[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

说明书

本发明公开了融合多尺度特征的密集神经网络肺部肿瘤图像识别方法，包括：通过收集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。本发明构建的密集神经网络模型优于AlexNet模型，可有效地利用高层信息再次发掘底层新特征，增强了特征在网络间的传播，实现和加强了特征重用；网络深度深、网络泛化能力强，肺部肿瘤分类准确度高。

技术领域

本发明属于神经网络图像识别技术领域，特别涉及一种融合多尺度特征的密集神经网络肺部肿瘤图像识别方法。

背景技术

肺部肿瘤是目前癌症中发病率和死亡率居高不下的恶性肿瘤之一，肺部肿瘤发病率逐年增长，严重威胁人类健康，根据2019年美国癌症统计报告，肺癌是最常见的癌症之一，占所有癌症病例的11.6％，肺癌也是导致癌症死亡的主要原因，占癌症死亡总人数的18.4％。据2019年国家癌症中心报告，肺癌的发病率、致死率在所有癌症中占据首位，医学影像学方法检查广泛应用于肺部肿瘤的诊断，其中包括超声、X线成像、电子计算机断层扫描(Computed Tomography,CT)、磁共振成像(Magnetic Resonance Imaging,MRI)和正电子发射型计算机断层显像(Positron Emission Computed Tomography,PET)等。其中CT属于解剖成像，对于病灶部分具有良好的密度分辨能力，在肺癌早期诊断中多层螺旋CT通过重建技术能够清晰显示出横断面、矢状面和冠状面的病灶特征，中期诊断中螺旋CT诊断联合表面遮蔽和多平面重建能够清晰显示肿瘤部位、内部结构、边缘特征、血液供应、侵犯周围组织程度以及周边组织的改变，具有较高的诊断准确率，因此，从CT图像中进行胸部疾病检测，能够对肺部疾病的诊断及治疗提供参考依据。计算机辅助诊断技术(CAD)已经广泛应用于各种疾病的诊疗过程中，肺癌检测是最常见的CAD技术应用之一，引入计算机辅助诊断技术对肺癌的早期发现与诊疗有着重要的积极作用。

近年来，CNN模型已成为计算机视觉领域的研究热点，CNN网络模型是一种基于感知器的模型结构，其优点在于可以直接输入原始图像，避免对图像的过度预处理，通过局部感受野、权值共享、池化功能，使得CNN能在较低的模型复杂度下充分利用图像局部和全局信息，在图像处理领域取得较好成绩。以密集神经网络为代表的CNN模型在医学图像领域应用日益广泛；在良恶性肿瘤、脑功能、心脑血管疾病等重大疾病的临床辅助分类、识别、检测、分割等方面取得良好效果。残差神经网络通过跨层参数共享和保留中间特征的方式降低特征冗余度，重复利用已有特征，但缺点是难以利用高层信息再发掘底层特征。

Guoting Luo在胸部X射线图像方面提出自动气胸分割算法：Multi-Scale ScSE-DenseNet模型，该算法包括完全卷积DenseNet(FC-DenseNet)，空间和通道压缩和激励模块(SCSE)以及多个比例模块。利用多尺度模块捕获视点相关的对象可变性，并利用SCSE模块对特征图进行自适应重新校准，以增强有意义的特征以获得更好的结果。Zhang在U-Net模型、GoogLeNet的Inception-Res模块和Dense-Net模型的启发下，提出了一种新的Dense-Inception U-Net(DIU-Net)的网络结构用于医学图像分割任务，该网络将Inception模块和密集连接集成到U-Net体系结构中。Inception-Res块通过替换标准卷积层来增加网络的宽度，Dense-Inception块提取特征并使网络更深，该方法对脑肿瘤分割有较好效果。刘一璟提出端到端DenseNet-centercrop网络。通过在DenseNet结构中的稠密块间增加新的分支，引入了中心剪裁操作。将其稠密连接机制扩展到了稠密块水平，大大丰富了肺结节的多尺度特征并且参数量较少，在肺结节良恶性分类方法具有更高的AUC分值和分类精度。

但上述方法对于肺部肿瘤图像识别精确度还有待提高，并不能很好的识别肺部肿瘤良恶性分类。

发明内容