[发明专利]一种基于多尺度特征融合的肺结节识别分类方法

说明书

本发明涉及一种基于多尺度特征融合的肺结节识别分类方法，属于图像处理领域。该方法包括以下步骤：S1：建立训练样本；S2：建立多尺度特征融合的肺结节良恶性分类模型；该分类模型由有三个尺度的深度卷积神经网络分类模型组成，每个模型分为特征提取部分、良恶性分类部分和特征融合部分；S3：训练肺结节分割模型。该方法能够自动提取结节的高层次特征，更加准确、快速地识别和分类肺结节。

技术领域

本发明属于图像处理领域，涉及一种基于多尺度特征融合的肺结节识别分类方法。

背景技术

对肺结节的精确识别是基于CT影像的早期肺癌计算机辅助识别的关键步骤，并且肺部CT上的良性和恶性结节的自动识别仍然是需要专业知识的，能否从CT影像中精确地识别出恶性肺结节，最终会影响到计算机辅助识别系统的性能。

现有技术中，肺结节良恶性识别分类方法有很多，但其鲁棒性较差，准确性较低，造成的肺结节良恶性划分困难主要原因是：

(1)结节形状、大小、纹理变化范围大，精准描述困难。

(2)恶性和良性结节在视觉上具有相似的形态的特征。

发明内容

有鉴于此，本发明的目的在于提供一种基于多尺度特征融合的肺结节识别分类方法。

为达到上述目的，本发明提供如下技术方案：

一种基于多尺度特征融合的肺结节识别分类方法，该方法包括以下步骤：

S1：建立训练样本；

S2：建立多尺度特征融合的肺结节良恶性分类模型；该分类模型由有三个尺度的深度卷积神经网络分类模型组成，每个模型分为特征提取部分、良恶性分类部分和特征融合部分；

S3：训练肺结节分割模型。

可选的，所述S1具体为：

S11：根据CT影像成像特点，保留从空气到骨骼的区域，将其像素值进行截断处理，只保留[-1000,+400]区间内的像素点；同时使用图像增强技术，提高CT影像信噪比，并将像素值归一化到[0,1]之间；再对肺部CT图像重采样，使其空间分辨率为1mm*1mm*1mm；

S12：对肺部CT影像进行标注，获取病变肺结节区域，得到肺结节的坐标x，y，z及其半径r；根据标注，对肺结节进行切块处理，切块大小为26*42*42体素；

使用数据增强技术扩增数据集：

(1)随机裁剪成24*40*40大小的立方块，数据集扩增9倍；

(2)对裁剪的立方块进行复制造成，自我复制1次，数据集扩增2倍；

(3)对裁剪好的立方块从三个正交尺寸翻转它，数据扩增8倍；三个正交尺寸包括冠状、矢状和轴向位置；

(4)对立方块添加随机椒盐白噪声，提高模型的鲁棒性和泛化能力。

可选的，所述S2具体为：

S21：特征提取部分是由多个残差块组成；

S22：良恶性分类部分是由全连接层组成；

S23：特征融合部分则是融合三个尺度良恶性分类模型的分类结果，进行非线性映射，得到最终的分类结果。

可选的，所述S3具体为：

S31：将标签进行平滑处理，防止数据过拟合；

S32：在训练集中进行随机采样，使用批处理数据；并将批处理数据以中心为原点，进行裁剪，得到另外两个尺度的训练样本；将三个尺度的训练集作为输入放进多尺度特征融合良恶性分类网络，得到肺结节良恶性的识别结果。