基于布谷鳥(niǎo)搜索和深度信念網(wǎng)絡(luò)的肺部腫瘤圖像識(shí)別算法

楊 健，周 濤,，郭麗芳，張飛飛，梁蒙蒙

(1.寧夏醫(yī)科大學(xué) 公共管理研究中心，銀川 750000； 2.寧夏醫(yī)科大學(xué) 理學(xué)院，銀川 750000)(*通信作者電子郵箱zhoutaonxmu@126.com)

0 引言

肺癌是當(dāng)今對(duì)人類生命健康危害最大的惡性腫瘤之一[1]，醫(yī)學(xué)影像學(xué)方法檢查廣泛應(yīng)用于肺部腫瘤的診斷，其中包括X線成像、電子計(jì)算機(jī)斷層掃描(Computed Tomography, CT)、正電子發(fā)射型計(jì)算機(jī)斷層顯像(Positron Emission Computed Tomography, PET)及磁共振成像(Magnetic Resonance Imaging, MRI)等[2]。目前CT 檢查是肺癌篩查最有效的手段之一[3]，而計(jì)算機(jī)輔助診斷系統(tǒng)可以利用計(jì)算機(jī)高速計(jì)算、自動(dòng)處理醫(yī)學(xué)影像的優(yōu)勢(shì)為醫(yī)生提供準(zhǔn)確率較高的診斷結(jié)果，從而提高醫(yī)學(xué)影像診斷的客觀性和準(zhǔn)確性[4]。

目前神經(jīng)網(wǎng)絡(luò)[5-6]廣泛應(yīng)用于肺部腫瘤計(jì)算機(jī)輔助診斷系統(tǒng)，在醫(yī)學(xué)圖像的計(jì)算機(jī)輔助診斷領(lǐng)域，盡管有各種優(yōu)秀的算法，但是其特征提取復(fù)雜，深度學(xué)習(xí)[7]的出現(xiàn)有效解決這個(gè)問(wèn)題，它是一種高效的特征提取方法，能夠提取數(shù)據(jù)中更加抽象的特征，對(duì)原始數(shù)據(jù)實(shí)現(xiàn)更本質(zhì)的描述，同時(shí)深層模型具有更強(qiáng)的建模能力。深度信念網(wǎng)絡(luò)(Deep Belief Network, DBN)[8]是目前應(yīng)用廣泛的深度學(xué)習(xí)方法之一，DBN能夠從原始數(shù)據(jù)中自動(dòng)學(xué)習(xí)、提取特征，并且通過(guò)受限波爾茲曼機(jī)(Restricted Boltzmann Machine, RBM)的特征提取能力能夠在很大程度上解決淺層學(xué)習(xí)存在的問(wèn)題并提高識(shí)別性能; 文獻(xiàn)[9]提出了一種應(yīng)用于多類別放射性圖像的分類方法，首先使用基于小波變換和柯?tīng)柲缏宸?斯摩洛夫(Kolmogorov-Smirnov, KS)檢驗(yàn)的去噪技術(shù)來(lái)消除圖像噪聲和無(wú)關(guān)特征，然后用DBN學(xué)習(xí)無(wú)標(biāo)簽特征，此方法能夠在臨床應(yīng)用中分析噪聲眾多的放射性圖像，例如診斷與肺、乳腺、肌肉或骨骼相關(guān)的疾??；文獻(xiàn)[10]基于DBN提出了一種用于乳腺癌檢測(cè)的計(jì)算機(jī)輔助診斷方案，該方案為乳腺癌提供了有效的分類模型；文獻(xiàn)[11]結(jié)合主成分分析法提出的深度信念網(wǎng)絡(luò)模型降低了故障檢測(cè)模型的復(fù)雜度，提高了對(duì)未知故障類型的辨識(shí)精度, 但是在構(gòu)建DBN模型時(shí)，其網(wǎng)絡(luò)權(quán)值通常采用隨機(jī)初始化的方式獲得，該方法使初始權(quán)值具有一定的指向性，并隨著DBN層訓(xùn)練使這種指向性逐層傳遞，從而影響網(wǎng)絡(luò)的識(shí)別精度，同時(shí)權(quán)值的隨機(jī)初始化會(huì)使DBN在訓(xùn)練過(guò)程中陷入局部極值，從而導(dǎo)致網(wǎng)絡(luò)學(xué)習(xí)困難。

為解決網(wǎng)絡(luò)權(quán)值的隨機(jī)初始化且易使網(wǎng)絡(luò)陷入局部極值的問(wèn)題，本文在傳統(tǒng)DBN模型中引入布谷鳥(niǎo)搜索(Cuckoo Search, CS)算法[12]，利用CS的全局尋優(yōu)能力對(duì)DBN的初始權(quán)值進(jìn)行優(yōu)化，將CS與對(duì)比散度(Contrastive Divergence, CD)算法結(jié)合實(shí)現(xiàn)DBN的預(yù)訓(xùn)練，實(shí)驗(yàn)將CS-DBN應(yīng)用于肺部腫瘤CT圖像的識(shí)別，并從4個(gè)角度(訓(xùn)練次數(shù)、訓(xùn)練批次大小、DBN隱層層數(shù)和隱層節(jié)點(diǎn)數(shù))驗(yàn)證了基于CS-DBN的肺部腫瘤圖像識(shí)別算法的可行性和有效性。實(shí)驗(yàn)結(jié)果表明，CS-DBN與傳統(tǒng)DBN相比有更好的識(shí)別效果。

1 基礎(chǔ)理論

1.1 受限玻爾茲曼機(jī)

受限波爾茲曼機(jī)(RBM)是一種概率生成模型，已經(jīng)廣泛應(yīng)用于圖像識(shí)別、語(yǔ)音識(shí)別、人臉識(shí)別和文檔處理等諸多領(lǐng)域，但是目前RBM主要用于對(duì)數(shù)據(jù)預(yù)處理時(shí)的特征提取和對(duì)神經(jīng)網(wǎng)絡(luò)的參數(shù)初始化[13]，其最重要的應(yīng)用是作為構(gòu)造深度信念網(wǎng)絡(luò)的學(xué)習(xí)模塊。

RBM是一種隨機(jī)神經(jīng)網(wǎng)絡(luò)模型，每個(gè)RBM分為兩層，輸入數(shù)據(jù)層稱為可視層，不可見(jiàn)層稱為隱層。RBM的層內(nèi)無(wú)連接，層間彼此互連, 其中，可視層表示為v，隱層表示為h，hn表示第n個(gè)隱層,連接兩層的權(quán)值矩陣是ω，可視層與隱層的偏置分別為b和c。

Hinton[14]提出對(duì)比散度(CD)算法來(lái)訓(xùn)練網(wǎng)絡(luò)參數(shù)θ=(wij,bi,cj)，首先通過(guò)可見(jiàn)層神經(jīng)元向量值計(jì)算隱層神經(jīng)元狀態(tài)，然后通過(guò)隱層神經(jīng)元重建可見(jiàn)層神經(jīng)元狀態(tài)，由重建后的可見(jiàn)層神經(jīng)元再次計(jì)算隱層神經(jīng)元狀態(tài)，即可獲取新的隱層神經(jīng)元狀態(tài)。當(dāng)給定可視層或隱層神經(jīng)元狀態(tài)時(shí)，隱層與可視層單元的激活概率分別為：

(1)

(2)

其中函數(shù)f是sigmoid函數(shù)。

1.2 深度信念網(wǎng)絡(luò)

深度信念網(wǎng)絡(luò)是包含多隱層(隱層數(shù)大于2)的深層網(wǎng)絡(luò)模型，由若干層無(wú)監(jiān)督的RBM單元和一層有監(jiān)督的BP網(wǎng)絡(luò)組成，能夠?qū)⒌蛯犹卣魍ㄟ^(guò)多層次結(jié)構(gòu)形成更抽象的高層特征，實(shí)現(xiàn)對(duì)原始訓(xùn)練數(shù)據(jù)的本質(zhì)描述。

DBN的學(xué)習(xí)過(guò)程分為兩個(gè)階段: 第一階段的無(wú)監(jiān)督特征學(xué)習(xí)是對(duì)于每個(gè)RBM的預(yù)訓(xùn)練，預(yù)訓(xùn)練使用貪婪無(wú)監(jiān)督逐層學(xué)習(xí)算法自底層到頂層逐層訓(xùn)練每個(gè)RBM，將前一個(gè)RBM的輸出作為其高一層RBM的輸入，自底層到頂層逐層實(shí)現(xiàn)每個(gè)RBM的訓(xùn)練，從而實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)參數(shù)的初始化，經(jīng)過(guò)預(yù)訓(xùn)練之后，原始輸入數(shù)據(jù)的特征被組合成更抽象的高層特征；第二階段將預(yù)訓(xùn)練結(jié)束后得到的權(quán)重作為DBN的初始權(quán)重，采用BP(Back Propagation)算法自頂層向下層微調(diào)整個(gè)模型，進(jìn)行有監(jiān)督的訓(xùn)練，從而形成整個(gè)DBN深層網(wǎng)絡(luò)結(jié)構(gòu)。

與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比，深度信念網(wǎng)絡(luò)的優(yōu)勢(shì)在于解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在深度結(jié)構(gòu)增加時(shí)訓(xùn)練時(shí)間長(zhǎng)和大數(shù)據(jù)處理慢等問(wèn)題。

1.3 布谷鳥(niǎo)搜索算法

布谷鳥(niǎo)搜索(CS)算法是一種基于種群迭代的新興啟發(fā)式全局優(yōu)化算法，可以有效求解最優(yōu)化問(wèn)題。CS算法靈感主要源于布谷鳥(niǎo)的寄生育雛繁殖策略和萊維(Lévy)飛行搜索模式[15], 采用萊維飛行產(chǎn)生步長(zhǎng)，有利于跳出局部最優(yōu)解，從而使算法具有較強(qiáng)的全局搜索能力；它不需要問(wèn)題的梯度信息，容易實(shí)現(xiàn)，能以較大概率收斂到問(wèn)題的全局最優(yōu)解，為解決優(yōu)化問(wèn)題提供了新的途徑[16]。CS算法選用參數(shù)少、搜索路徑優(yōu)、全局搜索能力強(qiáng)，是一種很有潛力的算法，已成為目前研究熱點(diǎn)[17]。

布谷鳥(niǎo)所尋找的鳥(niǎo)窩位置具有隨機(jī)性。在使用布谷鳥(niǎo)算法之前設(shè)定3個(gè)理想狀態(tài)：

1)布谷鳥(niǎo)每次只產(chǎn)一個(gè)蛋，并隨機(jī)選擇宿主鳥(niǎo)窩進(jìn)行孵化。

2)每一代鳥(niǎo)窩中最好的一個(gè)將會(huì)保留到下一代。

3)可選鳥(niǎo)窩數(shù)目為固定值N，并且布谷鳥(niǎo)蛋有一定概率Pa被宿主發(fā)現(xiàn)，Pa∈[0, 1]。若宿主發(fā)現(xiàn)布谷鳥(niǎo)蛋則拋棄該鳥(niǎo)窩，隨機(jī)建立一個(gè)新鳥(niǎo)窩。

布谷鳥(niǎo)搜索算法的步驟如下：

(3)

其中:⊕為點(diǎn)對(duì)點(diǎn)乘法，α為步長(zhǎng)控制量，主要控制步長(zhǎng)大小和方向，Lévy(λ)是一個(gè)步長(zhǎng)大小服從式(4)Lévy分布的隨機(jī)搜索向量。

L(s,λ)～s-λ; 1<λ≤3

(4)

其中s是由Lévy飛行得到的隨機(jī)步長(zhǎng)。

3)選擇。產(chǎn)生隨機(jī)數(shù)r∈[0,1]，若rPa，則隨機(jī)改變當(dāng)前鳥(niǎo)窩位置，獲得一組新的鳥(niǎo)窩位置；計(jì)算該組鳥(niǎo)窩位置的目標(biāo)函數(shù)值，比較新鳥(niǎo)窩位置與全局最優(yōu)位置的目標(biāo)函數(shù)值，選擇最優(yōu)的鳥(niǎo)窩位置作為當(dāng)前最優(yōu)鳥(niǎo)窩位置xbest。

4)判斷。如果當(dāng)前最優(yōu)鳥(niǎo)窩位置的目標(biāo)函數(shù)值達(dá)到目標(biāo)范圍或滿足迭代終止條件，則停止搜索，得到最終結(jié)果；反之, 則返回步驟2)繼續(xù)搜索。

2 基于CS的深度信念網(wǎng)絡(luò)模型

2.1 算法思想

傳統(tǒng)DBN模型的網(wǎng)絡(luò)權(quán)值采用隨機(jī)初始化的方式產(chǎn)生，其初始化權(quán)值帶有一定的指向性，且在訓(xùn)練過(guò)程中容易使網(wǎng)絡(luò)陷入局部最優(yōu)。為解決此問(wèn)題并提升DBN性能，本文在傳統(tǒng)DBN模型中引入CS算法，提出一種基于CS的DBN模型(CS-DBN)，利用CS算法的全局尋優(yōu)能力對(duì)DBN的初始權(quán)值進(jìn)行優(yōu)化，并將該模型應(yīng)用于肺部腫瘤圖像的分類識(shí)別。首先將CS與CD算法結(jié)合進(jìn)行DBN的逐層預(yù)訓(xùn)練；在每個(gè)RBM訓(xùn)練結(jié)束之后，利用BP算法對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行微調(diào)，從而使網(wǎng)絡(luò)權(quán)值達(dá)到最優(yōu)；最后在得到的DBN深層網(wǎng)絡(luò)頂部添加分類層，對(duì)輸入的預(yù)處理數(shù)據(jù)即肺部腫瘤感興趣區(qū)域(Region of Interest, ROI)進(jìn)行分類，實(shí)現(xiàn)對(duì)肺部腫瘤CT圖像的識(shí)別。算法流程如圖1所示。

圖1 本文算法流程

2.2 關(guān)鍵技術(shù)

2.2.1 基于CS和CD算法的DBN預(yù)訓(xùn)練

將CS與CD算法結(jié)合實(shí)現(xiàn)DBN的預(yù)訓(xùn)練，即最底層RBM通過(guò)CS搜索獲得其權(quán)值ω1，然后利用CD算法對(duì)輸入數(shù)據(jù)進(jìn)行訓(xùn)練，通過(guò)Gibbs采樣得到隱層并重構(gòu)顯層，將底層輸出作為高層輸入逐層搜索權(quán)值ωn并逐層訓(xùn)練RBM，最終得到DBN的每一層權(quán)值并訓(xùn)練每一個(gè)RBM，實(shí)現(xiàn)DBN預(yù)訓(xùn)練。流程如圖2所示，具體步驟如下：

步驟1 初始化鳥(niǎo)窩個(gè)數(shù)N和鳥(niǎo)窩位置。

步驟2 構(gòu)造目標(biāo)函數(shù)fitness并產(chǎn)生初始最優(yōu)解ωbest：采用RBM重構(gòu)誤差構(gòu)造目標(biāo)函數(shù)fitness，并產(chǎn)生初始鳥(niǎo)窩位置的目標(biāo)值，保存初始最優(yōu)權(quán)值即為當(dāng)前全局最優(yōu)權(quán)值ωbest；RBM訓(xùn)練過(guò)程中第n次迭代的重構(gòu)誤差如下：

(5)

步驟3 通過(guò)Lévy飛行更新當(dāng)前每個(gè)鳥(niǎo)窩，并根據(jù)目標(biāo)函數(shù)找到當(dāng)代最優(yōu)權(quán)值，若當(dāng)代最優(yōu)權(quán)值優(yōu)于當(dāng)前全局最優(yōu)權(quán)值，則替換全局最優(yōu)權(quán)值ωbest。

步驟4 隨機(jī)數(shù)r∈[0,1]與布谷鳥(niǎo)蛋被宿主發(fā)現(xiàn)的概率Pa對(duì)比，若r>Pa，則隨機(jī)改變當(dāng)前鳥(niǎo)窩位置，獲得一組新的鳥(niǎo)窩位置，計(jì)算該組鳥(niǎo)窩位置的目標(biāo)函數(shù)值，比較新鳥(niǎo)窩位置與全局最優(yōu)位置的目標(biāo)函數(shù)值，選擇最優(yōu)的鳥(niǎo)窩位置作為當(dāng)前最優(yōu)鳥(niǎo)窩位置即全局最優(yōu)權(quán)值ωbest。

步驟5 如果當(dāng)前最優(yōu)鳥(niǎo)窩位置的目標(biāo)函數(shù)值達(dá)到目標(biāo)范圍或滿足迭代終止條件，則停止搜索，得到全局最優(yōu)權(quán)值ωbest；反之,則返回步驟3繼續(xù)搜索。

步驟6 利用CD算法對(duì)輸入數(shù)據(jù)進(jìn)行訓(xùn)練，通過(guò)Gibbs采樣得到隱層并重構(gòu)顯層。

步驟7 重復(fù)步驟1～6逐層搜索權(quán)值ωn并逐層訓(xùn)練RBM，最終得到DBN的每一層權(quán)值并訓(xùn)練每一個(gè)RBM，實(shí)現(xiàn)DBN預(yù)訓(xùn)練。

圖2 基于CS和CD算法的DBN預(yù)訓(xùn)練流程

2.2.2 基于BP算法的DBN微調(diào)和分類識(shí)別

將RBM訓(xùn)練結(jié)束后得到的各層權(quán)重作為DBN權(quán)重，得到DBN深層網(wǎng)絡(luò)結(jié)構(gòu)，利用DBN深層網(wǎng)絡(luò)結(jié)構(gòu)對(duì)輸入數(shù)據(jù)進(jìn)行有監(jiān)督訓(xùn)練，計(jì)算輸出與輸入數(shù)據(jù)的誤差，利用BP算法自頂層向下層修正其網(wǎng)絡(luò)權(quán)值，微調(diào)整個(gè)DBN，直到誤差被調(diào)整至設(shè)定范圍之內(nèi)，微調(diào)完成；在得到的DBN深層網(wǎng)絡(luò)頂部添加分類層，利用BP算法調(diào)整分類層權(quán)值，對(duì)輸入數(shù)據(jù)進(jìn)行分類，實(shí)現(xiàn)對(duì)肺部腫瘤CT圖像的識(shí)別。

3 仿真實(shí)驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境

軟件環(huán)境：Windows 7 操作系統(tǒng)，MatlabR2013a；硬件環(huán)境：Intel Core i5 4670 3.40 GHz，8 GB內(nèi)存，500 GB硬盤。

3.2 實(shí)驗(yàn)數(shù)據(jù)

1)數(shù)據(jù)來(lái)源。從寧夏醫(yī)科大學(xué)總醫(yī)院核醫(yī)學(xué)科獲取肺部CT圖像3 000幅，其中包括經(jīng)核醫(yī)學(xué)科醫(yī)生標(biāo)記的1 500幅肺部腫瘤異常圖像和1 500幅非腫瘤圖像。肺部CT圖像如圖3所示。

圖3 肺部CT圖像

2)數(shù)據(jù)預(yù)處理。對(duì)肺部CT圖像截取ROI區(qū)域，將截取的ROI圖像去偽彩并轉(zhuǎn)化為28×28大小的灰度圖像；從3 000幅肺部CT圖像中隨機(jī)抽取300幅作為測(cè)試集，其余2 700幅作為訓(xùn)練集。預(yù)處理后的部分圖像如圖4所示。

3.3 實(shí)驗(yàn)結(jié)果及分析

本文實(shí)驗(yàn)在傳統(tǒng)DBN模型中引入CS算法，利用CS算法的全局尋優(yōu)能力對(duì)DBN的初始權(quán)值進(jìn)行優(yōu)化，并將該模型應(yīng)用于肺部腫瘤CT圖像的分類識(shí)別。實(shí)驗(yàn)從RBM訓(xùn)練次數(shù)、訓(xùn)練批次大小、DBN隱層層數(shù)和DBN隱層節(jié)點(diǎn)數(shù)4個(gè)角度驗(yàn)證本文提出的基于CS-DBN的肺部腫瘤圖像識(shí)別算法的可行性和有效性，并對(duì)其識(shí)別效果進(jìn)行討論分析。為避免實(shí)驗(yàn)的偶然性，以下實(shí)驗(yàn)結(jié)果為相同實(shí)驗(yàn)環(huán)境下5次相同實(shí)驗(yàn)的均值。

圖4 預(yù)處理后的部分圖像

1)實(shí)驗(yàn)一。不同RBM訓(xùn)練次數(shù)下CS對(duì)權(quán)值優(yōu)化前后效果比較。

本實(shí)驗(yàn)在固定DBN結(jié)構(gòu)的前提下，設(shè)置1～150范圍內(nèi)的RBM訓(xùn)練次數(shù)，驗(yàn)證CS對(duì)DBN初始權(quán)值的優(yōu)化效果，探討CS對(duì)初始權(quán)值的優(yōu)化效果隨不同RBM訓(xùn)練次數(shù)的影響，并對(duì)其識(shí)別效果進(jìn)行討論分析。實(shí)驗(yàn)結(jié)果如表1所示。

實(shí)驗(yàn)結(jié)果表明，CS對(duì)DBN初始權(quán)值優(yōu)化前后，肺部腫瘤的識(shí)別率均隨著RBM訓(xùn)練次數(shù)的增加呈明顯的上升趨勢(shì)，且特異度均有較大幅度的提升；相同RBM訓(xùn)練次數(shù)下，CS優(yōu)化DBN初始權(quán)值后網(wǎng)絡(luò)的識(shí)別效果明顯優(yōu)于DBN隨機(jī)初始化網(wǎng)絡(luò)權(quán)值的識(shí)別效果，其識(shí)別率提高百分點(diǎn)的范圍是1.13～4.33，當(dāng)RBM訓(xùn)練次數(shù)達(dá)到100時(shí)，CS-DBN能達(dá)到96.33%的識(shí)別率，在一定程度上提高了傳統(tǒng)DBN對(duì)肺部腫瘤的識(shí)別率。綜上，本實(shí)驗(yàn)從RBM訓(xùn)練次數(shù)的角度驗(yàn)證了基于CS-DBN的肺部腫瘤圖像識(shí)別算法的可行性和有效性。

表1 不同RBM訓(xùn)練次數(shù)下CS對(duì)權(quán)值優(yōu)化效果比較

2)實(shí)驗(yàn)二。不同訓(xùn)練批次大小下CS對(duì)權(quán)值優(yōu)化前后效果比較。

本實(shí)驗(yàn)在固定DBN結(jié)構(gòu)的前提下，分別控制訓(xùn)練批次大小為100、50、20、10，驗(yàn)證CS對(duì)DBN初始權(quán)值的優(yōu)化效果，探討CS對(duì)初始權(quán)值的優(yōu)化效果隨不同訓(xùn)練批次大小的影響，并對(duì)其識(shí)別效果進(jìn)行討論分析。實(shí)驗(yàn)結(jié)果如表2所示。

實(shí)驗(yàn)結(jié)果表明，CS對(duì)DBN初始權(quán)值優(yōu)化前后，肺部腫瘤的識(shí)別率均隨著訓(xùn)練批次大小的減小呈明顯的上升趨勢(shì)，且特異度均有較大幅度的提升；相同訓(xùn)練批次大小下，CS優(yōu)化DBN初始權(quán)值后網(wǎng)絡(luò)的識(shí)別效果明顯優(yōu)于DBN隨機(jī)初始化網(wǎng)絡(luò)權(quán)值的識(shí)別效果，其識(shí)別率提高百分點(diǎn)的范圍是2.00～3.34，且靈敏度和特異度在CS優(yōu)化初始權(quán)值后均有一定程度的提高；當(dāng)訓(xùn)練批次大小為10時(shí)，CS-DBN能達(dá)到95.67%的識(shí)別率，在一定程度上提高了傳統(tǒng)DBN對(duì)肺部腫瘤的識(shí)別率。綜上，本實(shí)驗(yàn)從訓(xùn)練批次大小的角度驗(yàn)證了基于CS-DBN的肺部腫瘤圖像識(shí)別算法的可行性和有效性。

3)實(shí)驗(yàn)三。不同DBN隱層層數(shù)下CS對(duì)權(quán)值優(yōu)化前后效果比較。

本實(shí)驗(yàn)在固定DBN參數(shù)的前提下，分別控制隱層層數(shù)為2、3、4，驗(yàn)證CS對(duì)DBN初始權(quán)值的優(yōu)化效果，探討CS對(duì)初始權(quán)值的優(yōu)化效果隨不同隱層層數(shù)的影響，并對(duì)其識(shí)別效果進(jìn)行討論分析。實(shí)驗(yàn)結(jié)果如表3所示。

實(shí)驗(yàn)結(jié)果表明，相同隱層層數(shù)下，CS優(yōu)化DBN初始權(quán)值后網(wǎng)絡(luò)的識(shí)別效果明顯優(yōu)于DBN隨機(jī)初始化網(wǎng)絡(luò)權(quán)值的識(shí)別效果，其識(shí)別率提高百分點(diǎn)的范圍是1.07～3.34，且靈敏度和特異度在CS優(yōu)化初始權(quán)值后均有一定程度的提高；當(dāng)隱層層數(shù)為3時(shí)，CS-DBN能達(dá)到95.67%的識(shí)別率，在一定程度上提高了傳統(tǒng)DBN對(duì)肺部腫瘤的識(shí)別率。綜上，本實(shí)驗(yàn)從DBN隱層層數(shù)的角度驗(yàn)證了基于CS-DBN的肺部腫瘤圖像識(shí)別算法的可行性和有效性。

4)實(shí)驗(yàn)四。不同隱層節(jié)點(diǎn)數(shù)下CS對(duì)權(quán)值優(yōu)化前后效果比較。

本實(shí)驗(yàn)在固定DBN參數(shù)的前提下，分別控制隱層節(jié)點(diǎn)數(shù)為50-50-50，100-100-100，200-200-200，驗(yàn)證CS對(duì)DBN初始權(quán)值的優(yōu)化效果，探討CS對(duì)初始權(quán)值的優(yōu)化效果隨不同隱層節(jié)點(diǎn)數(shù)的影響，并對(duì)其識(shí)別效果進(jìn)行討論分析。實(shí)驗(yàn)結(jié)果如表4所示。

實(shí)驗(yàn)結(jié)果表明，相同隱層節(jié)點(diǎn)數(shù)下，CS優(yōu)化DBN初始權(quán)值后網(wǎng)絡(luò)的識(shí)別效果明顯優(yōu)于DBN隨機(jī)初始化網(wǎng)絡(luò)權(quán)值的識(shí)別效果，其識(shí)別率提高百分點(diǎn)的范圍是1.40～3.34，且靈敏度和特異度在CS優(yōu)化初始權(quán)值后均有一定程度的提高；當(dāng)隱層節(jié)點(diǎn)數(shù)為100時(shí)，CS-DBN能達(dá)到95.67%的識(shí)別率，在一定程度上提高了傳統(tǒng)DBN對(duì)肺部腫瘤的識(shí)別率。綜上，本實(shí)驗(yàn)從DBN隱層節(jié)點(diǎn)數(shù)的角度驗(yàn)證了基于CS-DBN的肺部腫瘤圖像識(shí)別算法的可行性和有效性。

表2 不同訓(xùn)練批次大小下CS對(duì)權(quán)值優(yōu)化效果比較

表3 不同DBN隱層層數(shù)下CS對(duì)權(quán)值優(yōu)化效果比較

表4 不同隱層節(jié)點(diǎn)數(shù)下CS對(duì)權(quán)值優(yōu)化效果比較

4 結(jié)語(yǔ)

本文提出一種基于CS-DBN的肺部腫瘤圖像識(shí)別算法，利用CS的全局尋優(yōu)能力對(duì)DBN的初始權(quán)值進(jìn)行優(yōu)化，解決了DBN的權(quán)值隨機(jī)初始化和易陷入局部極值的問(wèn)題，同時(shí)實(shí)現(xiàn)了對(duì)肺部腫瘤CT圖像的識(shí)別。實(shí)驗(yàn)結(jié)果證明CS-DBN與傳統(tǒng)DBN相比有更好的識(shí)別效果，且能夠在一定程度上提高肺部腫瘤的識(shí)別率，減少肺部腫瘤診斷的漏診和誤診現(xiàn)象。該方法對(duì)于肺部腫瘤的分類識(shí)別有較好的效果，后續(xù)需要繼續(xù)豐富實(shí)驗(yàn)數(shù)據(jù)，優(yōu)化模型結(jié)構(gòu)和學(xué)習(xí)算法，將其應(yīng)用于其他領(lǐng)域的圖像識(shí)別是今后的研究重點(diǎn)。