[发明专利]一种基于轻巧型CNN的肺结节良恶性预测方法

权利要求书

1.一种基于轻巧型CNN的肺结节良恶性预测方法，其特征在于，包括以下步骤：

步骤1：获取已知肺结节区域的具有标签的肺结节图像，对具有标签的肺结节图像进行预处理，得到训练图像数据集、验证图像数据集和预测图像数据集；

步骤2：建立轻巧型CNN的肺结节图像分类模型的结构；

步骤3：将训练图像数据集和验证图像数据集输入轻巧型CNN的肺结节图像分类模型，通过调节训练参数，训练轻巧型CNN的肺结节图像分类模型，再将预测图像数据集输入训练后的轻巧型CNN的肺结节图像分类模型中，得到预测图像预测集的预测结果，根据预测图像预测集的预测结果的准确率，选取最优的训练参数，从而得到轻巧型CNN的肺结节图像分类模型的最终形式；

步骤4：获取待预测的肺结节图像，对待预测肺结节图像进行预处理，得到预处理后的待预测的肺结节图像；

步骤5：将预处理后的待预测的肺结节图像输入改进CNN网络的肺结节图像分类模型的最终形式中，得到待预测肺结节图像的肺结节良恶性预测结果。

2.根据权利要求1所述的基于轻巧型CNN的肺结节良恶性预测方法，其特征在于，所述步骤1包括以下步骤：

步骤1.1：获取已知肺结节区域的具有标签的肺结节图像，对具有标签的肺结节图像进行结节区域分割，并进行裁剪，得到裁剪后的肺结节图像；

步骤1.2：将裁剪后的肺结节图像进行划分得到训练图像数据集、验证图像数据集和预测图像数据集；

步骤1.3：将各数据集中的肺结节图像旋转至四个不同方向，获取各个肺结节图像的四个方向矢量上的图像，得到预处理后的训练图像数据集、验证图像数据集和预测图像数据集。

3.根据权利要求1所述的基于轻巧型CNN的肺结节良恶性预测方法，其特征在于，所述改进CNN网络的肺结节图像分类模型结构为：

第一层为卷积层C1、激活函数层ReLU1和局部响应归一化层LRN；第二层为池化层P1；第三层为卷积层C2、激活函数层ReLU2；第四层为池化层P2；第五层为全连接层F1、激活函数层ReLU3和Dropout层；第六层为全连接层F2。

4.根据权利要求1所述的基于轻巧型CNN的肺结节良恶性预测方法，其特征在于，所述轻巧型CNN的肺结节图像分类模型调节的训练参数包括：学习速率、卷积核尺寸、正则化约束、训练时的批量大小、权重初始化迭代器和偏置初始化迭代器。