基于教与学优化的可变卷积自编码器的医学图像分类方法

doi:10.11772/j.issn.1001-9081.2021061109

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (2): 592-598.DOI: 10.11772/j.issn.1001-9081.2021061109

• 多媒体计算与计算机仿真 • 上一篇

基于教与学优化的可变卷积自编码器的医学图像分类方法

李薇¹^,², 樊瑶驰¹(), 江巧永¹, 王磊², 徐庆征³

^1.西安理工大学计算机科学与工程学院, 西安 710048
^2.陕西省网络计算与安全技术重点实验室(西安理工大学), 西安 710048
^3.国防科技大学信息通信学院, 西安 710106

收稿日期:2021-06-28 修回日期:2021-07-14 接受日期:2021-07-15 发布日期:2022-02-21 出版日期:2022-02-10
通讯作者: 樊瑶驰
作者简介:李薇（1973—），女，黑龙江哈尔滨人，副教授，博士，CCF会员，主要研究方向：演化优化、数据挖掘；
樊瑶驰（1996—），男，陕西西安人，硕士研究生，CCF学生会员，主要研究方向：演化优化、机器学习；
江巧永（1987—），男，浙江台州人，讲师，博士，CCF会员，主要研究方向：演化优化；
王磊（1972—），男，陕西白水人，教授，博士，CCF高级会员，主要研究方向：演化优化、大数据；
徐庆征（1980—），男，山东临清人，副教授，博士，CCF高级会员，主要研究方向：演化优化、最优化理论与应用。

Variable convolutional autoencoder method based on teaching-learning-based optimization for medical image classification

Wei LI¹^,², Yaochi FAN¹(), Qiaoyong JIANG¹, Lei WANG², Qingzheng XU³

^1.School of Computer Science and Engineering，Xi’an University of Technology，Xi’an Shaanxi 710048，China
^2.Shaanxi Key Laboratory for Network Computing and Security Technology （Xi’an University of Technology），Xi’an Shaanxi 710048，China
^3.College of Information and Communication，National University of Defense Technology，Xi’an Shaanxi 710106，China

Received:2021-06-28 Revised:2021-07-14 Accepted:2021-07-15 Online:2022-02-21 Published:2022-02-10
Contact: Yaochi FAN
About author:LI Wei， born in 1973， Ph. D.， associate professor. Her research interests include evolutionary optimization， data mining.
FAN Yaochi， born in 1996， M. S. candidate. His research interests include evolutionary optimization， machine learning.
JIANG Qiaoyong， born in 1987， Ph. D.， lecturer. His research interests include evolutionary optimization.
WANG Lei， born in 1972， Ph. D.， professor. His research interests include evolutionary optimization， big data.
XU Qingzheng， born in 1980， Ph. D.， associate professor. His research interests include evolutionary optimization， optimization theory and application.

摘要/Abstract

摘要：

针对传统手工方法优化卷积神经网络（CNN）参数时存在耗时长、不准确，以及参数设置影响算法性能等问题，提出一种基于教与学优化（TLBO）的可变卷积自编码器（CAE）算法。该算法设计了可变长度的个体编码策略，从而快速构建CAE结构，并堆叠CAE为一个CNN；此外，充分利用优秀个体的结构信息来引导算法朝着更有希望的区域搜索，从而提高算法性能。实验结果表明，所提算法在解决医学图像分类问题时，分类精度达到89.84%，高于传统CNN和同类型神经网络。该算法通过优化CAE结构和堆叠CNN解决医学图像分类问题，有效提高了医学图像分类性能。

关键词: 卷积自编码器, 卷积神经网络, 教与学优化, 演化算法, 医学图像

Abstract:

In order to solve the problems such as high time cost， inaccuracy and influence of parameter setting on algorithm performance when optimizing parameters of Convolutional Neural Network （CNN） by traditional manual methods， a variable Convolutional AutoEncoder （CAE） method based on Teaching-Learning-Based Optimization （TLBO） was proposed. In the algorithm， a variable-length individual encoding strategy was designed to quickly construct the CAE structure， and stack CAEs to a CNN. In addition， the excellent individual structure information was fully utilized to guide the algorithm to search the regions with more possibility， thereby improving the algorithm performance. Experimental results show that the classification accuracy of the proposed algorithm achieves 89.84% when solving medical image classification problems， which is higher than those of traditional CNN and similar neural networks. The proposed algorithm solves the medical image classification problems by optimizing the CAE structure and stacking CNN， and effectively improves the classification accuracy of medical image classification.

Key words: Convolutional AutoEncoder (CAE), Convolutional Neural Network (CNN), Teaching-Learning-Based Optimization (TLBO), Evolutionary Algorithm (EA), medical image

中图分类号:

TP18

李薇, 樊瑶驰, 江巧永, 王磊, 徐庆征. 基于教与学优化的可变卷积自编码器的医学图像分类方法[J]. 计算机应用, 2022, 42(2): 592-598.

Wei LI, Yaochi FAN, Qiaoyong JIANG, Lei WANG, Qingzheng XU. Variable convolutional autoencoder method based on teaching-learning-based optimization for medical image classification[J]. Journal of Computer Applications, 2022, 42(2): 592-598.

图/表 11

图1 CAE的结构

Fig. 1 Structure of CAE

图2 TVCAE的结构

Fig. 2 Structure of TVCAE

表1 在TVCAE的卷积层和池化层中编码信息

Tab. 1 Encoded information in convolutional layer and pooling layer of TVCAE

类别	编码信息
Convolution layer	the filter size， the number of feature maps， the stride size， the convolutional type， the mean value of filter elements， and the coefficient of L2
Pooling layer	the kernel size， the stride size， the pooling type

图3 三个来自TLBOAO的不同编码信息的个体

Fig. 3 Three individuals with different encoded information from TLBOAO

图4 TLBOAO的隐藏结构编码

Fig. 4 Hidden structure coding for TLBOAO

图5 图3中3个个体的平均值

Fig. 5 Average values of three individuals in Figure 3

图6 来自BreastMNIST数据集的示例

Fig. 6 Examples from BreastMNIST dataset

表2 TVCAE与CAE和FCAE的BreastMNIST分类精度对比

Tab. 2 Comparison of classification accuracy of TVCAE， CAE and FCAE for BreastMNIST

算法	分类精度
CAE	0.843 8
FCAE	0.843 8
TVCAE	0.8516

图7 单层网络的分类精度准确率趋势

Fig. 7 Classification accuracy trend of one-layer networks

表3 堆叠TVCAE与Alexnet、VGGnet-11、CAE、FCAE的BreastMNIST分类精度对比

Tab. 3 Comparison of classification accuracy of TVCAE with Alexnet， VGGnet-11， CAE and FCAE for BreastMNIST

算法	分类精度
Alexnet	0.867 2
VGGnet-11	0.890 6
CAE-2	0.867 2
FCAE-2	0.875 0
FCAE-3	0.882 8
TVCAE-2	0.882 8
TVCAE-3	0.8984

图8 复杂网络的分类精度准确率趋势

Fig. 8 Classification accuracy and accuracy trend of complex networks

参考文献 27

1	HINTON G E， ZEMEL R S. Autoencoders， minimum description length and Helmholtz free energy ［C］// Proceedings of the 6th International Conference on Neural Information Processing Systems. San Francisco： Morgan Kaufmann Publishers Inc.， 1993： 3-10.
2	BOURLARD H， KAMP Y. Auto-association by multilayer perceptrons and singular value decomposition［J］. Biological Cybernetics， 1988， 59（4/5）： 291-294. 10.1007/bf00332918
3	DU B， XIONG W， WU J， et al. Stacked convolutional denoising auto-encoders for feature representation［J］. IEEE Transactions on Cybernetics， 2017， 47（4）： 1017-1027. 10.1109/tcyb.2016.2536638
4	LeCUN Y， BOTTOU L， BENGIO Y， et al. Gradient-based learning applied to document recognition［J］. Proceedings of the IEEE， 1998， 86（11）： 2278-2324. 10.1109/5.726791
5	PLUIM J P W， MAINTZ J B A， VIERGEVER M A. Mutual-information-based registration of medical images： a survey［J］. IEEE Transactions on Medical Imaging， 2003， 22（8）： 986-1004. 10.1109/tmi.2003.815867
6	PENG X， ZHAO B， YAN R， et al. Bag of events： an efficient probability-based feature extraction method for AER image sensors［J］. IEEE Transactions on Neural Networks and Learning Systems， 2017， 28（4）： 791-803. 10.1109/tnnls.2016.2536741
7	MASCI J， MEIER U， CIREŞAN D， et al. Stacked convolutional auto-encoders for hierarchical feature extraction ［C］// Proceedings of the 2011 International Conference on Artificial Neural Networks， LNCS6791. Berlin： Springer， 2011： 52-59.
8	LAWRENCE S， GILES C L， TSOI A C， et al. Face recognition： a convolutional neural-network approach［J］. IEEE Transactions on Neural Networks， 1997， 8（1）： 98-113. 10.1109/72.554195
9	NEBAUER C. Evaluation of convolutional neural networks for visual recognition［J］. IEEE Transactions on Neural Networks， 1998， 9（4）： 685-696. 10.1109/72.701181
10	KAVUKCUOGLU K， SERMANET P， BOUREAU Y L， et al. Learning convolutional feature hierarchies for visual recognition ［C］// Proceedings of the 23rd International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2010： 1090-1098.
11	LI F F， QIAO H， ZHANG B. Discriminatively boosted image clustering with fully convolutional auto-encoders［J］. Pattern Recognition， 2018， 83： 161-173. 10.1016/j.patcog.2018.05.019
12	LIN X C， TANG Y， TIANFIELD H， et al. A novel approach to reconstruction based saliency detection via convolutional neural network stacked with auto-encoder［J］. Neurocomputing， 2019， 349： 145-155. 10.1016/j.neucom.2019.01.041
13	YU J B. Evolutionary manifold regularized stacked denoising autoencoders for gearbox fault diagnosis［J］. Knowledge-Based Systems， 2019， 178： 111-122. 10.1016/j.knosys.2019.04.022
14	SUN Y N， XUE B， ZHANG M J， et al. A particle swarm optimization-based flexible convolutional autoencoder for image classification［J］. IEEE Transactions on Neural Networks and Learning Systems， 2019， 30（8）： 2295-2309. 10.1109/tnnls.2018.2881143
15	GAO Z K， LI Y L， YANG Y X， et al. A GPSO-optimized convolutional neural networks for EEG-based emotion recognition［J］. Neurocomputing， 2020， 380： 225-235. 10.1016/j.neucom.2019.10.096
16	满芮，杨萍，季程雨，等.乳腺癌组织病理学图像分类方法研究综述［J］.计算机科学， 2020， 47（11A）： 145-150. 10.11896/jsjkx.191100098
	MAN R， YANG P， JI C Y， et al. Survey of classification methods of breast cancer histopathological images［J］. Computer Science， 2020， 47（11A）： 145-150. 10.11896/jsjkx.191100098
17	宋杰，肖亮，练智超，等.基于深度学习的数字病理图像分割综述与展望［J］.软件学报， 2021， 32（5）： 1427-1460. 10.13328/j.cnki.jos.006205
	SONG J， XIAO L， LIAN Z C， et al. Overview and prospect of deep learning for image segmentation in digital pathology［J］. Journal of Software， 2021， 32（5）： 1427-1460. 10.13328/j.cnki.jos.006205
18	MOON W K， LEE Y W， KE H H， et al. Computer-aided diagnosis of breast ultrasound images using ensemble learning from convolutional neural networks［J］. Computer Methods and Programs in Biomedicine， 2020， 190： No.105361. 10.1016/j.cmpb.2020.105361
19	RAO R V， SAVSANI V J， VAKHARIA D P. Teaching-learning-based optimization： a novel method for constrained mechanical design optimization problems［J］. Computer-Aided Design， 2011， 43（3）： 303-315. 10.1016/j.cad.2010.12.015
20	FERNANDES JUNIOR F E， YEN G G. Particle swarm optimization of deep neural networks architectures for image classification［J］. Swarm and Evolutionary Computation， 2019， 49： 62-74. 10.1016/j.swevo.2019.05.010
21	WANG B， SUN Y N， XUE B， et al. Evolving deep convolutional neural networks by variable-length particle swarm optimization for image classification ［C］// Proceedings of the 2018 IEEE Congress on Evolutionary Computation. Piscataway： IEEE， 2018： 1-8. 10.1109/cec.2018.8477735
22	SU J W， VARGAS D V， SAKURAI K. One pixel attack for fooling deep neural networks［J］. IEEE Transactions on Evolutionary Computation， 2019， 23（5）： 828-841. 10.1109/tevc.2019.2890858
23	KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks ［C］// Proceedings of the 25th International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2012： 1097-1105.
24	SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition［EB/OL］. （2015-04-10）［2021-04-20］. . 10.5244/c.28.6
25	YANG J C， SHI R， NI B B. MedMNIST classification decathlon： a lightweight AutoML benchmark for medical image analysis ［C］// Proceedings of the IEEE 18th International Symposium on Biomedical Imaging. Piscataway： IEEE， 2021： 191-195. 10.1109/isbi48211.2021.9434062
26	AL-DHABYANI W， GOMAA M， KHALED H， et al. Dataset of breast ultrasound images［J］. Data in Brief， 2020， 28： No.104863. 10.1016/j.dib.2019.104863
27	HUANG G， LIU Z， MAATEN L VAN DER， et al. Densely connected convolutional networks ［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 2261-2269. 10.1109/cvpr.2017.243

[1]	富坤, 高金辉, 赵晓梦, 李佳宁. 融合全局结构信息的拓扑优化图卷积网络[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 357-364.
[2]	陈薪羽, 刘明哲, 任俊, 汤影. 基于多列卷积神经网络的参数异步更新算法[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 395-403.
[3]	潘仁志, 钱付兰, 赵姝, 张燕平. 基于卷积神经网络交互的用户属性偏好建模的推荐模型[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 404-411.
[4]	李建明, 陈斌, 江志伟, 覃健. 优化搜索空间下带约束的可微分神经网络架构搜索[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 44-49.
[5]	许慧青, 陈斌, 王敬飞, 陈志毅, 覃健. 基于卷积神经网络的细长路面病害检测方法[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 265-272.
[6]	包银鑫, 曹阳, 施佺. 基于改进时空残差卷积神经网络的城市路网短时交通流预测[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 258-264.
[7]	李恒鑫, 常侃, 谭宇飞, 凌铭阳, 覃团发. 应用通道间相关性及增强信息蒸馏的彩色图像去马赛克网络[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 245-251.
[8]	王贺兵, 张春梅. 基于非对称卷积-压缩激发-次代残差网络的人脸关键点检测[J]. 计算机应用, 2021, 41(9): 2741-2747.
[9]	宋中山, 梁家锐, 郑禄, 刘振宇, 帖军. 基于双向门控尺度特征融合的遥感场景分类[J]. 计算机应用, 2021, 41(9): 2726-2735.
[10]	李康康, 张静. 基于注意力机制的多层次编码和解码的图像描述模型[J]. 计算机应用, 2021, 41(9): 2504-2509.
[11]	张永斌, 常文欣, 孙连山, 张航. 基于字典的域名生成算法生成域名的检测方法[J]. 计算机应用, 2021, 41(9): 2609-2614.
[12]	赵宏, 孔东一. 图像特征注意力与自适应注意力融合的图像内容中文描述[J]. 计算机应用, 2021, 41(9): 2496-2503.
[13]	徐江浪, 李林燕, 万新军, 胡伏原. 结合目标检测的室内场景识别方法[J]. 计算机应用, 2021, 41(9): 2720-2725.
[14]	牟长宁, 王海鹏, 周丕宇, 侯鑫行. 基于图卷积神经网络的串联质谱从头测序[J]. 计算机应用, 2021, 41(9): 2773-2779.
[15]	曾祥银, 郑伯川, 刘丹. 基于深度卷积神经网络和聚类的左右轨道线检测[J]. 计算机应用, 2021, 41(8): 2324-2329.

基于教与学优化的可变卷积自编码器的医学图像分类方法

Variable convolutional autoencoder method based on teaching-learning-based optimization for medical image classification

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 27

相关文章 15

编辑推荐

Metrics