[发明专利]一种基于改进EfficientNet的肝癌识别方法

权利要求书

1.一种基于改进EfficientNet的肝癌识别方法，包括以下步骤：

S1：数据采集，获取肝癌病理切片照片和正常肝脏切片照片，并将照片缩放成预设大小后构建数据集；

S2：数据预处理，对构建的数据集进行预处理，所述预处理包括灰度化、几何变换和图像增强；

S3：数据集划分，将数据集分为训练集、验证集和测试集；

S4：构建基于改进EfficientNet的分类模型并对改进EfficientNet分类模型进行学习训练；针对EfficientNet的核心模块移动翻转瓶颈卷积MBConv进行改进，将原有SENet模块替换为SKNet，首先将MBConv模块卷积核为k的卷积替换为3×3深度可分离卷积和dilation为2的3×3空洞卷积，对输入特征进行不同卷积核大小的完整卷积操作，再通过全局平均池化来获得全局信息、两个全连接层找到不同卷积核所占权重比，最后在通道方向进行softmax操作，形成SK-MBConv网络结构；将SK-MBConv融合原始EfficientNet模型，形成改进EfficientNet网络模型；对改进EfficientNet分类模型进行学习训练，将训练数据集中的肝癌病理切片图像输入改进EfficientNet分类模型进行训练，保存训练好的模型；

S5：肝癌识别，输入待识别的肝癌病理切片图像，通过训练好的改进

EfficientNet分类模型对肝癌病理切片图像进行识别，获得特征向量，利用全连接层进行肝癌识别判定，并得到相应的识别结果。

2.根据权利要求1所述的基于改进EfficientNet的肝癌识别方法，其特征在于，所述S1中数据采集的方法为：

获取肝癌病理切片照片和正常肝脏切片照片，并将照片缩放成预设大小后构建数据集；

具体地，将照片数据进行缩放，达到指定大小，方便后续网络进行学习与识别，

其中，肝癌病理切片照片645张，正常肝脏切片照片600张，共计1245张。

3.根据权利要求1所述的基于改进EfficientNet的肝癌识别方法，其特征在于，所述S2中灰度化的方法为：

Grey＝0.30*R+0.59*G+0.11*B，其中，R为第一个通道即f＝0时的数据，G为第一个通道即f＝1时的数据，B为第三个通道即f＝2时的数据，将3个通道的数据进行组合，得到单通道的灰度数据，灰度数据的数据形式为(n,x,y)，其中n为图片编号，x与y为灰度处理后图片对应位置像素点。

4.根据权利要求1所述的基于改进EfficientNet的肝癌识别方法，其特征在于，所述S2中几何变换的方法为：

通过平移、转置、镜像、旋转、缩放等几何变换对采集的图像进行处理，用于改正图像采集系统的系统误差和仪器位置（成像角度、透视关系乃至镜头自身原因）的随机误差。

5.根据权利要求1所述的基于改进EfficientNet的肝癌识别方法，其特征在于，所述S3中数据集划分方法为：

训练集、验证集与测试集的比例为6：1：3，所述训练集网络进行参数训练，获取肝癌切片分类识别模型；所述验证集用于检测训练得到的网络是过拟合还是欠拟合，所述测试集来测试模型的正确率和误差，以验证模型的有效性。

6.根据权利要求1所述的基于改进EfficientNet的肝癌识别方法，其特征在于，所述S4中的SKNet具体为：

选择性卷积核机制SKNet采用非线性的方法融合来自不同核的特征，使神经元对于不同尺寸的输入信息进行自适应的调整其感受野的大小，其包含了三个操作：Split操作产生多个不同核尺寸的通道与神经元的不同感受野尺寸相关；Fuse操作组合融合来自多通道的信息从而获得一个全局及可理解性的表示用于进行权重选择；Select操作根据挑选得到的权重对不同核尺寸的feature map进行融合。