[发明专利]一种基于轻巧型CNN的肺结节良恶性预测方法

说明书

本发明提出一种基于轻巧型CNN的肺结节良恶性预测方法，获取已知肺结节区域的具有标签的训练图像数据集、验证图像数据集和预测图像数据集；采用训练图像数据集和验证图像数据集训练轻巧型CNN的肺结节图像分类模型，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；获取待预测的肺结节图像，输入轻巧型CNN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。本发明设计了新的网络结构模型，输入预处理后的肺结节图像就可以得到该肺结节图像的良恶性预测结果，可以支撑医生进行诊断和决策。

技术领域

本发明属于医学图像处理技术领域，具体涉及一种基于轻巧型CNN的肺结节良恶性预测方法。

背景技术

肺部疾病在医学影像上的病灶通常表现是肺结节，根据模式识别等方法的不断研究，人们提出了利用计算机来辅助放射科医生来检测肺结节的技术，即计算机辅助诊断(Computer Aided Diagnosis，CAD)系统。在CAD中涉及到用一些常见的算法进行评估或分类，例如神经网络、k-means或支持向量机等算法。但是传统算法的主要缺点是提取的特征只是局部区域，对于常见的方差等特征不够稳健。基于数据集的差异性，一些细节的阈值都需要调整。近些年，深度学习算法已被应用到CAD系统中。卷积神经网络(ConvolutionalNeural Networks，CNN)是深度学习在图像处理领域的一个应用。CNN通过逐层的对原始图像的拓扑结构中展现的数据进行抽象，从而提取图像的隐式的图像数据特征，避免了传统分类方式基于统计特征的在分类前必须提取图像的某些具体的手动提取特征，使其能够直接处理灰度图像而不需要太多的预处理操作。此外，卷积神经网络内部的权值分布充分模拟了实际的生物神经系统原理，在同一个特征映射平面上的神经元的权值是彼此共享的，这使得网络可并行的进行学习，通过权值共享技术有效的降低了整个网络的计算复杂度，而且卷积神经网络把特征提取和分类过程统一在一起，避免了传统方式中把两个步驟分开进行的数据重建过程。所以卷积神经网络的这些特点使其很适合用于图像的分类问题，可以用来实现肺结节图像良恶性的分类任务。

卷积神经网络有着许多优点，但是目前也存在一些问题，实践中，具有类标号的数据较少，而不具有类标号的数据非常丰富，为每个数据人工设置类标号是非常费时和枯燥的。然而，为了使得监督卷积神经网络通过训练具有较高的泛化能力，需要大量的具有类标号的训练样本。在大数据集上对于一个大规模的卷积神经网络来说，每一个训练实例都会在图像到标签的映射上强加很多约束，因此过拟合问题是不可避免的。

本专利在已有卷积神经网络的基础上设计新的网络结构模型，用其训练并预测肺结节的良恶性，以达到一个高的预测准确率和较低的损失值，用来实现肺结节图像良恶性的分类任务。

发明内容

针对现有技术的不足，本发明提出一种基于改进轻巧型CNN的肺结节良恶性预测方法。

一种基于改进轻巧型CNN的肺结节良恶性预测方法，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。

步骤2：建立轻巧型CNN的肺结节图像分类模型的结构；

所述轻巧型CNN的肺结节图像分类模型结构为：