【技術實現步驟摘要】
本專利技術涉及深度學習技術和圖像分類，具體涉及一種基于膠囊網絡改進的輕量級肺部圖像分類方法。
技術介紹
1、通過計算機圖像處理技術提供肺部疾病診斷輔助的應用越來越普及。在這些應用場景中，為了向醫生提供可靠的診斷數據，利于及早發現及治療患者病情，通常需要對肺部圖像進行不同器官區域或病灶區域的分類識別，以便于輔助醫生進行器官病灶的初步判斷。因此，需要借助肺部圖像的分類處理，來進行肺部圖像中不同器官區域或病灶區域的分類識別。
2、深度學習是一種機器學習方法，旨在通過模擬人類大腦的神經網絡結構來解決復雜的任務。它通過層層堆疊的神經網絡來學習數據的多層抽象表示，以此來識別模式和特征。深度學習已在諸多領域取得了突破，包括計算機視覺、自然語言處理和語音識別等。
3、卷積神經網絡是一種特殊類型的神經網絡，專門用于處理具有類似網格結構的數據，比如圖像。它使用卷積層和池化層來自動提取圖像中的特征，并且通過全連接層來實現分類。卷積神經網絡在圖像識別、物體檢測和語義分割等任務中表現出色，已經成為計算機視覺領域的主要工具。
4、膠囊網絡是一種基于膠囊的神經網絡結構，旨在克服傳統卷積神經網絡中存在的一些局限性。它通過對輸入特征進行分組，并將它們與特定的膠囊相關聯，以捕捉對象的空間層次結構。膠囊網絡在處理視覺對象旋轉、變形和空間關系等方面具有優勢，并且有望成為圖像識別領域的一種重要技術。
5、輕量化是指針對神經網絡模型的體積和計算復雜度進行優化，以便在嵌入式設備、移動設備和邊緣設備上能夠高效運行。輕量化技術包括
6、雖然深度學習在各種計算機視覺和自然語言處理任務中取得了巨大成功，但是其在輕量化方面仍然存在一些挑戰和需要改進的地方。
7、1.計算資源消耗：深度學習模型通常需要大量的計算資源進行訓練和推理，這對于嵌入式設備、移動設備以及邊緣設備來說是一個挑戰。因為這些設備通常具有有限的計算能力和存儲空間，無法有效地運行大型深度學習模型。
8、2.模型體積：大多數深度學習模型在部署時都需要占用大量的存儲空間，這對于一些資源受限的應用場景來說是不可行的。因此，減小模型體積成為了提高深度學習模型在輕量化方面性能的一個重要目標。
9、3.能效問題：大型深度學習模型往往需要消耗大量的能量，這可能會導致設備過熱和電池快速耗盡。在一些需要長時間運行的應用場景中，這是一個非常重要的問題。
10、針對深度學習在肺部圖像的分類處理方面的應用，盡管如今已經取得了一定的進展，但是深度學習在輕量化方面仍然有很大的改進空間。因此，肺部圖像的分類處理技術研，會聚焦于提高深度學習模型的計算效率和能效，兼顧提高針對肺部圖像分類在處理速度和準確性方面的兼顧，以更好地適應各種資源條件的應用場景。
技術實現思路
1、針對上述現有技術的不足，本專利技術提供了一種基于膠囊網絡改進的輕量級肺部圖像分類方法，用以解決現有技術中肺部圖像分類方法計算效率低、能效不佳、分類處理速度與準確性難以兼顧的問題。
2、為了解決上述技術問題，本專利技術采用了如下的技術方案：
3、一種基于膠囊網絡改進的輕量級肺部圖像分類方法，獲取待處理的肺部圖像，輸入至經過預先訓練的輕量級肺部圖像分類網絡模型，得到待處理的肺部圖像中不同局部區域特征的分類識別結果；
4、所述輕量級肺部圖像分類網絡模型包括大核深度可分離卷積模塊、感興趣區域提取模塊、分組卷積特征提取模塊和膠囊網絡模塊；所述大核深度可分離卷積模塊用于提取肺部圖像的初步特征；所述感興趣區域提取模塊用于對肺部圖像的初步特征進行降維和特征增強處理，并提取得到肺部圖像中的感興趣區域；所述分組卷積特征提取模塊用于對肺部圖像中的感興趣區域進行局部區域特征提取，得到肺部圖像的局部區域分布特征圖；所述膠囊網絡模塊用于對肺部圖像的局部區域分布特征圖的各局部區域特征進行邊緣紋理特征提取及空間姿態信息計算，進而確定各局部區域特征的目標類別，得到待處理的肺部圖像中不同局部區域特征的分類識別結果。
5、作為優選，所述大核深度可分離卷積模塊包括大核卷積單元和逐點卷積單元；大核卷積單元用于提取肺部圖像的底層特征；逐點卷積單元用于對肺部圖像的底層特征進行融合增強處理，得到肺部圖像的初步特征。
6、作為優選，感興趣區域提取模塊包括自適應最大池化單元、卷積核激活單元和ese注意力單元；自適應最大池化單元用于對肺部圖像的初步特征進行降維處理，得到降維特征；卷積核激活單元用于使用卷積核及hardsigmoid激活函數對肺部圖像的降維特征進行增強處理；ese注意力單元用于對增強處理后的降維特征進行感興趣區域的提取處理，得到肺部圖像中的感興趣區域。
7、作為優選，所述分組卷積特征提取模塊包括分組的多個卷積核單元和全連接單元；不同卷積核單元用于對肺部圖像中感興趣區域的不同局部區域進行特征提取，得到肺部圖像中感興趣區域的不同局部區域特征；全連接單元用于對各不同卷積核單元提取得到的局部區域特征進行連接合并，形成肺部圖像的局部區域分布特征圖。
8、作為優選，所述膠囊網絡模塊包括主膠囊單元、數字膠囊單元和解碼分類單元；主膠囊單元用于對肺部圖像的局部區域分布特征圖中各局部區域特征進行邊緣和紋理特征的提取，并進行編碼形成各局部區域特征的邊緣紋理特征編碼向量；數字膠囊單元用于通過動態路由算法計算肺部圖像的局部區域分布特征圖中各局部區域特征之間的空間姿態路由權重，用以表征各局部區域特征之間的空間位置關系和姿態信息，并通過對邊緣紋理特征編碼向量以空間姿態路由權重進行加權求和計算，得到各局部區域特征的空間姿態向量；解碼分類單元用于將所述肺部圖像中各局部區域特征的空間姿態向量通過擠壓函數進行壓縮解碼，并根據壓縮解碼得到的壓縮矩陣確定各局部區域特征的目標類別，得到待處理的肺部圖像中不同局部區域特征的分類識別結果。
9、作為優選，所述輕量級肺部圖像分類網絡模型通過如下方式進行訓練：將預先完成局部區域特征類別標簽的標記處理的肺部樣本圖像作為訓練樣本，構成訓練樣本集，輸入至輕量級肺部圖像分類網絡模型，通過輕量級肺部圖像分類網絡模型處理得到訓練樣本的局部區域特征分類識別結果；根據訓練樣本的局部區域特征分類識別結果和局部區域特征類別標簽計算訓練損失，并訓練損失優化輕量級肺部圖像分類網絡模型的參數，直至輕量級肺部圖像分類網絡模型收斂，得到經過訓練的輕量級肺部圖像分類網絡模型。
10、作為優選，在輕量級肺部圖像分類網絡模型的訓練中，通過如下公式計算訓練損失：
11、
12、其中，l是總體損失函數；tk是第k分類的指示函數，如果第k分類識別結果存在則tk＝1，如果第k分類識別結果不存在則tk＝0；m+控制同類別的損失系數，m-控制不同類別的損失系數；vk為第k分類對應的數字膠囊輸出的空間姿態向量壓本文檔來自技高網...
【技術保護點】
1.一種基于膠囊網絡改進的輕量級肺部圖像分類方法，其特征在于，獲取待處理的肺部圖像，輸入至經過預先訓練的輕量級肺部圖像分類網絡模型，得到待處理的肺部圖像中不同局部區域特征的分類識別結果；
2.根據權利要求1所述基于膠囊網絡改進的輕量級肺部圖像分類方法，其特征在于，所述大核深度可分離卷積模塊包括大核卷積單元和逐點卷積單元；
3.根據權利要求1所述基于膠囊網絡改進的輕量級肺部圖像分類方法，其特征在于，感興趣區域提取模塊包括自適應最大池化單元、卷積核激活單元和ESE注意力單元；
4.根據權利要求1所述基于膠囊網絡改進的輕量級肺部圖像分類方法，其特征在于，所述分組卷積特征提取模塊包括分組的多個卷積核單元和全連接單元；
5.根據權利要求1所述基于膠囊網絡改進的輕量級肺部圖像分類方法，其特征在于，所述膠囊網絡模塊包括主膠囊單元、數字膠囊單元和解碼分類單元；
6.根據權利要求1所述基于膠囊網絡改進的輕量級肺部圖像分類方法，其特征在于，所述輕量級肺部圖像分類網絡模型通過如下方式進行訓練：
7.根據權利要求6所述基于膠囊網絡改
...【技術特征摘要】
1.一種基于膠囊網絡改進的輕量級肺部圖像分類方法，其特征在于，獲取待處理的肺部圖像，輸入至經過預先訓練的輕量級肺部圖像分類網絡模型，得到待處理的肺部圖像中不同局部區域特征的分類識別結果；
2.根據權利要求1所述基于膠囊網絡改進的輕量級肺部圖像分類方法，其特征在于，所述大核深度可分離卷積模塊包括大核卷積單元和逐點卷積單元；
3.根據權利要求1所述基于膠囊網絡改進的輕量級肺部圖像分類方法，其特征在于，感興趣區域提取模塊包括自適應最大池化單元、卷積核激活單元和ese注意力單元；
4.根據權利要求1所述基于膠囊網絡改...
【專利技術屬性】
技術研發人員：藍章禮，范亮，徐元通，唐若瀚，趙勝薇，蔡松柏，
申請(專利權)人：重慶交通大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。