[发明专利]一种基于语义特征和有监督哈希的图像检索方法

说明书

本发明公开了一种基于语义特征和有监督哈希的图像检索实现肺结节医学征象识别的方法，包括以下步骤：步骤A，提取肺部CT图像中的肺结节混合征象区域，并截取其中各个单一征象区域；步骤B，采用基于参数共享的卷积神经网络(CNN)提取表达肺结节征象信息的语义特征；步骤C，用于实现相似的肺结节图像检索；步骤D，用于识别肺结节征象。本发明的方法基于语义特征和有监督哈希的肺结节图像检索，进而识别肺结节图像所表现的征象类别，便于医师判断肺结节的良恶性程度，减少了医师对诊断经验的过度依赖。

技术领域

本发明涉及肺结节征象识别，具体涉及一种基于语义特征和有监督哈希的图像检索方法。

背景技术

肺结节所表现的医学征象是医师诊断肺部疾病的基础，通过分析肺CT图像的各种医学征象，便于医师判断结节的良恶性程度并做出相应的诊断决策。但是医师主要根据经验诊断疾病，诊断结果具有一定主观性，常常出现误诊、漏诊的情况。基于内容的医学图像检索能够帮助医师从医学数据库中快速寻找相似的病灶图像，这些已确诊病例的诊断方案和病灶特征等可以为查询病灶的诊断提供参考，从而辅助医师做出可靠的诊断决策。

发明内容

本发明针对现有技术的不足提供一种基于语义特征和有监督哈希的图像检索用于肺结节征象识别的方法，既能检索得到相似的肺结节图像，又能有效识别肺结节的医学征象，为医师对查询病灶的诊断提供决策支持，从客观方面起到辅助诊断的作用。

本发明采用的技术方案为：

一种基于语义特征和有监督哈希的图像检索实现肺结节医学征象识别的方法，包括以下步骤：

步骤A，提取肺部CT图像中的肺结节混合征象区域，并截取其中各个单一征象区域，为之后提取表达肺结节征象信息的语义特征以及检索相似的肺结节图像，进而识别查询图像所表现的医学征象做准备；

步骤B，采用基于参数共享的卷积神经网络(CNN)提取表达肺结节征象信息的语义特征；首先使用第一个CNN训练单一征象数据，通过调整网络参数使其有效识别各个单一征象；然后将网络参数传递到第二个CNN，训练混合征象数据，并通过损失函数和误差反向传播机制来微调网络参数，从而获得表达结节征象信息的高维的语义特征；

步骤C，用于实现相似的肺结节图像检索；利用监督信息构造有效的哈希函数，将步骤B得到的高维的语义特征映射为简洁的哈希码，并为查询图像设计自适应权重向量，通过加权汉明距离的相似度衡量，从肺结节图像库中检索出具有相似征象的肺结节图像

所述的方法，所述步骤B中网络参数调整过程如下：

B1、对于第一个CNN，使用单一征象数据集进行训练；

第一个CNN网络共有7层，输入层、包含2个卷积层和2个降采样层的隐含层、全连接层和输出层；使用线性插值方法将单一征象数据集中的图像统一大小为48×48，并减去图像均值进行预处理，将其作为卷积神经网络输入层的输入；使用多项逻辑回归模型中的softmax函数作为损失函数，输出层产生一个在各单一征象类上的概率分布；在隐含层使用rectified linear units(ReLU)作为激励函数，以便缩短学习周期的同时提高学习精度；在整个训练过程中使用梯度下降法进行优化，使得损失函数能够快速收敛；通过第一个CNN的训练，得到能够有效识别不同单一征象的网络参数；

B2、对于第二个CNN，使用混合征象数据集进行训练；