摘要:在現(xiàn)代科學技術日新月異的今天,醫(yī)學技術手段也得到了快速發(fā)展,醫(yī)療過程中產(chǎn)生的醫(yī)學病癥圖像越來越多。因此,需要構建智能的醫(yī)學圖像處理系統(tǒng),以達到從海量醫(yī)學圖像中迅速定位病癥特征的目的。本文基于改進的卷積神經(jīng)網(wǎng)絡模型,對醫(yī)學圖像進行了樣本篩選和識別處理,得到了具有實踐意義的實驗結論。
關鍵詞:卷積神經(jīng)網(wǎng)絡;改進的LeNet-5網(wǎng)絡;圖像處理
1引言
卷積神經(jīng)網(wǎng)絡技術通常應用于各類圖像的處理,以解決海量圖像分類問題。其中,LeNet-5卷積神經(jīng)網(wǎng)絡主要用于對手寫圖像的識別。目前,卷積神經(jīng)網(wǎng)絡技術也已經(jīng)應用于常規(guī)醫(yī)學檢測中,醫(yī)生可以通過醫(yī)學檢測圖像找到患者病癥所在,如果能夠利用卷積神經(jīng)網(wǎng)絡技術開發(fā)強大的智能圖像處理系統(tǒng),可以大幅提高診療的有效性[1]。針對這一難題,文章選擇對卷積神經(jīng)網(wǎng)絡LeNet-5的結構進行改進,更好地對醫(yī)學圖像進行識別,快速定位患者病癥[2]。
2 LeNet-5網(wǎng)絡結構
在美國,卷積神經(jīng)網(wǎng)絡LeNet-5廣泛應用于銀行客戶辦理業(yè)務過程中的數(shù)字簽名識別等領域,LeNet-5網(wǎng)絡準確性高、穩(wěn)定性強,目前已經(jīng)應用于各大商業(yè)領域識別技術中[3]。
3改進的LeNet-5網(wǎng)絡
卷積神經(jīng)網(wǎng)絡LeNet-5在手寫簽名等領域已經(jīng)取得了成功應用,但其性能特征并不能完全適用于醫(yī)學圖像處理,尤其是針對眼球血絲這類結構復雜的醫(yī)學圖像,因此,文章針對LeNet-5網(wǎng)絡進行了改進:
(1)增加卷積核數(shù),改變圖像尺寸
LeNet-5網(wǎng)絡的每個卷積核都能夠針對圖像獲取一種特征,為了能夠使卷積神經(jīng)網(wǎng)絡良好地用于眼球血絲圖像的識別和特征提取,將卷積層的卷積核數(shù)量增加到10個,卷積核的大小調整為7*7;輸入層的圖像尺寸調整為126mm*126mm;得到經(jīng)過卷積后的特征圖像尺寸為120mm*120mm。
(2)采用最大采樣值,調整采樣窗口
采用4*4的采樣窗口,且為最大值。LeNet-5網(wǎng)絡的采樣過程中使用的是均值采樣,達到了良好的降噪效果,同時保留圖片手寫特征,但是,眼球血絲圖片中的特征細小,與圖像周圍特征反差大,如果仍然采用均值采樣,會導致無法采集到眼球血絲的明顯特征。因此,需要使用最大值采樣模式,對邊緣補“0”,盡可能保留眼球血絲特征的完整性,得到特征圖形的尺寸為30mm*30mm。
(3)增加特征圖數(shù)量
C3卷積層的特征圖為20個,使用是20個大小為7*7的卷積核,因此,可以得到特征圖像的尺寸為24mm*24mm。經(jīng)過子采樣得到的子采樣特征圖是20個,使用的是4*4的采樣窗口最大值,得到的特征圖像尺寸為6mm*6mm。全連接層包括360個網(wǎng)絡神經(jīng)節(jié)點。
(4)對分類器進行改進
LeNet-5網(wǎng)絡在F5全連接層后面又進行了一次全連接,輸出層采用的是RBF徑向基函數(shù)。對LeNet-5網(wǎng)絡進行改進后,直接刪除了F6全連接層,將F5全連接層與Softmax回歸進行連接,并以Softmax回歸作為分類器,得到分類結果。
4改進的LeNet-5網(wǎng)絡在醫(yī)學圖像處理中的應用
4.1實驗樣本采集
文章采用的醫(yī)學圖像樣本尺寸為126mm*126mm,與改進的LeNet-5網(wǎng)絡中常用的圖片尺寸相比較大。為了研究卷積神經(jīng)網(wǎng)絡技術在醫(yī)學圖像樣本不同尺寸中的識別率,選擇的眼球血絲樣本為2類,包含生殖疾病和心臟疾病[4][5]。選擇生殖疾病眼球血絲圖像樣本訓練集200張,測試集80張;選擇心臟疾病眼球血絲圖像樣本訓練集226張,測試集84張。以上兩種疾病的眼球血絲圖像樣本的長度和寬度不變,對原始圖像126mm*126mm尺寸按照比例進行縮小,得到圖像樣本尺寸分別為94mm*94mm,62mm*62mm,46mm*46mm,再增加一組尺寸為156mm*156mm的眼球血絲圖像樣本。將以上尺寸的圖像樣的訓練集本全部輸入到卷積網(wǎng)絡神經(jīng)中進行樣本訓練,直到收斂完成。再對圖像樣本的測試集進行測試,并記錄結果,如表1所示:
4.2實驗結果分析
由表1可知:圖像樣本的尺寸越大,使用卷積神經(jīng)網(wǎng)絡后得到的分類準確度越高。尺寸越大的圖像中,特征信息較多,通過卷積神經(jīng)網(wǎng)絡訓練后,對圖像特征提取和訓練使用的時間越長。由于卷積神經(jīng)網(wǎng)絡在對圖像訓練過程中大多數(shù)時間用于權值更新,因此,測試時間與訓練時間相比大幅減少,測試過程中不需要進行權值更新,節(jié)約了大量時間成本。實驗圖像樣本的尺寸是126mm*126mm時,測試準確率可以達到81.57%,但當圖像樣本尺寸是156mm*156mm,測試準確率反而降低到了77.63%,說明尺寸為156mm*156mm的圖像樣本不適合利用卷積神經(jīng)網(wǎng)絡進行改進。因此,為了有效提高卷積神經(jīng)網(wǎng)絡對圖片識別的準確率,圖像樣本尺寸應該控制在一定范圍內,選擇較大的尺寸作為輸入。
5結論
文章使用改進的LeNet-5網(wǎng)絡卷積神經(jīng)網(wǎng)絡對醫(yī)學圖像進行了識別處理。經(jīng)過實驗證明,改進的LeNet-5網(wǎng)絡在解決醫(yī)學圖像處理問題中具有有效性。由此可見,卷積神經(jīng)網(wǎng)絡技術在醫(yī)學圖像領域中的研究應用具有廣闊空間,由于作者研究經(jīng)驗和知識水平有限,文章中仍然存在較多地方值得進一步改進。
參考文獻
[1]楊晶東,王海靈.一種有效的全卷積神經(jīng)網(wǎng)絡生物醫(yī)學圖像分割方法[J].小型微型計算機系統(tǒng),2021,42(06):1281-1287.
[2]陳屹東,張琴,蘭藍,彭麗,殷晉.深度卷積神經(jīng)網(wǎng)絡方法在醫(yī)學圖像分割應用中的綜述[J].中國衛(wèi)生信息管理雜志,2021,18(02):278-284.
[3]楊培偉,周余紅,邢崗,田智強,許夏瑜.卷積神經(jīng)網(wǎng)絡在生物醫(yī)學圖像上的應用進展[J].計算機工程與應用,2021,57(07):44-58.
[4]何炎柏.卷積神經(jīng)網(wǎng)絡在醫(yī)學影像分割上的現(xiàn)狀與挑戰(zhàn)[J].計算機與網(wǎng)絡,2020,46(17):38-39.
[5]吳玉超,林嵐,王婧璇,吳水才.基于卷積神經(jīng)網(wǎng)絡的語義分割在醫(yī)學圖像中的應用[J].生物醫(yī)學工程學雜志,2020,37(03):533-540.
作者簡介:趙政,男,漢族 ?江蘇蘇州,1988年9月,本科,工程師,虎丘影像(蘇州)有限公司(215100),研究方向:電子信息。