[发明专利]基于CNN和GAN的CT图像数据自动分类方法及设备

说明书

本发明涉及数据处理技术领域，具体涉及一种基于CNN和GAN的CT图像数据自动分类方法及设备，方法包括以下步骤：S1获取待分类的CT图像数据；S2选择结节本身的图像进行数据增强处理得到公共扩充数据集；S3对公共扩充数据集利用GAN得到生成网络和鉴别网络，并同时进行训练得到GAN合成数据集；S4利用CNN网络对GAN合成数据集进行分类，得到最终图像数据集。本发明解决了大多数关于肺腺癌分类的现有研究集中于放射组学特征的建模和其他手动标记特征，都基于手工标注，给医生带来了更多的负担问题，且轻量级CNN模型也便于在医院诊断系统中安置，这有助于放射科医师的日常工作并促进精准医疗的发展，具有很强的市场应用前景。

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于CNN和GAN的 CT图像数据自动分类方法及设备。

背景技术

手术前对肺腺癌的高效准确诊断对临床医生具有重要意义。尽管 计算机断层扫描(CT)检查在实践中被广泛使用，但放射科医师仍然 难以区分不同类型的亚厘米肺结节。在本文中，本发明提出了一种针 对亚厘米肺腺癌的自动分类系统，其结合卷积神经网络(CNN)和生成 对抗网络(GAN)。该系统基于2D结节中心CT补片进行处理，无需手 动标记信息。总共分析了206例术后病理标记的结节，其中30例为原 位腺癌(AIS)，119例为微浸润腺癌(MIA)，57例为侵袭性腺癌(IAC)。 GAN被用于增强数据集，视觉图灵测试表明，即使是放射科医生也无法 分辨原始图像和GAN合成的图像(准确度：初级放射科医师56％，高 级放射科医师65％)。

此外，还采用和比较了几种流行的GAN技术，本发明逐渐生长式 wGAN最有效地改善了CNN的性能(AUC＝0.83)。实验表明，与分别使 用原始和传统增强的图像训练相比，所提出的GAN增强方法将分类准 确度提高了23.5％(从37.0％到60.5％)和7.3％(从53.2％到 60.5％)。GAN和CNN方法的这种组合(精确度：60.5％±2.6％)的 性能与最先进的方法相当，而本发明的CNN更轻量级。本发明相信这 种方法可以推广到其他CADx算法的构建，从而有助于诊断。

发明内容

针对现有技术的不足，本发明公开了一种基于CNN和GAN的CT图 像数据自动分类方法及设备，用于解决大多数关于肺腺癌分类的现有 研究集中于放射组学特征的建模和其他手动标记特征，都基于手工标 注，给医生带来了更多的负担问题。为了填补小结节分类的研究空白， 协助放射科医师的日常工作，本发明提出了基于CNN和GAN的CT图像 数据自动分类方法及设备。

本发明通过以下技术方案予以实现：

第一方面，本发明提供了一种基于CNN和GAN的CT图像数据自动 分类方法，所述方法包括以下步骤：

S1获取待分类的CT图像数据；

S2选择结节本身的图像进行数据增强处理得到公共扩充数据集；

S3对公共扩充数据集利用GAN得到生成网络和鉴别网络，并同时 进行训练得到GAN合成数据集；

S4利用CNN网络对GAN合成数据集进行分类，得到最终图像数据 集。

更进一步的，所述S2步骤中，仅使用结节本身的图像，其中每张 CT扫描中的结节面积是根据放射科医师的注释计算，仅选择具有最大 结节面积的三张CT，切割以结节为中心的64×64像素图像并命名为原 始数据集。

更进一步的，所述数据增强处理具体为首先按像素随机翻译图像， 然后以结节为圆心进行旋转，并对图像重新调整，随机比率为80％至 120％，最后将结节贴片上下左右翻转完成增强。

更进一步的，使用GAN时包括截断后的wasserstein距离损失、 渐进式生长和像素级归一化。

更进一步的，所述Wasserstein距离，在概率密度的和 之间，定义为