一种肺部CT图像中模糊模式的多示例学习识别方法技术

本发明专利技术公开一种肺部CT图像中模糊模式的多示例学习识别方法，属于CT图像处理技术领域。该方法首先对不同模式下的肺部CT图像进行随机抽样并进行预处理，其次对预处理后的样本采用迁移学习的方法进行特征提取，并采用主成分分析法对特征进行降维，最后采用优化后的多示例学习的方案对不同模式的肺部CT图像进行分类。本发明专利技术把卷积神经网络和多示例学习相结合，能够在数据量不足且存在未知的示例标签的情况下利用CNN提取样本特征，采用网格搜索优化多示例学习的参数，有效提高了分类准确率。

【技术实现步骤摘要】
一种肺部CT图像中模糊模式的多示例学习识别方法
本专利技术涉及CT图像处理
，尤其涉及一种肺部CT图像中模糊模式的多示例学习识别方法。
技术介绍
对于不同模糊模式的多层CT序列图像的分类问题，传统的机器学习方法是利用局部二进制模式、定向梯度直方图、ORB、SURF和SIFT等手工提取的特征，需要该领域的专门知识。而卷积神经网络可以作为一个自动的特征提取器，利用浅层来提取每一层CT图像中类似于边缘、轮廓、色调、阴影和纹理等较为低级的特征；利用靠近输出的层提取更加抽象和复杂的特征。但从零开始训练需要大量的有标注的数据。值得注意的是，标注每一层切片图像不仅耗时耗力，而且需要高成本的、特定专业的知识和技能。而迁移学习可以降低对上述的要求。此外，卷积神经网络与传统的机器学习相结合的方法得到越来越多的重视，在很多情况下这种混合方法比单独利用卷积神经网络对图像进行分类所得到的准确率更高。当处理多层CT序列图像时，存在部分切片图像标签未知的情况。此时多示例学习，例如引用-k最近邻(Citation-KNN)，更加适合。具体来说，为识别两种本文档来自技高网...

【技术保护点】
1.一种肺部CT图像中模糊模式的多示例学习识别方法，其特征在于包括如下步骤：/n步骤1：采用随机抽样的方法分别对模式A和模式B的肺部CT图像样本进行采集，并进行预处理；/n步骤2：对预处理后的样本采用迁移学习的方法进行特征提取，并采用主成分分析法对特征进行降维；/n步骤3：基于提取后的特征采用多示例学习的方案对模式A和模式B进行分类。/n

【技术特征摘要】
1.一种肺部CT图像中模糊模式的多示例学习识别方法，其特征在于包括如下步骤：
步骤1：采用随机抽样的方法分别对模式A和模式B的肺部CT图像样本进行采集，并进行预处理；
步骤2：对预处理后的样本采用迁移学习的方法进行特征提取，并采用主成分分析法对特征进行降维；
步骤3：基于提取后的特征采用多示例学习的方案对模式A和模式B进行分类。


2.根据权利要求1所述的一种肺部CT图像中模糊模式的多示例学习识别方法，其特征在于：所述步骤1的过程如下：
步骤1.1：在人体冠状面方向，分别去掉肺部上下两部分含有较小肺区的切片；
步骤1.2：将其余的肺部平均分成n份，n∈Z，从每份中随机抽取一张切片作为一个示例；
步骤1.3：对抽取的示例进行像素值标准化和灰度变换；
步骤1.4：将从同一个肺部CT序列图像中获取的n个样本特征视为一个包。


3.根据权利要求2所述的一种肺部CT图像中模糊模式的多示例学习识别方法，其特征在于：用所述矢状切面方向或斜切面方向代替步骤1.1中的冠状面方向。


4.根据权利要求1所述的一种肺部CT图像中模糊模式的多示例学习识别方法，其特征在于：所述步骤2的过程如下：
步骤2.1：用已知的自然图像数据集预训练卷积神经网络CNN；
步骤2.2：输入步骤1预处理后的样本利用卷积层进行特征提取；<...

【专利技术属性】
技术研发人员：齐守良，徐偲文，马贺，钱唯，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21