[发明专利]一种基于改进EfficientNet的肝癌识别方法

说明书

本发明提供了一种基于改进EfficientNet的肝癌识别方法，包括以下步骤：获取肝癌病理切面照片和正常肝脏切片照片构建数据集；对构建的数据集进行预处理；将数据集分为训练集、验证集和测试集；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，形成改进EfficientNet网络模型；对改进EfficientNet的分类模型进行学习训练，保存训练好的模型；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，无需人工干预即可得到对应的分析识别结果。本发明结合EfficientNet高速度与精度、SKNet高特征提取能力的优点，在减少模型参数的同时更好的对肝癌病理切片图像进行识别。

技术领域

本发明属于图像识别技术领域，具体设计一种基于改进EfficientNet的肝癌识别方法。

背景技术

肝癌的主要诊断方法是血清检查和病理活检。血清检查经常需要与影像学检查配合已作出准确的判断，病理活检是诊断肝癌最直接的方法。收集患者可疑区域的组织以进行直接检查，传统的疾病分类取决于医生的经验，判断标准的主观差异和病变的非线性特征会在一定程度上影响监测结果的准确性。而现在主流的辅助诊断方法多采用SVM等，同样会受到主观因素的干扰。

现有技术存在的问题或者缺陷：现在的肝癌诊断方法主要依赖人工识别，而人工识别容易受到主观因素的干扰，影响判断。当前基于CNN的分类模型朝向了更深或更宽层的复杂结构演进。虽然在一定程度上取得不错效果，但是深层意味着网络模型具有更多的参数，这不仅增加了计算开销，同时对计算机硬件设备要求更高。

发明内容

本发明要解决的技术问题在于针对现有技术的缺陷，本发明提供了一种基于改

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。

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。