基于聯(lián)合特征學(xué)習和多重遷移學(xué)習的肝臟病變分類

蔣 瑞， 劉 哲， 宋余慶， 陳 鵬， 郝 文

(江蘇大學(xué) 計算機科學(xué)與通信工程學(xué)院， 江蘇 鎮(zhèn)江 212013)

肝臟是人體進行新陳代謝的主要器官之一，往往也是腫瘤疾病的多發(fā)地[1].肝臟腫瘤的早期檢測與診斷通常缺乏明顯的疾病癥狀,且肝臟正常組織和肝臟病變組織之間以及不同類型的肝臟病變組織之間，在醫(yī)學(xué)影像中無明顯的密度差異，這使醫(yī)生對肝臟腫瘤病變的診斷變得困難，從而容易錯過最佳治療期.臨床上醫(yī)學(xué)影像分析對于肝臟疾病的臨床診斷、病理分析和治療決策等方面具有重要意義.計算機斷層掃描(computed tomography，CT)、核磁共振和肝臟穿刺活檢技術(shù)是臨床醫(yī)學(xué)中用來分析、確診肝腫瘤的3大方法.與MIR和LB相比，CT因其魯棒性和高分辨率的成像技術(shù)被廣泛應(yīng)用于臨床肝病分析.傳統(tǒng)人工醫(yī)學(xué)影像分析往往需要反復(fù)對比各個時期、各張CT切片，十分費時、費力，而且嚴重依賴醫(yī)生的主觀判斷，容易出現(xiàn)誤診和漏診.因此通過計算機來輔助醫(yī)生進行肝臟腫瘤病變分類極具臨床意義.近年來深度學(xué)習方法被廣泛應(yīng)用于醫(yī)學(xué)圖像分類，并取得了顯著的效果.

在醫(yī)學(xué)圖像分類中，醫(yī)學(xué)圖像復(fù)雜的微解剖學(xué)特點使得醫(yī)學(xué)圖像的分類不是只依賴一種特定的特征信息.因此，在傳統(tǒng)機器學(xué)習方法的特征工程中往往通過多樣化特征信息來提高分類效果.目前，卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)在醫(yī)學(xué)圖像處理領(lǐng)域得到廣泛應(yīng)用.為了獲取更多有用的數(shù)據(jù)信息，在進行分類任務(wù)前通常需要對原始醫(yī)學(xué)圖像進行相關(guān)的數(shù)據(jù)預(yù)處理.G. I. RAJATHI等[2]提取了CT圖像不同的紋理特征并通過特征選擇對紋理特征進行擇優(yōu)篩選，然后利用支持向量機、K近鄰[3]分類器和隨機森林組成的集成分類器來進行肝臟病變分類.F. ?ZYURT等[4]提出了基于CNN肝臟病變的分類方法，該方法在進行分類前通過奇異值分解和小波變換來對原始數(shù)據(jù)進行特征強化預(yù)處理[5]；L. BALAGOUROUCHETTY等[1]在預(yù)處理中根據(jù)切片時序融合了增強CT兩個階段的對應(yīng)圖像來強化特征學(xué)習，隨后通過CNN實現(xiàn)最終肝臟病變的分類.目前，對于CNN的醫(yī)學(xué)圖像分類研究大多側(cè)重于優(yōu)化卷積模塊和分類模塊的組織結(jié)構(gòu).缺乏訓(xùn)練數(shù)據(jù)是醫(yī)學(xué)圖像處理領(lǐng)域的難題之一，研究者們嘗試生成新的數(shù)據(jù)來提高對肝臟病變的分類效果.

深度學(xué)習在醫(yī)學(xué)圖像分類的應(yīng)用中，小樣本數(shù)據(jù)集下會導(dǎo)致網(wǎng)絡(luò)模型難以學(xué)到有效的特征，模型性能不穩(wěn)定并且模型存在嚴重的過擬合問題.為了提高對不同肝臟腫瘤病變的分類效果，提出一種基于聯(lián)合特征學(xué)習和多重遷移學(xué)習的肝臟腫瘤病變分類方法，設(shè)計了聯(lián)合特征學(xué)習雙流卷積神經(jīng)網(wǎng)絡(luò)，采用多分類器集成的形式實現(xiàn)分類.通過擴充通道的方式對圖像進行預(yù)處理，在模型的訓(xùn)練過程中結(jié)合參數(shù)遷移和域適應(yīng)來減少模型損耗并提高模型的分類性能.

1 基于聯(lián)合特征和多重遷移的方法

為了讓卷積神經(jīng)網(wǎng)絡(luò)從少量的有標簽數(shù)據(jù)中學(xué)習到更多的目標任務(wù)特征用于肝臟腫瘤病變分類，提出了基于聯(lián)合特征學(xué)習和多重遷移學(xué)習的方法.主要有4個方面的改進：① 通過擴充通道的方式對圖像進行預(yù)處理，使得網(wǎng)絡(luò)能從原始輸入圖像中提取到更多與未知樣本具有共同性的有效基本特征信息；② 為了避免網(wǎng)絡(luò)加深所造成的特征信息丟失，設(shè)計了聯(lián)合特征學(xué)習雙流卷積神經(jīng)網(wǎng)絡(luò)，通過兩條并行交叉的網(wǎng)絡(luò)后可以提取不同尺度的特征，然后將對應(yīng)的特征圖進行特征融合，同時采用殘差形式的卷積模塊進行不同層次特征信息的補充；③ 為了緩解網(wǎng)絡(luò)的過擬合現(xiàn)象，采用了參數(shù)遷移的方式來輔助目標網(wǎng)絡(luò)的初始化訓(xùn)練，在訓(xùn)練過程中添加域適應(yīng)過程來約束網(wǎng)絡(luò)模型訓(xùn)練；④ 為了加強網(wǎng)絡(luò)的魯棒性和分類性能，更好地利用樣本數(shù)據(jù)，避免小樣本數(shù)據(jù)影響對肝臟病變分類結(jié)果的穩(wěn)定性，設(shè)計了集成分類器并通過所提出的對偶約束對整個集成分類器進行約束優(yōu)化.在設(shè)計網(wǎng)絡(luò)時，不僅要考慮讓網(wǎng)絡(luò)最大程度學(xué)習到訓(xùn)練樣本的特征，還要考慮讓網(wǎng)絡(luò)從訓(xùn)練樣本中學(xué)習到更多與未知樣本具有很強共同性的特征以增強模型的魯棒性；同時好的分類效果不僅需要有判別性的特征，更需要一個強有力的分類器.文中設(shè)計的模型結(jié)構(gòu)包括聯(lián)合特征學(xué)習雙流卷積神經(jīng)網(wǎng)絡(luò)(特征提取模塊)和集成分類器模塊，如圖1所示.

圖1 文中算法示意圖

1.1 基于聯(lián)合特征學(xué)習的雙流卷積神經(jīng)網(wǎng)絡(luò)

文中提出的特征提取模塊是一個聯(lián)合特征學(xué)習雙流卷積神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)由上下兩條并行交叉的網(wǎng)絡(luò)組成，如圖1藍色區(qū)域內(nèi)f-a和f-b所示.輸入數(shù)據(jù)經(jīng)過f-a和f-b網(wǎng)絡(luò)后可以提取不同尺度的特征圖進行對應(yīng)的特征融合操作，從而提高特征信息的有效提取與表達.在圖1中，f-a網(wǎng)絡(luò)是由Cpool_block堆疊形成，而f-b由Conv_block堆疊形成.Cpool_block和Conv_block的模型結(jié)構(gòu)如圖2所示.

圖2 特征提取模塊的基礎(chǔ)組成模塊結(jié)構(gòu)示意圖

為了使網(wǎng)絡(luò)最大程度地從訓(xùn)練樣本學(xué)習有效的特征，Conv_block在傳統(tǒng)卷積層中添加了殘差模塊，如圖2a所示.圖2a中輸入分別經(jīng)過左邊的殘差分支[6]和右邊的普通卷積分類，得到的輸出特征將沿著通道維度進行拼接并作為下一層的輸入.在圖2中，每個對應(yīng)尺度的Conv_block輸出特征與Cpool_block輸出特征沿著通道維度進行拼接，得到的結(jié)果將作為Cpool_block下一個模塊的輸入和集成分類器中對應(yīng)分類器的輸入.這種聯(lián)合特征學(xué)習雙流卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以讓不同的Conv_block對相同的輸入數(shù)據(jù)進行不同維度的特征學(xué)習，并不斷地對因網(wǎng)絡(luò)加深造成的特征信息丟失進行特征補充.

為了使網(wǎng)絡(luò)從訓(xùn)練樣本中學(xué)習到更多與未知樣本具有共同性的基本特征，設(shè)計了新的并行網(wǎng)絡(luò)聯(lián)合深度卷積網(wǎng)絡(luò)模塊Cpool_block進行特征學(xué)習.由圖2b可見，Cpool_block模塊的輸入是上一層Conv_block的輸出特征與Cpool_block的輸出特征經(jīng)過通道維度拼接而得到的特征.在Cpool_block中，為了能在保證特征共享性的同時使整個過程可自適應(yīng)優(yōu)化，在Cpool模塊的初始分別放置了一個1×1卷積層，進行特征圖數(shù)量的降維和尺度的統(tǒng)一.隨后1×1卷積層的輸出特征圖經(jīng)過全局平均池化和全局最大池化獲取特征圖的全局特征和局部顯著特征，再將2個特征分別與1×1卷積層的輸出特征進行乘積操作，從而獲得全局特征輸出特征圖和局部顯著特征輸出圖，最后將2組特征沿著通道維度拼接組合在一起，同時Conv_block與Cpool_block的輸出特征沿著通道維度拼接作為下一個Cpool_block的輸入，從而實現(xiàn)聯(lián)合特征的學(xué)習.

1.2 集成分類器

為了更好地利用現(xiàn)有樣本數(shù)據(jù)進行肝臟病變分類，避免小樣本影響分類結(jié)果的穩(wěn)定性，文中通過4個子分類器的集成方式來訓(xùn)練一個強有力的分類器，結(jié)構(gòu)如圖3所示.

圖3 集成分類器結(jié)構(gòu)示意圖

圖4 多重遷移過程示意圖

為了充分利用網(wǎng)絡(luò)中所提取的不同尺度特征信息，在每對Cpool_block和Conv_block的輸出位置都放置了一個由全連接層和softmax組合而成的分類器，對每對Cpool_block和Conv_block的聯(lián)合特征進行分類，4個分類器通過少數(shù)服從多數(shù)的投票機制選出最終的分類結(jié)果.為了加強分類器的魯棒性，在分類器訓(xùn)練過程中采用了雙重約束：第1重就是最終預(yù)測的判別輸出和真實標簽之間的誤差損失L1；第2重，首先分別計算4個子分類器輸出與投票選出的最終輸出之間的誤差值，其次分別計算4個子分類器和真實標簽之間的誤差損失，2類誤差值構(gòu)成2個誤差分布，計算2個分布之間的距離得到第2重誤差損失L2.將2重誤差損失和作為整個分類網(wǎng)絡(luò)的損失LC，進行迭代優(yōu)化自適應(yīng)訓(xùn)練從而得到最終的分類網(wǎng)絡(luò)，各損失函數(shù)為

(1)

(2)

LC=L1+αL2，

(3)

式中：L1和L2分別為2重誤差；N為分類任務(wù)的類別總數(shù)；y為真實標簽；而ypred為模型的最終預(yù)測結(jié)果；

M為集成分類器中子分類個數(shù)，在本方法中M=4；p為由計算每個子分類器和真實標簽的誤差所組成的誤差分布；q為計算每個子分類器和最終投票得到的預(yù)測值的誤差所組成的誤差分布，而計算上述2種誤差的方式與L1計算方法相似；α為平衡參數(shù)，用于平衡兩重誤差的訓(xùn)練過程.

1.3 多重遷移學(xué)習

針對目前肝臟病變分類的研究，鮮有公開的可訓(xùn)練數(shù)據(jù)集，文中所使用的肝臟病變數(shù)據(jù)集是從原始腹部CT中截取的ROI，會損失部分病變位于肝臟中的整體特征，因此采用從整個腹部CT圖像中預(yù)訓(xùn)練網(wǎng)絡(luò)參數(shù)并進行參數(shù)遷移[7].在進行最終的分類訓(xùn)練前先構(gòu)建了一個自動編碼器，其中編碼部分為文中設(shè)計的聯(lián)合特征學(xué)習雙流卷積神經(jīng)網(wǎng)絡(luò)，訓(xùn)練時使用整個腹部CT圖像，通過訓(xùn)練該編碼器得到整個腹部CT的特征參數(shù).由于病變ROI數(shù)據(jù)集尺寸均統(tǒng)一為64×64像素，而原始腹部CT圖像大小是512×512像素，因此在進行最終的參數(shù)遷移時僅遷移了與最終的目標網(wǎng)絡(luò)結(jié)構(gòu)相同的部分層次，如下圖4所示，將與目標網(wǎng)絡(luò)維度相同的卷積層進行了參數(shù)遷移，隨后在訓(xùn)練過程中進行進一步自動調(diào)參優(yōu)化從而可以加速網(wǎng)絡(luò)收斂并減少相應(yīng)的初始參數(shù)的計算量.

為了避免訓(xùn)練好的網(wǎng)絡(luò)在測試數(shù)據(jù)中出現(xiàn)過擬合現(xiàn)象，在遷移參數(shù)后利用訓(xùn)練數(shù)據(jù)訓(xùn)練分類網(wǎng)絡(luò)時，使用以遷移參數(shù)的聯(lián)合特征學(xué)習雙流卷積神經(jīng)網(wǎng)絡(luò)對測試數(shù)據(jù)進行特征提取，并對訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的特征進行域適應(yīng)學(xué)習，即判斷特征來自訓(xùn)練數(shù)據(jù)還是測試數(shù)據(jù)，將域判別損失作為參考損失與訓(xùn)練數(shù)據(jù)的分類損失相結(jié)合一起對分類網(wǎng)絡(luò)進行參數(shù)優(yōu)化并迭代訓(xùn)練，如圖4b所示，域損失的具體求解式為

(4)

式中：N為特征圖的總數(shù)；k(·)代表了高斯核變換的過程，計算式為

(5)

式中：x和y分別為從訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)中提取的特征圖.

2 試驗結(jié)果與分析

試驗使用NVIDIA GeForce GTX 1080 Ti的顯卡，8 GB顯存，32 GB內(nèi)存，在Python 3.7.1的環(huán)境下，使用版本為1.0.1的Pytorch深度學(xué)習開源框架實現(xiàn).任務(wù)都是基于腹部肝臟CT圖像中腫瘤病變的分類.

2.1 試驗數(shù)據(jù)

文中采用的數(shù)據(jù)來自于江蘇大學(xué)附屬醫(yī)院，包括155張腹部平掃CT圖像，樣本示例如圖5所示.

圖5 不同類型的數(shù)據(jù)樣本

樣本中有62張患有肝細胞癌(HCC)的影像，35張患有轉(zhuǎn)移性肝細胞癌(MET)的影像，40張含有血管瘤(HEM)的影像以及53張不含病變區(qū)域(Healthy)的影像.根據(jù)專業(yè)影像科醫(yī)生標注的病變區(qū)域類型，從CT圖像中裁剪出不同病變類型的感興趣區(qū)域(ROI)，最終獲得包含ROI的圖像數(shù)據(jù)共2 608張，其中1 078例包含HCC、368例包含MET、755例包含HEM以及407例為正常無病變.

2.2 評價標準

為充分證明提出方法的有效性，設(shè)計實施了綜合試驗并采用了多種評價指標：特異性(Spec)、靈敏度(Sens)、精確率(Prec)、均衡平均數(shù)(F1-score)、準確率(Accu)和誤差率(Erro)，其中準確率表示所有被正確分類的樣本占所有樣本的比例；誤差率表示所有被錯誤分類的樣本占所有樣本的比例；靈敏度表示所有正樣本中被正確分類的樣本數(shù)所占比例；特異性表示所有負樣本中被正確判別的樣本數(shù)所占比例；精確率示的是所有被預(yù)測為正類的樣本中正樣本所占比例；F1-score是對精確度和特異性的一個綜合衡量，這些評價標準計算式為

(6)

(7)

(8)

(9)

(10)

(11)

式中：TP和FP為正確分類和錯誤分類的正樣本數(shù)；TN和FN分別為正確分類和錯誤分類的負樣本數(shù)，其中，錯誤分類意味著將負樣本分類為正樣本.

Precision-Recall曲線 (PR) 和受試者特性曲線ROC(receiver operating characteristic)是分類模型最常見的兩種評價曲線.其中ROC曲線的橫軸是假正率(FFPR)，縱軸是真正率(TTRP)，F(xiàn)FPR和TTRP的計算式為

(12)

(13)

而PR曲線的橫軸是精度，縱軸是召回率也就是靈敏度.PR曲線更加關(guān)注模型在正樣本上的效果，而ROC則是綜合考慮模型在正負樣本上的效果對比，因此當不同種類數(shù)據(jù)量不平衡時，ROC曲線比PR曲線更穩(wěn)定.

2.3 數(shù)據(jù)預(yù)處理

在訓(xùn)練數(shù)據(jù)量較小的前提下，數(shù)據(jù)的預(yù)處理是一個模型取得良好分類結(jié)果的關(guān)鍵.為了去除CT掃描中與其他器官和組織相關(guān)的不相關(guān)信息，采用了CT值(以CCT表示)變換的方法來量綱一化處理原始圖像.CCT的單位是測定人體某一局部組織或器官密度大小的一種計量單位，通常稱為亨氏單位HU(Hounsfield unit).像素值與CCT的轉(zhuǎn)換式為

CCT=PV×RS×RI，

(14)

式中：RS表示RescaleSlope；RI表示RescaleIntercept；PV表示pixel value， 都可從CT圖像的頭文件中獲取.試驗中，針對肝臟CT數(shù)據(jù)，取RI=-1 024，RS=1.

根據(jù)醫(yī)生標注獲得感興趣區(qū)域圖像，如圖6所示，在訓(xùn)練CNNs網(wǎng)絡(luò)時要求輸入ROI圖像具有相同尺寸、統(tǒng)一維度，文中在預(yù)處理過程中通過壓縮和插值法將所有ROI圖像統(tǒng)一大小為 64×64像素.

圖6 從肝臟二維CT切片中提取ROI的過程

此外，CNNs每層隱藏層的1組卷積核對應(yīng)自然圖像的RGB 3通道的權(quán)重是共享的，而分類網(wǎng)絡(luò)核心任務(wù)之一就是盡可能地學(xué)習到更多的特征，文中采用了Bicubic、Nearest和Lanczos插值法3種插值法，如圖7a所示.

圖7 可視化數(shù)據(jù)預(yù)處理的過程

將原始單通道灰度圖像擴展成了3通道圖像，而這3個通道中的細節(jié)特征都有所不同，從而使共享的權(quán)重能在3個通道上提取到更多不同的特征信息來增強分類器學(xué)習能力.在原2D像素矩陣上添加一個新的空間維度，將其轉(zhuǎn)換為3D的像素矩陣.沿著新的空間軸，將經(jīng)插值處理的肝臟病變像素矩陣串聯(lián)為一個整體作為偽RGB的3通道特征圖，如圖7b所示.為了增加數(shù)據(jù)的多樣，文中研究以自然圖像數(shù)據(jù)增強的方式預(yù)處理CT圖像，對偽RGB 3通道執(zhí)行各種轉(zhuǎn)換操作(如旋轉(zhuǎn)、裁剪、填充等)，以生成新的樣本數(shù)據(jù)，如圖7c所示.

上述方法預(yù)處理數(shù)據(jù)主要有2大優(yōu)點：① 增強原始特征.使用插值法可以擴展通道信息以突出原始特征，而且可以作為1種信息補償機制，緩解某一通道經(jīng)CNN提取特征不足的問題.② 擴充數(shù)據(jù)，避免過擬合.基于原始數(shù)據(jù)新生成的病變區(qū)域無需醫(yī)生重新標注，可直接用于訓(xùn)練.

2.4 試驗結(jié)果分析

為了獲得魯棒性更強的網(wǎng)絡(luò)，采用四折交叉驗證的方法來訓(xùn)練網(wǎng)絡(luò).文中通過特異性、敏感性、精確率、F1-score、準確率和錯誤率評價指標，同時通過2種評價曲線(PR曲線和ROC曲線)來評估模型的魯棒性.選取SENet3作為基準模型.為了從不同角度證明改進方法優(yōu)于基線方法，文中通過試驗統(tǒng)計并顯示混淆矩陣，如圖8所示.該混淆矩陣的每一行的數(shù)值表示在當前真實標簽下預(yù)測對的概率，即每一類別的召回率.每一列表示在當前預(yù)測標簽下預(yù)測對的概率，即每一類別的精確率.其中縱軸表示真實標簽，橫軸表示預(yù)測標簽，對角線表示每一類別預(yù)測正確的樣本所占該類別樣本總數(shù)的比例.

圖8 各方法在測試集上的混淆矩陣

由圖8可見，文中提出的方法在不同類型肝臟病變上的分類識別率要遠好于基準模型，對于不同類別肝臟病變的準確率比基準模型平均提高了約10%，并且在正常肝臟組織上全部預(yù)測正確.

文中方法訓(xùn)練采用了不同的策略，如多插值法、集成分類和CPool模塊.為了證明每一部分對肝臟病變的有效性，在相同的數(shù)據(jù)集上，僅控制一個作為變量進行了試驗，試驗結(jié)果見表1.表中，B代表SENet34[6]，M 代表了網(wǎng)絡(luò)的輸入經(jīng)過多插值法擴展，MC 代表了網(wǎng)絡(luò)使用的是集成分類器，CPMC是在集成分類器的基礎(chǔ)上添加了CPool模塊所構(gòu)成的子網(wǎng)絡(luò).

表1 不同訓(xùn)練策略下的對比試驗 %

由表1可見，使用多插值法的預(yù)處理方法可以有效提高模型對肝臟病變的分類性能，在多插值法的基礎(chǔ)上引入集成分類可以進一步提高模型對肝臟病變的分類效果，在添加了多插值法和集成分類的基礎(chǔ)上引入Cpool_block子網(wǎng)絡(luò)可以進一步優(yōu)化模型的性能.使用多插值可以優(yōu)化數(shù)據(jù)的特征表示，集成分類可以從不同尺度的深度特征進行肝臟病變分類監(jiān)督訓(xùn)練有利于模型進行有效的特征性學(xué)習.Cpool_block子網(wǎng)的構(gòu)建使得模型具有了聯(lián)合特征學(xué)習的能力和更加有效的特征選擇優(yōu)化能力.

為了驗證文中方法的分類效果，在相同的數(shù)據(jù)集上將文中方法與SENet34、ResNet34、DenseNet等經(jīng)典分類方法進行比較，試驗結(jié)果見表2.

表2 與經(jīng)典分類方法比較 %

由表2可見，SENet34模型在HCC上的分類效果更好于ResNet34和DenseNet，DenseNet在MET和HEM上的分類效果更好于ResNet和SENet.文中方法在HCC、MET和HEM上的各類分類評價指標上均遠遠高于上述模型，證明了提出的聯(lián)合特征學(xué)習和多重遷移學(xué)習方法在數(shù)據(jù)集較小的情況下可以有效地提高對肝臟病變的分類效果.

由于各研究方法使用的肝臟腫瘤病變數(shù)據(jù)類型不一致，且可用的有標簽肝臟病變腫瘤數(shù)據(jù)集都是私有的，因缺乏開源相關(guān)代碼，很多研究方法難以復(fù)現(xiàn)，因此很難與其他已發(fā)表的結(jié)果進行直接比較.因此文中只是對已有肝腫瘤分類方法的試驗結(jié)果進行了統(tǒng)計，如表3所示，其中，HCC、HEM、MET、FNH、CYST及Healthy分別表示肝細胞癌、血管瘤、轉(zhuǎn)移性肝腺癌、肝結(jié)節(jié)增生、肝囊腫及正常肝組織.

表3 與目前肝腫瘤分類方法進行比較 %

表3列舉了部分肝腫瘤病變分類方法，從中可見與以前分類方法相比，文中提出的分類算法表現(xiàn)較為良好.

3 結(jié) 論

文中研究了一種基于聯(lián)合特征學(xué)習和多重遷移學(xué)習的肝臟腫瘤病變分類方法.采用三種插值方法對原始灰度圖像進行通道的擴展，有利于分類模型從原始圖像中提取豐富的基礎(chǔ)特征；基于聯(lián)合特征學(xué)習的雙流卷積神經(jīng)網(wǎng)絡(luò)使得模型在特征提取過程中，緩解了因網(wǎng)絡(luò)加深造成的特征信息丟失問題.通過試驗可知，相比于其他分類算法及主流分類框架，文中算法能夠較為有效地加強圖像語義信息的提取和表達，且具有更高的分類精度,并在僅有的小樣本分類任務(wù)上取得良好的性能表現(xiàn).但該方法仍存在優(yōu)化空間，特征提取模塊的計算量以及分類結(jié)果不平衡的問題，在未來仍需要研究解決.