本发明涉及一种图像识别方法，特别涉及一种基于频域深度学习的肺癌图像识别方法。
背景技术：
1、快速、准确地进行肺癌的早期识别和分类显得尤为重要。采用深度学习模型进行肺癌病理图像分类的方法已经取得了一些令人鼓舞的结果。深度学习模型能够通过学习大量的肺癌图像数据来提取更具有判别性的特征，从而实现更准确的分类。此外，深度学习模型还可以自动学习图像中的复杂模式和特征之间的关系，进一步提高分类的准确性。然而，肺癌病理图像的自动分类仍然面临一些挑战：首先，肺癌病理图像的数据量有限，而深度学习模型通常需要大量的数据进行训练，以避免过拟合；因此，如何在有限的数据集上训练出准确可靠的分类模型仍然是一个问题。其次，面临的一个重要挑战是处理不同肺癌病理学图像间的微妙差异，例如细胞颜色的细微变化、细胞的重叠和分布不均等问题；这些差异要求我们精确地增强病灶区域的特征信息，以便网络能够更有效地识别和关注具有显著判别性的信息。解决这一问题对于提高网络的识别性能至关重要，需要综合运用先进的图像处理技术和深度学习算法，以确保识别的准确性和效率。基于这些挑战，本发明希望提供一种基于深度学习频域特征的肺癌病理图像识别分类方法。
技术实现思路
1、为了解决上述技术问题，本发明提供一种基于频域深度学习的肺癌图像识别方法，步骤如下：
2、(1)数据采集
3、获取一定数量的肺癌病理组织样本，将获取的组织样本固定、脱水、透明化、浸蜡，然后切成薄片，对肺癌病理组织染色，收集高分辨率图像；对肺癌病理图像进行详细注释，包括肿瘤的类型和分期；
4、(2)数据集划分
5、将上一步得到的图像数据集分成不同的子集，包括训练集、验证集和测试集，用于训练、验证和测试深度学习模型；
6、(3)数据增强
7、将训练集中的肺癌病理图像进行数据增强，通过旋转、翻转、缩放、裁剪、调整亮度和对比度、弹性变换以及色彩空间变换等方法，扩充数据样本形成新的训练集，提高模型对不同角度、尺度、光照条件和色彩变化的适应能力，增强模型的泛化能力；
8、(4)频域模型构建
9、将增强后的训练集输入网络模型进行训练，网络模型的参数是利用imagenet自然图像预训练得到的；所述的网络模型为f-net模型，为了更有效地提取并利用病理图像中的多尺度特征，主干网络采用了一种分层的设计理念，以便在不同分辨率下捕获丰富的特征信息：
10、在较低层网络，网络被训练以检测微观细节，包括单个细胞的形态变化、微小的组织破坏、病变初期的细微差异、细胞异形性、核分裂图像和细胞间质的变化；
11、进入到中间层网络，网络的焦点转移到宏观特征上，包括不同组织结构间的关联性及其在疾病进程中的演变；
12、最高层网络用于综合上述微观和宏观的信息，以形成对整体病理状况的全面认识和评估。
13、通过这样的多层次、多尺度的分析，网络模型能够为肺癌图像识别提供更精确、全面的图像特征解读，进一步的，所述的网络模型主要包括以下步骤：
14、(4.1)频域特征提取
15、输入图像x首先通过卷积编码层进行图像编码，卷积层由两个步长为2的深度可分离卷积和归一化层组成，通过该操作将输入图像编码成特征，该过程具体操作如下公式所示：
16、y＝norm(dwconv(norm(dwconv(x))))
17、其中dwconv表示深度可分离卷积，norm表示归一化操作，y是输出特征；卷积编码层有效地降低了特征图的空间尺寸，同时增加了感受野的大小，有助于捕捉更广泛的上下文信息；通过这种方式，逐渐提取出图像中的抽象特征，从边缘和纹理到更高级的语义信息，这种多层次的特征提取有利于网络模型在后续任务中学习到更具有代表性和鲁棒性的特征表示。
18、被编码的特征输入模型的频域模块，在频域角度对输入进行特征提取；所述频域模块包含空间特征提取和通道特征提取两个阶段，这两个阶段分别由频域学习层(fl)和全连接层(ffn)构成；具体操作如下公式所示：
19、g＝fl(norm(y))+y
20、h＝ffn(norm(g))+g
21、其中y是输入特征，g是中间特征，h是输出特征，norm表示归一化操作。频域学习层主要包括频域滤波算法和频域注意力两个主要阶段；在频域学习层中，使用二维快速傅里叶变换对输入特征进行域间转换，提取其频域特征，这使得网络不仅能够捕获图像的空间信息，而且还能分析和利用图像的全局频域模式；
22、频域滤波算法模块的假设输入特征沿空间维度进行二维傅里叶变换(2d fft)，将特征y转换到频域：
23、
24、其中(h,w)是空间域坐标，(u,v)是频域坐标，通过使用自适应滤波算法，
25、
26、利用可学习参数w对频谱图f(y)进行hadamard乘积，自适应的动态捕捉输入特征的频域信息；
27、频域注意力模块通过在频域生成每个通道的重要性权重，并将这些权重应用于原始特征图上，以加权重要的通道，从而增强网络对不同特征的感知能力；假设输入特征为y，频域注意力模块的具体操作如下所示：
28、
29、其中fft表示快速傅立叶变换，α用于增强高频分量的贡献，通过对高频分量的加强，进一步提升了模型对于病理图像中微小细节和纹理的感知能力；pooling表示全局平均池化层。
30、该方法将傅里叶域提取到的空间特征压缩为通道特征，最终输出通过两个1×1卷积自适应的调整其参数以获得不同通道的重要性权重，具体操作如下：
31、
32、其中sigmoid和relu表示非线性操作，conv是卷积操作。在前向传播过程中根据这些权重来调整特征图，从而使网络更加关注重要的特征信息，减少了冗余信息的干扰，提高了网络的识别准确度。
33、(4.2)特征融合与增强
34、在特征提取之后，网络通过更深层的卷积进一步提取这些特征，同时利用残差连接来促进信息融合，并减少深度层次中的信息损失；
35、(4.3)输出与决策
36、在网络末端，经过一系列的特征融合与增强后，全连接层将这些复杂的特征集合映射到最终的输出决策上。结合全连接层的分类决策能力，网络能够在输出层给出更为精确的分类结果。
37、(5)损失训练
38、在模型的训练过程中，引入损失函数，通过计算真实标签的概率分布和模型预测的概率分布之间的差异，估计模型的预测值与真实值之间的不一致程度。
39、进一步的，交叉熵损失(cross-entropy loss)是分类问题中常用的一种损失函数，特别是在处理两类或多类分类问题时。该损失函数通过计算真实标签的概率分布和模型预测的概率分布之间的差异来工作，如下式所示：
40、l＝-∑iyilog(pi)
41、其中，l为损失函数，i为输入的索引，yi是真实标签的编码表示，pi是模型对于每个类的预测概率。
42、(6)评价结果
43、输入多个肺癌病理图像至模型，从中生成一组预测结果；将预测结果与相应的专家标注结果进行详尽对比，以此来定量评估肺癌病理图像识别模型的准确性；若模型的准确率达到或者超过了既定的性能阈值，模型即被认定为达标；若准确率未达标准，则系统自动向学习模块发送指令，要求继续训练与优化，直到最终模型准确率达到既定的性能阈值。
44、进一步的，采用的评价标准包括准确率(accuracy)、精确率(precision)、召回率(recall)以及f1分数(f1 score,f1)，以确保评估结果的多维度性和全面性，分别定义为：
45、
46、其中，tp为真阳性，是准确预测的阳性样本数量；tn为真阴性，是准确预测的负样本数量；fp为假阳性，是预测为阳性的阴性样本数量；fn为假阴性，是被预测为负的正样本的数量。准确率反映了模型在所有预测中做出正确判断的比例，被定义为模型正确预测的样本数占所有样本的总数的比例。精确率是评估模型在预测正类时的准确性的指标，被定义为模型正确预测为正样本的数量与所有被预测为正样本的数量之比。召回率是衡量模型正确识别正样本的能力的指标，被定义为预测为正样本的数量与实际正样本总数的比率。f1分数是精确率和召回率的调和平均值，用于衡量模型在这两个方面的综合性能。
47、本发明的有益效果：
48、本发明提供的一种基于频域深度学习的肺癌图像识别方法，有效地结合了频域特征分析和深度学习技术，通过利用频域中的关键特征，精准地识别和分类肺癌图像。
49、传统的图像处理技术侧重于空间域分析，可能无法捕捉到肺癌特有的微观结构变化；而本发明利用傅里叶变换技术，能够识别肺组织样本中的微观病变特征，如细胞异形性、核分裂图像和细胞间质的变化，这些都是肺癌识别的关键生物标志，从而为深度学习模型提供更丰富、更有区分力的特征。
50、本发明通过结合迁移学习技术，能够在有限的数据集上实现高效的模型训练。迁移学习的引入使得模型能够利用已在大型数据集上预训练的网络权重，这不仅加快了学习过程，而且显著提升了模型对新数据的适应能力。这一点对于肺癌病理图像识别尤其重要，因为高质量的医学影像数据往往难以获取。迁移学习通过引入预先学习的特征，提高了模型的泛化能力，从而在多样化的临床案例中表现出更好的鲁棒性。
51、本发明通过频域特征的引入和迁移学习的应用，使模型能够更有效地学习通用和关键特征，而不是过度依赖于特定的训练数据集，降低了过拟合的风险。
52、此外，本发明还可以进行数字图像处理和计算机视觉分析，以提高识别的准确性和效率。通过这种高级的图像处理和数据管理方法，本发明不仅提高了肺癌图像识别的准确率，还通过降低模型复杂度和提高泛化能力，为临床医生提供了强大的决策支持工具，大大提升了医疗服务的质量和效率。
1.一种基于频域深度学习的肺癌图像识别方法，其特征在于：步骤如下：
2.根据权利要求1所述的一种基于频域深度学习的肺癌图像识别方法，其特征在于：步骤4中，所述的网络模型主要包括以下步骤：
3.根据权利要求1所述的一种基于频域深度学习的肺癌图像识别方法，其特征在于：步骤5中，所述的损失函数为交叉熵损失(cross-entropyloss)，该损失函数通过计算真实标签的概率分布和模型预测的概率分布之间的差异来工作，如下式所示：
4.根据权利要求1所述的一种基于频域深度学习的肺癌图像识别方法，其特征在于：步骤6中，采用的评价标准包括准确率(accuracy)、精确率(precision)、召回率(recall)以及f1分数(f1 score,f1)，以确保评估结果的多维度性和全面性，分别定义为：
