论文部分内容阅读
摘要：在现代科学技术日新月异的今天，医学技术手段也得到了快速发展，医疗过程中产生的医学病症图像越来越多。因此，需要构建智能的医学图像处理系统，以达到从海量医学图像中迅速定位病症特征的目的。本文基于改进的卷积神经网络模型，对医学图像进行了样本筛选和识别处理，得到了具有实践意义的实验结论。
关键词：卷积神经网络;改进的LeNet-5网络;图像处理
1引言
卷积神经网络技术通常应用于各类图像的处理，以解决海量图像分类问题。其中，LeNet-5卷积神经网络主要用于对手写图像的识别。目前，卷积神经网络技术也已经应用于常规医学检测中，医生可以通过医学检测图像找到患者病症所在，如果能够利用卷积神经网络技术开发强大的智能图像处理系统，可以大幅提高诊疗的有效性[1]。针对这一难题，文章选择对卷积神经网络LeNet-5的结构进行改进，更好地对医学图像进行识别，快速定位患者病症[2]。
2 LeNet-5网络结构
在美国，卷积神经网络LeNet-5广泛应用于银行客户办理业务过程中的数字签名识别等领域，LeNet-5网络准确性高、稳定性强，目前已经应用于各大商业领域识别技术中[3]。
3改进的LeNet-5网络
卷积神经网络LeNet-5在手写签名等领域已经取得了成功应用，但其性能特征并不能完全适用于医学图像处理，尤其是针对眼球血丝这类结构复杂的医学图像，因此，文章针对LeNet-5网络进行了改进：
（1）增加卷积核数，改变图像尺寸
LeNet-5网络的每个卷积核都能够针对图像获取一种特征，为了能够使卷积神经网络良好地用于眼球血丝图像的识别和特征提取，将卷积层的卷积核数量增加到10个，卷积核的大小调整为7*7;输入层的图像尺寸调整为126mm*126mm;得到经过卷积后的特征图像尺寸为120mm*120mm。
（2）采用最大采样值，调整采样窗口
采用4*4的采样窗口，且为最大值。LeNet-5网络的采样过程中使用的是均值采样，达到了良好的降噪效果，同时保留图片手写特征，但是，眼球血丝图片中的特征细小，与图像周围特征反差大，如果仍然采用均值采样，会导致无法采集到眼球血丝的明显特征。因此，需要使用最大值采样模式，对边缘补“0”，尽可能保留眼球血丝特征的完整性，得到特征图形的尺寸为30mm*30mm。
（3）增加特征图数量
C3卷积层的特征图为20个，使用是20个大小为7*7的卷积核，因此，可以得到特征图像的尺寸为24mm*24mm。经过子采样得到的子采样特征图是20个，使用的是4*4的采样窗口最大值，得到的特征图像尺寸为6mm*6mm。全连接层包括360个网络神经节点。
（4）对分类器进行改进
LeNet-5网络在F5全连接层后面又进行了一次全连接，输出层采用的是RBF径向基函数。对LeNet-5网络进行改进后，直接删除了F6全连接层，将F5全连接层与Softmax回归进行连接，并以Softmax回归作为分类器，得到分类结果。
4改进的LeNet-5网络在医学图像处理中的应用
4.1实验样本采集
文章采用的医学图像样本尺寸为126mm*126mm，与改进的LeNet-5网络中常用的图片尺寸相比较大。为了研究卷积神经网络技术在医学图像样本不同尺寸中的识别率，选择的眼球血丝样本为2类，包含生殖疾病和心脏疾病[4][5]。选择生殖疾病眼球血丝图像样本训练集200张，测试集80张;选择心脏疾病眼球血丝图像样本训练集226张，测试集84张。以上两种疾病的眼球血丝图像样本的长度和宽度不变，对原始图像126mm*126mm尺寸按照比例进行缩小，得到图像样本尺寸分别为94mm*94mm，62mm*62mm，46mm*46mm，再增加一组尺寸为156mm*156mm的眼球血丝图像样本。将以上尺寸的图像样的训练集本全部输入到卷积网络神经中进行样本训练，直到收敛完成。再对图像样本的测试集进行测试，并记录结果，如表1所示：
4.2实验结果分析
由表1可知：图像样本的尺寸越大，使用卷积神经网络后得到的分类准确度越高。尺寸越大的图像中，特征信息较多，通过卷积神经网络训练后，对图像特征提取和训练使用的时间越长。由于卷积神经网络在对图像训练过程中大多数时间用于权值更新，因此，测试时间与训练时间相比大幅减少，测试过程中不需要进行权值更新，节约了大量时间成本。实验图像样本的尺寸是126mm*126mm时，测试准确率可以达到81.57%，但当图像样本尺寸是156mm*156mm，测试准确率反而降低到了77.63%，说明尺寸为156mm*156mm的图像样本不适合利用卷积神经网络进行改进。因此，为了有效提高卷积神经网络对图片识别的准确率，图像样本尺寸应该控制在一定范围内，选择较大的尺寸作为输入。
5结论
文章使用改进的LeNet-5网络卷积神经网络对医学图像进行了识别处理。经过实验证明，改进的LeNet-5网络在解决医学图像处理问题中具有有效性。由此可见，卷积神经网络技术在医学图像领域中的研究应用具有广阔空间，由于作者研究经验和知识水平有限，文章中仍然存在较多地方值得进一步改进。
参考文献
[1]杨晶东，王海灵.一种有效的全卷积神经网络生物医学图像分割方法[J].小型微型计算机系统，2021，42（06）：1281-1287.
[2]陳屹东，张琴，兰蓝，彭丽，殷晋.深度卷积神经网络方法在医学图像分割应用中的综述[J].中国卫生信息管理杂志，2021，18（02）：278-284.
[3]杨培伟，周余红，邢岗，田智强，许夏瑜.卷积神经网络在生物医学图像上的应用进展[J].计算机工程与应用，2021，57（07）：44-58.
[4]何炎柏.卷积神经网络在医学影像分割上的现状与挑战[J].计算机与网络，2020，46（17）：38-39.
[5]吴玉超，林岚，王婧璇，吴水才.基于卷积神经网络的语义分割在医学图像中的应用[J].生物医学工程学杂志，2020，37（03）：533-540.
作者简介：赵政，男，汉族 江苏苏州，1988年9月，本科，工程师，虎丘影像（苏州）有限公司（215100），研究方向：电子信息。
关键词：卷积神经网络;改进的LeNet-5网络;图像处理
1引言
卷积神经网络技术通常应用于各类图像的处理，以解决海量图像分类问题。其中，LeNet-5卷积神经网络主要用于对手写图像的识别。目前，卷积神经网络技术也已经应用于常规医学检测中，医生可以通过医学检测图像找到患者病症所在，如果能够利用卷积神经网络技术开发强大的智能图像处理系统，可以大幅提高诊疗的有效性[1]。针对这一难题，文章选择对卷积神经网络LeNet-5的结构进行改进，更好地对医学图像进行识别，快速定位患者病症[2]。
2 LeNet-5网络结构
在美国，卷积神经网络LeNet-5广泛应用于银行客户办理业务过程中的数字签名识别等领域，LeNet-5网络准确性高、稳定性强，目前已经应用于各大商业领域识别技术中[3]。
3改进的LeNet-5网络
卷积神经网络LeNet-5在手写签名等领域已经取得了成功应用，但其性能特征并不能完全适用于医学图像处理，尤其是针对眼球血丝这类结构复杂的医学图像，因此，文章针对LeNet-5网络进行了改进：
（1）增加卷积核数，改变图像尺寸
LeNet-5网络的每个卷积核都能够针对图像获取一种特征，为了能够使卷积神经网络良好地用于眼球血丝图像的识别和特征提取，将卷积层的卷积核数量增加到10个，卷积核的大小调整为7*7;输入层的图像尺寸调整为126mm*126mm;得到经过卷积后的特征图像尺寸为120mm*120mm。
（2）采用最大采样值，调整采样窗口
采用4*4的采样窗口，且为最大值。LeNet-5网络的采样过程中使用的是均值采样，达到了良好的降噪效果，同时保留图片手写特征，但是，眼球血丝图片中的特征细小，与图像周围特征反差大，如果仍然采用均值采样，会导致无法采集到眼球血丝的明显特征。因此，需要使用最大值采样模式，对边缘补“0”，尽可能保留眼球血丝特征的完整性，得到特征图形的尺寸为30mm*30mm。
（3）增加特征图数量
C3卷积层的特征图为20个，使用是20个大小为7*7的卷积核，因此，可以得到特征图像的尺寸为24mm*24mm。经过子采样得到的子采样特征图是20个，使用的是4*4的采样窗口最大值，得到的特征图像尺寸为6mm*6mm。全连接层包括360个网络神经节点。
（4）对分类器进行改进
LeNet-5网络在F5全连接层后面又进行了一次全连接，输出层采用的是RBF径向基函数。对LeNet-5网络进行改进后，直接删除了F6全连接层，将F5全连接层与Softmax回归进行连接，并以Softmax回归作为分类器，得到分类结果。
4改进的LeNet-5网络在医学图像处理中的应用
4.1实验样本采集
文章采用的医学图像样本尺寸为126mm*126mm，与改进的LeNet-5网络中常用的图片尺寸相比较大。为了研究卷积神经网络技术在医学图像样本不同尺寸中的识别率，选择的眼球血丝样本为2类，包含生殖疾病和心脏疾病[4][5]。选择生殖疾病眼球血丝图像样本训练集200张，测试集80张;选择心脏疾病眼球血丝图像样本训练集226张，测试集84张。以上两种疾病的眼球血丝图像样本的长度和宽度不变，对原始图像126mm*126mm尺寸按照比例进行缩小，得到图像样本尺寸分别为94mm*94mm，62mm*62mm，46mm*46mm，再增加一组尺寸为156mm*156mm的眼球血丝图像样本。将以上尺寸的图像样的训练集本全部输入到卷积网络神经中进行样本训练，直到收敛完成。再对图像样本的测试集进行测试，并记录结果，如表1所示：
4.2实验结果分析
由表1可知：图像样本的尺寸越大，使用卷积神经网络后得到的分类准确度越高。尺寸越大的图像中，特征信息较多，通过卷积神经网络训练后，对图像特征提取和训练使用的时间越长。由于卷积神经网络在对图像训练过程中大多数时间用于权值更新，因此，测试时间与训练时间相比大幅减少，测试过程中不需要进行权值更新，节约了大量时间成本。实验图像样本的尺寸是126mm*126mm时，测试准确率可以达到81.57%，但当图像样本尺寸是156mm*156mm，测试准确率反而降低到了77.63%，说明尺寸为156mm*156mm的图像样本不适合利用卷积神经网络进行改进。因此，为了有效提高卷积神经网络对图片识别的准确率，图像样本尺寸应该控制在一定范围内，选择较大的尺寸作为输入。
5结论
文章使用改进的LeNet-5网络卷积神经网络对医学图像进行了识别处理。经过实验证明，改进的LeNet-5网络在解决医学图像处理问题中具有有效性。由此可见，卷积神经网络技术在医学图像领域中的研究应用具有广阔空间，由于作者研究经验和知识水平有限，文章中仍然存在较多地方值得进一步改进。
参考文献
[1]杨晶东，王海灵.一种有效的全卷积神经网络生物医学图像分割方法[J].小型微型计算机系统，2021，42（06）：1281-1287.
[2]陳屹东，张琴，兰蓝，彭丽，殷晋.深度卷积神经网络方法在医学图像分割应用中的综述[J].中国卫生信息管理杂志，2021，18（02）：278-284.
[3]杨培伟，周余红，邢岗，田智强，许夏瑜.卷积神经网络在生物医学图像上的应用进展[J].计算机工程与应用，2021，57（07）：44-58.
[4]何炎柏.卷积神经网络在医学影像分割上的现状与挑战[J].计算机与网络，2020，46（17）：38-39.
[5]吴玉超，林岚，王婧璇，吴水才.基于卷积神经网络的语义分割在医学图像中的应用[J].生物医学工程学杂志，2020，37（03）：533-540.
作者简介：赵政，男，汉族 江苏苏州，1988年9月，本科，工程师，虎丘影像（苏州）有限公司（215100），研究方向：电子信息。