如何使用Keras深度学习对图像序列进行分类

我想为CT图像序列构建一个分类模型，使用Keras。我的数据集来自50个患者，每个患者有1000张图像。对于每个患者，每张图像与前一张图像之间存在有意义的关系。我想利用这些有意义的关系，但不知道如何为这种问题构建模型。您能给我一些建议或示例吗？

回答：

您的问题属于序列分类范畴。您需要对图像序列进行分类。在这种情况下，需要构建一个模型来学习两个方面的内容：

这听起来可能类似于视频分类，其中视频是一系列帧的序列。请参见这里。

用于从图像中提取特征：

大多数现实世界中的案例使用卷积神经网络（CNN）。它们使用像最大池化和卷积这样的层。它们非常擅长从像图像这样的3D输入中提取特征。您可以从这里了解更多信息。

用于处理时间序列数据：

在这里，您将需要一个RNN（循环神经网络）。LSTM（长短期记忆）单元是流行的RNN类型，因为它们比传统RNN具有更强的记忆能力。

RNN保留隐藏层的激活，并在处理序列中的每个项时使用它们。因此，在处理序列中的第二张图像时，RNN会知道或激活第一张图像的信息。

您可以从这里了解更多信息。

最后，我们需要将上述两种网络结合起来：

CNN-LSTM网络同时使用卷积和LSTM单元来对图像序列进行分类。

您可以参考这里和这里

希望这些对您有帮助。:-)

学技术