基于粒子群优化算法的主动脉夹层CT图像分类方法

技术特征：
1.一种基于粒子群优化算法的主动脉夹层ct图像分类方法，其特征在于，所述的方法包括下列步骤：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；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：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；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；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；s4、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：s
g
＝s
g-1
1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中s
g-1
表示第g-1代的进化状态信息，s
g
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：s
g
＝0；
ꢀꢀꢀꢀꢀꢀ
(2)s5、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：e＝e 5
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)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图像分类的分类卷积神经网络，否则继续执行步骤s3～s5直到训练次数e满足粒子群优化算法事先设置的最大值为止。2.根据权利要求1的基于粒子群优化算法的主动脉夹层ct图像分类方法，其特征在于，所述分类卷积神经网络用于粒子的位置表示。3.根据权利要求1的基于粒子群优化算法的主动脉夹层ct图像分类方法，其特征在于，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。4.根据权利要求3的基于粒子群优化算法的主动脉夹层ct图像分类方法，其特征在于，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。5.根据权利要求1的基于粒子群优化算法的主动脉夹层ct图像分类方法，其特征在于，所述步骤s2中，分类卷积神经网络的训练次数e的初始值为5。6.根据权利要求1的基于粒子群优化算法的主动脉夹层ct图像分类方法，其特征在于，所述步骤s6中，事先设定训练次数e的最大值为15。

技术总结
本发明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，主要涉及智能优化算法和图像分类领域。本方法针对特定的主动脉夹层CT图像分分类任务，基于粒子群优化算法自动搜索最优分类卷积神经网络。搜索过程中，设定每一个粒子位置代表一个分类卷积神经网络，通过粒子群优化算法的不断迭代，最终搜索到一个性能最好的分类卷积神经网络。通过在主动脉夹层CT图像数据集上进行图像分类实验获得了100％的分类准确率，相对于现有的110层分类卷积神经网络ResNet得出的98.97％的分类准确率以及20层分类卷积神经网络SHEDA-CNN得出的99.48％的分类准确率，基于本发明提出的主动脉夹层CT图像分类方法可以获得更高的分类准确率。确率。确率。


技术研发人员：詹志辉 汪叶群 杨帆 刘继涛 陈春华 张军
受保护的技术使用者：华南理工大学
技术研发日：2022.04.15
技术公布日：2022/8/9