一种基于胶囊网络改进的轻量级肺部图像分类方法

本发明涉及深度学习技术和图像分类，具体涉及一种基于胶囊网络改进的轻量级肺部图像分类方法。

背景技术：

1、通过计算机图像处理技术提供肺部疾病诊断辅助的应用越来越普及。在这些应用场景中，为了向医生提供可靠的诊断数据，利于及早发现及治疗患者病情，通常需要对肺部图像进行不同器官区域或病灶区域的分类识别，以便于辅助医生进行器官病灶的初步判断。因此，需要借助肺部图像的分类处理，来进行肺部图像中不同器官区域或病灶区域的分类识别。

2、深度学习是一种机器学习方法，旨在通过模拟人类大脑的神经网络结构来解决复杂的任务。它通过层层堆叠的神经网络来学习数据的多层抽象表示，以此来识别模式和特征。深度学习已在诸多领域取得了突破，包括计算机视觉、自然语言处理和语音识别等。

3、卷积神经网络是一种特殊类型的神经网络，专门用于处理具有类似网格结构的数据，比如图像。它使用卷积层和池化层来自动提取图像中的特征，并且通过全连接层来实现分类。卷积神经网络在图像识别、物体检测和语义分割等任务中表现出色，已经成为计算机视觉领域的主要工具。

4、胶囊网络是一种基于胶囊的神经网络结构，旨在克服传统卷积神经网络中存在的一些局限性。它通过对输入特征进行分组，并将它们与特定的胶囊相关联，以捕捉对象的空间层次结构。胶囊网络在处理视觉对象旋转、变形和空间关系等方面具有优势，并且有望成为图像识别领域的一种重要技术。

5、轻量化是指针对神经网络模型的体积和计算复杂度进行优化，以便在嵌入式设备、移动设备和边缘设备上能够高效运行。轻量化技术包括模型压缩、模型量化、网络剪枝以及设计更加轻量级的网络结构等。它旨在提高模型的推理速度和节省计算资源，以满足实际应用中的性能要求。

6、虽然深度学习在各种计算机视觉和自然语言处理任务中取得了巨大成功，但是其在轻量化方面仍然存在一些挑战和需要改进的地方。

7、1.计算资源消耗：深度学习模型通常需要大量的计算资源进行训练和推理，这对于嵌入式设备、移动设备以及边缘设备来说是一个挑战。因为这些设备通常具有有限的计算能力和存储空间，无法有效地运行大型深度学习模型。

8、2.模型体积：大多数深度学习模型在部署时都需要占用大量的存储空间，这对于一些资源受限的应用场景来说是不可行的。因此，减小模型体积成为了提高深度学习模型在轻量化方面性能的一个重要目标。

9、3.能效问题：大型深度学习模型往往需要消耗大量的能量，这可能会导致设备过热和电池快速耗尽。在一些需要长时间运行的应用场景中，这是一个非常重要的问题。

10、针对深度学习在肺部图像的分类处理方面的应用，尽管如今已经取得了一定的进展，但是深度学习在轻量化方面仍然有很大的改进空间。因此，肺部图像的分类处理技术研，会聚焦于提高深度学习模型的计算效率和能效，兼顾提高针对肺部图像分类在处理速度和准确性方面的兼顾，以更好地适应各种资源条件的应用场景。

技术实现思路

1、针对上述现有技术的不足，本发明提供了一种基于胶囊网络改进的轻量级肺部图像分类方法，用以解决现有技术中肺部图像分类方法计算效率低、能效不佳、分类处理速度与准确性难以兼顾的问题。

2、为了解决上述技术问题，本发明采用了如下的技术方案：

3、一种基于胶囊网络改进的轻量级肺部图像分类方法，获取待处理的肺部图像，输入至经过预先训练的轻量级肺部图像分类网络模型，得到待处理的肺部图像中不同局部区域特征的分类识别结果；

4、所述轻量级肺部图像分类网络模型包括大核深度可分离卷积模块、感兴趣区域提取模块、分组卷积特征提取模块和胶囊网络模块；所述大核深度可分离卷积模块用于提取肺部图像的初步特征；所述感兴趣区域提取模块用于对肺部图像的初步特征进行降维和特征增强处理，并提取得到肺部图像中的感兴趣区域；所述分组卷积特征提取模块用于对肺部图像中的感兴趣区域进行局部区域特征提取，得到肺部图像的局部区域分布特征图；所述胶囊网络模块用于对肺部图像的局部区域分布特征图的各局部区域特征进行边缘纹理特征提取及空间姿态信息计算，进而确定各局部区域特征的目标类别，得到待处理的肺部图像中不同局部区域特征的分类识别结果。

5、作为优选，所述大核深度可分离卷积模块包括大核卷积单元和逐点卷积单元；大核卷积单元用于提取肺部图像的底层特征；逐点卷积单元用于对肺部图像的底层特征进行融合增强处理，得到肺部图像的初步特征。

6、作为优选，感兴趣区域提取模块包括自适应最大池化单元、卷积核激活单元和ese注意力单元；自适应最大池化单元用于对肺部图像的初步特征进行降维处理，得到降维特征；卷积核激活单元用于使用卷积核及hardsigmoid激活函数对肺部图像的降维特征进行增强处理；ese注意力单元用于对增强处理后的降维特征进行感兴趣区域的提取处理，得到肺部图像中的感兴趣区域。

7、作为优选，所述分组卷积特征提取模块包括分组的多个卷积核单元和全连接单元；不同卷积核单元用于对肺部图像中感兴趣区域的不同局部区域进行特征提取，得到肺部图像中感兴趣区域的不同局部区域特征；全连接单元用于对各不同卷积核单元提取得到的局部区域特征进行连接合并，形成肺部图像的局部区域分布特征图。

8、作为优选，所述胶囊网络模块包括主胶囊单元、数字胶囊单元和解码分类单元；主胶囊单元用于对肺部图像的局部区域分布特征图中各局部区域特征进行边缘和纹理特征的提取，并进行编码形成各局部区域特征的边缘纹理特征编码向量；数字胶囊单元用于通过动态路由算法计算肺部图像的局部区域分布特征图中各局部区域特征之间的空间姿态路由权重，用以表征各局部区域特征之间的空间位置关系和姿态信息，并通过对边缘纹理特征编码向量以空间姿态路由权重进行加权求和计算，得到各局部区域特征的空间姿态向量；解码分类单元用于将所述肺部图像中各局部区域特征的空间姿态向量通过挤压函数进行压缩解码，并根据压缩解码得到的压缩矩阵确定各局部区域特征的目标类别，得到待处理的肺部图像中不同局部区域特征的分类识别结果。

9、作为优选，所述轻量级肺部图像分类网络模型通过如下方式进行训练：将预先完成局部区域特征类别标签的标记处理的肺部样本图像作为训练样本，构成训练样本集，输入至轻量级肺部图像分类网络模型，通过轻量级肺部图像分类网络模型处理得到训练样本的局部区域特征分类识别结果；根据训练样本的局部区域特征分类识别结果和局部区域特征类别标签计算训练损失，并训练损失优化轻量级肺部图像分类网络模型的参数，直至轻量级肺部图像分类网络模型收敛，得到经过训练的轻量级肺部图像分类网络模型。

10、作为优选，在轻量级肺部图像分类网络模型的训练中，通过如下公式计算训练损失：

11、

12、其中，l是总体损失函数；tk是第k分类的指示函数，如果第k分类识别结果存在则tk＝1，如果第k分类识别结果不存在则tk＝0；m+控制同类别的损失系数，m-控制不同类别的损失系数；vk为第k分类对应的数字胶囊输出的空间姿态向量压缩解码得到的压缩矩阵，||vk||2为压缩矩阵vk的谱范数；λ是一个平衡同类别和不同类别胶囊之间距离的超参数。

13、本发明与现有技术相比，具有如下有益效果：

14、本发明方法借助基于胶囊网络改进的轻量级肺部图像分类网络模型对肺部图像进行分类处理，得到肺部图像中不同局部区域特征的分类识别结果；该轻量级肺部图像分类网络模型包括大核深度可分离卷积模块、感兴趣区域提取模块、分组卷积特征提取模块和胶囊网络模块，借助大核深度可分离卷积模块减少大量的参数量和计算量的同时，提取更多的初步特征信息；借助感兴趣区域提取模块进一步降低模型的计算复杂度和参数量，并准确提取到肺部图像中的感兴趣区域；通过分组卷积特征提取模块进行感兴趣区域的局部区域特征提取，提高模型的表达能力和泛化性能；最后借助胶囊网络模块识别得到分类结果。通过实验验证，本发明方法具有较低参数量和计算量，并表现出准确的分类结果，很好的解决了计算效率低、能效不佳、分类处理速度与准确性难以兼顾的问题。