[发明专利]基于神经网络的肺结节筛选方法

权利要求书

1.基于神经网络的肺结节筛选方法，其特征在于，包括如下步骤：

步骤1、胸部图像数据的准备；

步骤2、主特征提取网络的构建与训练；

步骤3、交叉带权交叉熵函数的构建；

步骤4、AUC性能指标的近似；

步骤5、在线的训练以及特殊情况下的处理；

步骤6、基于弱监督学习的胸部肺结节的定位；

步骤1中，所述胸部图像数据为NIH公开的112120张胸部X光影像数据，包含14种肺结节，其中，每张胸部X光影像数据的原始图像大小为1024*1024；

在训练主特征提取网络之前：

将原始图像修改为299*299的大小；以及，

将原始图像转换成三通道的灰度图，且三个通道的灰度图对应的灰度值相同；以及，

对原始图像进行增广处理；

步骤2中，使用InceptionV3模型，将InceptionV3模型中最后一层1000个神经元的全连接层替换为包含14个神经元的全连接层，并将其作为构建的主特征提取网络；

步骤3中，主特征提取网络在训练过程中，通过构建一种交叉带权交叉熵函数来平衡正负样本所产生的误差，具体方法如下：

其中，x代表输入样本，f(x)为输入样本x通过现有模型resnet、inception、densenet或Alexnet的输出，在多类别分类任务中，T表示训练batch中样本的数目，c是一个正整数，表示样本x所属类别，K表示包含疾病的类别总数为14；|P|和|N|分别代表训练batch中的正样本与负样本的数目，α_N和α_P分别代表负样本与正样本在一个训练batch中所占有的比例，α_N和α_P分别加到交叉熵函数的两项中，α_N代表正样本产生的误差，α_P代表负样本产生的误差，通过样本分布比率的不同来平衡该性能函数中正负样本产生的误差，且α_N+α_P＝1；

主特征提取网络每一次的预测，网络输出一个14维度向量，向量中为1的位置，表示对应的肺结节是存在的；

步骤4具体是指：通过构建一种替代函数来等价于AUC性能指标，该等价函数作为一个训练惩罚项和所述构建的交叉带权交叉熵函数一起平衡训练过程产生的误差，具体过程如下：

构建φ(t)、具体如下：

φ(t)＝(1-t)^λ，t∈[0，1]，λ＞0

其中，x代表输入样本，f(x)为输入样本x通过现有模型resnet、inception、densenet或Alexnet的输出，T₊表示训练批次中正样本的数量，T_-表示训练批次中负样本的数量，x⁺表示训练批次中的正样本，x^-表示训练批次中的负样本，即为所构造的AUC性能指标替代函数，此函数仅仅只能用于二分类模型中，如果要推广到多类别分类的任务中，则作如下的变形：

其中，K代表分类的类别数目，这里，K＝14，代表所要预测的14个类别的分类；

并且，将此构造的替代函数和所述交叉带权交叉熵函数联合在一起，得到最终函数L，具体为：

步骤5中，

训练模型时是基于梯度下降算法，基于函数计算其梯度，使用随机梯度下降算法进行迭代更新，AUC指标近似项的梯度计算如下：

其中，x代表输入样本，f(x)为输入样本x通过现有模型resnet、inception、densenet或Alexnet的输出，

这里，因为f(·)∈(0，1)，所以存在倾向于∞风险，所以构建的函数应当使得λ＞1，因此在训练模型的过程中取λ＝1；

另外，在使用mini-batch进行训练的过程中，由于一个batch中，训练的数目是有限的，当存在有些batch没有正样本或者负样本的情况时，作如下近似处理：