[发明专利]一种可解释的肺结节良恶性分类方法

权利要求书

1.一种可解释的肺结节良恶性分类方法，其特征在于：具体包括以下步骤：

S1、首先将肺结节的各医学征象进行划分，构建医学征象谱；

S2、然后利用传统图像特征方法提取肺结节特征集，即图像特征谱，用于定量刻画肺结节的像素特征、纹理特征、空间特征和形态特征；

S3、通过对抗学习的医学征象和图像特征谱映射网络，来建立医学征象谱与肺结节图像特征的映射关系；

S4、构建可解释的CNN的征象属性学习和分类诊断联合优化网络模型，最终通过设计可解释的卷积神经网络学习获得结节征象属性和良恶性的分类，具体根据以下步骤获得：

S4-1、针对易于学习的医学征象，先利用现有的多分枝的深度学习网络来提取特征的方法步骤进行学习；

S4-2、针对不易学习的医学征象，可利用步骤S3中已经学习到的映射关系，完成这部分医学征象的提取特征；

S4-3、最后，再利用多层感知机进行优化，融合步骤S4-1和S4-2的组合学习的模式提取医学征象，然后学习得到每一个医学征象的重要性，对每一个医学征象赋予相应的权重，并作为诊断依据，最终给出精确的诊断结果，作为输出。

2.根据权利要求1所述的一种可解释的肺结节良恶性分类方法，其特征在于：所述步骤S3的具体包括以下步骤：

S3-1、将模型的输入定义为医学征象X，利用可学习的参数W和V，然后加权融合并生成医学征象：具体通过利用可学习的参数W先获得图像特征Y，然后利用可学习的参数V合成医学特征X'；

S3-2、然后利用卷积网络构建判别器，评价合成的医学特征X'是否能够真实的反应相关的医学征象X，将合成的医学特征X'作为损失函数，使用训练神经网络方法中的梯度下降算法进行训练调参最终获得医学征象谱与肺结节图像特征的映射关系，具体公式如下：

X'＝F(X,W,V|Y₀,Y₁,L,Y_m) (1)；

Loss＝Dis(X,X') (2)；

其中，F表示特征选择网络，X表示需要进行映射的医学征象，W和V表示可学习的权重为预设的常数m表示自然数，Y₀-Y_m表示m个手工构建的传统图像特征，Dis表示判别器模型，图像特征选择网络以医学征象X为输入，利用基于神经网络的特征映射层，选择合适的图像特征Y₀-Y_m来表达医学征象X'；Loss表示损失函数。

3.根据权利要求1所述的一种可解释的肺结节良恶性分类方法，其特征在于：在步骤S4构建的可解释的CNN的征象属性学习和分类诊断联合优化网络模型过程中以肺结节影像作为输入，然后根据步骤S4-1和S4-2进行属性分类学习，分类学习过程中对易于提取的特征，就用卷积方法提取，难于提取的特征利用S3学习到的映射关系进行提取，也就是对难于提取的特征使用传统方法进行特征提取，并生成特定的医学征象，同时每一个卷积分枝都由卷积神经网络构成，在完成医学征象的提取后，将医学征象转换成维度相同的向量用S表示，为每一个医学征象设置一个学习权重，构成权重矩阵W，加权融合后输入多层感知机，并训练学习诊断过程。

4.根据权利要求3所述的一种可解释的肺结节良恶性分类方法，其特征在于：对于每一个医学征象来说其在诊断过程中的重要性由与其自身对应的权重矩阵W的均值决定，最后将各医学征象按照权重大小排序输出，获得最终的诊断结果，具体计算公式如下：

A{a₁,a₂,L,a_n}＝C(X)+T(X) (3)；

σ＝D(∑a_i·W_i) (4)；

其中，C和T分别表示深度学习分枝和现有的深度学习网络方法分枝，A为两种分枝所提取的所有医学征象，D表示综合决策过程，包含了权重优化选择和多层感知机，σ为诊断结果，X表示需要进行映射的医学征象；其中，a_i表示第i个医学特征，W表示其对应的权重矩阵，i表示自然数。

5.根据权利要求4所述的一种可解释的肺结节良恶性分类方法，其特征在于：在计算诊断结果σ的过程中还需要考虑损失函数，所述损失函数的计算公式如下：

Loss＝λ₁Cr(attri)+λ₂Cr(mali)+λ₃Top3(attti) (5)；

其中，λ₁，λ₂和λ₃为三个可训练的权重，Cr(attri)是计算医学征象提取的交叉熵损失，Cr(malig)是计算诊断结果的交叉熵损失，Top3(attri)是关键医学征象Top3损失，由预测的征象排名和实际的征象排名计算最小平方误差后获得。