[发明专利]一种肺结节多视图分类方法

说明书

本发明涉及一种肺结节多视图分类方法。包括：从公开数据集中选择一样本；建立多视图网络结构模型，步骤为：S1：利用卷积函数提取该图片上肺结节图像的初步特征；S2：利用初步特征和Sobel边缘检测算子计算该图像的边缘特征；S3：通过边缘特征计算特征向量，建立模型,使用特征向量集合得到肺结节预测结果和边缘特征吻合度得分；S4：使用训练集对模型进行训练，通过计算损失函数并反向传播的方式更新模型参数，最终得到训练好的多视图网络结构模型；将待预测肺结节图像作为已训练好的模型的输入，计算得到该肺结节的分类结果。本发明使用多视图和传统方法来补充现有辅助分类结构中存在的不足，使得肺结节辅助分类更加的准确。

技术领域

本发明涉及多视图分类方法领域，特别涉及一种肺结节多视图分类方法。

背景技术

肺癌已经成为导致病人死亡的恶性疾病中最主要的一种,由于发病率高,而确诊后的治愈率较低,所以患者的存活率一直处于较低的水平。CT技术广泛应用为医生在诊断肺部病灶方面提供了精确的帮助,但是肺癌患者数量仍然居高不下的原因主要有3点:(1)肺部CT扫描图像数量庞大,有经验的阅片医生不足以应付快速增长的病例。(2)肺部的血管、组织较多,与肺部病灶相互交织在一起不易分辨。(3)传统的机器学习方法主要是通过人工提取病灶的低层特征,不同的专家有着不同的提取方法,而不同的特征对于分类结果有着很大的影响。

自深度学习技术应用于医学影像以来，在肺癌防控强烈需求驱动下，肺结节计算机辅助分类技术表现出深度学习、数据驱动、特征自学习、处理端到端等新特征。因此，围绕肺结节分类和属性特征学习等技术，设计肺结节辅助诊断新型网络结构成为肺结节筛查技术的发展重点，涌现出多种适用于医学影像分析的新型神经网络结构。这些网络通过堆叠深度学习模型结构来获取图像的信息，最终达到不同的医学影像分析目的；但现有的辅助分类系统检测尺度、形态、结构、纹理较为单一，对较大、单一形态、固定结构、相同纹理的结节具有较稳定的分类结果，对于不同尺度、多样形态、复杂结构、不同纹理结节分类能力比较弱。

发明内容

针对现有技术存在的上述问题，本发明要解决的技术问题是：大多数肺结节辅助分类中存在因视图缺乏而导致细节信息部分丢失的问题，以及在肺结节特征提取过程中无法着重提取关键特征或提取特征不够精确的问题。

为解决上述技术问题，本发明采用如下技术方案：一种肺结节多视图分类方法，包括如下步骤：

S100：选择公开医疗数据集，该数据集包含多个样本，每个样本包括肺结节图片、该图片上图像的边缘特征吻合度实际得分和该图片上图像的实际良恶分类结果得分选择部分样本作为训练集；

S200：建立多视图网络结构模型，具体步骤如下：

S210：选择一样本，以该样本中的肺结节图片中心为中轴对该图片进行连续切片处理，获得N张连续切片，并将N张连续切片上的图像数据转换为所需的数据结构；

S220：将转换数据结构后的N张连续切片作为输入，利用卷积函数提取该N张连续切片的初步特征O_z×x×y；

S230：设将作为输入，使用Sobel边缘检测算子计算该N张连续切片的边缘特征具体表达式如下：

其中，表示第i张切片的初步特征；

S240：对进行连续卷积得到该切片的最终特征向量具体表达式如下：

其中，表示第i张切片的边缘特征；

S250：设X₃为该图像所有切片的最终特征向量集合，具体表达式如下：

其中，i＝1,2,…,N；