，比如噪声问题的时候，算法的泛化性能显著下降。

因此，如何在没有先验知识的条件下，合理地组合不同的深度学习算法来提高模型的鲁棒性已达到最优的分类结果是一个亟待解决的问题。

发明内容

本发明的目的在于提供一种基于多粒度卷积降噪自动编码器技术的医疗图像分类方法，以实现构造一个泛化能力强，抗干扰性高的医疗图像分类器，同时充分发挥每个子组件在特征提取方面的性能；以解决现有技术中数据类标获得困难且耗费资源多、提取特征单一和对复杂环境的抗干扰能力低导致泛化性显著下降的问题。

本发明所采用的技术方案是，提供一种基于多粒度卷积降噪自动编码器技术的医疗图像分类方法，包括以下步骤：

步骤1)，医疗图像预处理：调用OpenCV工具包，将医疗图像的尺寸大小调整为256×256，调整后的图像进行归一化处理，并作为图像数据集，按照8:2的医疗图像张数比例将所述图像数据集划分为医疗图像训练集和医疗图像测试集；

步骤2)，建立医疗图像分类模型：