[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

说明书

本发明涉及基于卷积神经网络对肺结节的恶性程度进行分类的方法，属于计算机图像处理技术领域。本发明针对不同肺结节预处理出不同尺寸的ROI图像块，在不引入过多的噪音干扰的前提下，对肺结节的多个层面进行基于残差网络的特征提取，通过两个阶段的特征融合获得更精确的特征信息，以此策略来提取出更高质量的特征表达。通过卷积神经网络提取肺结节的细粒度特征表达，综合考虑提取到的多个层面的特征信息，实现对肺结节特征信息的准确提取，最终对肺结节恶性程度进行分类。

技术领域

本发明涉及一种基于卷积神经网络对肺结节的恶性程度进行分类的方法，属于计算机图像处理技术领域。

背景技术

通常对肺部结节的计算机辅助检测(computer aided detection,CAD)技术流程包括：图像预处理，肺实质分割，候选肺结节提取，假阳性结节去除，结节检测性能分析。由于大多数假阳性结节是由血管区域引起的，经典的3D线性滤波器移除肺部区域血管的方法不能很好的滤除噪音的干扰，因此Liu等采用基于几何和统计特征结合的方法初始候选结节，大大降低了假阳性结节率。早期对肺结节恶性程度的诊断主要通过设置阈值，并观察结节不同时间结节体积的变化，最后通过一种标准公式来评估出结节增长率的方式进行诊断，然而这些方法对患者历史诊断数据依赖性强，因此难以实际应用。除了针对肺结节形状、体积等特征之外，也有研究者针对结节的细粒度特征进行研究，如Way等通过对结节的光滑度、分叶征和毛刺征等特点进行良恶性诊断。Orozco等利用有监督的二分类SVM算法，通过对CT图像进行两次小波计算并选择特征作为SVM的输入，实现对肺结节进行检测，而Firmino等使用分水岭和定向梯度直方图(HOG)技术来分离结节与其周围结构来提取肺结节的特征信息，最终得到了较好的分类结果。

肺结节的形状特性是对其诊断的重要依据之一，以肺结节的形状差异来判断其良恶性的方法已被验证了其有效性，然而由于肺结节特征各异，仅针对形状差异会丢失许多细粒度信息。因此目前已有研究人员利用深度学习强大的特征学习和特征表达能力，对肺部CT图像进行研究，如Ciompi等采用OverFeat的预训练CNN的输出来描述2D视图的肺结节，最终AUC达到了0.868。Setio等设计并构建一个多视图架构，融合两次的特征信息来抑制假阳性结节，从而达到了不错的效果。Dou等通过建立一个3D全卷积神经网络过滤假阳性结节，并用设计使用混合损失残差网络来识别肺结节的位置和大小信息，该方法在LUNA16数据集上取得了不错的结果。正是由于有监督的深度学习方法可以直接通过不断训练模型的特征学习能力，来自动识别与过滤掉图像中的噪声干扰部分，从而提高了肺结节检测的准确度，同时减少了传统方法中对数据预处理的繁琐工作。

发明内容

本发明解决的技术问题为：针对传统的肺结节特征提取方法提取的特征具有局限性，不能灵活的泛化，以及现有深度学习方法仅依靠单层切片，考虑信息还不够全面的问题，本发明提供了一种基于卷积神经网络的多层面二阶特征融合模型，提出采用深度神经网络对多层面的肺结节进行特征提取，不仅能够提取出传统方中常用的结节几何形状和灰度特征，还能够对结节的空间位置和基于统计学的纹理特征等几个方面进行特征提取。

本发明的技术方案是：一种基于卷积神经网络对肺结节的恶性程度进行分类的方法，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 Of Interest,ROI图像块；

进一步地，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 Of Interest,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。