[发明专利]用于影像学肺炎判别的仿生模式识别改进方法

摘要

本发明公开了用于影像学肺炎判别的仿生模式识别改进方法，包括健康X光片、病毒型肺炎X光片和细菌型肺炎X光片，将三类X光片图像归一化为同样大小的实验图像；将健康X光片图像归一化后的实验图像I输入卷积神经网络中提取图像特征向量，卷积神经网络包括卷积层、池化层和全连接层，所述图像特征向量的提取方法包括：步骤A：实验图像I与一个卷积核进行卷积，其结果经过激活函数后输出形成卷积层的特征图01；特征图01与下个卷积核进行卷积，其结果经过激活函数后输出形成卷积层的特征图02；特征图02作为输入图像进入池化层。

主权项

1.仿生模式识别在影像学肺炎判别的算法改进，其特征在于：包括健康X光片、病毒型肺炎X光片和细菌型肺炎X光片，将三类X光片图像归一化为同样大小的实验图像；将健康X光片图像归一化后的实验图像I输入卷积神经网络中提取图像特征向量，卷积神经网络包括卷积层、池化层和全连接层，所述图像特征向量的提取方法包括：步骤A：实验图像I与一个卷积核进行卷积，其结果经过激活函数后输出形成卷积层的特征图01；特征图01与下个卷积核进行卷积，其结果经过激活函数后输出形成卷积层的特征图02；特征图02作为输入图像进入池化层；其中特征图01和特征图02的提取方式，均通过公式(1)计算可得：其中，l代表层数，k_ij核函数表示的是权重参数，M_j代表输入特征图的集合，i表示第i层，j表示第j个输入的X光片；每个输出图有一个偏置值b，f(·)为激活函数；池化层将步骤A中的特征图02作为输入图像，通过公式(2)计算最大池化特征图03；其中，down(·)表示下采样函数，是下采样对应的“权重”；步骤B：重复步骤A，将特征图03经过两次卷积后再次进入池化层得到最大池化特征图03MAX；发送最大池化特征图03MAX到全连接层；步骤C：全连接层的输入源为最大池化特征图03MAX，转化为卷积核为h×w的全局卷积，h和w分别为前层结果的高和宽,即本层共用了N个h×w×n大小的卷积核对前层结果进行卷积，并输出了N维图像特征向量；将从卷积神经网络中图像特征向量作为高维空间中的点，输入基于仿生模式识别的分类网络进行训练；所述分类网络进行训练包括以下步骤：步骤D1：设健康X光片的所有构网样本点集合为A＝{a₁，a₂，…，a_N}，N为该类样本点总数；步骤D2：将集合A中所有样本输入卷积神经网络中，得到N个该类X光图片的256维特征向量，计算所有点两两之间的欧式距离；找出欧式距离最小的两个点、记为B_A1、B_A2；这两个点构成的第一个一维线段记作θ_A1；用一个超香肠神经元对这个线段进行覆盖；其覆盖范围如式(3)(4)所示。θ_A1＝{Y|Y＝αB_A1+(1‑α)B_A2，α∈[0，1]}  (4)其中，表示点X到空间θ_A1的距离，P_A1则为所构造的几何形体；步骤D3：已经构造好的几何形体P_A1，判断剩余各点是否被其覆盖；若在P_A1覆盖范围内的，则排除；而对于在P_A1范围外的点，按步骤D2的方法找出离B_A2最近的点，记作、B_A3，B_A2与B_A3此时便构成了第二个一维线段，记作θ_A2，同样的，也用一个超香肠神经元来覆盖此线段，其覆盖范围如式(5)(6)所示；θ_A2＝{Y|Y＝αB_A2+(1‑α)B_A3，α∈[0，1]}  (6)其中表示点X到空间θ_A2的距离，P_A2则为所构造的几何形体；不断重复步骤D3，直至处理完所有样本点，此时共产生了m个超香肠神经元，则该类A的覆盖范围便是全部m个神经元的覆盖范围，如式(7)所示：将病毒型肺炎X光片和细菌型肺炎X光片分别重复上述全部步骤，可得到三类X光片所对应的覆盖范围。