卷積神經網絡技術在醫學圖像處理中的算法應用

摘要：在現代科學技術日新月異的今天，醫學技術手段也得到了快速發展，醫療過程中產生的醫學病癥圖像越來越多。因此，需要構建智能的醫學圖像處理系統，以達到從海量醫學圖像中迅速定位病癥特征的目的。本文基于改進的卷積神經網絡模型，對醫學圖像進行了樣本篩選和識別處理，得到了具有實踐意義的實驗結論。

關鍵詞：卷積神經網絡;改進的LeNet-5網絡;圖像處理

1引言

卷積神經網絡技術通常應用于各類圖像的處理，以解決海量圖像分類問題。其中，LeNet-5卷積神經網絡主要用于對手寫圖像的識別。目前，卷積神經網絡技術也已經應用于常規醫學檢測中，醫生可以通過醫學檢測圖像找到患者病癥所在，如果能夠利用卷積神經網絡技術開發強大的智能圖像處理系統，可以大幅提高診療的有效性[1]。針對這一難題，文章選擇對卷積神經網絡LeNet-5的結構進行改進，更好地對醫學圖像進行識別，快速定位患者病癥[2]。

2 LeNet-5網絡結構

在美國，卷積神經網絡LeNet-5廣泛應用于銀行客戶辦理業務過程中的數字簽名識別等領域，LeNet-5網絡準確性高、穩定性強，目前已經應用于各大商業領域識別技術中[3]。

3改進的LeNet-5網絡

卷積神經網絡LeNet-5在手寫簽名等領域已經取得了成功應用，但其性能特征并不能完全適用于醫學圖像處理，尤其是針對眼球血絲這類結構復雜的醫學圖像，因此，文章針對LeNet-5網絡進行了改進：

（1）增加卷積核數，改變圖像尺寸

LeNet-5網絡的每個卷積核都能夠針對圖像獲取一種特征，為了能夠使卷積神經網絡良好地用于眼球血絲圖像的識別和特征提取，將卷積層的卷積核數量增加到10個，卷積核的大小調整為7*7;輸入層的圖像尺寸調整為126mm*126mm;得到經過卷積后的特征圖像尺寸為120mm*120mm。

（2）采用最大采樣值，調整采樣窗口

采用4*4的采樣窗口，且為最大值。LeNet-5網絡的采樣過程中使用的是均值采樣，達到了良好的降噪效果，同時保留圖片手寫特征，但是，眼球血絲圖片中的特征細小，與圖像周圍特征反差大，如果仍然采用均值采樣，會導致無法采集到眼球血絲的明顯特征。因此，需要使用最大值采樣模式，對邊緣補“0”，盡可能保留眼球血絲特征的完整性，得到特征圖形的尺寸為30mm*30mm。

（3）增加特征圖數量

C3卷積層的特征圖為20個，使用是20個大小為7*7的卷積核，因此，可以得到特征圖像的尺寸為24mm*24mm。經過子采樣得到的子采樣特征圖是20個，使用的是4*4的采樣窗口最大值，得到的特征圖像尺寸為6mm*6mm。全連接層包括360個網絡神經節點。

（4）對分類器進行改進

LeNet-5網絡在F5全連接層后面又進行了一次全連接，輸出層采用的是RBF徑向基函數。對LeNet-5網絡進行改進后，直接刪除了F6全連接層，將F5全連接層與Softmax回歸進行連接，并以Softmax回歸作為分類器，得到分類結果。

4改進的LeNet-5網絡在醫學圖像處理中的應用

4.1實驗樣本采集

文章采用的醫學圖像樣本尺寸為126mm*126mm，與改進的LeNet-5網絡中常用的圖片尺寸相比較大。為了研究卷積神經網絡技術在醫學圖像樣本不同尺寸中的識別率，選擇的眼球血絲樣本為2類，包含生殖疾病和心臟疾病[4][5]。選擇生殖疾病眼球血絲圖像樣本訓練集200張，測試集80張;選擇心臟疾病眼球血絲圖像樣本訓練集226張，測試集84張。以上兩種疾病的眼球血絲圖像樣本的長度和寬度不變，對原始圖像126mm*126mm尺寸按照比例進行縮小，得到圖像樣本尺寸分別為94mm*94mm，62mm*62mm，46mm*46mm，再增加一組尺寸為156mm*156mm的眼球血絲圖像樣本。將以上尺寸的圖像樣的訓練集本全部輸入到卷積網絡神經中進行樣本訓練，直到收斂完成。再對圖像樣本的測試集進行測試，并記錄結果，如表1所示：

4.2實驗結果分析

由表1可知：圖像樣本的尺寸越大，使用卷積神經網絡后得到的分類準確度越高。尺寸越大的圖像中，特征信息較多，通過卷積神經網絡訓練后，對圖像特征提取和訓練使用的時間越長。由于卷積神經網絡在對圖像訓練過程中大多數時間用于權值更新，因此，測試時間與訓練時間相比大幅減少，測試過程中不需要進行權值更新，節約了大量時間成本。實驗圖像樣本的尺寸是126mm*126mm時，測試準確率可以達到81.57%，但當圖像樣本尺寸是156mm*156mm，測試準確率反而降低到了77.63%，說明尺寸為156mm*156mm的圖像樣本不適合利用卷積神經網絡進行改進。因此，為了有效提高卷積神經網絡對圖片識別的準確率，圖像樣本尺寸應該控制在一定范圍內，選擇較大的尺寸作為輸入。

5結論

文章使用改進的LeNet-5網絡卷積神經網絡對醫學圖像進行了識別處理。經過實驗證明，改進的LeNet-5網絡在解決醫學圖像處理問題中具有有效性。由此可見，卷積神經網絡技術在醫學圖像領域中的研究應用具有廣闊空間，由于作者研究經驗和知識水平有限，文章中仍然存在較多地方值得進一步改進。

參考文獻

[1]楊晶東，王海靈.一種有效的全卷積神經網絡生物醫學圖像分割方法[J].小型微型計算機系統，2021，42（06）：1281-1287.

[2]陳屹東，張琴，蘭藍，彭麗，殷晉.深度卷積神經網絡方法在醫學圖像分割應用中的綜述[J].中國衛生信息管理雜志，2021，18（02）：278-284.

[3]楊培偉，周余紅，邢崗，田智強，許夏瑜.卷積神經網絡在生物醫學圖像上的應用進展[J].計算機工程與應用，2021，57（07）：44-58.

[4]何炎柏.卷積神經網絡在醫學影像分割上的現狀與挑戰[J].計算機與網絡，2020，46（17）：38-39.

[5]吳玉超，林嵐，王婧璇，吳水才.基于卷積神經網絡的語義分割在醫學圖像中的應用[J].生物醫學工程學雜志，2020，37（03）：533-540.

作者簡介：趙政，男，漢族 ?江蘇蘇州，1988年9月，本科，工程師，虎丘影像（蘇州）有限公司（215100），研究方向：電子信息。