【《基于轻量化网络Xception的血管造影图像分类算法概述》1900字】

基于轻量化网络Xception的血管造影图像分类算法概述目录TOC\o"1-3"\h\u3355基于轻量化网络Xception的血管造影图像分类算法概述 1184771.1数据标注与预处理 1285971.1.1数据标注 1149371.1.2数据预处理 1298021.2轻量化网络Xception 279841.3实验结果与分析 3243541.1.1主干网络的对比 3155971.1.2图像预处理方法的对比 4在血管内介入手术中，由于医生只能直接获得注射造影剂这一完整过程的连续视频序列，而无法获得明确区分开的X射线血管造影图像和无造影图像，为了进行血管造影图像与术中实时无造影图像的匹配，首先需要一个分类CNN模型来区分图像有无血管造影显影，然后将有造影图像保存为造影图像库以待在匹配阶段使用。1.1数据标注与预处理1.1.1数据标注本实验采用的数据来源于16位患者的共计2937张不同体位的冠脉血管X射线造影图像。原始造影图像数据的格式为临床上心血管成像以及放射诊疗诊断设备中最常用的DICOM格式，因此通过软件RadiAntDICOMViewer将其统一导出为png图像格式的单帧图像序列。将无造影图像标记为0，有造影图像标记为1，最后获得共计899张无造影显影图像和2038张有造影显影图像。标签保存为txt文件。1.1.2数据预处理由于存储空间和算力资源的限制，首先将所有原图大小为512×512的图像都等比缩放到299×299。为了增加模型鲁棒性，对所有图像进行了随机水平翻转、随机竖直翻转和归一化操作。在基本操作后，本算法采用了一种特殊的三通道预处理方法，对于输入图像的三个通道分别进行高斯滤波、均值滤波和直方图均衡化（以下简称为“三通道预处理”）。由于输入图像是灰度图，三个通道的像素值完全相同，该方法能够比较全面地滤除不同的噪声。虽然高斯滤波和均值滤波都会对血管的边缘进行模糊，但边缘特征的缺失不会对分类任务产生较大的影响。采用该方法预处理前后的对比图如图1.1所示。(a)原始血管造影图像(b)三通道预处理后的血管造影图像图STYLEREF1\s3.SEQ图\*ARABIC\s11图像预处理前后对比图1.2轻量化网络Xception在本实验中，考虑到硬件部署的灵活性和临床手术对算法实时性的需求，主要采用轻量化网络模型完成目标任务。在目前常用的轻量化网络中，选择Google提出的Xception网络进行实验。Xception的网络结构如图1.2所示，其主要采用深度可分卷积来分开处理跨通道相关性和空间相关性，同时大量加入残差连接，可以在不降低模型性能的同时大大缩减模型计算量，提高网络运算效率。图STYLEREF1\s3.SEQ图\*ARABIC\s12Xception网络结构示意图ADDINEN.CITE<EndNote><Cite><Author>Chollet</Author><Year>2017</Year><RecNum>92</RecNum><DisplayText><styleface="superscript">[21]</style></DisplayText><record><rec-number>92</rec-number><foreign-keys><keyapp="EN"db-id="t0vxtp2e825zpwerp2axvwz02p9rza5wdz99"timestamp="1614433217">92</key></foreign-keys><ref-typename="ConferenceProceedings">10</ref-type><contributors><authors><author>Chollet,François</author></authors></contributors><titles><title>Xception:Deeplearningwithdepthwiseseparableconvolutions</title><secondary-title>ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition</secondary-title></titles><pages>1251-1258</pages><dates><year>2017</year></dates><urls></urls></record></Cite></EndNote>[21]1.3实验结果与分析将标记的2937张冠脉血管X射线造影图像随机打乱后，取70%作为训练集，剩下30%作为测试集。分类任务中所有实验的训练的epoch数为100，batch大小为10，优化器为Adam，参数为0.001。采用的损失函数为交叉熵损失函数。对输入图像均采用三通道预处理方法，最终训练完成的模型在测试集上准确率达到91.98%、精确率达到95.92%。1.1.1主干网络的对比为了检验所采用的轻量化网络Xception的相对性能，将其与最常用的分类网络Resnet152和VGG19进行对比。训练中Loss的变化如图1.3所示，其中红线代表Xception，蓝线代表Resnet152，绿线代表VGG19。从图1.3中可以看出，Xception的收敛速度最快，VGG19次之，ResNet152相对最慢。图STYLEREF1\s3.SEQ图\*ARABIC\s13三种分类模型loss对比图三种分类模型的性能对比如表1.1所示，可以看出，Xception网络不仅分类的准确率和精确度都高于另外两种网络，而且显存占用在三者中最小。在模型大小具有显著优势的情况下，Xception还保持了较强的分类性能和较快的收敛速度，是解决本任务的理想方案。表STYLEREF1\s3.SEQ表\*ARABIC\s11Xception与Resnet152的性能对比统计表主干网络显存占用/MiBAccuracyPrecisionXception430592.85%95.73%Resnet152559790.69%94.59%VGG19663692.57%95.09%1.1.2图像预处理方法的对比为了验证三通道预处理方法的有效性，将其与另外两种常用的预处理方法进行对比。第一种方法为Frangi滤波器，与三通道预处理方法相反，该方法可以对图像进行边缘增强；第二种方法为采用对比度受限的自适应直方图均衡化（ContrastLimitedAdaptiveHistogramEqualization,CLAHE），突出某些局部区域的特征，获得更多图像细节，同时对局部对比度进行限制，防止局部对比度提高过大，导致图像失真。采用Frangi滤波和CLAHE两种方法对图像进行预处理的结果分别如图1.4(a)和图1.4(b)所示。对比图1.3的两幅图和图1.4的两幅图可以发现，Frangi滤波可以强化血管的形态信息和边缘信息、抹去不重要的背景像素信息，但增强的血管结构中可能包括很多不属于原血管的部分，增加了干扰因素；三通道预处理方法会将图像彩色化，弱化背景中的不重要元素，相对突出血管的形态信息，但会使得血管的边缘区域变得模糊；CLAHE可以较好地强化血管的形态信息和边缘信息，但对于背景中的干扰信息也会敏锐地捕捉并凸显出来。(a)Frangi滤波后的血管造影图像(b)CLAHE处理后的血管造影图像图STYLEREF1\s3.SEQ图\*ARABIC\s14预处理效果对比图模型主干网络均采用Xception，实验训练的epoch数为100，batch大小为10，采用不同预处理方法得到的分类结果如表1.2所示。从表1.2中可以看出，采用三通道预处理方法比起不采用预处理方法的模型能够小幅提升实验结果，而Frangi滤波和CLAHE反而使得结果变差，可能是出现了一定的过拟合现象。表STYLE