[发明专利]一种基于卷积神经网络和主成分分析法的肺结节特征提取方法

说明书

技术领域

本发明涉及的是一种基于卷积神经网络和主成分分析法的肺结节特征提取方法。

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。近年来，无须人工提取特征，通过深度学习过程，原始输入数据中所隐藏的数据信息可以逐层提取抽象出来，层数越深，提取出来的特征所代表的数据概念就表达得越深，这是浅层结构所无法表达和得到的。

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卷积神经网络和主成分分析法的肺结节特征提取方法。

本发明的技术方案如下：

一种基于卷积神经网络和主成分分析法的肺结节特征提取方法，包括以下步骤：

A1、CT图像的预处理

在搭建CNN模型前，提取CT图像的包含肺实质的感兴趣区域；肺部CT序列图像取图像左上角坐标(40,110)，右下角坐标(470,440)，这一范围包含的肺实质最完整；然后将结果图经过双线插值法，规格化到112×112大小后，存储的样本库中，用于进行FeCNN的训练；

A2、特征提取

A21特征提取

C层为特征提取层，每个单元的通过与前一层的局部感受野相连，经过卷积运算提取局部特征，根据局部特征来确定它与其他特征空间的位置关系；

在第k(k＝1,…6)层计算时，假设输入的特征图输出的特征映射有和其中M和I分别代表x^k和y^k、z^k的最大维数；每个在卷积层运算后的特征图

其中，Convn表示特征图x^k和卷积核的卷积运算，b代表偏置量，1表示步长为1；线性函数F(x)＝max(0,x)为激活函数；

A22特征映射

S层是特征映射层，通过局部平均运算，使样本上所有单元的具有相等的权值，因而减少了FeCNN中自由参数的个数，降低了网络参数选择的复杂性；

假设输入的特征图输出的特征映射为其中M和N分别代表x^k和z^k的最大维数；

每个降采样层都采用固定大小的核对y^k进行降采样，得到特征映射

其中，downsampling代表降采样运算，2代表步长为2；在最后一次降采样后，通过激活函数得到最后输出：

经过多次卷积和降采样后，将最后一层特征图进行全连接得到48×1维单层特征向量X1；

A23特征选择

通过PCA方法对每一层的映射进行降维后输出，得到多层深度融合特征向量X2，使得特征表达更为紧凑；

对特征图像适用PCA降维的步骤如下：

1)假设有N幅特征图，每个图像的大小为M×N，则特征样本矩阵X为：

X＝(X₁,X₂,...,X_i,...,X_n)

其中，向量X_i为由第i个图像的每一列向量依次连接成的MN的一维向量，即把矩阵向量化；计算n幅特征图像的平均向量μ：

计算每幅特征图像的差值d_i＝X_i-μ i＝1,2,…,n

2)计算特征图像的协方差矩阵C：

3)对C进行奇异值分解得到特征图像的特征值λ_i和特征向量x_i,并选取贡献值和大于95％的前n个最大特征值λ_i和对应的特征向量u_i：

对每一个映射层的特征图进行PCA融合，得到特征向量Y1，Y2和Y3，将Y1，Y2和Y3相连，得到特征向量X2。