4. 基于由粗到精自编码器网络(CFAN)的实时人脸对齐方法-什么是...
刘洋洋 唐奇伶
摘要 計算复杂度和时间的限制，如何快速准确地对医学图像分类依旧是个挑战。本文提出了一种基于多尺度单层自编码器的医学图像自动分类方法。实验结果表明该系统提取到的特征的描述力和最终的识别率明显优于传统方法。
关键词 医学图像分类 稀疏自编码器 稀疏表示分类器
0引言
医学影像资料己成为辅助医生进行临床诊断、病情跟踪、教学研究的重要客观依据。若将这些数量巨大的医学图像进行手工分类归纳入医院的信息库中，难度是无法估计的，因此，医学图像自动分类方法的研究具有广泛的应用前景。对医学图像分类系统来说，分类准确率和速度是两个非常重要的评价指标，而影响这两个指标最大因素就是是否提取到有效的医学图像特征。
近年来深度学习技术中的无监督特征学习技术已经成功地被应用于计算机视觉领域。因其不需要依赖于先验知识，可以自适应地构建有效的特征描述，所以灵活性和普遍性较传统特征提取方法更具有优越性。多尺度结构是图像的一种本质属性，不同的观察尺度对图像的度量是非常有用的。稀疏自编码器（Sparse Auto-encoder，SAE）就是深度学习中最流行的代表性学习方法中的一种，该学习方法能实现良好的性能，并具有较少的调节参数和低的计算代价等优点，在图像特征表达中得到广泛的运用。
尽管在过去几年中基于SAE的特征学习算法取得很大进步，但是少有研究多尺度空间特征学习的。在视觉计算中多尺度的处理已经被证明明显优于单尺度的版本，包括边界检测，图像分割，对象识别等等。本文中，我们探索多尺度单层SAE网络在医学图像分类中的应用。据我们所知，我们的工作是第一次尝试在单层SAEs中组合多尺度特征学习。在分类阶段，我们稀疏表示分类器（Sparse Representation-based Classification，SRC）进行分类，该分类器能够有效地处理高维数据，不同约束条件的添加使其更具灵活性。
1分类系统的基本框架
本研究提出的分类框架模型包括特征提取和分类器分类两个阶段。首先利用多尺度的单层SAE产生局部特征检测器，通过与图像卷积得到特征映射，然后对这些特征映射进行PCA降维，可以将不同长度的输入转换成一个固定长度的特征向量，最后采用SRC进行图像分类，设计方案的整体流程图如图1。
1.1特征提取和降维
特征表达在目标识别与图像分类等视觉任务中起着关键作用，我们将利用多尺度的单层SAE从原始医学图像中学习特征表达。SAE是一种自学习神经网络，它符合视觉皮层对外界刺激采用神经稀疏表示原则，这既对繁杂冗余的信息提供了简单表示，又利于上层传感神经抽取刺激中本质的特征。SAE E41通过约束使得网络隐藏层大部分神经元的响应都为O，只有少数神经元被激活工作。通过假设输出值等于输入值，训练调整网络参数，得到每一层中的权重，其代价函数表达如下：
