[发明专利]融合多尺度特征的密集神经网络肺部肿瘤图像识别方法

权利要求书

1.融合多尺度特征的密集神经网络肺部肿瘤图像识别方法，其特征在于：包括：

收集CT模态医学图像并预处理，提取不同尺度病灶ROI区域，构成多尺度数据集；所述不同尺度病灶ROI区域带有临床标记的良性或恶性肿瘤标签；

将所述多尺度数据集在密集神经网络中训练，构建密集神经网络模型，提取全连接层特征向量并进行特征串行融合；

在NSCR分类器中得到肺部肿瘤分类结果。

2.根据权利要求1所述的融合多尺度特征的密集神经网络肺部肿瘤图像识别方法，其特征在于：收集CT模态医学图像并预处理，提取不同尺度病灶ROI区域；包括：

将肺部CT模态的原始影像对应编号，去伪彩转化为灰度图像；

从全局灰度图像中根据临床标记截取对应的病灶区域作为ROI图像并将其归一化为同样大小的实验图像，获取多尺度的ROI病灶图像；所述多尺度的ROI病灶图像包括良性样本和肺部恶性肿瘤样本。

3.根据权利要求1所述的融合多尺度特征的密集神经网络肺部肿瘤图像识别方法，其特征在于：将所述多尺度数据集在密集神经网络中训练，构建密集神经网络模型，提取全连接层特征向量并进行特征串行融合；包括：

采用密集神经网络DenseNet-201模型在自然图像数据集ImageNet上预训练，将预训练网络中的参数作为网络中的初始化参数；其中密集神经网络DenseNet-201的网络生长率k＝32，过渡层的压缩率θ＝0.5；

将多尺度数据集及标签分别输入到预训练密集神经网络DenseNet-201，并构造基于DenseNet模型的单模态网络；

在密集神经网络中训练，在全连接层提取训练样本和测试样本特征向量，并进行特征串行融合。

4.根据权利要求3所述的融合多尺度特征的密集神经网络肺部肿瘤图像识别方法，其特征在于：所述进行特征串行融合，包括：

将样本空间中的多组病灶的特征信息合并称为一组新的特征向量，综合特征向量作为分类器输入进行学习分类，得到多尺度融合特征。

5.根据权利要求3所述的融合多尺度特征的密集神经网络肺部肿瘤图像识别方法，其特征在于：在NSCR分类器中得到肺部肿瘤分类结果，包括：

在密集神经网络DenseNet的全连接层提取不同尺度训练样本矩阵和测试样本矩阵的特征向量进行融合；

将融合后的特征矩阵作为NSCR分类器输入，将所有的训练样本矩阵和测试样本矩阵标准化为L_2范数，求解出系数矩阵；

通过系数矩阵求出每一类的重构误差，根据重构残差值相似度完成最终的肺部肿瘤分类识别。