基于卷積神經網絡的宮頸癌細胞圖像識別的改進算法

夏為為,夏哲雷

(中國計量大學 信息工程學院,浙江 杭州 310018)

宮頸癌細胞的準確識別對臨床診斷具有重大研究意義,現(xiàn)階段對宮頸癌細胞的診斷主要依靠醫(yī)生的肉眼判斷,僅憑借臨床經驗判定可能會出現(xiàn)較高的誤差：其一,宮頸癌細胞之間存在復雜性和差異性并且癌變細胞的形狀是不規(guī)則的;其二,宮頸癌細胞圖像數據具有高階統(tǒng)計的特性,導致宮頸癌細胞之間存在大量的冗余信息[1].然而利用卷積神經網絡對圖像進行處理則可以提取圖像較深層次的特征,使得提取的特征具有更精確的表達能力.

卷積神經網絡在圖像處理等方面的研究和發(fā)展具有重要的作用,利用卷積神經網絡可以模擬人腦視覺中樞的功能對信息進行更深層次的提取,避免了人工提取特征不精確的問題.周凱龍等[2]使用卷積神經網絡實現(xiàn)對手寫字體的分類,陶源等[3]提出了卷積神經網絡在特征提取時具有魯棒性的觀點,肖志鵬[4]等利用卷積神經網絡提高了對繪畫圖像的分類效率,特征征提取的精確度對卷積神經網絡的學習性能研究具有至關重要的作用,因此,有必要對卷積神經網絡的卷積層和池化層進行優(yōu)化來達到提高算法識別率的目的[5],趙顯達等[6]使用了基于卷積神經網絡的平均池化模型實現(xiàn)了人臉識別并取得了較好的結果,時增林等[7]使用基于卷積神經網絡的最大池化模型提高了對人群計數方法的識別率.文獻[6]在池化過程中將池化域中所有元素都分配相同的權值,文獻[7]將池化域中非最大元素的權值全部舍棄.針對文獻[6]和文獻[7]在池化過程中存在容易損失大量有用信息導致識別率不高的問題,本文提出了一種改進的算法.該算法基于卷積神經網絡的框架,對下采樣過程中的池化模型進行改進.這種改進的池化模型是給池化域中的數值分配合適的權值,進而提高了特征提取的準確性.基于卷積神經網絡的改進算法降低了宮頸癌細胞圖像的識別錯誤率.

1 卷積神經網絡

輸入層、隱層和輸出層構成了卷積神經網絡的一般結構[8],其中隱層主要包含卷積層和池化層,卷積神經網絡的隱層可以避免在特征提取的過程中出現(xiàn)人工提取特征的主觀性和不定性,使輸出層的表達更接近于真實值.

1.1 卷積神經網絡的結構

卷積神經網絡的結構如圖1.

圖1 卷積神經網絡結構圖Figure 1 Structure of convolution neural network

圖1中將未經處理的圖像作為卷積神經網絡的輸入,C1是通過將卷積核和輸入層的圖像進行卷積運算生成對應的卷積特征圖,由于有4個卷積核所以C1中包含4個卷積特征圖,由C1至S2是下采樣過程,具體實現(xiàn)是將C1中的連續(xù)4個像素點進行求平均或者求最大值運算,然后加權值和偏重,將其映射到S2的一個點上.由于C1到S2是單獨下采樣過程,所以S2也包含4個不同的下采樣特征圖,如此重復卷積層與下采樣層,最后將得到的特征圖作用于輸出.

1.2 卷積層

卷積層的輸入單元與輸出單元之間采用了稀疏連接和參數共享,稀疏連接是指網絡中的神經元并不是全連接的,而是每個神經元只連接上一層的一個小區(qū)域,假如某個神經元有i個輸入和j個輸出,所以根據矩陣乘法原理傳統(tǒng)神經網絡需要i×j個參數,相應算法的時間復雜度是O(i×j),假設每個輸出單元的連接數量是k,那么稀疏連接的方式僅需要k×j個參數以及O(i×j)的時間復雜度.在卷積神經網絡中,只要k比i小幾個數量級就可以達到比較好的識別效果.參數共享的實質是同一個參數作用于同一個模型中的多個函數,在一般的人工神經網絡中,權重矩陣的每個參數只使用一次,然而在卷積神經網絡當中,使用卷積核的每一個參數作用于輸入單元的每一個位置上,這就明顯地減少了模型的存儲需求個數.因此,在卷積層中采用稀疏連接和參數共享的方法明顯地減少了網絡的參數和復雜度.卷積過程如圖2所示,用一個可訓練的卷積核分別與輸入層中與卷積核相同大小的矩陣卷積,設卷積核的大小為n×n的矩陣C,輸入圖像是m×m的矩陣M,激活函數S()為Sigmoid函數,然后加一個偏置bx,設卷積核的移動步長是1,得到(m-n+1)×(m-n+1)的卷積特征圖F,計算公式為

(1)

圖2 偏置為0的卷積過程示意圖Figure 2 Convolution process with the bias of zero

1.3 下采樣層

下采樣層是對特征的再一次提取,其中最重要的步驟就是池化.為了更方便地對某個區(qū)域的特征值進行統(tǒng)計與分析,往往需要得到能代表該區(qū)域總體特征的新特征,該區(qū)域稱為池化域,在該區(qū)域提取新特征的過程就是池化.經過池化后得到的下采樣特征圖不僅能抗形變而且還能夠防止過擬合,在池化過程中設池化域的大小c×c,移動步長為c,池化過程如圖3所示.設經過卷積運算后得到的卷積特征圖是8×8的矩陣,如圖3(a),其中用4×4灰色填充的部分表示池化域,設移動步長c等于4,經過池化后得到的下采樣特征圖如圖3(b).

圖3 池化過程示意圖Figure 3 Schematic diagram of pooling process

圖3(b)中灰色填充的部分表示對卷積特征圖中對應灰色填充區(qū)域池化的結果,其本質就是池化函數P與池化域相作用的結果,設矩陣F為卷積運算后得出的卷積特征圖,池化函數是P,然后再加上偏置bx,得出下采樣特征圖S,計算公式如式(2)所示:

S=P(F)+bx.

(2)

文獻[6]使用的平均池化模型和文獻[7]使用的最大池化模型是經典池化模型中最常用的兩種.平均池化模型是指在池化的過程中,求出池化域內所有元素的平均值作為下采樣的特征值[9],平均池化可以降低由于在特征提取過程中領域大小限制導致的估計值方差增大的誤差,更大程度上保存圖像的背景信息;最大池化模型是指采用池化域中所有元素的最大值作為下采樣的特征值[10],最大池化可以降低由于卷積層參數誤差導致估計值偏移的誤差,更大程度上保存圖像的紋理信息.

設矩陣F為圖2得到的卷積特征圖,池化域大小是c×c,偏置是bx,移動步長是c,則平均池化和最大池化的算法表達式分別如式(3)和式(4)所示:

(3)

(4)

式(4)中：i∈[2l-1,2l+c-2],j∈[2k-1,2k+c-2].Fij是卷積特征圖F中大小為c×c的池化域中對應的元素,Slk是根據大小為c×c的池化域使用平均池化和最大池化算法得到的下采樣特征值.圖4是最大池化和平均池化的池化過程示意圖,設池化域的大小是2×2,移動步長是2,最大池化分別將池化域為2×2的所有特征值求出最大值作為下采樣特征圖中的對應特征值,平均池化分別將池化域大小為2×2的所有特征值求出平均值作為下采樣特征圖中的對應特征值,得到兩種池化模型的下采樣特征圖如圖4.

圖4 兩種池化模型的池化示意圖Figure 4 Schematic diagram of two pooling models

2 改進算法

2.1 改進算法的措施

平均池化和最大池化在下采樣過程中提取的特征值不能很好地反映出全局特征,平均池化是給每個池化域內的元素賦予一樣的權值系數,然而,圖像的每個區(qū)域的重要性并不是同等的,會導致信息的冗余;最大池化是將池化域內的非最大元素全部舍棄會導致信息有所丟失.本文基于卷積神經網絡提出了一種改進的算法.該算法對下采樣過程中的特征提取階段的池化模型進行改進,這種模型對池化域的不同元素分配合適的池化權值,使提取的特征值更好地表達全局特征.改進池化模型的算法表達式如下:

(5)

式(5)的實質是利用池化因子μij對平均池化算法進行優(yōu)化處理,使得優(yōu)化后的特征提取更加精確,其中池化因子的表達式為

(6)

式(6)中c表示池化域的邊長,Fij是卷積特征圖F中大小為c×c的池化域中對應的元素,a是池化域中所有元素的總和,σ是標準差,池化域中所有元素的值決定了池化因子的值,從而克服了平均池化和最大池化特征表達具有片面性的問題,有效避免最大池化方法造成的關鍵特征丟失問題和平均池化造成的較大特征值被弱化的問題,進而使不同池化域都可以提取更準確的特征.本文提出的基于卷積神經網絡的改進算法降低了對宮頸癌細胞圖像的識別錯誤率.

2.2 改進算法的實現(xiàn)

改進池化后得到的下采樣特征圖如圖5,設池化域的大小是2×2,池化的移動步長是2,偏置為0,首先池化域中各項元素的值Fij是已知的,再根據式(6)求出池化域中各元素的池化因子,將得到的池化因子帶入式(5),即得出改進池化后的下采樣特征圖中對應元素的下采樣特征值.改進的池化算法對池化域中不同的元素加入不同的池化因子,對于池化域內較大的元素加大其對應的因子,對于較小的元素減少其池化因子,使得提取的特征對全局特征的表達更加準確,進而降低了對宮頸細胞圖像識別錯誤率.

圖5 改進池化過程示意圖Figure 5 Schematic diagram of improved pooling process

3 實驗結果與分析

圖6 四類宮頸細胞圖像Figure 6 Four types of cervical cell images

本實驗在宮頸細胞圖像數據集上分別對文獻[6]、文獻[7]和改進算法在識別錯誤率上進行對比和分析研究.實驗是在CNTK的搭建平臺下使用8核CPU,8G內存實現(xiàn)的,網絡結構在經典VGG16[11]模型的基礎上改進的,輸入層是32×32×3的圖像,卷積層是3×3,移動步長是為1,池化層是采用了本文提出的改進池化,池化域大小是2×2,移動步長為1,全連接層的特征輸出層Fc1是512,分類層Fc2是4,其他的實驗平臺有可能對實驗結果造成一定的影響.本實驗在每個卷積層和激活層之間使用了批量正則化,使用mini-batch為128的隨機梯度下降算法來優(yōu)化模型參數,使用常數項為0.9的動量,權重衰減參數為0.000 1,學習速率初始化為0.01,被訓練的宮頸細胞圖像分為4類,如圖6,分別是正常細胞圖像(Normal)、不能確定為低度病變或者高度病變細胞圖像(AUS)、低度病變細胞圖像(LSIL)以及高度病變細胞圖像(HSIL).實驗設置14 112條宮頸細胞圖像作為訓練數據,5 000條宮頸細胞圖像作為測試數據,識別的結果分為兩類,一類是假陽性(即把HSIL、LSIL或者AUS識別成Normal),另一類是假陰性(即把Normal識別成HSIL、LSIL、或者AUS),這兩類的識別錯誤率之和稱為總的識別錯誤率.實驗分為三組進行訓練,分別是將文獻[6]、文獻[7]和改進算法對宮頸細胞圖像進行識別分類.

3.1 實驗結果

分別使用文獻[6]、文獻[7]和改進算法應用于宮頸癌細胞圖像的識別中,不同迭代次數下的識別錯誤率曲線如圖7.由圖7可以看出宮頸癌細胞圖像的識別錯誤率前期具有較快的下降速度,隨著迭代次數的增加,識別錯誤率下降速度逐漸降低,當迭代到120次左右時,識別錯誤率趨于穩(wěn)定,其中文獻[6]、文獻[7]和改進的池化算法對宮頸細胞圖像的識別錯誤率分別穩(wěn)定在5.25%、4.74%和4.38%左右.可見改進的算法比文獻[6]和文獻[7]的算法對宮頸癌細胞圖像的識別具有更低的錯誤率.

圖7 不同算法的識別錯誤率曲線Figure 7 Recognition error rate curve of different algorithms

3.2 實驗分析

文獻[6]、文獻[7]和改進算法隨著迭代次數的增加對宮頸癌細胞圖像的識別錯誤率逐漸降低,表1是改進算法相對文獻[6]和文獻[7]算法的降低效果.由表1可知改進算法對宮頸細胞圖像的識別錯誤率相對另外兩種算法都有不同程度的降低,其中相對文獻[6]的算法降低最高可以達到17.04%,相對文獻[7]的算法降低最高達到7.23%.

通過以上實驗結果可以看出,改進算法相對于文獻[6]和文獻[7]的算法對宮頸細胞圖像的特征提取更加準確,因此,降低了卷積神經網絡對宮頸癌細胞圖像的識別錯誤率.

表1 改進算法對識別錯誤率的降低Table 1 Reduction of recognition error rates by the improved algorithm

4 結語

通過對卷積神經網絡的池化階段使用了不同池化模型進行特征提取,分析了不同池化模型的特征提取方式以及對識別錯誤率的影響,提出了一種基于卷積神經網絡的改進算法.該算法的實質是對特征提取階段的池化模型進行改進,使得特征提取方式更加合理,并將該算法應用于宮頸癌細胞圖像的識別中.實驗結果表明,基于卷積神經網絡提出的改進算法降低了宮頸癌細胞圖像的識別錯誤率,這種方法也可以應用到其他的圖像識別中.