提取骨X光图像特征判断骨质疏松的方法与流程

本发明属于医疗影像处理
技术领域：
，具体来说涉及一种提取骨x光图像特征判断骨质疏松的方法。
背景技术：
：骨质疏松症是一种全身性疾病，由各种原因引起，其特征是骨量和骨矿物质密度下降和微观结构退化导致骨折风险增加(j.a.kanis,m.l.rd,c.christiansen,c.c.johnston,andn.khaltaev,"thediagnosisofosteoporosis,"journalofbone&mineralresearch,vol.9,no.8,pp.1137-1141,2010.)。近年来，随着我国人口老龄化问题加重，骨质疏松已成为我国面临的一个严重的公共健康问题，在我国，老年人尤其是老年女性，骨质疏松发病率明显增加(中华医学会骨质疏松和骨矿盐疾病分会,"原发性骨质疏松症诊疗指南(2017),"中华骨质疏松和骨矿盐疾病杂志,vol.20,no.5,pp.413-443,2017.)。骨质疏松的诊断一直是世界性的难题。被广为接受的诊断骨质疏松症的方法是以骨密度为标准来诊断骨质疏松，医学上常使用双能x射线骨密度仪估计骨密度，然而骨密度估计法进行骨质疏松诊断仅仅能达到60％左右的准确率，骨骼表面微结构的特征也被认为是骨质疏松症诊断中的一个重要因素，但是在常规医学条件下它却不能被无创检测，一般使用的方法是进行活体组织形态学分析，因此这种方法也不能被广泛使用(l.houam,e.lespessailles,e.lespessailles,e.lespessailles,andr.jennane,"onedimensionallocalbinarypatternforbonetexturecharacterization,"patternanalysis&applications,vol.17,no.1,pp.179-193,2014.)。近年来，提取图像特征进行图像分类越来越被广泛应用(d.guru,y.sharath,ands.manjunath,"texturefeaturesandknninclassificationofflowerimages,"ijca,specialissueonrtippr(1),pp.21-29,2010.)(f.mirzapourandh.ghassemian,"improvinghyperspectralimageclassificationbycombiningspectral,texture,andshapefeatures,"internationaljournalofremotesensing,vol.36,no.4,pp.1070-1096,2015.)(s.wan,x.huang,h.-c.lee,j.g.fujimoto,andc.zhou,"spoke-lbpandring-lbp:newtexturefeaturesfortissueclassification,"inbiomedicalimaging(isbi),2015ieee12thinternationalsymposiumon,2015,pp.195-199:ieee.)。这为骨质疏松的诊断提供了新的方法，即可以通过提取骨x光切片的特征来进行骨质疏松的诊断，但是这种方法存在一个问题，患病样本和正常样本的骨骼微结构图像照片极其相似，没有很明显的区别，用肉眼难以分辨，而且使用传统的特征提取方法得到的准确率不是很高。技术实现要素：针对现有技术的不足，本发明的目的在于提供一种提取骨x光图像特征判断骨质疏松的方法。本发明的目的是通过下述技术方案予以实现的。一种提取骨x光图像特征判断骨质疏松的方法，包括以下步骤：步骤一，同时进行操作一和操作二，构建特征提取器：操作一，构建基于卷积神经网络的特征提取器：a)基于神经网络的特征提取器的训练构建四个卷积神经网络：alexnet、vggnet、resnet和densenet；b)获取骨x光切片数据集，将所述骨x光切片数据集划分为训练集和验证集；对所述训练集中的骨x光切片进行以下操作：在每一张骨x光切片上随机剪取至少4个图像块，每一张骨x光切片上的图像块之间能够重叠或不重叠，由所述训练集获得的所有图像块为数据集a；对所述验证集中的骨x光切片进行以下操作：在骨x光切片数据集中每一张骨x光切片上按序剪取至少4个图像块，每一张骨x光切片上的多个图像块之间能够重叠或不重叠，由所述验证集获得的所有图像块为数据集r；调整所述数据集a和数据集r中所有图像块的尺寸，以使该数据集a和数据集r中所有图像块的尺寸满足四个卷积神经网络输入的要求；对调整尺寸后的数据集a进行翻转和旋转，用于数据增强，得到扩增数据集b；用限制对比度自适应直方图均衡方法对所述扩增数据集b和所述数据集r进行直方图均衡操作，用于增强所述扩增数据集b和数据集r中图像的对比度，其中，所述数据集b进行直方图均衡操作后得到数据集c，所述数据集r进行直方图均衡操作后得到数据集s；c)设置所述四个卷积神经网络的参数，其中，四个卷积神经网络的激活函数均设置为relu；将所述数据集c的所有图像块分别放入四个卷积神经网络进行训练50～200个epoch，每个epoch结束用所述数据集s进行验证，当用所述数据集s验证的准确率高于60％时，保存该卷积神经网络的权重，针对每一个卷积神经网络，选取所述数据集s验证准确率最高时的权重当作该卷积神经网络的权重，得到四个卷积神经网络的权重；重载四个卷积神经网络的权重，对数据集e进行特征提取，得到四组特征作为特征集f，其中，所述数据集e的获得方法为：调整所述骨x光切片数据集中骨x光切片的尺寸，以使骨x光切片数据集中骨x光切片的尺寸符合四个卷积神经网络输入的要求，获得数据集d，用限制对比度自适应直方图均衡方法对所述数据集d进行直方图均衡操作，以求增强该数据集d中图像的对比度，得到所述数据集e；在上述技术方案中，在所述步骤b)中，所述按序剪取的方式为：将每张骨x光切片分成第一部分和第二部分，第一部分为每张骨x光切片靠上300×400的像素点部分，第二部分为每张骨x光切片靠下300×400的像素点部分，针对第一部分和第二部分均进行以下操作：以像素的列为单位，从第一列像素开始，每间隔4个像素点剪取一个300×300的图像块。在上述技术方案中，对应alexnet的输入的要求为：图像块的尺寸为227×227，对应vggnet和resnet的输入的要求为：图像块的尺寸为224×224，对应densenet的输入的要求为：图像块的尺寸为100×100。在上述技术方案中，调整尺寸的方式为应用线性插值的方法，所述翻转为左右翻转，所述旋转为30°和45°两个方向。在上述技术方案中，在所述步骤b)中，所述限制对比度自适应直方图均衡方法使用扩大图像灰度范围来增强图像对比度，经过所述限制对比度自适应直方图均衡方法处理后的图像灰度范围为0～255。在上述技术方案中，在所述步骤c)中，四个卷积神经网络的参数设置如下：在上述技术方案中，在所述步骤c)中，每一个卷积神经网络的全连接层均设置为3个，其中，第一个全连接层的神经元节点数为512，第二个全连接层的神经元节点数为256，第三个全连接层的神经元节点数为128，卷积神经网络提取的特征在第三个全连接层得到。操作二，构建基于传统特征提取方法的特征提取器1)lbp特征和glcm特征提取：分别采用lbp方法和glcm方法对骨x光切片数据集提取特征，得到lbp特征和glcm特征作为特征组g；在所述步骤1)中，在采用glcm方法提取特征时提取了四个方向，四个方向为0、π/4、π/2和3π/4，并在每个方向提取了对比度、相关性、能量和同质化的4种特征；在所述步骤1)中，采用在lbp方法提取特征时用pca降维至64。2)分别将黑塞矩阵和gabor滤波器编码到所述lbp特征和所述glcm特征中，得到编码的lbp特征和编码的glcm特征作为特征组h；3)将所述特征组g和特征组h进行组合，得到特征组i；在上述技术方案中，所述组合的方式为特征矩阵的列拼接，在特征矩阵中，行表示骨x光切片的数目，列表示特征的数目。步骤二，用最小冗余最大相关算法进行特征提取将所述特征集f中的四组特征分别与所述特征组g、特征组h和特征组i进行组合，得到12组组合特征；利用最小冗余最大相关算法对所述12组组合特征分别进行特征选择，在每组组合特征中选择出排名在前n个的特征，得到120组选择特征组作为特征集j，其中，n为10至100之间能够整除10的数；步骤三，用所述120组选择特征组训练svm分类器，其中，在每组选择特征组训练时采用5折交叉验证的方法，该5折交叉验证的方法的具体操作为：把每组选择特征组的数据随机平均分为5份，得到5份数据集k，每份数据集k各自作为svm分类器的分类验证集使用，其中，当每1份所述数据集k作为分类验证集使用时，剩余4份数据集k作为svm分类器的训练集调整该svm分类器的参数，以使选择特征组训练svm分类器得到分类的性能指标，由5折交叉验证的方法获得的每组选择特征组的5份性能指标，求取该组选择特征组性能指标的平均值即可；所述性能指标包括：精准率、真正率、真负率和准确率；将所述操作一中每个卷积神经网络提取的特征分别和特征组g、特征组h、特征组i组合，得到3组组合特征，对所述3组组合特征分别进行特征选择，得到30组选择特征组，在30组选择特征组中选取准确率最大的一组选择特征组并作为特征组k、特征组l、特征组m和特征组n；在上述技术方案中，设置所述svm分类器的核函数为线性核函数。步骤四，对待测数据集进行分类，准备待测数据集c’，同时进行操作a和操作b:操作a，利用卷积神经网络提取待测数据集c’中骨x光切片特征，根据步骤二所得四个卷积神经网络的权重，重载四个卷积神经网络的权重，对数据集e’进行特征提取，得到四组特征作为特征集f’，其中，所述数据集e’的获得方法为：调整待测数据集c’中骨x光切片的尺寸，以使待测数据集c’中骨x光切片的尺寸符合四个卷积神经网络输入的要求，获得数据集d’，用限制对比度自适应直方图均衡方法对数据集d’进行直方图均衡操作，用于增强数据集d’中图像的对比度，得到数据集e’；操作b，利用传统特征提取方法提取待测数据集c’中骨x光切片特征按照步骤一操作二对待测数据集c’进行操作,得到特征组g’、特征组h’和特征组i’；步骤五，利用svm分类器进行分类，在特征集f’、特征组g’、特征组h’和特征组i’中挑选依次相应步骤三中特征组k、特征组l、特征组m和特征组n中的特征，依次分别得到特征组k’、特征组l’、特征组m’和特征组n’，将特征组k作为待预测svm训练集使用训练svm分类器，预测特征组k’；将特征组l作为待预测svm训练集使用训练svm分类器，预测特征组l’；将特征组m作为待预测svm训练集使用训练svm分类器，预测特征组m’；将特征组n作为待预测svm训练集使用训练svm分类器，预测特征组n’。相比于现有技术，本发明的提取骨x光图像特征判断骨质疏松的方法结合卷积神经网络和传统特征提取方法提取骨x光切片特征进行骨质疏松的判断，较以往的方法对判断骨质疏松的准确率有了一定程度的提升。附图说明图1为alexnet特征提取器结构展示；图2为vggnet特征提取器结构展示；图3为resnet特征提取器结构展示；图4为densenet特征提取器结构展示。具体实施方式下面结合具体实施例进一步说明本发明的技术方案。骨x光切片数据集来源于公开骨质疏松诊断比赛的数据集(ieee-isbi骨纹理表征数据集)，ieee-isbi骨纹理表征数据集包含116张骨x光切片，其中58张骨x光切片取自骨质疏松病人，另外的58张取自没有骨质疏松的正常人，骨x光切片的格式为16位tiff并且每张骨x光切片具有400×400的分辨率。一种提取骨x光图像特征判断骨质疏松的方法，包括以下步骤：步骤一，同时进行操作一和操作二，构建特征提取器：操作一，构建基于卷积神经网络的特征提取器：a)基于神经网络的特征提取器的训练构建四个卷积神经网络：alexnet、vggnet、resnet和densenet，四个卷积神经网络的结构依次如图1、图2、图3和图4所示。b)获取骨x光切片数据集(ieee-isbi骨纹理表征数据集)，首先将骨x光切片数据集划分为训练集和验证集，其中，训练集包含104张骨x光切片，验证集包含12张骨x光切片。对训练集中的骨x光切片进行以下操作：在每一(整)张骨x光切片上随机剪取至少4个图像块，每一张骨x光切片上的图像块之间能够重叠或不重叠，由骨x光切片数据集的训练集获得的所有图像块为数据集a。在本实施例中，骨x光切片的尺寸为400×400，每一张骨x光切片上图像块的数目为50个，剪取的尺寸为300×300(即图像块之间重叠)，训练集包含20800个图像块。对验证集中的骨x光切片进行以下操作：在每一(整)张骨x光切片上按序剪取至少4个图像块，每一张骨x光切片上的多个图像块之间能够重叠或不重叠，由骨x光切片数据集的验证集获得的所有图像块为数据集r。在本实施例中，骨x光切片的尺寸为400×400，按序剪取的方式为：将每张骨x光切片分成第一部分和第二部分，第一部分为每张骨x光切片靠上300×400的像素点部分，第二部分为每张骨x光切片靠下300×400的像素点部分。针对第一部分和第二部分均进行以下操作：以像素的列为单位，从第一列像素开始，每间隔4个像素点剪取一个300×300的图像块(即图像块之间重叠)，即每张骨x光切片的第一部分和第二部分共剪取50个图像块，验证集包含600个图像块。调整数据集a和数据集r中所有图像块的尺寸，以使数据集a和数据集r中所有图像块的尺寸满足四个卷积神经网络输入的要求，其中，对应alexnet的输入的要求为：图像块的尺寸为227×227，对应vggnet和resnet的输入的要求为：图像块的尺寸为224×224，对应densenet的输入的要求为：图像块的尺寸为100×100。对调整尺寸后的数据集a进行翻转和旋转，用于数据增强，得到扩增数据集b；其中，调整尺寸的方式是应用线性插值的方法(p.smith,"bilinearinterpolationofdigitalimages,"ultramicroscopy,vol.6,no.2,pp.201-204,1981.)，翻转为左右翻转，旋转为30°和45°两个方向。用限制对比度自适应直方图均衡方法(karelzuiderveld.contrastlimitedadaptivehistogramequalization.graphicsgems,pages474–485,1994.)对扩增数据集b和数据集r进行直方图均衡操作，以求增强扩增数据集b和数据集r中图像的对比度，数据集b进行直方图均衡操作后得到数据集c，数据集r进行直方图均衡操作后得到数据集s。其中，限制对比度自适应直方图均衡方法使用扩大图像灰度范围来增强图像对比度，增强扩增数据集b和数据集r中图像的灰度范围为50～220，灰度在100～150的像素点密度明显多于其他范围的像素点密度，密度在2000左右，经过限制对比度自适应直方图均衡方法处理后的图像灰度范围为0～255，而且像素点集中的像素点密度较之前明显减少，降低至1100左右。c)设置四个卷积神经网络的参数，其中，四个卷积神经网络的激活函数都设置为relu，其它参数设置见表1：表1卷积神经网络参数设置在四个卷积神经网络中都加入了批标准化(batchnormalization，缩写bn)，因为bn有一定的防止网络过拟合的能力，因此在前三个卷积神经网络中没有使用dropout，densenet中的dropout的值还表示在transitionlayers中减少的特征映射的数量。transitionlayers含义见：g.huang,z.liu,l.v.d.maaten,andk.q.weinberger,"denselyconnectedconvolutionalnetworks,"inieeeconferenceoncomputervisionandpatternrecognition,2017,pp.2261-2269。每一个卷积神经网络的全连接层都设置为3个，其中，第一个全连接层的神经元节点数为512，第二个全连接层的神经元节点数为256，第三个全连接层的神经元节点数为128，卷积神经网络提取的特征在第三个全连接层得到。将数据集c的所有图像块分别放入四个卷积神经网络进行训练100个epoch，每个epoch结束用数据集s进行验证，当用数据集s验证的准确率高于60％时便保存该卷积神经网络的权重，针对每一个卷积神经网络，选取数据集s验证准确率最高时卷积神经网络的权重当作该卷积神经网络的权重，得到四个卷积神经网络的权重。重载四个卷积神经网络的权重，对数据集e进行特征提取，得到四组特征作为特征集f(四组特征不相同，每个卷积神经网络特征提取数据集e后获得一组特征)，其中，数据集e的获得方法为：调整骨x光切片数据集中骨x光切片的尺寸，以使骨x光切片数据集中骨x光切片的尺寸符合四个卷积神经网络输入的要求，获得数据集d，其中，对应alexnet的输入的要求为：图像块的尺寸为227×227，对应vggnet和resnet的输入的要求为：图像块的尺寸为224×224，对应densenet的输入的要求为：图像块的尺寸为100×100，其中，调整尺寸的方式是应用线性插值的方法。用限制对比度自适应直方图均衡方法对数据集d进行直方图均衡操作，以求增强数据集d中图像的对比度，得到数据集e。操作二，构建基于传统特征提取方法的特征提取器1)lbp特征和glcm特征提取：分别采用lbp方法和glcm方法对骨x光切片数据集提取特征，得到lbp特征和glcm特征作为特征组g。其中，在采用glcm方法提取特征时提取了四个方向，四个方向为0、π/4、π/2和3π/4，并在每个方向提取了对比度(contrast)、相关性(correlation)、能量(energy)和同质化(homogeneity)的4种特征。在采用lbp方法提取特征时用pca(主成分分析)(s.wold,k.esbensen,andp.geladi,"principalcomponentanalysis,"chemometricsandintelligentlaboratorysystems,vol.2,no.1-3,pp.37-52,1987.)降维至64。2)分别将黑塞矩阵和gabor滤波器编码到lbp特征和glcm特征中，得到编码的lbp特征和编码的glcm特征作为特征组h(r.su,w.chen,l.wei,x.li,q.jin,andw.tao,"encodedtexturefeaturestocharacterizeboneradiographimages,"in201824thinternationalconferenceonpatternrecognition(icpr),2018,pp.3856-3861:ieee.)。3)将特征组g和特征组h进行组合，得到特征组i，其中，组合的方式为特征矩阵的列拼接，在特征矩阵中，行表示骨x光切片的数目，列表示特征的数目。步骤二，最小冗余最大相关算法进行特征提取将特征集f中的四组特征分别与特征组g、特征组h和特征组i进行组合(组合的方式为特征矩阵的列拼接，在特征矩阵中，行表示骨x光切片的数目，列表示特征的数目)，得到12组组合特征；利用最小冗余最大相关算法(hanchuanpeng,fuhuilong,andchrisding.featureselectionbasedonmutualinformationcriteriaofmaxdependency,max-relevance,andmin-redundancy.ieeetransactionsonpatternanalysisandmachineintelligence,27(8):1226–1238,2005.)对12组组合特征分别进行特征选择，在每组组合特征中选择出排名在前n个的特征，得到120组选择特征组作为特征集j，其中，n为10至100之间能够整除10的数，即10、20、30、40、50、60、70、80、90和100。步骤三，用特征集j中的120组选择特征组训练svm分类器，其中，在每组选择特征组训练时采用5折交叉验证的方法(s.arlotanda.celisse,"asurveyofcross-validationproceduresformodelselection,"statisticssurveys,vol.4,pp.40-79,2010.)，用于提高svm分类器的稳定性和一定程度上避免过拟合，同时也在一定程度上增加了训练的样本数量，5折交叉验证的方法的具体操作为：把每组选择特征组的数据随机平均分为5份，得到5份数据集k，每份数据集k各自作为svm分类器的分类验证集使用，其中，当每1份数据集k作为分类验证集使用时，剩余4份数据集k作为svm分类器的训练集调整该svm分类器的参数，以使选择特征组训练svm分类器得到分类的性能指标，由5折交叉验证的方法获得的每组选择特征组的5份性能指标，求取该组选择特征组性能指标的平均值即可。在实验中，设置svm分类器的核函数为线性核函数，调节svm分类器中的惩罚项参数来得到稳定的svm分类器，核函数和惩罚项参数见:c.cortesandv.vapnik,"support-vectornetworks,"machinelearning,vol.20,no.3,pp.273-297,1995.。性能指标包括：精准率(positivepredictivevalue、ppv)、真正率(truepositiverate、tpr)、真负率(truenegativerate、tnr)和准确率(accuracy、acc)。将操作一中每个卷积神经网络提取的特征分别和特征组g、特征组h、特征组i组合(组合的方式为特征矩阵的列拼接，在特征矩阵中，行表示骨x光切片的数目，列表示特征的数目)，得到3组组合特征，对3组组合特征分别进行特征选择，得到30组选择特征组，在30组选择特征组中选取通过5折交叉验证的方法获得的准确率(acc)最大的一组选择特征组并作为特征组k、特征组l、特征组m和特征组n。特征组k、特征组l、特征组m和特征组n的评价指标如表2所示。表2svm分类结果表2中alexnet特征+h、vggnet特征+h、resnet特征+h和densenet特征+h分别依次表示alexnet、vggnet、resnet和densenet提取的特征分别与特征组h结合后经过特征选择后得到的特征组，这些特征组来自于特征集j，分别先后依次作为特征组k、特征组l、特征组m和特征组n，n_features表示用于分类的特征的个数。本方法最高能达到77％的准确率，这个准确率由特征组k得到的，其中svm分类器的惩罚项参数设置为k_c,k_c的值为0.005，特征组k中包含30个特征，30个特征按照mrmr选择顺序分别为alexnet_126、alexnet_5、alexnet_49、alexnet_78、alexnet_48、alexnet_111、alexnet_67、alexnet_109、alexnet_43、alexnet_74、glcm_frangi_class_2_9、alexnet_77、alexnet_45、alexnet_95、alexnet_120、alexnet_63、alexnet_6、alexnet_64、alexnet_115、alexnet_68、alexnet_25、alexnet_18、alexnet_71、alexnet_125、alexnet_101、alexnet_86、alexnet_108、alexnet_92、alexnet_65和alexnet_8，其中alexnet_o表示alexnet神经网络最后一个全连接层的第o个神经元节点的输出，o为从1到128的整数，glcm_frangi_class_2_9表示将海森矩阵信息编码到glcm在0°的能量(energy)特征中得到的编码特征；特征组l得到76％的准确率，其中svm的惩罚项参数设置为l_c,l_c的值为8，特征组l中包含10个特征,10个特征按照mrmr选择顺序分别为vggnet_69,vggnet_20,vggnet_37、glcm_frangi_class_2_9、vggnet_113、vggnet_102、vggnet_87、vggnet_81、vggnet_65和vggnet_58，其中vggnet_p表示vggnet神经网络最后一个全连接层的第p个神经元节点的输出，p为从1到128的整数，glcm_frangi_class_2_9表示将海森矩阵信息编码到glcm在0°的能量(energy)特征中得到的编码特征；特征组m得到72％的准确率,其中svm的惩罚项参数设置为m_c,m_c的值为0.006，特征组m中包含30个特征，30个特征按照mrmr选择顺序分别为resnet_24,resnet_39、resnet_123、resnet_11、glcm_frangi_class_2_9、resnet_119、resnet_110、resnet_94、resnet_70、resnet_44、resnet_67、resnet_65、resnet_12、resnet_51、resnet_76、resnet_33、resnet_68、resnet_102、resnet_104、resnet_84、resnet_106、resnet_29、resnet_17、resnet_54、resnet_85、resnet_90、resnet_35、resnet_30、resnet_50和resnet_48，其中resnet_q表示resnet神经网络最后一个全连接层的第q个神经元节点的输出，q为从1到128的整数，glcm_frangi_class_2_9表示将海森矩阵信息编码到glcm在0°的能量(energy)特征中得到的编码特征；特征组n得到75％的准确率,其中svm的惩罚项参数设置为n_c,n_c的值为9，特征组n中包含20个特征，20个特征按照mrmr选择顺序分别为densenet_104,glcm_frangi_class_2_9、densenet_61、densenet_113、densenet_9、densenet_59、glcm_frangi_class_2_1、densenet_60、densenet_70、densenet_22、densenet_65、densenet_33、densenet_83、densenet_12、densenet_55、glcm_frangi_class_2_13、densenet_100、densenet_119、densenet_126、和densenet_45，其中densenet_u表示densenet神经网络最后一个全连接层的第u个神经元节点的输出,u为从1到128的整数，glcm_frangi_class_2_9表示将海森矩阵信息编码到glcm在0°的能量(energy)特征中得到的编码特征,glcm_frangi_class_2_1表示将海森矩阵信息编码到glcm在0°的对比度(contrast)特征中得到的编码特征,glcm_frangi_class_2_13表示将海森矩阵信息编码到glcm在0°的同质化(homogeneity)特征中得到的编码特征。四个结果都得到较高的骨x光切片研究的分类准确率，提出的方法对骨质疏松的判断准确率有一定提高，对未来骨质疏松诊断研究具有重要的意义。表3本专利方法和传统方法的比较方法acctprtnrppv本发明方法0.770.750.830.82传统方法0.720.730.66-表3为本发明方法与传统方法的比较，传统方法为：r.su,w.chen,l.wei,x.li,q.jin,andw.tao,"encodedtexturefeaturestocharacterizeboneradiographimages,"in201824thinternationalconferenceonpatternrecognition(icpr),2018,pp.3856-3861:ieee.，从表3中可以得出本发明方法比传统方法的准确率高了5％。步骤四，对待测数据集进行分类，准备待测数据集c’，待测数据集c’来源于某骨科医院，待测数据集c’包含四张骨x光切片，两张骨x光切片来自骨质疏松症患者，另外两张骨x光切片来自正常人，骨x光切片的尺寸为300×300。同时进行操作a和操作b:操作a，利用卷积神经网络提取待测数据集c’中骨x光切片特征，根据步骤二所得四个卷积神经网络的权重，重载四个卷积神经网络的权重，对数据集e’进行特征提取，得到四组特征作为特征集f’(四组特征不相同，每个卷积神经网络特征提取数据集e’后获得一组特征)，其中，数据集e’的获得方法为：调整待测数据集c’中骨x光切片的尺寸，以使待测数据集c’中骨x光切片的尺寸符合四个卷积神经网络输入的要求，获得数据集d’，其中，对应alexnet的输入的要求为：图像块的尺寸为227×227，对应vggnet和resnet的输入的要求为：图像块的尺寸为224×224，对应densenet的输入的要求为：图像块的尺寸为100×100，其中，调整尺寸的方式是应用线性插值的方法。用限制对比度自适应直方图均衡方法对数据集d’进行直方图均衡操作，以求增强数据集d’中图像的对比度，得到数据集e’。操作b，利用传统特征提取方法提取待测数据集c’中骨x光切片特征按照步骤一操作二对待测数据集c’进行操作(即将测数据集c’代入步骤一操作二中的待测骨x光切片数据集),得到特征组g’、特征组h’和特征组i’。步骤五，利用svm分类器进行分类，在特征集f’、特征组g’、特征组h’和特征组i’中挑选依次相应步骤三中特征组k、特征组l、特征组m和特征组n中的特征，依次分别得到特征组k’、特征组l’、特征组m’和特征组n’。将特征组k作为待预测svm训练集使用训练svm分类器，预测特征组k’,其中核函数设置为线性核函数，惩罚项参数设置为k_c；将特征组l作为待预测svm训练集使用训练svm分类器，预测特征组l’,其中核函数设置为线性核函数，惩罚项参数设置为l_c；将特征组m作为待预测svm训练集使用训练svm分类器，预测特征组m’,其中核函数设置为线性核函数，惩罚项参数设置为m_c；将特征组n作为待预测svm训练集使用训练svm分类器，预测特征组n’,其中核函数设置为线性核函数，惩罚项参数设置为n_c。表4展示了待预测数据svm分类的结果。表4待预测数据svm分类的结果特征组acctprtnrppv特征组k’1111特征组l’0.750.511特征组m’0.750.511特征组n’0.7510.50.5以上对本发明做了示例性的描述，应该说明的是，在不脱离本发明的核心的情况下，任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。当前第1页12