[发明专利]一种基于卷积神经网络的目标检测实现肺部微小结节检测的方法

摘要

本发明公开了一种基于卷积神经网络的目标检测实现肺部微小结节检测的方法，包括以下步骤步骤A，采用边缘检测算法和二维高斯随机采样获取肺部CT图像中的待检测的疑似区域；步骤B，采用基于无监督训练单层与有监督整体微调的混合卷积神经网络(HCNN)提取表达肺部微小结节的特征；步骤C，使用基于核函数的支持向量机(SVM)分类器作为微小结节的分类方法；步骤D，根据分类结果对原始CT图像进行标注。本发明的方法基于无监督和有监督联合的卷积神经网络实现肺部微小结节检测，并使用多种方法增强特征表示的鲁棒性，是肺部微小结节检测的有效方案，对于医师判断肺部微小结节具有辅助意义，减少了医师对诊断经验的过度依赖。

主权项

一种基于卷积神经网络的目标检测实现肺部微小结节检测的方法，其特征在于，包括以下步骤：步骤A，采用边缘检测算法和二维高斯随机采样获取肺部CT图像中的待检测的疑似区域；为提高疑似区域特征的鲁棒性，对疑似区域进行预处理，即以原始ROI区域左上端顶点、右上端顶点、左下端顶点、右下端顶点分别为中心进行采样，同时，获取三个尺度的图像块作为原始数据的扩展，为之后提取表达肺部微小结节的特征以及分类器提供的疑似区域ROI图像；步骤B，采用基于无监督训练单层与有监督整体微调的混合卷积神经网络(HCNN)提取表达肺部微小结节的特征；首先对于框架中的卷积层，使用无监督的方式进行参数调整，使得前向提取的特征在反向重构之后与输入尽可能相似，其次网络的整体调整方案由分类代价函数获取，并对整体网络参数进行微调；在无监督方式与有监督方式混合训练后获得表达微小结节的鲁棒性特征；步骤C，使用基于核函数的支持向量机(SVM)分类器作为微小结节的分类方法；将多个并行的ROI区域特征联合，并使用PCA方法对联合特征进行降维，获取ROI区域的特征，并输入至支持向量机分类器对ROI区域进行二分类判别；步骤D，根据分类结果对原始CT图像进行标注；使用判别结果及疑似区域位置对原始CT图像进行微小结节区域标注。