[发明专利]一种基于改进的深度玻尔兹曼机肺结节特征提取方法

说明书

本发明公开了一种基于改进的深度玻尔兹曼机肺结节特征提取和良恶性分类方法，包括以下步骤：步骤A，通过阈值概率图像图方法从CT图像分割肺结节，得到感兴趣区域(ROI)，并裁剪成同一大小的结节图像；步骤B，设计有监督的深度学习算法Pnd‑EBM实现肺结节的诊断，其中包括三大步骤：B1采用基于深度玻尔兹曼机(DBM)提取肺结节ROI的具有深层表达能力的特征；B2、采用稀疏交叉熵惩罚因子改进代价函数，以解决训练过程中“特征同质化”现象；B3，采用基于极限学习机(ELM)将提取出来的肺结节特征进行良恶性分类。本发明的方法基于改进的深度波尔兹曼机肺结节特征提取方法，优于传统的特征提取方法，避免了人工提取复杂性及特征选择的差异性，能够为临床诊断提供参考依据。

技术领域

本发明涉及肺结节特征提取，具体涉及一种基于改进的深度玻尔兹曼机肺结节特征提取方法。

背景技术

传统的计算机辅助诊断系统(computer aided diagnosis，简称CAD)分析肺结节一般采用基于形态学的结节分割和人工提取肺结节纹理特征或形状特征。这种基于底层特征的分类方法可以克服人眼的惰性和对灰度图像的不敏感性，提高放射科医生对结节识别和诊断的精确性，但是选取什么样肺结节图像表征，很大程度上依靠经验和运气；而且使用形态学对结节的描述是不准确的，比如结节边缘的定义是模糊的、主观的。基于深度波尔兹曼机无监督方法能够让机器自动地学习到肺结节图像深层结构特征，就能很好地避免人为因素的影响，借鉴人脑的多层抽象机制来实现对肺结节抽象表达，使学习到的特征相似于生物视觉的特征，从而提升分类的准确性，并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深度波尔兹曼机的肺结节特征提取方法。

本发明采用的技术方案为：

一种基于改进的深度玻尔兹曼机肺结节特征提取方法，包括以下步骤：

步骤A，采用阈值概率图方法从肺部CT图像分割肺结节，得到感兴趣区域(ROI)，并裁剪成同一大小的结节图像存入样本数据库；

所述步骤A具体步骤如下：

A1、预处理数据集

第1步，假设LIDC数据库中4位放射性专家专家经验值一样，因此赋给每个专家的权重值均为0.25；

第2步，如果区域中的某个像素同时被μ(1≤μ≤4)名专家标注，则该像素为结节区域的概率值为0.25μ；

第3步，经过上述操作，将肺结节ROI转换为0～1之间的概率映射图；

第4步，设置一个阈值K，分割肺结节区域时概率值低于K的像素设置为0，高于K的像素设置为1，就生成了相应的二值图像；

第5步，将此二值图像与原图像进行AND运算，即得到肺结节图像；

第6步，将肺结节图像统一裁剪成大小为32×32，存入样本数据库中，作为Pnd-DBM的输入；

A2、扩充并平衡数据集：

第1步，将良性结节向x轴、y轴方向平移±2像素，以及将肺结节旋转90°，180°，270°后存储；

第2步，将恶性结节每隔90°旋转一次并存储；

步骤B，设计有监督的深度学习算法Pnd-EBM实现肺结节的诊断，具体为采用基于深度玻尔兹曼机(DBM)提取肺结节ROI的具有深层表达能力的特征：通过DBM两个隐层提取肺结节浅层和高层特征，并通过修改代价函数，解决训练过程中特征同质化现象，从而获得表达肺结节高维的特征信息。

所述的方法，所述步骤B具体步骤如下：

B1、DBM提取肺结节过程如下；