[发明专利]一种基于卷积神经网络和字典对学习的肺结节分类方法

摘要

本发明公开了一种基于卷积神经网络和字典对学习的肺结节分类方法，该方法将字典对学习算法作为卷积神经网络的分类层与卷积神经网络进行结合，称为CNN‑DPC。该算法包括卷积神经网络参数的训练与肺结节分类两个阶段。首先对训练数据进行预处理，获得肺实质部分；然后对卷积神经网络进行预训练；接着用字典对学习算法替换卷积神经网络的分类层，并对预训练后的网络参数及字典对进行优化；最后对待分类数据进行预处理，获得肺实质部分，并通过训练好的分类模型实现肺结节的分类。本发明实现简单、易于理解，通过将卷积神经网络与字典对学习算法的优势相结合，能够较快且较好地实现肺结节的良恶性分类。

主权项

一种基于卷积神经网络和字典对学习的肺结节分类方法，其特征在于，包括卷积神经网络参数的训练与肺结节分类即训练阶段和分类阶段两个阶段：1)训练阶段:A.输入作为训练样本的低剂量薄层扫描CT图像；B.对训练样本的CT图像进行预处理；C.训练分类模型CNN‑DPC的参数；包括以下步骤：C1.对卷积神经网络的参数进行预训练；在预训练阶段，借鉴经典卷积神经网络LeNet‑5的网络结构，以训练数据集为基础，设计一个9层的卷积神经网络结构，该卷积神经网络包括输入层、隐含层和输出层三个部分，其中隐含层包含三个卷积层、三个最大池化层和一个全连接层；输入层节点个数为128×128，各隐含层节点数各不相同，输出层节点数为2，输出层即为分类层，分类用的函数为sigmoid函数，隐含层的激活函数为ReLU(Rectified Linear Units)；采用标准的正向传播与误差反向传播算法对这个9层的卷积神经网络的参数进行预训练；C2.预训练结束后，用字典对学习算法替换卷积神经网络的分类层，再进行参数的优化；参数的优化包括字典对的更新和网络参数的微调，具体包括以下步骤：C21.用字典对学习算法替换卷积神经网络分类层的sigmoid函数；假设Xk表示训练阶段第k类训练数据对应卷积神经网络全连接层的输出，C表示字典对学习算法的目标函数，Ck表示第k类训练数据对应的字典对学习算法的目标函数，{Pk,Dk}表示第k类训练数据对应的结构化字典对，由于在字典对学习算法中，字典对的更新被分解为以下的子问题：argminPk,DkCk(Pk,Dk)=argminPk,Dk||Xk-DkPkXk||F2+λ||PkXk‾||F2s.t.||di||22≤1;]]>那么在参数优化步骤中，令则C对Xk的偏导数为：∂C∂Xk=2(I-PkTDkT)(Xk-DkPkXk)+Σk′≠k2λPk′Tpk′Xk]]>由于我们的目的是将肺结节分为两类，所以在上式中，k＝1,2，K＝2；C22.在得到所有的后，将其作为标准的反向传播算法中的梯度对卷积神经网络的参数进行微调，同时利用微调后的网络获取训练数据集的特征对字典对进行更新；2)分类阶段，待分类数据的分类；分类阶段包括以下三步：a.输入待分类的低剂量薄层扫描CT图像；b.对待分类的CT图像进行预处理；c.利用训练好网络参数的分类模型CNN‑DPC对待分类图像进行分类；通过优化后的卷积神经网络获取所有训练数据集中肺实质图像的特征，对字典对学习算法的目标函数求解，可以得到2个子字典对{(D1,P1)，(D2,P2)}；给定一个测试图像，提取其特征，记为x，令x在第k(k＝1,2)个子字典对基础上的重建误差为E(x；Dk,Pk)，则分类模型CNN‑DPC对测试图像进行分类的规则为：E(x;Dk,Pk)=||x-DkPkx||F2]]>label=argminkE(x;Dk,Pk)]]>即，若第k个子字典对重建出x的重建误差最小，那么特征x对应的样本图像就属于第k类。