文摘

由于医学图像的复杂性,传统的医学图像分类方法已经无法满足实际应用的需要。近年来,深入学习理论的快速发展提供了技术方法为解决医学图像分类任务。然而,深度学习在医学图像分类有以下问题。首先,它是不可能构造一个深度学习医学图像属性模型层次结构;第二,深度学习的网络初始化权重优化模型并不好。因此,本文从网络的角度优化和改善网络的非线性建模能力通过优化方法。提出了新的网络权重的初始化方法,缓解现有深度学习模型的初始化的问题是非线性单元采用的类型限制,增加潜在的神经网络来处理不同的视觉任务。此外,通过深入研究多列的卷积神经网络框架,本文发现的数量特性和卷积核的大小在不同级别的卷积神经网络是不同的。相比之下,该方法可以构造不同的卷积神经网络模型,更好的适应感兴趣的医学图像的特点,从而可以更好地培养产生的异构多列卷积神经网络。最后,使用自适应滑动窗口提出了融合机制,这两种方法共同完成医学图像的分类任务。 Based on the above ideas, this paper proposes a medical classification algorithm based on a weight initialization/sliding window fusion for multilevel convolutional neural networks. The methods proposed in this study were applied to breast mass, brain tumor tissue, and medical image database classification experiments. The results show that the proposed method not only achieves a higher average accuracy than that of traditional machine learning and other deep learning methods but also is more stable and more robust.

1。介绍

随着计算机和医学成像技术的迅速发展,医学成像技术,如计算机断层扫描(CT)和磁共振成像(MRI),可以无创反映人体组织和器官的生理状态。这些技术已逐渐成为不可或缺的工具在医学研究、临床诊断和手术规划(1- - - - - -3]。虽然这些新技术先进的医学理论和实践,他们也提出了新的问题;例如,医生现在需要分类的诊断结果。自动图像分类技术可以在一定程度上理解图像内容;例如,他们可以有效地识别损伤地区医学图像和协助医生进行有效的诊断3,4]。然而,许多类型的医学图像存在,区分这些医学图像的分类信息通常需要不同的处理和分析方法5- - - - - -7]。目前,医学图像分类主要是基于模式识别方法,训练分类模型的识别和区分医学图像。医学图像分类一般可以分为监督分类方法和非监督分类方法(8- - - - - -10]。

监督分类意味着提前处理过的样品标签;分类模型训练使用标记图像特性,和分类类别通常指定。再监督分类方法主要包括算法(11],[贝叶斯模型12),逻辑回归13),神经网络(14),和支持向量机(15]。在这些方法中,基于神经网络的医学图像分类方法往往表现最佳(16- - - - - -19]。阿巴斯(20.)提出了一个基于帕累托微分进化算法的神经网络分类在威斯康辛州乳腺癌乳腺癌数据库(WBCD),获得一个更好的分类性能比传统的神经网络。Karabatak和因斯21关联规则用于降维,减少9特性4,然后分类使用人工神经网络(ANN)。2倍交叉验证的准确性在乳腺癌WBCD达到90%。然而,这种方法不能自适应匹配医学图像本身的特征信息,从而导致大的差异在不同的医学图像分类效果。

无监督分类方法自动区分不同类别根据样品无需prelabeled样本之间的相似之处。无监督学习本质上是一个聚类过程。典型的无监督方法包括k - means聚类(22),模糊c均值聚类(23),而主成分分析(PCA) (24]。解决这个问题,不能准确地发现MRI图像中病灶轮廓,在2010年,胡安提出了颜色转换与k - means聚类分割算法技术,添加了一个基于颜色的分割操作(22]。这个方法取得了精度高但比模糊分割算法分割效果差张和陈于2004年提出的核磁共振数据(23]。在2012年,辛格和考尔提议PCA-based自动分类MRI和自然图像的方法。他们的实验表明,分类准确率达到91%24]。虽然这种方法实现起来比较简单,但它取得了一定的效果图像识别和分类的应用。然而,这种方法的分类效果有很大差异,当分类和识别不同的医学图像,并且不能自适应地根据他们的特点和认识医学图像进行分类。

近年来,医学图像分类研究基于深度学习,再次吸引了学者的关注。深度学习(25)是一个监督和非监督方法的有机结合。它主要依赖于无监督学习训练深层神经网络,然后通过监督学习方法好曲调(26- - - - - -29日]。深层神经网络发展的早期阶段,医学图像识别专注于无监督pretraining方法,如堆放autoencoders(节约)和限制玻耳兹曼机(元)。例如,2013年,Brosch和Tam [30.)使用深度信念网对杂志进行分类。刺et al。31日)使用深度信念网和SAE确定脑部MRI可以用来诊断患者是否有老年痴呆症。程等。32)使用智能识别的SAE乳房超声检查病变结节;这种方法的性能明显改善,与传统方法相比。Kallenberg et al。33)利用卷积节约从无标号乳腺癌x射线图像中提取特征。卷积节约之间的主要区别和卷积神经网络(cnn)是使用节约pretraining [34- - - - - -37]。等任务,常常需要结合当地的外观损伤信息和全局上下文信息损伤的位置来确定更准确的分类(37,38]。这样的要求是难以实现通过常见的深度学习架构。其他研究人员一直试图解决这个问题使用multinetwork分支结构。例如,2015年,沈et al。39)构建三个cnn和连接他们的输出以形成最终的特征向量。2016年,Kawahara和Hamarneh [40)试图把皮肤损伤使用multibranch cnn,每一个都在一个不同的图像分辨率。2017年,Esteva et al。7)使用129450临床图像数据集训练CNN模型。结果表明,皮肤癌的分类水平由cnn的皮肤科医生。2018年,Bidart et al。41)设计了一个方法来执行自动定位的乳腺癌组织部分充分利用卷积神经网络(FCNNs)。乳腺癌组织部分被分为三种类型:淋巴细胞,良性上皮细胞,恶性上皮细胞,分类准确率达到94.6%。总之,深度学习模型已经广泛应用于各种医学图像分类任务。然而,医学图像和自然图像一样。因此,构建一个CNN,达到一个更好的性能比其他智能分类方法虽然考虑到医学图像的具体特征是一个困难的问题。此外,由于网络深度影响的非线性建模能力CNN,不适当的初始化会导致深层网络难以收敛,和不存在良好的初始化方法。为了解决这个问题,本文首先提高了非线性建模能力的网络从网络优化的角度来看;然后,它提高了普遍性的收敛域后的解决方案已得到改进。此外,提出了一种新的网络权重的初始化方法。这种方法缓解现有深度学习的问题,初始化理论受到非线性单元的类型; it provides more choice for the structural design of deep networks and increases the potential of neural networks to handle different visual tasks. In addition, to make full use of the characteristics of medical images, this paper studies the framework of multicolumn CNNs and constructs CNN models with different structures that can better adapt to the characteristics of the medical images of interest. Then, different CNN models are trained on the same dataset. Finally, the trained heterogeneous, multicolumn CNN is combined with an adaptive sliding window fusion mechanism proposed in this paper; this combination completes the medical image classification task. Based on the above ideas, this paper proposes a medical classification algorithm based on weight initialization/sliding window fusion for multilevel CNNs.

部分2本文主要介绍了体重的初始化算法的基础上,提出了深度学习模型。部分3系统地描述了滑动窗口融合CNN模型提出了。部分4介绍了一种基于重量的医学分类算法初始化和多层次CNN滑动窗口融合。部分5分析提出了医学图像分类算法,比较它与主流医学图像分类算法。最后,部分6总结和论述了全文。

2。深度学习泰勒模型重初始化基于方法的自适应

医学图像分类的问题本质上是一个识别特征提取后。虽然浅网络可以实现复杂的非线性变换将输入转换为输出的系统,需要较高的计算复杂度达到深层网络的非线性表示功能类似。因此,相应的增加计算复杂度的情况下,增加网络深度是最可靠的方法来解决医学图像分类问题。然而,优化深度网络深度学习困难的问题,特别是考虑到梯度问题不当引起的爆炸初始化。现有的方法,微软亚洲研究院(同行)方法具有良好的收敛性和普遍性,但其缺点是限制在一个特定的网络类型。针对这一缺点,本节提出了一种新的初始化方法,旨在改善模型的收敛性和泛化能力通过优化技术。本文提出的初始化方法结合了上述两种方法的优点来避免他们的缺点,它本质上是微软的扩展方法。因此,本节分为两个部分:介绍微软方法和该方法的描述。

2.1。同行的方法

为我th卷积层,输出像素y_我可以表示为(42]: 在哪里y_我是一个随机变量,和x_我是相互独立随机向量(矢量以粗体显示)。抵消项b_我与零初始化。b_我表示为偏移量的我卷积层。以下公式给出的方差之间的关系y_我−1的方差y_我: 在哪里k_我代表卷积核的大小,c_我卷积是通道输入的数量的层,然后呢和x_我是独立的随机变量。公式(4)是建立在随机向量中的元素在公式(3)和元素x_我独立同分布。当初始化与为对称分布,公式(4)改变如下:

以下显示了变量之间的关系(y_我)和Var (y_我−1)。关键是有一个非线性单元f之间的x_我和y_我−1:

乙状结肠非线性,公式(6)可以调整

基于公式(7从()方法43- - - - - -46假设一个线性关系x_我和y_我−1附近的原点。这个公式推导Xavier初始化方法。修正线性单元(ReLU)非线性、公式(6)可以调整

他等。42]扩展Xavier初始化ReLU网络使用公式(8)。

2.2。自适应泰勒初始化方法

用公式(7)到公式(5)收益率Xavier初始化方法适用于乙状结肠网络。类似地,用公式(8)到公式(5)收益率MSRA初始化方法适用于ReLU网络。因此,初始化是一个函数的解析解之间的关系x_我和y_我−1。但是,如果扩张公式(6)有一个高阶术语、公式(5)将很难解决。因此,当前主流的初始化方法在理论上是不适合网络以外的其他使用ReLU或乙状结肠激活功能。为了应对这一问题,本文介绍了泰勒公式,提出了一种更通用的初始化方法。

根据Gulcehre[非线性元素的定义47),一个非线性元素是一个从真实空间映射到真实空间,可以引导几乎无处不在。也就是说,f:R⟶R。为方便推导,我们定义了一个非线性单元使用以下功能: 在哪里x非线性单元的输出,y是输入的非线性单元,然后呢f几乎所有地区都存在y∈R。假设y∈R有一个观点ε这样f(ε)= 0。的nth (n≥1)阶泰勒展开f在y=ε是 这可以通过公式(5)。然而,当公式的顺序(10)是2,上面的公式很难解决。为了解决这个问题,本节使用泰勒公式来近似非线性元件的线性项n≤在公式(110)。根据定义,如果f是连续的y=ε并且可以引导,公式(10)可以简化

如果fnondifferentiable在y=ε,但其较低的梯度存在(例如,ReLU)

公式(12)可以被视为一种特殊情况的公式(13)。因此,本文基于公式(12)。

对于任何y∈R,如果 ,然后x=f(ε)。这个属性表明,非线性元件的输出是常数,使CNN失去辨别力,因此需要排除。

当没有或是零,那么如果卷积层参数初始化与为对称分布,b与一个常数初始化 为y≤ε。b是抵消的卷积层。为y≤ε,初始化 与一个常数必须有一个对称分布的意思吗ε。让x概率密度函数吗p(x)。为了方便起见,回忆y−ε是 。然后,

因为 ,公式(14)可以简化

让 。然后,公式(15)可以替换为公式(5),获得

的输出方差之间的关系lth层,第一层的输出方差如下: 在哪里和 。同样,我们可以看到和都是0。

公式(17)显示的大小相关的指数增长l。非线性单元的f:R⟶R,如果没有点ε,让f(ε)= 0。然后,当l很大,也会大。这一现象引起的输出将softmax层溢出,和网络不能收敛。对于大多数非线性元素,功能f通常设计为通过原点,即,

取ε= 0,即进行泰勒展开f在y= 0。的初始值b变成了0;然后,公式(17)可以简化

可以看出,有一个比例因子 的输出方差之间lth层和输出方差的第一层。根据(42),一个合理的初始化方法可以避免成倍地增加或减少信号的振幅在向前传播。充分条件建立上述结论如下:

用公式(20.)到公式(19)的收益率 表明,如果方差的卷积层参数满足上述关系,然后输入信号的振幅在正向传递不会偏离或消失。这种关系进一步确保梯度流的合理性向后转移过程。通过上述分析,自适应泰勒初始化方法提出了如下: 也就是说,卷积参数初始化高斯分布 ,和卷积层偏移量b被初始化为0。除了f(0)= 0,这个方法没有定义的具体函数形式f在推导过程。因此,公式(21)比同行更放松和泽维尔条件;也就是说,它适用于与分段线性网络,网络分段指数非线性甚至其他类型的网络。此外,现有的初始化方法也可以被认为是本文方法的一个特例。

3所示。滑动窗口基于多层卷积神经网络融合方法

3.1。多层卷积神经网络

一个多层CNN是由多个具有不同结构的CNN。多层CNN的示意图如图1。这层数是一个更优化的形式通过实际模型训练过程。一般来说,20层或更少会被选中,因为太多的层会影响模型的训练时间。

在卷积过程中,卷积层影响模型如下:首先,卷积核的大小决定接受域的规模和影响的特征信息;第二,卷积核的数量决定了功能丰富的信息。鉴于这些属性,本节首先构造多个cnn与不同的卷积核的大小和数量的特征图谱,然后火车每个卷积神经网络,从而实现拟合训练数据集的目的不同的网络模型结构。最后,多层的输出卷积神经网络相结合形成最终的输出,和更好的分类精度。

3.2。滑动窗口多层卷积神经网络的融合方法

提出了不同的预处理方法对输入图像(32)获得多样化的网络模型。然而,本文不同于(32];在这里,多层cnn的多样性是通过训练多个具有不同结构的cnn。

分类器融合方法主要包括最小,最大,平均和产品规则。这些方法有单一功能和许多限制。因此,本文提出了一种新的分类器融合方法基于滑动窗口。这个方法是传统的分类器融合方法的泛化,但它是更加灵活和可概括的。

3.2.1之上。滑动窗口融合过程

摘要个人使用卷积神经网络为例,描述了滑动窗口融合方法。该方法的基本流程如图2。

输入医学图像,经过每一层的CNN在向前传导,W1 W10是每一层的分类概率CNN的一个类别。上面的概率是第一个从低到高排序;这时,一个滑动窗口是应用于排序分类概率分布产生最终的分类结果。这个过程主要完成以下任务:(1)它决定了网络分类将集成到随后的结果。这个函数是由窗口的开始和结束的范围(范围)。(2)它决定了所选分类结果的融合,这是由参数决定的操作。在实际网络融合过程中,滑动窗口融合比传统的单一融合方法更加灵活。集成过程如下:(1)参数描述输入层(P) 代表的预测概率jth的类别我CNN的th列,S是滑动窗口的起始位置(开始),R滑动窗口的范围(范围),然后呢O滑动窗口的操作(操作,可设置为“总和”或“产品”)。输出层(T)T(j)代表的预测概率j类别滑动窗口合并后。(2)列数卷积神经网络米⟵大小(P,1)。(3)类别数量的预测n⟵大小(P2)。(4)的类别j从1到周期性处理n的预测多列CNN拼接成一个向量:t⟵[P(1,j),…P(米,j)]。向量中的元素t排序:t_年代⟵大小(P,1)。(5)当o=,T(j)⟵积累t_年代(h),r元素被添加。当o=产品,T(j)⟵,r元素相乘的开始t_年代(h)。

启动、范围和操作三个滑动窗口参数。开始和范围确定哪些独立CNN分类是用来计算整个系统最终的分类概率。开始显示的起始位置排序的概率。范围决定了有多少分类值用于计算最终的分类。当范围超过cnn的数量,分类值继续被选中后,从第一个分类值排序。金额和产品是可以选择的两种方法的操作参数。代表的总和所有选择的分类概率滑动窗口实现最终的分类(米= +范围−1开始,代表的分类概率排序):

产品计算最终的分类概率乘以所有选择的概率滑动窗口:

根据公式(23)和(24),该方法是一个广义的分类器融合方法。例如,当滑动窗口的参数开始和范围都是1 ,自代表的概率从低到高排序,和滑动窗口融合遵循传统的最小规则情况下:

调整后的滑动窗口混合参数,该方法转换为其他分类方法,如表所示1。

3.2.2。参数获取方法

滑动窗口所涉及的参数融合方法(启动、范围和操作)是通过疲惫和培训。虽然穷举方法理论上达到最佳分类效果,它具有以下缺点:(1)算法用于穷举方法获得的参数是计算昂贵,复杂的O(n²),n是CNN的数量模型。(2)详尽的模式测试已知数据比未知数据,不那么有效。因此,详尽的方法不能满足实际测试要求。相比之下,训练方法首先获得训练集上的参数,最后找到最优参数进行相关测试。这种方法的复杂性O(n²),但测试的复杂性降低O(1)通过培训获得的相关参数的方法,这有利于提高该方法的通用性和普遍性。因此,该方法使用的训练方法获取相关参数。

4所示。医学图像分类算法基于重量Initialization-Sliding窗口卷积神经网络融合

基于上述,本节构建医学图像分类算法基于权重的初始化/滑动窗口融合CNN。首先,CNN的体重建立初始化方法,提高了模型的收敛性和普遍性,避免问题,如梯度在CNN,发生由于重量的初始化问题。然后,重量初始化方法引入滑动窗口融合CNN模型在本文的第二部分提出改善多层CNN滑动窗口融合模型的自适应能力。最后,一个医学图像分类算法基于权重的初始化/滑动窗口融合CNN。的基本流程图如图提出了医学图像分类算法3。的基本步骤如下:(1)首先,医学图像预处理(如去噪)。(2)使用自适应加权神经网络权重的初始化执行初始化方法提出了泰勒重量。与其他方法相比,该方法具有较强的通用性,可以得到解析解。它也提高了CNN模型的自适应能力和特征提取能力;因此,提取更多的医学图像特征信息。(3)提高医学图像的复杂特性信息,不能完全通过一个单一的CNN,本文区分相同的医学图像的特点,通过构造不同的网络结构,从而提高整个网络的泛化性能。此外,对于多层网络的融合,提出了滑动窗口的融合机制,实现灵活选择多层网络的分类结果。它还优化多层cnn的融合过程,提高医学图像分类的准确性。(4)步骤(2)的方法步骤(3)相结合,以及医学图像分类算法基于重量initialization-sliding窗口融合卷积神经网络建立了通过步骤(1)- (3)。医学图像分类算法是用于分析相关例子,得到分类结果。

5。实验分析

5.1。乳房质量分类实验

乳房大规模图像数据集在这个实验中是数字数据库用于筛查性乳房x光检查(DDSM)发布的南佛罗里达大学。数据集包括标签表明良性和恶性乳腺肿块和lesion-level注释信息进行像素级精度。具体实验数据集如下:600的图像数据集(300良性质量图像和300年恶性质量图像)被分成训练集和测试集根据60:40比例,分别与相同数量的良性和恶性质量在每组。

验证该方法的有效性,本文选择多个随机数据集的平均分类精度(100随机分区)的平均值作为实际测试结果和采用的主流方法([48)指的是机器学习分类方法,49,50)指的是优化的CNN方法)进行比较。具体的测试结果如表所示2。

表2表明本文提出的医学图像分类方法实现了比其他方法更好的结果。该方法的准确性高于3.8 (48)和1.7高于传统的CNN。这一发现表明,提出的方法具有更大的优势的机器学习方法和传统的有线电视新闻网。该方法得到的分类精度是1.5,高于1.1的方法49,50),分别。这一发现进一步验证该方法优于其他主流CNN-based医学图像分类方法。为了更好地解释为什么该方法优于其他CNN-based方法,以下解释背后的理论和实用的计算方法。

本文乳腺图像的质量,原来的乳房的灰色特性质量形象,CNN的特性功能层,CNN的特征特性转换可视化。结果如图所示4。数据4(一)- - - - - -4 (c)代表原始乳房质量图像的灰度特征,网络层的特征向量,和网络层功能的可视化结果处理方法,分别。在每个图,黄色和蓝色圆点代表良性质量图像样本和恶性质量图像样本,分别。通过比较不同层特性的可视化结果分布在图中,可以知道CNN特性和multisliding窗口变换后的特征极大地提高原始歧视之间的良性和恶性乳腺图像质量。此外,CNN特性是由网络层没有large-interval metric-learning层转换。的large-interval metric-learning层可以将原来的乳房大规模图像CNN特性转换为一个新的特征空间分布更加紧凑和更多的类之间的离散分布。它使不同类型的群众更多的可区分的特征空间,从而进一步提高分类精度。

5.2。大脑肿瘤组织分类实验

实验数据来自北京大学第三医院。数据集包含的横断面MRI图像12脑瘤患者的大脑。所有的图像预处理的格式,降噪,等等,和神经外科成像脑部肿瘤的外科医生真正的映射区域作为训练样本标签和比较实验的参考标准。此外,需要大量的样本训练CNN模型。拓展训练样本的数量和测试方法分类结果不同的大脑肿瘤图像,实验使用10倍交叉验证的分析方法。11 12脑部肿瘤的MRI图像,图像训练集的选择,和1图像作为测试集。收集的训练样本和测试样本的数量在每个实验如表所示3。

在实验中,本文提出的分类方法进行了测试。验证该方法的有效性,与传统的机器学习方法相比,其他深度学习的方法。所有的实验数据和实验环境是一致的,及相关参数设置优化方法获得的。大脑肿瘤组织分类结果如表所示4。

如表所示4,平均精度(即传统的机器学习方法。,the support vector machine (SVM)) is only 88.19% because the SVM method is a small sample method; it is not as effective for large samples as deep learning methods. The average accuracy of the traditional CNN method is 91.12%—nearly 3 percentage points higher than that of the SVM method. This result shows that the deep learning method has large advantages over the traditional machine learning method. The average classification accuracy of the optimized CNN method proposed in [2)是93.67%,不仅远高于传统的SVM方法但也高于传统的CNN方法因为CNN方法抑制过度拟合的问题在一定程度上,从而达到良好的分类效果。平均方法的准确性提出了达到95.71%的图像块分类任务12脑瘤患者的MRI图像,这是最高精度的测试模型,特别是在第二,11日和12日样本,更难比其他样本进行分类。这个实验充分表明该方法不仅大大提高了分类精度,还具有良好的稳定性和鲁棒性和更好的解决体重在cnn初始化和过度拟合的问题。因此,模型结构可以充分利用深度学习的方法。

5.3。医学数据库分类实验

为了进一步验证该算法在医学图像的分类效果,本节进行分类测试(即两个公共医疗数据库。,癌症成像存档(TCIA) - ct数据库(51)和开放获取一系列(绿洲)核磁共振成像研究数据库(52])和主流图像。通过比较分析分类算法进行了评估。本研究采用相同的设置TCIA-CT数据库的(53];的图像是医学数字成像和通信(DICOM)类型。这个分析是用于实验测试在这一节中,和例子如图所示5。本研究选择604结肠图像使用的数据库和数据增强策略来提高数据库获得988图像的训练数据集和测试数据集的218张照片。OASIS-MRI数据库分为四类,其中每个包含152年,121年,88年和68年的图像;例子是图所示6。这张照片是使用相同的数据选择和数据处理的增强方法是用于TCIA-CT数据库,生成498图像的训练集和测试集的86张照片。

两个上述医学图像数据库分类的分类算法在本文和其他主流图像分类算法,结果如表所示5。

从表可以看出5医学图像分类算法提出了具有更好的分类效果比其他传统医学分类算法和深度学习医学分类算法。此外,该方法对医学图像数据库执行稳定。具体来说,表中的前三个传统分类算法主要是单独的图像特征提取和分类分为两个步骤,然后把它们对医学图像进行分类。这三个表中相应的深度学习算法统一特征提取和分类过程为一个任务来完成相应的测试。因此,分类结果的鲁棒性和准确性的集成分类算法是高于传统方法相结合。

具体来说,TCIA-CT数据库的性能,只有算法提出了达到最佳分类结果。三个传统医学图像分类算法更准确。两个深度学习模型的结果DeepNet1和DeepNet3是满意的;他们比传统方法有一定的优势。对于更难OASIS-MRI分类数据库,所有深模型表现得明显比传统的机器学习算法。这个结果表明的准确性时自动学习深度特性应用于医学图像分类任务远远高于人工设计图像特性的准确性。

简而言之,传统的分类算法分类精度低、稳定性差的缺点在医学图像分类任务。这表明这种结合传统分类方法不适合生物医学图像分类。算法的分类精度两个医学图像数据库上的深度学习算法明显优于传统的分类算法,再次表明深度学习模型从侧面有优势。此外,深度学习模型的医学图像分类算法有很高的稳定性。特别是,医学图像分类算法提出了实现更好的效果比其他深度学习医学分类算法。这个结果是因为深学习模式提出了不仅解决了模型权重的初始化的问题,也解决了多层协会在深度学习模型的问题。

5.4。脑医学数据库分类实验

为了进一步验证该算法可以有良好的分类效果一般医学数据库,本文从公共数据集随机下载395名参与者的阿尔茨海默病的神经影像学(ADNI) [54]。这些参与者组成的101例早期阿尔茨海默病(AD), 145名患者有轻度障碍认知(MCI),和149年正常控制(NC)。所有纵向MRI扫描图像得到使用专业的扫描仪。每个参与者都有1到10扫描图像;即参与者进行MRI扫描高达10个不同的时间点。此外,每个扫描图像的平均180片图像。图像显示在图的一部分7。与此同时,为了更好地适应相关数据集的构成,本文随机选择相应的参与者从广告的参与者,MCI,和数控比率为35%,30%和35%,取得了9组数据。其中,35%的参与者选择合并,得到了训练集,另35%的参与者选择合并和训练测试集。其余30%的参与者选择合并和训练来获得一个验证集。

分类算法和其他主流的图像分类算法用于分类的医学图像数据库中随机选择ADNI数据库。分类结果如表所示6。

从表可以看出6,传统的机器学习方法在文献[55)仅为88.3%。大脑医学数据库构建本文由随机选择ADNI数据库中的数据,更大的随机性和不确定性。传统的机器学习方法不能从这些随机图像提取更有效的特征信息。CNN算法的分类精度仅为0.9%高于传统的机器学习算法。的主要因素可能是CNN网络结构不适应图像特征在大脑医学数据库建立。其他深学习算法,如文献[56- - - - - -60分类精度为90.3%,91.2%,92.3%,92.3%,和92.5%,分别。可以看出这些深学习算法的分类精度高于90%,这也表明,该学习算法由后续使用大脑深处医学图像特征信息可以更好地利用大脑的医学图像信息的分类。该方法得到的分类精度达到95.1%,高于其他2%深度学习算法。这主要是因为网络提出了一种重初始化方法,可以更好地解决深学习模型的网络结构深度学习。它也增加了潜在的卷积神经网络来处理不同的视觉任务。同时,多列的框架构造卷积神经网络根据医学图像的特点,和滑动窗口融合处理是在多列上执行卷积神经网络。它可以获得一个更好的卷积神经网络模型,实现高精度脑医学数据库的分类。实验和上面的实验也表明,医学图像分类算法提出了许多不同的医学图像进行分类,进一步验证该算法的有效性和可靠性。同时,进一步证实了该方法具有良好的稳定性和鲁棒性。

6。结论

本文从网络优化的角度来看,使用优化方法来提高网络的非线性建模能力。通过改善提高泛化性能的吸引域收敛后的解决方案,提出了一种网络权重的初始化的新方法。这种方法缓解现有深度学习的初始化理论的问题类型是有限的,和它增加了潜在的神经网络来解决不同的视觉任务。此外,本文构造了一个CNN模型更好地适应各种结构感兴趣的医学图像的特点。不同的CNN模型训练在相同的数据集,最后,训练有素的异构多列CNN结合自适应滑动窗口机制提出了融合。他们一起完成医学图像分类的任务。

大脑肿瘤组织分类实验的结果表明,该方法的平均精度最高,达到了95.71%。在图像块分类任务涉及核磁共振脑肿瘤患者的12个样品,该模型的优势很明显显示在样本2,11和12,更难比其他样本进行分类。这个实验表明,本文提出的方法具有良好的稳定性和鲁棒性,同时大大提高分类精度。

医学数据库分类实验的结果表明,分类算法提出了实现的最佳分类结果TCIA-CT OASIS-MRI数据库中的数据库的图像和最困难的分类。该方法不仅比传统的机器学习算法,也提高了其他深度学习模型。

自建医疗技术数据库分类实验的结果表明,该方法准确率最高95.1%的大脑医学数据库的基础上构造ADNI数据库。进一步验证该方法能够更好地适应综合医学数据库的分类任务。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

确认

本文是由中国国家自然科学基金(没有。61701188)和中国博士后科学基金会(没有。2019 m650512)。这项工作的部分支持由中国国家自然科学基金(没有。61701188),中国博士后科学基金会(没有。2019 m650512),山西省自然科学基金(没有。201801 d221171)。