基于粒子群优化算法的主动脉夹层CT图像分类方法

基于粒子群优化算法的主动脉夹层ct图像分类方法
技术领域
1.本发明涉及智能计算和图像分类领域，具体涉及一种基于粒子群优化算法的主动脉夹层ct图像分类方法。


背景技术：

2.近年来，以分类卷积神经网络为代表的深度学习在包含主动脉夹层ct图像在内的医学图像数据上应用广泛。如利用分类卷积神经网络对表皮恶性肿瘤图像进行分类；又如利用分类卷积神经网络对眼底检查图像进行分类。然而，上述分类卷积神经网络都是由计算机专家根据经验设计和构建，费时费力。由于医学图像存在噪声、成像不清晰等多种问题，导致人工设计用于医学图像分类的分类卷积神经网络存在很大的挑战。
3.为了解决人工设计分类卷积神经网络的局限性，利用算法自动化设计分类卷积神经网络成为深度学习领域研究的热点话题。作为一种高效的群体智能优化算法，粒子群优化算法主要通过模拟自然界鸟类的捕食行为来搜索最优解，具有良好的全局搜索能力和很好的收敛性。由于该算法简单和高效，已经被广泛应用于求解各类现实世界中的优化问题。因此，考虑到主动脉夹层ct图像分类任务存在的挑战和粒子群优化算法有效的优化能力，目前亟待提出利用粒子群优化算法自动搜索针对主动脉夹层ct图像分类任务的分类卷积神经网络。


技术实现要素：

4.本发明的目的是为了解决现有技术中存在的上述挑战，提供一种基于粒子群优化算法的主动脉夹层ct图像分类方法。该方法利用粒子群优化算法自动化搜索针对主动脉夹层ct图像分类任务的分类卷积神经网络，有助于提高主动脉夹层ct图像分类任务的分类准确率的同时避免消耗大量的人工精力和时间。而且，本发明还进一步利用了粒子群优化算法的进化状态信息以调整不同进化阶段对粒子对应的分类卷积神经网络的训练次数，有利于提高粒子群算法的搜索能力，找到在主动脉夹层ct图像分类任务上分类准确率更高的分类卷积神经网络。
5.本发明的目的可以实施以下技术方案达到：
6.一种基于粒子群优化算法的主动脉夹层ct图像分类方法，所述的设计方法包括下述步骤：
7.s1、初始化粒子群种群，每个粒子的位置代表一个分类卷积神经网络，粒子的总个数为n；
8.s2、根据主动脉夹层ct图像分类任务对粒子的位置代表的分类卷积神经网络的性能进行评估，将评估结果作为该粒子的适应值，评估的过程如下：
9.s201、获取待测主动脉夹层ct图像数据集，并将主动脉夹层ct图像数据集划分为训练集、验证集和测试集；
10.s202、将分类卷积神经网络在训练集训练和验证集验证，得到的分类准确率作为
适应值，其中分类卷积神经网络在训练集的训练次数为e；
11.s3、比较n个粒子的适应值大小，其中适应值最大的粒子的位置记为全局最优位置gbest；
12.s4、根据粒子群优化算法的搜索策略对粒子的速度和位置进行更新，速度更新公式如下：
[0013][0014]
其中表示第g 1代中第i个粒子第d维的速度，表示第g代中第i个粒子第d维的速度，表示第g代第i个粒子第d维的位置，ω表示速度权重，表示第i个粒子第d维的历史最优位置，gbestd表示第d维的全局最优位置，c1和c2是两个更新系数，r1和r2是第d维在[0,1]之间的三个不同随机数，粒子位置值更新是在原位置的基础上加上公式(1)更新后的新速度作为粒子新位置；
[0015]
s5、根据上述评估过程对粒子群优化算法更新迭代后的新位置进行评估比较即可不断搜索到更优的分类卷积神经网络，然而传统粒子群优化算法存在过早收敛、容易陷入局部最优的不足，本发明利用粒子群优化算法的进化状态信息s调整不同进化阶段对粒子对应的分类卷积神经网络的训练次数，以提高粒子群算法的搜索能力。过程如下：
[0016]
s501、根据全局最优位置的变化情况更新粒子的进化状态信息s，如果第g代的全局最优位置不同于第g-1代的全局最优位置，则s的更新公式如下：
[0017]
sg＝s
g-1
1
ꢀꢀꢀ
(2)
[0018]
其中s
g-1
表示第g-1代的进化状态信息，sg表示第g代的进化状态信息；如果第g代的全局最优位置和第g-1代的全局最优位置相同，则s的更新公式如下：
[0019]
sg＝0；
ꢀꢀꢀ
(3)
[0020]
s502、根据进化状态信息s更新评估粒子过程中分类卷积神经网络的训练次数e，如果s的值小于等于3，保持e不变；否则，e的更新公式如下：
[0021]
e＝e 5
ꢀꢀꢀ
(4)
[0022]
s6、当粒子群优化算法迭代到分类卷积神经网络的训练次数e为规定的最大值时，将此时的全局最优位置对应的分类卷积神经网络继续训练到收敛，训练后的分类卷积神经网络作为主动脉夹层ct图像分类方法，否则继续执行步骤s3～s5直到训练次数e满足算法事先设置的最大值为止。
[0023]
进一步地，所述分类卷积神经网络用于粒子的位置表示。
[0024]
进一步地，所述分类卷积神经网络的基本结构为：第一层为输入层，第二层为卷积层，第三层为池化层，第四层到第十七层为卷积层，第十八层为池化层，第十九层为全连接层，第二十层为输出层；除了输入层和输出层，其他所有层都包含一个激活函数；第四层到第十七层的卷积层中，每两个卷积层之间有一个残差连接。
[0025]
进一步地，所述分类卷积神经网络的卷积层的卷积核大小为3
×
3或5
×
5；池化层的类型为平均池化或最大池化；激活函数的类型为relu函数、sigmoid函数或tanh函数。
[0026]
进一步地，所述步骤s2中，初始的分类卷积神经网络训练次数e的值为5。
[0027]
进一步地，所述步骤s3中，分类卷积神经网络的训练次数太少无法评估对应的性能，本发明中分类卷积神经网络的训练次数e的初始值为5。
[0028]
进一步地，所述步骤s5中，当粒子群优化算法的全局最优位置连续不更新时，粒子群优化算法陷入了停滞状态，故本发明记录粒子群优化算法的进化状态信息s，进化状态信息s的值为全局最优位置连续不更新的代数。
[0029]
进一步地，所述步骤s5中，为了避免传统粒子群优化算法存在过早收敛、容易陷入局部最优的不足，本发明利用粒子群优化算法的进化状态信息s调整不同进化阶段对粒子对应的分类卷积神经网络的训练次数，以提高粒子群算法的搜索能力。
[0030]
进一步地，所述步骤s6中，分类卷积神经网络的训练次数太大需要更多的计算时间和计算资源，本发明中事先规定的训练次数e的最大值为15。
[0031]
本发明相对于现有技术具有如下的优点和效果：
[0032]
1、本发明利用粒子群优化算法自动设计用于主动脉夹层ct图像分类的分类卷积神经网络，避免了人工设计分类卷积神经网络用于主动脉夹层ct图像分类消耗的时间和精力。
[0033]
2、本发明让分类卷积神经网络代表粒子群优化算法的粒子的位置，有利于利用粒子群优化算法的迭代步骤不断搜索到新的分类卷积神经网络。
[0034]
3、本发明提出的粒子群优化算法中，通过记录粒子群的全局最优位置的更新信息作为粒子群优化算法的进行状态信息，有利于判断粒子群所处的进化阶段。
[0035]
4、本发明提出的粒子群优化算法中，利用粒子群优化算法的进化状态信息对粒子群的适应值评估阶段中使用到的分类卷积神经网络训练次数e不断进行调整，有利于帮助粒子群跳出局部最优和提高粒子群优化算法的探索能力，找到更好的分类卷积神经网络。
附图说明
[0036]
此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0037]
图1是本发明提出的基于粒子群优化算法的主动脉夹层ct图像分类方法的流程图；
[0038]
图2是本发明实施例中一主动脉夹层ct示例图像；
[0039]
图3是本发明实施例中另一主动脉夹层ct示例图像。
具体实施方式
[0040]
为使本发明实施例的目的、技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0041]
实施例
[0042]
参见图1.本实施例公开了一种基于粒子群优化算法的主动脉夹层ct图像分类方法，该分类方法包括以下步骤：
[0043]
s1、初始化粒子群种群，每个粒子的位置代表一个分类卷积神经网络，粒子的总个数为n；所述分类卷积神经网络的基本结构为：第一层为输入层，第二层为卷积层，第三层为池化层，第四层到第十七层为卷积层，第十八层为池化层，第十九层为全连接层，第二十层
为输出层；除了输入层和输出层，其他所有层都包含一个激活函数；第四层到第十七层的卷积层中，每两个卷积层之间有一个残差连接；卷积层的卷积核大小为3
×
3或5
×
5；池化层的类型为平均池化或最大池化；激活函数的类型为relu函数、sigmoid函数或tanh函数。
[0044]
s2、根据主动脉夹层ct图像分类任务对粒子代表的分类卷积神经网络的性能进行评估，将评估结果作为该粒子的适应值，评估的过程如下：
[0045]
s201、获取待测主动脉夹层ct图像数据集，并将主动脉夹层ct图像数据集划分为训练集、验证集和测试集；
[0046]
s202、将分类卷积神经网络在训练集训练和验证集验证，得到的分类准确率作为适应值，其中分类卷积神经网络在训练集的训练次数为e；
[0047]
s3、比较n个粒子的适应值大小，其中适应值最大的粒子的位置记为全局最优位置gbest；
[0048]
s4、根据粒子群优化算法的搜索策略对粒子的速度和位置进行更新，速度更新公式如下：
[0049]
其中表示第g 1代中第i个粒子第d维的速度，表示第g代中第i个粒子第d维的速度，表示第g代第i个粒子第d维的位置，ω表示速度权重，表示第i个粒子第d维的历史最优位置，gbestd表示第d维的全局最优位置，c1和c2是两个更新系数，r1和r2是第d维在[0,1]之间的三个不同随机数，粒子位置值更新是在原位置的基础上加上公式(1)更新后的新速度作为粒子新位置；
[0050]
s5、根据全局最优位置的变化情况更新粒子的进化状态信息s，如果第g代的全局最优位置不同于第g-1代的全局最优位置，则s的更新公式如下：
[0051]
sg＝s
g-1
1
ꢀꢀꢀ
(2)
[0052]
其中s
g-1
表示第g-1代的进化状态信息，sg表示第g代的进化状态信息；如果第g代的全局最优位置和第g-1代的全局最优位置相同，则s的更新公式如下：sg＝0；
ꢀꢀꢀ
(3)
[0053]
s6、根据进化状态信息s更新评估粒子过程中分类卷积神经网络的训练次数e，如果s的值小于等于3，保持e不变；否则，e的更新公式如下：
[0054]
e＝e 5
ꢀꢀꢀ
(4)
[0055]
s7、当算法迭代到分类卷积神经网络的训练次数e为规定的最大值时，将此时的全局最优位置对应的分类卷积神经网络继续训练到收敛，作为主动脉夹层ct图像分类方法，否则继续执行步骤s3～s6直到训练次数e满足算法事先设置的最大值为止。
[0056]
为验证本技术提出的基于粒子群优化算法的主动脉夹层ct图像分类方法能够针对特定的主动脉夹层ct图像分类任务找到最优的分类卷积神经网络，下面进行验证实验：
[0057]
在验证实验中，本发明中提出的粒子群优化算法的分类卷积神经网络应用到主动脉夹层ct图像数据集分类应用中。示例图片如图2和图3所示。
[0058]
主动脉夹层ct图像数据集包括训练集、验证集和测试集，分别包括3139个训练样本、348个验证样本以及386个测试样本，有两个类别。本实验中参数的设定如下表1所示：
[0059]
表1.实验中参数的设定情况表
[0060][0061][0062]
为了对比说明本技术的方法相对于现有技术的优势，本实验同时分别使用resnet分类卷积神经网络和sheda-cnn分类卷积神经网络在主动脉夹层ct图像数据集上进行分类。最终的实验结果如表2所示：
[0063]
表2.实验对比结果
[0064]
分类方法层数参数量分类准确率resnet11010.78m98.97％sheda-cnn204.18m99.48％pso-cnn201.91m100％
[0065]
从表2可以看出，使用110层的分类卷积神经网络resnet在主动脉夹层ct图像数据集进行分类，只得到了98.97％的分类准确率；使用20层的sheda-cnn分类卷积神经网络得到了99.48％的分类准确率。而使用本发明提出的分类方法在主动脉夹层ct图像数据集上分类得到了100％的分类准确率，且本发明提出的分类方法使用更少的参数，更容易被训练。
[0066]
实验结果表明，在特定的主动脉夹层ct图像分类任务上，本发明提出的基于粒子群优化算法的主动脉夹层ct图像分类方法有更高的分类准确率和更少的参数。
[0067]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未违背本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。