發(fā)布時間：2021-08-18 17:17

　　為提高血管內(nèi)超聲（Intravenous Ultrasound,IVUS）圖像在動脈粥樣硬化識別準確率,實現(xiàn)更高效的計算機輔助診斷,提出綜合使用圖像增強、特征提取和基于批量歸一化（Batch Normalization,BN）優(yōu)化殘差網(wǎng)絡的血管內(nèi)超聲圖像識別方法。使用Sobel算子在原圖像水平和垂直方向進行邊緣檢測,在此基礎上獲得銳化增強圖像,結合使用灰度共生矩陣提取紋理特征信息;為豐富網(wǎng)絡的特征信息,防止梯度消失,使用殘差學習對卷積神經(jīng)網(wǎng)絡進行改進。批量歸一化通過擬合數(shù)據(jù)特征分布減少內(nèi)部協(xié)變量轉移加速網(wǎng)絡收斂。實驗結果表明上述方法相比較傳統(tǒng)機器學習與改進前的卷積神經(jīng)網(wǎng)絡識別錯誤率平均降低了58.23%。 

【文章來源】：計算機仿真. 2020,37(04)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

增強圖像

對于圖像特征描述和提取可劃分為數(shù)學統(tǒng)計方法和特征結構化描述方法,灰度共生矩陣作為一種常用的紋理特征提取統(tǒng)計方法,通過計算IVUS圖像中特定距離與特定方向上的兩點像素之間相關性,可以更好地反映該圖像的一系列綜合信息,如圖像方向、像素變化幅度和、變化頻率等特點,并將其特征規(guī)律提取作為結果的一部分。灰度共生矩陣通過定義兩像素(x1,y1)與(x2,y2)之間的距離d,兩點連線與所設定坐標軸x軸之間的夾角θ來進行其元素的定義,其關系如圖2所示。如上圖所示其對應的計算方程為式(3),其中i,j分別代表灰度級,為保留圖像細節(jié),使圖像在進行計算時更為清晰,選用64級灰度對灰度共生矩陣進行計算,M,N分別代表圖像尺寸,f(·)為計算灰度值,大括號 ([ ? ]) 中為條件像素總數(shù)統(tǒng)計。

在上一節(jié)中解決了因網(wǎng)絡深度所引發(fā)的網(wǎng)絡收斂速度問題,隨深度增加深度神經(jīng)網(wǎng)絡中會表現(xiàn)出“退化現(xiàn)象”。為保證正確率的提升使用殘差模塊和快捷連接跳躍式結構對網(wǎng)絡模型進行優(yōu)化改進,其結構如圖3所示。通過快捷連接的方式來構造卷積層之間的跨層疊加,將該種快捷連接應用于整個卷積層可獲得較好的效果。假設理想狀態(tài)下網(wǎng)絡層的最佳映射所擬合的函數(shù)為Y,x為輸入,使用快捷連接將原本輸入與網(wǎng)絡層輸出堆疊的方式使網(wǎng)絡層去擬合一個更加容易逼近的殘差函數(shù)F(x),此時殘差結構中網(wǎng)絡層映射公式表達為式(11)。

【參考文獻】：
期刊論文
[1]基于血管內(nèi)超聲圖像的心血管動脈粥樣硬化斑塊組織自動定征的研究[J]. 黃志杰,王伊儂,王青.  計算機科學. 2018(05)
[2]醫(yī)學圖像分析深度學習方法研究與挑戰(zhàn)[J]. 田娟秀,劉國才,谷珊珊,鞠忠建,劉勁光,顧冬冬.  自動化學報. 2018(03)
[3]整數(shù)階濾波的分數(shù)階Sobel算子的邊緣檢測算法[J]. 李忠海,金海洋,邢曉紅.  計算機工程與應用. 2018(04)
[4]基于深度卷積網(wǎng)絡算法的人臉識別方法研究[J]. 龍海強,譚臺哲.  計算機仿真. 2017(01)
[5]局部特征與多示例學習結合的超聲圖像分類方法[J]. 丁建睿,黃劍華,劉家鋒,張英濤.  自動化學報. 2013(06)
[6]基于血管內(nèi)超聲圖像自動識別易損斑塊[J]. 張麒,汪源源,馬劍英,錢菊英,施俊,嚴壯志.  光學精密工程. 2011(10)



本文編號：3350298