基于多尺度單層自編碼器的醫學圖像分類

劉洋洋　唐奇伶

摘要 計算復雜度和時間的限制，如何快速準確地對醫學圖像分類依舊是個挑戰。本文提出了一種基于多尺度單層自編碼器的醫學圖像自動分類方法。實驗結果表明該系統提取到的特征的描述力和最終的識別率明顯優于傳統方法。

關鍵詞 醫學圖像分類 稀疏自編碼器 稀疏表示分類器

0引言

醫學影像資料己成為輔助醫生進行臨床診斷、病情跟蹤、教學研究的重要客觀依據。若將這些數量巨大的醫學圖像進行手工分類歸納入醫院的信息庫中，難度是無法估計的，因此，醫學圖像自動分類方法的研究具有廣泛的應用前景。對醫學圖像分類系統來說，分類準確率和速度是兩個非常重要的評價指標，而影響這兩個指標最大因素就是是否提取到有效的醫學圖像特征。

近年來深度學習技術中的無監督特征學習技術已經成功地被應用于計算機視覺領域。因其不需要依賴于先驗知識，可以自適應地構建有效的特征描述，所以靈活性和普遍性較傳統特征提取方法更具有優越性。多尺度結構是圖像的一種本質屬性，不同的觀察尺度對圖像的度量是非常有用的。稀疏自編碼器（Sparse Auto-encoder，SAE）就是深度學習中最流行的代表性學習方法中的一種，該學習方法能實現良好的性能，并具有較少的調節參數和低的計算代價等優點，在圖像特征表達中得到廣泛的運用。

盡管在過去幾年中基于SAE的特征學習算法取得很大進步，但是少有研究多尺度空間特征學習的。在視覺計算中多尺度的處理已經被證明明顯優于單尺度的版本，包括邊界檢測，圖像分割，對象識別等等。本文中，我們探索多尺度單層SAE網絡在醫學圖像分類中的應用。據我們所知，我們的工作是第一次嘗試在單層SAEs中組合多尺度特征學習。在分類階段，我們稀疏表示分類器（Sparse Representation-based Classification，SRC）進行分類，該分類器能夠有效地處理高維數據，不同約束條件的添加使其更具靈活性。

1分類系統的基本框架

本研究提出的分類框架模型包括特征提取和分類器分類兩個階段。首先利用多尺度的單層SAE產生局部特征檢測器，通過與圖像卷積得到特征映射，然后對這些特征映射進行PCA降維，可以將不同長度的輸入轉換成一個固定長度的特征向量，最后采用SRC進行圖像分類，設計方案的整體流程圖如圖1。

1.1特征提取和降維

特征表達在目標識別與圖像分類等視覺任務中起著關鍵作用，我們將利用多尺度的單層SAE從原始醫學圖像中學習特征表達。SAE是一種自學習神經網絡，它符合視覺皮層對外界刺激采用神經稀疏表示原則，這既對繁雜冗余的信息提供了簡單表示，又利于上層傳感神經抽取刺激中本質的特征。SAE E41通過約束使得網絡隱藏層大部分神經元的響應都為O，只有少數神經元被激活工作。通過假設輸出值等于輸入值，訓練調整網絡參數，得到每一層中的權重，其代價函數表達如下：