基于残差网络的血管内超声图像识别

发布时间：2021-08-18 17:17

　　为提高血管内超声（Intravenous Ultrasound,IVUS）图像在动脉粥样硬化识别准确率,实现更高效的计算机辅助诊断,提出综合使用图像增强、特征提取和基于批量归一化（Batch Normalization,BN）优化残差网络的血管内超声图像识别方法。使用Sobel算子在原图像水平和垂直方向进行边缘检测,在此基础上获得锐化增强图像,结合使用灰度共生矩阵提取纹理特征信息;为丰富网络的特征信息,防止梯度消失,使用残差学习对卷积神经网络进行改进。批量归一化通过拟合数据特征分布减少内部协变量转移加速网络收敛。实验结果表明上述方法相比较传统机器学习与改进前的卷积神经网络识别错误率平均降低了58.23%。 

【文章来源】：计算机仿真. 2020,37(04)北大核心

【文章页数】：5 页

【部分图文】：

增强图像

对于图像特征描述和提取可划分为数学统计方法和特征结构化描述方法,灰度共生矩阵作为一种常用的纹理特征提取统计方法,通过计算IVUS图像中特定距离与特定方向上的两点像素之间相关性,可以更好地反映该图像的一系列综合信息,如图像方向、像素变化幅度和、变化频率等特点,并将其特征规律提取作为结果的一部分。灰度共生矩阵通过定义两像素(x1,y1)与(x2,y2)之间的距离d,两点连线与所设定坐标轴x轴之间的夹角θ来进行其元素的定义,其关系如图2所示。如上图所示其对应的计算方程为式(3),其中i,j分别代表灰度级,为保留图像细节,使图像在进行计算时更为清晰,选用64级灰度对灰度共生矩阵进行计算,M,N分别代表图像尺寸,f(·)为计算灰度值,大括号 ([ ? ]) 中为条件像素总数统计。

在上一节中解决了因网络深度所引发的网络收敛速度问题,随深度增加深度神经网络中会表现出“退化现象”。为保证正确率的提升使用残差模块和快捷连接跳跃式结构对网络模型进行优化改进,其结构如图3所示。通过快捷连接的方式来构造卷积层之间的跨层叠加,将该种快捷连接应用于整个卷积层可获得较好的效果。假设理想状态下网络层的最佳映射所拟合的函数为Y,x为输入,使用快捷连接将原本输入与网络层输出堆叠的方式使网络层去拟合一个更加容易逼近的残差函数F(x),此时残差结构中网络层映射公式表达为式(11)。

【参考文献】：
期刊论文
[1]基于血管内超声图像的心血管动脉粥样硬化斑块组织自动定征的研究[J]. 黄志杰,王伊侬,王青.  计算机科学. 2018(05)
[2]医学图像分析深度学习方法研究与挑战[J]. 田娟秀,刘国才,谷珊珊,鞠忠建,刘劲光,顾冬冬.  自动化学报. 2018(03)
[3]整数阶滤波的分数阶Sobel算子的边缘检测算法[J]. 李忠海,金海洋,邢晓红.  计算机工程与应用. 2018(04)
[4]基于深度卷积网络算法的人脸识别方法研究[J]. 龙海强,谭台哲.  计算机仿真. 2017(01)
[5]局部特征与多示例学习结合的超声图像分类方法[J]. 丁建睿,黄剑华,刘家锋,张英涛.  自动化学报. 2013(06)
[6]基于血管内超声图像自动识别易损斑块[J]. 张麒,汪源源,马剑英,钱菊英,施俊,严壮志.  光学精密工程. 2011(10)



本文编号：3350298