一种基于改进Alex网络的CT图像肾结石检测方法

本发明涉及医学图像处理，尤其涉及一种基于改进alex网络的ct图像肾结石检测方法。

背景技术：

1、诊断和直接治疗肾结石准确的成像工具是计算机断层扫描（ct）或无对比ct（ncct）。晶体的大小、位置、密度以及皮肤与结石之间的距离都可以通过这种方法准确测量。这种方法还能检测出与肾结石有关的血管钙化。高血压、骨质疏松、糖尿病、心血管疾病和肥胖症都与肾结石有关。因此，如果定期使用ct扫描来诊断肾结石，就能提供更多重要信息来帮助进行疾病管理，哪怕是小结石也可能可见。

2、由于急诊室收治病人的频率很高，而且肾结石的诊断需要耗费大量时间进行影像学检查，因此采用机器学习技术和人工智能有助于更快地诊断肾结石并节省费用。尽管诊断方法层出不穷，但人工智能和机器学习方法仍有助于诊断和治疗，人工智能系统正被用于医学预测、诊断、风险评估、辅助治疗决策等，包括ann、模糊逻辑、支持向量机、决策树和遗传算法，均可以帮助患者更快地发现疾病，减少因诊断不及时造成的后果，缩短患者的住院时间，降低患者的花费。利用人工智能工具等数据挖掘方法，医生可以通过个人医疗记录更快、更准确地诊断病人。在这个过程利用各种技术创建这一系统，最常用的神经网络训练算法是反向传播（bp）网络，但操作员的误差可能会在磁共振图像中引入噪声，这或许将导致图像处理、分类和疾病特征方面的重大失误；除此之外，verma等人部署knn分割算法和支持向量机（svm）来识别肾结石，nithya等人运用多核k-means聚类技术对超声波图像进行肾病预测，但在精度和速度上都有待提升。

技术实现思路

1、本发明的目的在于解决现有技术中采用神经网络进行肾结石检测时精度和速度不足的问题，结合元启发式算法和深度学习，进一步提升精度和灵敏度。

2、本发明解决其技术问题所采用的技术方案是：提供一种基于改进alex网络的ct图像肾结石检测方法，其特征在于，包括以下步骤：

3、构建ct图像肾结石检测模型，所述ct图像肾结石检测模型包括依次连接的特征提取模块和分类器；所述特征提取模块采用alex网络，对输入的ct图像进行特征提取，输出特征信息到分类器；所述分类器采用萤火虫群优化elm网络，根据特征信息获得预测结果，所述萤火虫群优化elm网络采用萤火虫群算法加速elm网络的运算过程；

4、使用批量归一化技术训练ct图像肾结石检测模型；

5、利用训练好的ct图像肾结石检测模型对输入的ct图像进行肾结石检测。

6、优选的，所述使用批量归一化技术训练ct图像肾结石检测模型中，对alex网络的训练利用层激活进行批量归一化转换。

7、优选的，所述使用批量归一化技术训练ct图像肾结石检测模型中，对萤火虫群优化elm网络的训练包括以下步骤：

8、随机特征映射，采用非线性映射函数随机初始化elm网络的隐层，对输入的特征信息进行特征映射；

9、权重参数求解，结合训练数据的特征映射结果和真实标签求解权重参数，所述权重参数用于对输入的特征信息进行预测从而获得预测结果。

10、优选的，所述非线性映射函数是随机生成的，表示为：

11、<mi>h(x)=[</mi><msub><mi>h</mi><mn>1</mn></msub><mi>x</mi></mfenced><mi>,…,</mi><msub><mi>h</mi><mi>i</mi></msub><mi>x</mi></mfenced><mi>,</mi><msub><mi>…,h</mi><mi>n</mi></msub><mi>x</mi></mfenced><mi>]</mi>；

12、其中，x表示输入特征信息，n表示输入特征信息的维度，表示对于输入特征信息第i个维度的非线性映射函数，表示为：

13、；

14、其中，和均为随机生成的隐藏节点参数，ai是一个d维的实数向量，bi是一个实数。

15、优选的，所述权重参数，表示为：

16、；

17、其中，表示最优权重参数，为伪逆运算符；表示训练数据的特征映射结果矩阵，表示训练数据的真实标签矩阵，分别表示为：

18、；

19、；

20、其中，l表示通过特征映射得到的特征数量，m表示标签向量的维度。

21、优选的，对萤火虫群优化elm网络进行训练时，采用萤火虫群算法控制随机特征映射中隐藏节点参数ai和bi的搜索边缘，包括强边缘和弱边缘，表示为：

22、；

23、；

24、；

25、其中，表示更新后的强边缘，表示更新后的弱边缘，和 分别表示迭代次数和最大迭代值，sf表示比例因子， 和 分别表示比例因子最大值和比例因子最小值。

26、优选的，对萤火虫群优化elm网络进行训练的过程中，在所述萤火虫群优化elm网络的卷积层和池化层之后添加不同层数的归一化层，根据训练结果确定最佳的归一化层层数。

27、优选的，所述使用批量归一化技术训练ct图像肾结石检测模型中，训练采用的目标函数为：

28、；

29、其中 为训练样本的数量，和分别表示 elm 网络的输出和图像的真实标签，w表示elm网络的权重参数，b表示elm网络的偏置参数。

30、优选的，所述利用训练好的ct图像肾结石检测模型对输入的ct图像进行肾结石检测，包括以下步骤：

31、特征提取器接收输入的ct图像并进行特征提取，输出特征信息x到分类器；

32、分类器接收特征信息x，获得预测信息，预测信息表示存在肾结石的概率。

33、本发明具有如下有益效果：

34、（1）本发明采用批量归一化提高alex网络的训练速度，从而增强了与参数起始值的独立性，克服内部协变量偏移问题，网络性泛化也得到了改进；

35、（2）本发明将alex网络与 elm 网络相结合并用于二元分类，利用 elm 提高alexnet的效率，以解决alex网络对早期全连接层的依赖性问题；

36、（3）本发明采用改进的萤火虫群优化算法来优化elm网络初始参数，提高训练的收敛速度和性能；用于选择最有用的特征，减少冗余特征，提高模型的泛化能力；用于选择最佳的隐层节点数和正则化参数，提升分类准确率。

37、（4）本发明的elm网络在卷积层和池化层之后添加归一化层，通过不断实验确定一个分类准确率较高的归一化层数，提高网络的训练效率和泛化能力，简化网络结构的设计。

38、以下结合附图及实施例对本发明作进一步详细说明，但本发明不局限于实施例。