[发明专利]基于卷积神经网络对肺结节的恶性程度进行分类的方法

权利要求书

1.基于卷积神经网络对肺结节的恶性程度进行分类的方法，其特征在于：所述方法的具体步骤如下：

Step 1、对图像预处理，根据切片上肺结节的长径不同，切割出尺寸为R＝{16*16,32*32,64*64,128*128}的感兴趣区域Region OfInterest,ROI图像块；

Step 2、在子模块M1中采用残差网络ResNet50的网络模型，通过该模块对多层面的肺结节进行初步特征提取，可同时得到同一个肺结节不同切片的特征表达；

Step 3、利用M1子模块中提取的4层特征信息分别与不同尺度的特征进行融合，然后将最终得到的三个图片特征信息进行二次融合，得到一个特征向量F；

Step 4、将向量F经过全局平均池化层和全连接层的展开，最终通过Softmax函数得到肺结节恶性程度的分类结果；

所述步骤Step 1的具体步骤如下：

Step1.1、根据切片上肺结节的长径不同，切割出尺寸为R＝{16*16,32*32,64*64,128*128}的感兴趣区域Region OfInterest,ROI图像块；

Step1.2、根据切片间的间隔和切片厚度，以及肺结节长径r，r(3mm,30mm)，因连续3张切片即可覆盖大多数肺结节，故抽取连续3张长径最大的肺结节所对应的ROI图像块s1,s2,s3作为模型的训练样本；

所述步骤Step2的具体步骤如下：

Step2.1、接收一个三元组的ROI图像块输入和肺结节恶性程度标签，每一层图像卷积得到的输出分别标记为s*_f1,s*_f2,s*_f3,s*_f4,s*_f5，其中*表示所抽取的切片编号{1,2,3}；

Step2.2、通过对三张图像块的特征提取，在特征融合计算中舍弃对s*_f1的直接使用，分别得到4层(s*_f2,s*_f3,s*_f4,s*_f5)对应的特征表达，由于每一层都处于网络的不同深度，因此每一层的输出都包含了不同的语义信息；

所述步骤Step3的具体步骤如下：

Step3.1、在特征融合时，首先将conv5x层的输出s*_f5用的卷积核进行卷积，得到输出向量s*_f6；然后将s*_f4用的卷积核进行卷积，并s*_f6进行上采样Upsample，目的是使得到的向量的维度与s*_f4维度相同，然后将两者进行融合，融合方式通过加法合并，得到s*_f7，对于s*_f3和s*_f2层执行同样的操作，分别得到s*_f8和s*_f9，其中convLm₂(Lm₂＝{6,7,8,9})均为卷积核的卷积操作；于是由浅及深的得到融合后的特征信息s*_f9，该层包含了图像中所关注目标的轮廓、灰度特征信息，以及更抽象的高层语义信息，提取得到的肺结节的特征表达更加完善与准确；

Step3.2、将第一步融合后的特征向量s*_f9分别经过的卷积核进行卷积，得到特征向量s*_f10；此时的向量s*_f10具有相同的维度，即高(h)、宽(w)和通道数(c)三个维度均相同：h₁＝h₂＝h₃,w₁＝w₂＝w₃,c₁＝c₂＝c₃；因此将三个向量在通道方向进行合并，得到一个维度为h₁×w₁×3c₁的特征向量F。

2.根据权利要求1所述的基于卷积神经网络对肺结节的恶性程度进行分类的方法，其特征在于：通过卷积神经网络对胸部CT图像的肺结节进行特征提取时，为了减少特征信息的丢失与损耗，在子模块M1中采用残差网络ResNet50的网络模型；该网络模型通过残差映射函数更高效的学习前一层输入输出的差异部分，在网络收敛到一定程度时，输入信息能跳过部分层次的网络，以此来保护信息的完整性，同时还能简化特征提取的复杂度；

基于卷积神经网络的多层面特征提取子模块M1是整个肺结节特征提取模型的基础，通过该模块对多层面的肺结节进行初步特征提取，能同时得到同一个肺结节不同切片的特征表达；其中子模块M1是由三个并行的神经网络构成，网络部分均采用ResNet50的前49层；前49层激活函数全部使用ReLU。