[发明专利]一种基于双模态极限学习机的肺结节诊断方法有效

专利信息
申请号: 201710351340.2 申请日: 2017-05-18
公开(公告)号: CN107184224B 公开(公告)日: 2020-04-21
发明(设计)人: 强彦;葛磊;赵涓涓;马瑞青;王华;强梓林;唐笑先;杜晓平 申请(专利权)人: 太原理工大学
主分类号: A61B6/03 分类号: A61B6/03;G06K9/62
代理公司: 北京恒创益佳知识产权代理事务所(普通合伙) 11556 代理人: 宋华
地址: 030024 *** 国省代码: 山西;14
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 基于 双模 极限 学习机 结节 诊断 方法
【说明书】:

发明公开了一种基于双模态极限学习机的肺结节诊断方法。首先,利用有监督深度自编码网络分别对肺结节PET‑CT图像进行自主特征学习,然后将提取的CT特征和PET特征进行特征层融合,最后采用分类器对融合特征进行分类。本发明简单、易于实现,且识别准确率高,能对肺结节PET‑CT图像分别采用基于深度学习技术和特征融合方法,完全自动、准确地识别出PET‑CT图像中肺结节的良恶性。

技术领域

本发明涉及肺结节诊断,具体涉及一种基于双模态极限学习机的肺结节诊断方法。

背景技术

在已有的肺结节辅助诊断系统中,主要还是依靠单一模态的图像特征(比如CT、MRI)进行结节的良恶性分类,依靠单一特征会带来误诊的风险。

已有的自编码网络中,初始权重都是随机生成并且采用的都是无监督的学习,由此得到的图像特征区分性不强,不利于分类。

为了解决上述问题,本发明中使用PET-CT图像,结合两种模态图像特征进行肺结节的诊断,并且,在自编码网络中采用限制差分和有监督编码方式进行自编码算法优化。

发明内容

本发明所要解决的技术问题是针对现有技术的不足提供一种基于双模态极限学习机的肺结节诊断方法。

本发明的技术方案如下:

一种双模态极限学习机的肺结节诊断方法,包括训练阶段和测试阶段:

训练阶段:

(A1)标注肺结节的PET-CT图像,根据肺结节良恶性标记PET-CT图像,在待训练的肺结节PET-CT图像中专门开辟出一行或者一列,用来存储图像的标签信息,将标签信息作为像素值插入到图像中;

(A2)分别对PET-CT图像进行深层自编码,不同模态图像的自编码流程相同,输入图像不同,深度自编码后的输出就是高层图像特征;

第一层自编码网络编码流程:

(A21)、从训练样本中挑选出相同数量的良性和恶性的样本xc1和xc2,并将两个样本作差,xc2-xc1

(A22)、根据归一化样本间差异并计算相应的偏置

(A23)、将ω和b作为第一层自编码网络的输入权值和偏置向量;

(A24)、对输入训练样本X,激活函数为sigmoid函数则隐含层的输出

(A25)、利用标准极限学习机算法计算输出权重其中I是单位矩阵,λ是正则化系数,Xc为带有类别标签的样本;

(A26)、输出权重β0包含输入数据的分布信息,因此将β0的转置β0T作为深层极限学习机自编码的输入权重,取代随机生成的权重;则第一层自编码网络隐含层的输出为:

第二层自编码网络编码流程:

(A27)、将第一层自编码网络的隐含层输出作为第二层自编码网络的输入和期望输出,第一层自编码网络的ω和b作为第二层自编码网络的输入权重和偏置,重复步骤(A24)到步骤(A26),得第二层自编码网络的隐含层输出输出权值

(A28)、第二层自编码网络的隐含层输出

(A29)、对于第N层自编码网络的隐含层输出权值则深层自编码网络的第N(N>1)个隐含层输出其中为前一个隐含层输出;对于CT图像,采用7层网络进行特征提取得到特征对于PET图像,采用5层网络进行特征提取得到特征最后将两个特征作为待融合的特征;

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

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太原理工大学,未经太原理工大学许可,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/201710351340.2/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code