基于PSO-ConvK卷积神经网络的肺部肿瘤图像识别

梁蒙蒙¹(),周涛^1,2,*(),夏勇³,张飞飞¹,杨健¹

1. 宁夏医科大学公共卫生与管理学院, 宁夏 银川 750004
2. 宁夏医科大学理学院, 宁夏 银川 750004
3. 西北工业大学计算机学院, 陕西 西安 710072

收稿日期:2018-05-31出版日期:2018-10-01发布日期:2018-05-31
通讯作者:周涛E-mail:1020881411@qq.com;zhoutaonxmu@126.com
作者简介:梁蒙蒙(1992—),女,安徽临泉人,硕士研究生,主要研究方向为图像处理与分析. E-mail:1020881411@qq.com
基金资助:国家自然科学基金资助项目(61561040);陕西省教育厅资助项目(2013JK1142)

Lung tumor images recognition based on PSO-ConvK convolutional neural network

Mengmeng LIANG¹(),Tao ZHOU^1,2,*(),Yong XIA³,Feifei ZHANG¹,Jian YANG¹

1. School of Public Health and Management, Ningxia Medical University, Yinchuan 750004, Ningxia, China
2. School of Science, Ningxia Medical University, Yinchuan 750004, Ningxia, China
3. School of Computer Science, Northwestern Polytechnical University, Xi′an 710072, Shaanxi, China

Received:2018-05-31Online:2018-10-01Published:2018-05-31
Contact:Tao ZHOU E-mail:1020881411@qq.com;zhoutaonxmu@126.com

Supported by:国家自然科学基金资助项目(61561040);陕西省教育厅资助项目(2013JK1142)

摘要/Abstract

摘要： 针对卷积核随机初始化以及梯度下降法训练卷积神经网络易陷入局部最值问题,提出粒子群算法优化卷积核(particle swarm optimization-convolution kernel, PSO-ConvK)的图像识别方法。使用参数迁移法构造卷积神经网络,并提取卷积核,利用PSO不断更新粒子的速度和位置,寻找全局最优值以初始化卷积核,将其传递到卷积神经网络,用肺部肿瘤数据训练卷积神经网络,结合梯度下降法修正网络权重,使得PSO算法的全局优化能力与梯度下降法的局部搜索能力相结合。试验通过批次大小、迭代次数以及网络层数3个角度验证方法的有效性,并与高斯函数优化卷积核进行对比。结果显示, PSO优化卷积核的识别率始终高于随机化卷积核和高斯卷积核,识别率最终达到98.3%,具有一定的可行性和优越性。


PDF全文下载地址:

http://gxbwk.njournal.sdu.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=1763