[发明专利]一种基于ARM的深度学习轻量化肺结节分类方法

说明书

本发明公开一种基于ARM的深度学习轻量化肺结节分类方法，该方法对获取的训练图像进行处理，并输入到全精度神经网络中进行训练。训练完成后使用Ternary Quantization算法对32‑bit的全精度权重进行三值化压缩，得到一个三值化精度神经网络。之后使用知识蒸馏，将全精度网络作为教师网络，三值化精度网络作为学生网络，对三值化精度中的W^p和Wⁿ两个参数因子进行微调，微调完成后保存模型。最后将训练好的模型权重用于嵌入式设备中的肺结节分类程序中，实现肺结节的分类。本方法训练的模型和实现的分类程序可以准确的对肺结节进行分类，并且避免嵌入式设备性能不足和权重精度压缩后准确率下降的问题。

技术领域

本发明涉及肺结节图像分类技术领域，尤其涉及一种基于ARM的深度学习轻量化肺结节分类方法。

背景技术

肺癌是发病率和死亡率增长最快，对人群健康和生命威胁最大的恶性肿瘤之一，近50年来许多国家都报道肺癌的发病率和死亡率均明显增高。肺癌的病因至今尚不完全明确，因此早起诊断是肺癌预防与治疗的有效手段。通常情况下，肺癌的早期诊断依赖于准确检测出肺部CT影像中的肺结节并对其进行分类。肺结节是一种直径约3毫米的结构，分为良性或恶性。传统的方法通常由医生、医学专家按切片来分析肺结节图像，结节图像通常会拆分成很多切片，而且早期的结节图像特征不够明显，因此这种方法不仅费时费力，而且经常准确性比较低。

发明内容

针对上述现有技术的不足，本发明提供一种基于ARM的深度学习轻量化肺结节分类方法。

为解决上述技术问题，本发明所采取的技术方案是：一种基于ARM的深度学习轻量化肺结节分类方法，包括如下步骤：

步骤1：对LIDC带标签的图像数据集进行预处理，过程如下：

步骤1.1：将图像数据集中的结节体积限制在长宽高相同的图像大小中；

步骤1.2：以结节的质心为中心，采用双三次插值进行采样，从不同视角生成对个横截面；

步骤1.3：将每个横截面的大小调整为相同尺寸的三通道图像作为MobileNet V2网络的输入。

步骤2：将预处理后的图像数据集输入到MobileNet V2网络模型中进行全精度的训练，得到训练好的全精度神经网络；

步骤3：将训练好的全精度神经网络的权重采用Ternary Quantization算法进行三值化压缩，得到三值化神经网络；

所述将训练好的全精度神经网络的权重采用Ternary Quantization算法进行三值化压缩的过程如图2所示，包括如下步骤：

步骤3.1：将32-bit的权重归一化处理；

步骤3.2：设置阈值，如下：

其中，为全精度的权重的绝对值，设置参数t，通过上式计算得到神经网络中的第l层的阈值Δ_l；

步骤3.3：通过设置的阈值将全精度权重精简为三值权重，如下：

其中，为第l层神经网络的三值化权重值，W_l^p和W_lⁿ为第l层神经网络的权重参数，在后面的微调过程中进行调整。

步骤4：将全精度神经网络作为教师网络，三值化神经网络作为学生网络，采用知识蒸馏算法再次训练，对三值化权重中的权重参数进行微调；

所述对三值化权重中的权重参数进行微调的梯度设置为：