一种基于改进CNN的肺结节计算机辅助诊断装置及方法制造方法及图纸

本发明专利技术提供一种基于改进CNN的肺结节计算机辅助诊断装置及方法，涉及计算机辅助诊断技术领域。该装置及方法通过标签提取器、窗口定位器、图像分割器对胸腔CT图像进行标签提取、分割得到肺结节CT图像；然后将处肺结节CT图像输入到图像特征提取器，提取肺结节CT图像的特征映射图，并对特征映射图进行压缩；最后将肺结节的特征映射图整合成一个特征向量；同时使用反馈优化器和泛化器对整个提取图像特征向量的过程进行调优；然后将特征向量输入到数据训练器中进行数据的训练，最后通过辅助诊断器实现对肺结节良恶性的诊断。本发明专利技术装置及方法，可以得到更好的准确率和更低的误诊率，获得了更好的肺结节良恶性辅助诊断的效果。

A Computer Aided Diagnostic Device and Method for Pulmonary Nodules Based on Improved CNN

【技术实现步骤摘要】
一种基于改进CNN的肺结节计算机辅助诊断装置及方法
本专利技术涉及计算机辅助诊断
，尤其涉及一种基于改进CNN的肺结节计算机辅助诊断装置及方法。
技术介绍
CT扫描技术是人们广泛认可的能够对肺癌进行早期检测、诊断和筛查最有效、最重要的方法，对比于其他医学成像技术，CT技术能够精准的检测出大多数的肺结节。传统的肺结节辅助诊断方法需要人工手动的提取特征，没有统一的标准，需要花费大量的时间和精力。而且提取的特征无法全面的表述图像的性质。深度学习可以很好的解决这个问题。深度学习在图像处理方面有着明显的优势，在图像提取特征上只需要将图片输入就能够自动的提取特征，而且能够保证提取的特征质量很高，并且提取的特征能够更全面的表述图像的本质。卷积神经网络(ConvolutionalNeuralNetwork，，即CNN)肺结节的辅助诊断的过程中，能够提取出质量高的特征，而且能够获得良好的分类精确度，但是其分类精确度依然不到临床上使用的标准，因此，提高深度学习的精确度是十分有意义的。
技术实现思路
本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种基于改进CNN的肺结节计算机辅助诊断装置及方法，通过计算机实现对肺结节的辅助诊断。为解决上述技术问题，本专利技术所采取的技术方案是：一方面，本专利技术提供一种基于改进CNN的肺结节计算机辅助诊断装置，包括标签提取器、窗口定位器、图像分割器、图像特征提取器、反馈优化器、泛化器、数据训练器及辅助诊断器；通过标签提取器、窗口定位器、图像分割器对胸腔CT图像进行标签提取和分割得到肺结节CT图像；然后将处理后得到的肺结节CT图像输入到图像特征提取器，提取肺结节CT图像的特征映射图，并对特征映射图进行压缩，提取图像特征并简化计算复杂度；最后将肺结节的特征映射图整合成一个特征向量；同时使用反馈优化器和泛化器对整个提取图像特征向量的过程进行调优，减少输出误差；然后将这个特征向量输入到数据训练器中进行数据的训练，最后通过辅助诊断器实现对肺结节良恶性的诊断；所述标签提取器用于根据公开的胸腔CT图像数据库中的XML文件提取胸腔CT图像中的肺结节标注的肺结节良恶性级别及肺结节位置坐标，得到肺结节标注(N0，N1，…，Nl-1)，其中，l为肺结节CT图像中肺结节的个数，Ni为第i个肺结节的良恶性级别，i＝0，1，…，l-1；所述窗口定位器用于根据公开的胸腔CT图像数据库中的XML文件提取胸腔CT图像中标注的肺结节位置坐标，并通过求三个以上标签中同一个肺结节的中心点坐标的平均值，得到肺结节的中心坐标((x0，y0)，(x1，y1)，…，(xl-1，yl-1))，其中xi为第i个肺结节的横坐标，yi为第i个肺结节的纵坐标；所述图像分割器根据窗口定位器提供的肺结节的中心坐标值，对胸腔CT图像用64×64的窗口进行分割，得到肺结节CT图像(I0，I1，…，Il-1)，其中Ii为第i个肺结节对应的肺结节CT图像；所述图像特征提取器采用卷积神经网络提取肺结节CT图像的特征映射图，并对特征映射图进行压缩，提取图像特征并简化计算复杂度，该卷积神经网络包括若干个卷积层、若干个激活层、若干个池化层和一个全连接层；所述卷积层用于提取肺结节CT图像的特征，包括多个卷积核，图像经过每个卷积核会进行卷积计算并得到相应的特征映射图，并将得到的特征映射图输入到激活层中；所述激活层将卷积层的输出结果用ReLU函数做非线性变换后再输出，提升收敛速度；所述池化层使用最大值采样的方法对激活层输出数据的各个维度进行空间的采样，检测生成的特征映射的最大响应而减少特征图的分辨率，进一步降低特征映射图的规模；所述全连接层将图像数据经若干个卷积层、激活层、池化层后得到的特征映射图组合成一个n维的特征向量ti＝[ti1，ti2，…，tin]T∈Rn，其中，ti是第i个肺结节CT图像的特征向量，tij是第i个肺结节CT图像的特征向量中的第j个特征值，j＝1，…，n，Rn表示n维的向量空间；所述泛化器使用dropout算法，让全连接层中的节点以0.5的概率临时停止工作，减少节点之间的相互作用，以解决卷积神经网络的过拟合问题；所述反馈优化器利用反向传播(BackPropagation，即BP)通过信号正向传播与误差反向传播调整卷积层和池化层的权值，减少卷积神经网络的输出误差；所述数据训练器在极限学习机(ExtremeLearningMachine，即ELM)上训练肺结节CT图像的特征向量数据，得到ELM的参数(w，b，β)，其中，为ELM输入层与隐含层之间的连接权值，wj′i′表示ELM输入层第i′个神经元与隐含层第j′个神经元的连接权值，j′＝1、2、…、l′，l′为ELM输入层神经元个数，i′＝1、2、…、t′，t′为ELM隐含层神经元个数，b为ELM隐含层神经元的阈值，βj′k表示ELM隐含层第j′个神经元与输出层第k个神经元的连接权值，k＝1、2、…、m，m为ELM输出层神经元个数；所述辅助诊断器利用极限学习机及数据训练器中的输入、输出数据，实现在ELM上对肺结节的良恶性的辅助诊断。另一方面，本专利技术还提供一种基于改进CNN的肺结节计算机辅助诊断方法，包括以下步骤：步骤1：对胸腔CT图像进行解析，确定肺结节的位置，分割肺结节图像以及对肺结节图像进行相应的预处理，具体方法为：步骤1-1：通过标签提取器提取肺结节良恶性信息标注：用标签提取器解析公开的胸腔CT图像数据库中的XML文件，查询并提取XML文件中一组<readingSession>和</readingSession>标签的子标签<maligancy>下对肺结节良恶性级别标注的内容并存储，得到肺结节标注信息(N0，N1，…，N1-1)；步骤1-2：通过窗口定位器确定肺结节中心坐标；用窗口定位器在XML文件中查询到三组<readingSession>和</readingSession>标签，分别在它们的子标签<xCoord>和子标签<yCoord>后提取肺结节轮廓的横坐标和纵坐标的值，并求得该组标签下肺结节中心坐标的值，然后求三组<readingSession>和</readingSession>标签所得肺结节中心坐标的平均值，得到每个肺结节误差最小的中心点坐标((x0，y0)，(x1，y1)，…，(xl-1，yl-1))；步骤1-3：通过图像分割器得到肺结节CT图像；结合窗口定位器记录的肺结节中心坐标，使用64×64的窗口在胸腔CT对肺结节部分进行分割得到肺结节CT图像(I0，I1，…，Il-1)；步骤2：通过卷积神经网络提取肺结节的特征映射图并最终整合成一个特征向量，具体方法为：步骤2-1：将从图像分割器得到的肺结节CT图像(I0，I1，…，，Il-1)输入到卷积层中，输出特征图；步骤2-2：将卷积层的输出输入到激活层中进行非线性变换；步骤2-3：将激活层的输出结果输入池化层进行最大值采样，进一步降低数据规模；步骤2-4：重复步骤2-1至2-3，最后得到20个4×4的特征图；步骤2-5：将20个4×4的特征图输入到全连接层中，同时使用泛化器和反馈优化器来解决卷积神经网络的过拟合问题并本文档来自技高网...

【技术保护点】
1.一种基于改进CNN的肺结节计算机辅助诊断装置，其特征在于：包括标签提取器、窗口定位器、图像分割器、图像特征提取器、反馈优化器、泛化器、数据训练器及辅助诊断器；通过标签提取器、窗口定位器、图像分割器对胸腔CT图像进行标签提取和分割得到肺结节CT图像；然后将处理后得到的肺结节CT图像输入到图像特征提取器，提取肺结节CT图像的特征映射图，并对特征映射图进行压缩，提取图像特征并简化计算复杂度；最后将肺结节的特征映射图整合成一个特征向量；同时使用反馈优化器和泛化器对整个提取图像特征向量的过程进行调优，减少输出误差；然后将这个特征向量输入到数据训练器中进行数据的训练，最后通过辅助诊断器实现对肺结节良恶性的诊断。

【技术特征摘要】
1.一种基于改进CNN的肺结节计算机辅助诊断装置，其特征在于：包括标签提取器、窗口定位器、图像分割器、图像特征提取器、反馈优化器、泛化器、数据训练器及辅助诊断器；通过标签提取器、窗口定位器、图像分割器对胸腔CT图像进行标签提取和分割得到肺结节CT图像；然后将处理后得到的肺结节CT图像输入到图像特征提取器，提取肺结节CT图像的特征映射图，并对特征映射图进行压缩，提取图像特征并简化计算复杂度；最后将肺结节的特征映射图整合成一个特征向量；同时使用反馈优化器和泛化器对整个提取图像特征向量的过程进行调优，减少输出误差；然后将这个特征向量输入到数据训练器中进行数据的训练，最后通过辅助诊断器实现对肺结节良恶性的诊断。2.根据权利要求1所述的一种基于改进CNN的肺结节计算机辅助诊断装置，其特征在于：所述标签提取器用于根据公开的胸腔CT图像数据库中的XML文件提取胸腔CT图像中的肺结节标注的肺结节良恶性级别及肺结节位置坐标，得到肺结节标注(N0，N1，…，Nl-1)，其中，l为肺结节CT图像中肺结节的个数，Ni为第i个肺结节的良恶性级别，i＝0，1，…，l-1；所述窗口定位器用于根据公开的胸腔CT图像数据库中的XML文件提取胸腔CT图像中标注的肺结节位置坐标，并通过求三个以上标签中同一个肺结节的中心点坐标的平均值，得到肺结节的中心坐标((x0，y0)，(x1，y1)，…，(xl-1，yl-1))，其中xi为第i个肺结节的横坐标，yi为第i个肺结节的纵坐标；所述图像分割器根据窗口定位器提供的肺结节的中心坐标值，对胸腔CT图像用64×64的窗口进行分割，得到肺结节CT图像(I0，I1，…，Il-1)，其中Ii为第i个肺结节对应的肺结节CT图像；所述图像特征提取器采用卷积神经网络提取肺结节CT图像的特征映射图，并对特征映射图进行压缩，提取图像特征并简化计算复杂度，该卷积神经网络包括若干个卷积层、若干个激活层、若干个池化层和一个全连接层；所述泛化器使用dropout算法，让全连接层中的节点以0.5的概率临时停止工作，减少节点之间的相互作用，以解决卷积神经网络的过拟合问题；所述反馈优化器利用反向传播方法通过信号正向传播与误差反向传播调整卷积层和池化层的权值，减少卷积神经网络的输出误差；所述数据训练器在极限学习机ELM上训练肺结节CT图像的特征向量数据，得到ELM的参数；所述辅助诊断器利用极限学习机及数据训练器中的输入、输出数据，实现在ELM上对肺结节的良恶性的辅助诊断。3.根据权利要求2所述的一种基于改进CNN的肺结节计算机辅助诊断装置，其特征在于：所述卷积层用于提取肺结节CT图像的特征，包括多个卷积核，图像经过每个卷积核会进行卷积计算并得到相应的特征映射图，并将得到的特征映射图输入到激活层中；所述激活层将卷积层的输出结果用ReLU函数做非线性变换后再输出，提升收敛速度；所述池化层使用最大值采样的方法对激活层输出数据的各个维度进行空间的采样，检测生成的特征映射的最大响应而减少特征图的分辨率，进一步降低特征映射图的规模；所述全连接层将图像数据经若干个卷积层、激活层、池化层后得到的特征映射图组合成一个n维的特征向量ti＝[ti1，ti2，…，tin]T∈R...

【专利技术属性】
技术研发人员：信俊昌，罗艺栖，王之琼，林志祥，李云飞，姚钟铭，范子嘉，曲璐渲，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21