[发明专利]一种基于改进CNN的肺结节计算机辅助诊断装置及方法

说明书

本发明提供一种基于改进CNN的肺结节计算机辅助诊断装置及方法，涉及计算机辅助诊断技术领域。该装置及方法通过标签提取器、窗口定位器、图像分割器对胸腔CT图像进行标签提取、分割得到肺结节CT图像；然后将处肺结节CT图像输入到图像特征提取器，提取肺结节CT图像的特征映射图，并对特征映射图进行压缩；最后将肺结节的特征映射图整合成一个特征向量；同时使用反馈优化器和泛化器对整个提取图像特征向量的过程进行调优；然后将特征向量输入到数据训练器中进行数据的训练，最后通过辅助诊断器实现对肺结节良恶性的诊断。本发明装置及方法，可以得到更好的准确率和更低的误诊率，获得了更好的肺结节良恶性辅助诊断的效果。

技术领域

本发明涉及计算机辅助诊断技术领域，尤其涉及一种基于改进CNN的肺结节计算机辅助诊断装置及方法。

背景技术

CT扫描技术是人们广泛认可的能够对肺癌进行早期检测、诊断和筛查最有效、最重要的方法，对比于其他医学成像技术，CT技术能够精准的检测出大多数的肺结节。传统的肺结节辅助诊断方法需要人工手动的提取特征，没有统一的标准，需要花费大量的时间和精力。而且提取的特征无法全面的表述图像的性质。深度学习可以很好的解决这个问题。深度学习在图像处理方面有着明显的优势，在图像提取特征上只需要将图片输入就能够自动的提取特征，而且能够保证提取的特征质量很高，并且提取的特征能够更全面的表述图像的本质。

卷积神经网络(Convolutional Neural Network，，即CNN)肺结节的辅助诊断的过程中，能够提取出质量高的特征，而且能够获得良好的分类精确度，但是其分类精确度依然不到临床上使用的标准，因此，提高深度学习的精确度是十分有意义的。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于改进CNN的肺结节计算机辅助诊断装置及方法，通过计算机实现对肺结节的辅助诊断。

为解决上述技术问题，本发明所采取的技术方案是：一方面，本发明提供一种基于改进CNN的肺结节计算机辅助诊断装置，包括标签提取器、窗口定位器、图像分割器、图像特征提取器、反馈优化器、泛化器、数据训练器及辅助诊断器；

通过标签提取器、窗口定位器、图像分割器对胸腔CT图像进行标签提取和分割得到肺结节CT图像；然后将处理后得到的肺结节CT图像输入到图像特征提取器，提取肺结节CT图像的特征映射图，并对特征映射图进行压缩，提取图像特征并简化计算复杂度；最后将肺结节的特征映射图整合成一个特征向量；同时使用反馈优化器和泛化器对整个提取图像特征向量的过程进行调优，减少输出误差；然后将这个特征向量输入到数据训练器中进行数据的训练，最后通过辅助诊断器实现对肺结节良恶性的诊断；

所述标签提取器用于根据公开的胸腔CT图像数据库中的XML文件提取胸腔CT图像中的肺结节标注的肺结节良恶性级别及肺结节位置坐标，得到肺结节标注(N₀，N₁，…，N_l-1)，其中，l为肺结节CT图像中肺结节的个数，N_i为第i个肺结节的良恶性级别，i＝0，1，…，l-1；

所述窗口定位器用于根据公开的胸腔CT图像数据库中的XML文件提取胸腔CT图像中标注的肺结节位置坐标，并通过求三个以上标签中同一个肺结节的中心点坐标的平均值，得到肺结节的中心坐标((x₀，y₀)，(x₁，y₁)，…，(x_l-1，y_l-1))，其中x_i为第i个肺结节的横坐标，y_i为第i个肺结节的纵坐标；

所述图像分割器根据窗口定位器提供的肺结节的中心坐标值，对胸腔CT图像用64×64的窗口进行分割，得到肺结节CT图像(I₀，I₁，…，I_l-1)，其中I_i为第i个肺结节对应的肺结节CT图像；