摘要：在現(xiàn)代科學(xué)技術(shù)日新月異的今天，醫(yī)學(xué)技術(shù)手段也得到了快速發(fā)展，醫(yī)療過程中產(chǎn)生的醫(yī)學(xué)病癥圖像越來越多。因此，需要構(gòu)建智能的醫(yī)學(xué)圖像處理系統(tǒng)，以達(dá)到從海量醫(yī)學(xué)圖像中迅速定位病癥特征的目的。本文基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)醫(yī)學(xué)圖像進(jìn)行了樣本篩選和識(shí)別處理，得到了具有實(shí)踐意義的實(shí)驗(yàn)結(jié)論。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò);改進(jìn)的LeNet-5網(wǎng)絡(luò);圖像處理

1引言

卷積神經(jīng)網(wǎng)絡(luò)技術(shù)通常應(yīng)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(jīng)網(wǎng)絡(luò)主要用于對(duì)手寫圖像的識(shí)別。目前，卷積神經(jīng)網(wǎng)絡(luò)技術(shù)也已經(jīng)應(yīng)用于常規(guī)醫(yī)學(xué)檢測(cè)中，醫(yī)生可以通過醫(yī)學(xué)檢測(cè)圖像找到患者病癥所在，如果能夠利用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)開發(fā)強(qiáng)大的智能圖像處理系統(tǒng)，可以大幅提高診療的有效性[1]。針對(duì)這一難題，文章選擇對(duì)卷積神經(jīng)網(wǎng)絡(luò)LeNet-5的結(jié)構(gòu)進(jìn)行改進(jìn)，更好地對(duì)醫(yī)學(xué)圖像進(jìn)行識(shí)別，快速定位患者病癥[2]。

2 LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)

在美國(guó)，卷積神經(jīng)網(wǎng)絡(luò)LeNet-5廣泛應(yīng)用于銀行客戶辦理業(yè)務(wù)過程中的數(shù)字簽名識(shí)別等領(lǐng)域，LeNet-5網(wǎng)絡(luò)準(zhǔn)確性高、穩(wěn)定性強(qiáng)，目前已經(jīng)應(yīng)用于各大商業(yè)領(lǐng)域識(shí)別技術(shù)中[3]。

3改進(jìn)的LeNet-5網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)LeNet-5在手寫簽名等領(lǐng)域已經(jīng)取得了成功應(yīng)用，但其性能特征并不能完全適用于醫(yī)學(xué)圖像處理，尤其是針對(duì)眼球血絲這類結(jié)構(gòu)復(fù)雜的醫(yī)學(xué)圖像，因此，文章針對(duì)LeNet-5網(wǎng)絡(luò)進(jìn)行了改進(jìn)：

（1）增加卷積核數(shù)，改變圖像尺寸

LeNet-5網(wǎng)絡(luò)的每個(gè)卷積核都能夠針對(duì)圖像獲取一種特征，為了能夠使卷積神經(jīng)網(wǎng)絡(luò)良好地用于眼球血絲圖像的識(shí)別和特征提取，將卷積層的卷積核數(shù)量增加到10個(gè)，卷積核的大小調(diào)整為7*7;輸入層的圖像尺寸調(diào)整為126mm*126mm;得到經(jīng)過卷積后的特征圖像尺寸為120mm*120mm。

（2）采用最大采樣值，調(diào)整采樣窗口

采用4*4的采樣窗口，且為最大值。LeNet-5網(wǎng)絡(luò)的采樣過程中使用的是均值采樣，達(dá)到了良好的降噪效果，同時(shí)保留圖片手寫特征，但是，眼球血絲圖片中的特征細(xì)小，與圖像周圍特征反差大，如果仍然采用均值采樣，會(huì)導(dǎo)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(duì)邊緣補(bǔ)“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(shù)量

C3卷積層的特征圖為20個(gè)，使用是20個(gè)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(jīng)過子采樣得到的子采樣特征圖是20個(gè)，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(gè)網(wǎng)絡(luò)神經(jīng)節(jié)點(diǎn)。

（4）對(duì)分類器進(jìn)行改進(jìn)

LeNet-5網(wǎng)絡(luò)在F5全連接層后面又進(jìn)行了一次全連接，輸出層采用的是RBF徑向基函數(shù)。對(duì)LeNet-5網(wǎng)絡(luò)進(jìn)行改進(jìn)后，直接刪除了F6全連接層，將F5全連接層與Softmax回歸進(jìn)行連接，并以Softmax回歸作為分類器，得到分類結(jié)果。

4改進(jìn)的LeNet-5網(wǎng)絡(luò)在醫(yī)學(xué)圖像處理中的應(yīng)用

4.1實(shí)驗(yàn)樣本采集

文章采用的醫(yī)學(xué)圖像樣本尺寸為126mm*126mm，與改進(jìn)的LeNet-5網(wǎng)絡(luò)中常用的圖片尺寸相比較大。為了研究卷積神經(jīng)網(wǎng)絡(luò)技術(shù)在醫(yī)學(xué)圖像樣本不同尺寸中的識(shí)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(xùn)練集200張，測(cè)試集80張;選擇心臟疾病眼球血絲圖像樣本訓(xùn)練集226張，測(cè)試集84張。以上兩種疾病的眼球血絲圖像樣本的長(zhǎng)度和寬度不變，對(duì)原始圖像126mm*126mm尺寸按照比例進(jìn)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(xùn)練集本全部輸入到卷積網(wǎng)絡(luò)神經(jīng)中進(jìn)行樣本訓(xùn)練，直到收斂完成。再對(duì)圖像樣本的測(cè)試集進(jìn)行測(cè)試，并記錄結(jié)果，如表1所示：

4.2實(shí)驗(yàn)結(jié)果分析

由表1可知：圖像樣本的尺寸越大，使用卷積神經(jīng)網(wǎng)絡(luò)后得到的分類準(zhǔn)確度越高。尺寸越大的圖像中，特征信息較多，通過卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，對(duì)圖像特征提取和訓(xùn)練使用的時(shí)間越長(zhǎng)。由于卷積神經(jīng)網(wǎng)絡(luò)在對(duì)圖像訓(xùn)練過程中大多數(shù)時(shí)間用于權(quán)值更新，因此，測(cè)試時(shí)間與訓(xùn)練時(shí)間相比大幅減少，測(cè)試過程中不需要進(jìn)行權(quán)值更新，節(jié)約了大量時(shí)間成本。實(shí)驗(yàn)圖像樣本的尺寸是126mm*126mm時(shí)，測(cè)試準(zhǔn)確率可以達(dá)到81.57%，但當(dāng)圖像樣本尺寸是156mm*156mm，測(cè)試準(zhǔn)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(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)。因此，為了有效提高卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖片識(shí)別的準(zhǔn)確率，圖像樣本尺寸應(yīng)該控制在一定范圍內(nèi)，選擇較大的尺寸作為輸入。

5結(jié)論

文章使用改進(jìn)的LeNet-5網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)醫(yī)學(xué)圖像進(jìn)行了識(shí)別處理。經(jīng)過實(shí)驗(yàn)證明，改進(jìn)的LeNet-5網(wǎng)絡(luò)在解決醫(yī)學(xué)圖像處理問題中具有有效性。由此可見，卷積神經(jīng)網(wǎng)絡(luò)技術(shù)在醫(yī)學(xué)圖像領(lǐng)域中的研究應(yīng)用具有廣闊空間，由于作者研究經(jīng)驗(yàn)和知識(shí)水平有限，文章中仍然存在較多地方值得進(jìn)一步改進(jìn)。

參考文獻(xiàn)

[1]楊晶東，王海靈.一種有效的全卷積神經(jīng)網(wǎng)絡(luò)生物醫(yī)學(xué)圖像分割方法[J].小型微型計(jì)算機(jī)系統(tǒng)，2021，42（06）：1281-1287.

[2]陳屹東，張琴，蘭藍(lán)，彭麗，殷晉.深度卷積神經(jīng)網(wǎng)絡(luò)方法在醫(yī)學(xué)圖像分割應(yīng)用中的綜述[J].中國(guó)衛(wèi)生信息管理雜志，2021，18（02）：278-284.

[3]楊培偉，周余紅，邢崗，田智強(qiáng)，許夏瑜.卷積神經(jīng)網(wǎng)絡(luò)在生物醫(yī)學(xué)圖像上的應(yīng)用進(jìn)展[J].計(jì)算機(jī)工程與應(yīng)用，2021，57（07）：44-58.

[4]何炎柏.卷積神經(jīng)網(wǎng)絡(luò)在醫(yī)學(xué)影像分割上的現(xiàn)狀與挑戰(zhàn)[J].計(jì)算機(jī)與網(wǎng)絡(luò)，2020，46（17）：38-39.

[5]吳玉超，林嵐，王婧璇，吳水才.基于卷積神經(jīng)網(wǎng)絡(luò)的語義分割在醫(yī)學(xué)圖像中的應(yīng)用[J].生物醫(yī)學(xué)工程學(xué)雜志，2020，37（03）：533-540.

作者簡(jiǎn)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。