[发明专利]基于卷积神经网络的肺结节良恶性预测方法在审
申请号: | 201510117906.6 | 申请日: | 2015-03-18 |
公开(公告)号: | CN104700118A | 公开(公告)日: | 2015-06-10 |
发明(设计)人: | 田捷;沈伟;杨凤;杨彩云 | 申请(专利权)人: | 中国科学院自动化研究所 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06K9/46 |
代理公司: | 北京博维知识产权代理事务所(特殊普通合伙) 11486 | 代理人: | 方振昌 |
地址: | 100080 *** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 卷积 神经网络 结节 恶性 预测 方法 | ||
技术领域
本发明涉及医学图像领域,特别是涉及一种基于卷积神经网络的肺结节良恶性预测方法。
背景技术
目前的肺结节良恶性提取方法包括:肺结节分割;特征提取;分类器训练,以上方法依赖于肺结节的预分割。目前的很多分割方法都依赖于算法的初始化,如区域生长算法,水平集算法等。不同的初始化会对最终的分割结果产生不同的影响,因此,利用这样的分割结果得到的特征,通常是不准确的。
发明内容
本发明提供的基于卷积神经网络的肺结节良恶性预测方法,可以准确地预测未知肺结节图像块。
根据本发明的一方面,提供一种基于卷积神经网络的肺结节良恶性预测方法,包括:
从肺结节坐标中获取多尺度肺结节图像块;根据所述多尺度肺结节图像块构造所述多尺度肺结节图像块对应的各个卷积神经网络;根据损失函数利用所述多尺度肺结节图像块训练所述卷积神经网络;利用训练的卷积神经网络提取肺结节的低维特征;利用所述低维特征训练非线性分类器,并预测未知肺结节图像块。
本发明实施例提供的基于卷积神经网络的肺结节良恶性预测方法,通过根据多个肺结节图像块构造多个肺结节图像块对应的各个卷积神经网络,并且根据各个卷积神经网络得到多维图像块对应的低维特征,利用低维特征训练非线性分类器,从而准确地预测未知肺结节图像块。
附图说明
图1为本发明实施例提供的基于卷积神经网络的肺结节良恶性预测方法流程图;
图2为本发明实施例提供的不同参数配置下的卷积神经网络的预测精确度示意图;
图3为本发明实施例提供的良性肺结节和恶性肺结节对应的降维特征示意图;
图4为本发明实施例提供的多尺度肺结节图像块。
具体实施方式
本发明的总体构思是,通过根据多个肺结节图像块构造多个肺结节图像块对应的各个卷积神经网络,并且根据各个卷积神经网络得到多维图像块对应的低维特征,利用低维特征训练非线性分类器,从而准确地预测未知肺结节图像块。
下面结合附图对本发明实施例提供的基于卷积神经网络的肺结节良恶性预测方法进行详细描述。
图1为本发明实施例提供的基于卷积神经网络的肺结节良恶性预测方法流程图。
参照图1,在步骤S101,从肺结节坐标中获取多尺度肺结节图像块。
这里,多个肺结节图像块可以为三个尺度的图像块,分别为32*32*32、64*64*64和96*96*96。在提取结节图像块之前,首先需要将CT图像重采样到0.5mm/pixel的分辨率,从而解决不同CT图像之间分辨率不一致的问题。在截取结节图像块时,每个尺度的立方体的中心对应肺结节的中心。
在步骤S102,根据所述多尺度肺结节图像块构造所述多尺度肺结节图像块对应的各个卷积神经网络。
这里,对应于三个尺度的图像块的输入,构造相应的三个卷积神经网络,每个卷积神经网络包括两个卷积层,每个卷基层后连接一个Max-pooling层,网络的最后采用全连接结构,输出50维特征。最后,每个网络的50维特征连接起来,得到150维特征,作为最终的多尺度特征。在这一步中,们每个卷积层中都拥有100个卷积核,卷积核的大小为5*5,max-pooling区域的大小为2*2。
根据本发明的示例性实施例,所述根据所述多尺度肺结节图像块构造所述多尺度肺结节图像块对应的各个卷积神经网络包括:
根据公式(1)计算所述卷积神经网络的卷积层:
其中,fc为所述肺结节图像块,hc为卷积核,b为标量。
max-pooling层的计算公式如(2)所示:
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国科学院自动化研究所;,未经中国科学院自动化研究所;许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201510117906.6/2.html,转载请声明来源钻瓜专利网。