[发明专利]一种基于卷积神经网络的CT影像分类方法、装置及介质

权利要求书

1.一种基于卷积神经网络的CT影像分类方法，包括：

S1，构建卷积神经网络，所述卷积神经网络包括特征提取层(100)、特征处理层(200)以及数据拼接层(300)，其中，

特征提取层(100)，用于提取所述CT影像中的特征生成特征矩阵；

特征处理层(200)，用于提取所述特征矩阵中的特征，包括第一通道(201)、第二通道(202)、第三通道(203)以及第四通道(204)，其中，所述第一通道(201)用于提取所述特征矩阵的第一特征，第二通道(202)用于提取所述特征矩阵的第二特征，第三通道(203)用于提取所述特征矩阵的第三特征，第四通道(204)用于提取所述特征矩阵的第四特征；

数据拼接层(300)，用于对所述第一通道(201)、第二通道(202)、第三通道(203)以及第四通道(204)提取的第一特征、第二特征、第三特征以及第四特征进行拼接；

S2，获取多张已知分类结果的CT影像作为样本数据，将所述样本数据输入至所述卷积神经网络以实现对所述卷积神经网络的训练；

S3，将待分类的CT影像输入至训练完成的所述卷积神经网络，实现所述CT影像的分类。

2.根据权利要求1所述的CT影像分类方法，所述特征提取层(100)依次包括输入层(101)、第一卷积层(102)、第一Batch Normalization层(103)、第一池化层(104)、第二卷积层(105)、第Batch Normalization层(106)、第三卷积层(107)、第三Batch Normalization层(108)以及第二池化层(109)。

3.根据权利要求1所述的CT影像分类方法，所述第一通道(201)依次包括第四卷积层(2011)、第四Batch Normalization层(2012)、第五卷积层(2013)以及第五BatchNormalization层(2014)；所述第二通道(202)依次包括第六卷积层(2021)、第六BatchNormalization层(2022)、第七卷积层(2023)以及第七Batch Normalization层(2024)；所述第三通道(203)依次包括第三池化层(2031)、第八卷积层(2032)以及第八BatchNormalization层(2033)；所述第四通道(204)依次包括第九卷积层(2041)以及第九BatchNormalization层(2042)。

4.根据权利要求1所述的CT影像分类方法，所述数据拼接层(300)依次包括：Concatenate层(301)、第四池化层(302)、全连接层(303)以及输出层(304)。

5.根据权利要求1所述的CT影像分类方法，所述步骤S2还包括：

将所述多张已知分类结果的CT影像裁剪为预设尺寸，所述样本数据为裁剪后的CT影像。

6.根据权利要求5所述的CT影像分类方法，所述预设尺寸为224×224的分辨率。

7.根据权利要求5所述的CT影像分类方法，所述步骤S3还包括：将所述待分类的CT影像裁剪为预设尺寸，将裁剪后的CT影像输入至所述训练完成的卷积神经网络。

8.根据权利要求7所述的CT影像分类方法，将所述待分类的CT影像裁剪为预设尺寸具体为：

以所述CT影像中主体中心为中心向外扩展多个网格完成对所述CT影像的裁剪。

9.一种基于卷积神经网络的CT影像分类装置，包括：

构建模块(601)，用于构建卷积神经网络，所述卷积神经网络包括：输入层、多个卷积层、多个Batch Normalization层、Concatenate层、多个池化层、全连接层以及输出层；

训练模块(602)，用于获取多张已知分类结果的CT影像作为样本数据，将所述样本数据输入至所述卷积神经网络以实现对所述卷积神经网络的训练；

分类模块(603)，用于将待分类的CT影像输入至训练完成的所述卷积神经网络，实现所述CT影像的分类。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任意一项所述的基于卷积神经网络的CT影像分类方法。