一种基于影像组学小样本学习的肺癌诊断方法技术

本发明专利技术公开了一种基于影像组学小样本学习的肺癌诊断方法，包括，采集癌变细胞图像较小标注量数据构建样本数据集，并分别标记划分为训练集和测试集；利用所述训练集训练深度学习网络，获得loss网络函数；基于量子遗传策略搜寻所述loss网络函数随机生成的初始参数的最优解；利用所述loss网络函数的最优解对测试集进行多次测试并获得测试精度；直至满足精度要求时输出所述loss网络函数的诊断识别结果，完成肺癌诊断。本发明专利技术通过量子遗传算法寻找loss网络函数的最优解，实现深度学习网络可以用于小样本学习，解决医用标记样本不足的问题。

【技术实现步骤摘要】
一种基于影像组学小样本学习的肺癌诊断方法
本专利技术涉及深度学习的
，尤其涉及一种基于影像组学小样本学习的肺癌诊断方法。
技术介绍
近年来，胸部低剂量螺旋CT筛查逐渐应用于肺癌的临床筛查,其与常规剂量CT诊断肺内结节的灵敏度和特异度差别不大，但辐射剂量降低了一个数量级。正电子发射计算机断层显像-CT将功能与解剖成像结合在一起，根据病变形正常组织与病变组织代谢上的差异对肿瘤进行诊断，但对CT征象不典型及非肿瘤性高代谢病的患者存在一定的误诊率网；此外,PET-CT对表现为磨玻璃结节的肺腺癌及其癌前病变的灵敏度不高，虽然病理诊断仍是诊断肺癌的金标准，但肿瘤组织具有时间和空间异质性,穿刺或镜下活检不能对肿瘤进行全面整体的分析，且患者难以耐受多次动态有创活检而需要调整治疗方案。虽然影像组学可以从影像数据中提取更多、更全面的特征，对病变进行动态、深入的分析，但准确的检测结果需要依靠大量的影像数据支撑，而数据样本的采集需要耗费大量人力及时间，且医用标记样本不足。
技术实现思路
本部分的目的在于概述本专利技术的实施例的一些方面本文档来自技高网...

【技术保护点】
1.一种基于影像组学小样本学习的肺癌诊断方法，其特征在于：包括，/n采集癌变细胞图像较小标注量数据构建样本数据集，并分别标记划分为训练集和测试集；/n利用所述训练集训练深度学习网络，获得loss网络函数；/n基于量子遗传策略搜寻所述loss网络函数随机生成的初始参数的最优解；/n利用所述loss网络函数的最优解对测试集进行多次测试并获得测试精度；/n直至满足精度要求时输出所述癌变细胞图像的识别结果，完成肺癌诊断。/n

【技术特征摘要】
1.一种基于影像组学小样本学习的肺癌诊断方法，其特征在于：包括，
采集癌变细胞图像较小标注量数据构建样本数据集，并分别标记划分为训练集和测试集；
利用所述训练集训练深度学习网络，获得loss网络函数；
基于量子遗传策略搜寻所述loss网络函数随机生成的初始参数的最优解；
利用所述loss网络函数的最优解对测试集进行多次测试并获得测试精度；
直至满足精度要求时输出所述癌变细胞图像的识别结果，完成肺癌诊断。


2.如权利要求1所述的基于影像组学小样本学习的肺癌诊断方法，其特征在于：所述数据集包括，
利用DICOM标准格式的临床CT或PET-CT图像，导入影像组学特征提取软件采集影像组学一阶、二阶及高阶特征，作为所述样本数据集；
其中，定义80％的所述样本数据集作为所述训练集，定义20％的所述样本数据集作为所述测试集。


3.如权利要求1或2所述的基于影像组学小样本学习的肺癌诊断方法，其特征在于：所述深度学习网络包括，
基于卷积神经网络中的VGG网络模型进行构建；
利用3×3的卷积核，且卷积层中输出特征图尺寸不变，通道数加倍，池化层中输出的特征图尺寸减半。


4.如权利要求3所述的基于影像组学小样本学习的肺癌诊断方法，其特征在于：所述VGG网络模型，还包括，
利用VGG16网络模型进行所述癌变细胞的图像特征训练，所述网络模型包括，13层卷积层，5层池化层和3层全连接层；
卷积层：用于对癌变细胞图像进行特征提取；
池化层：用于选择和过滤卷积层输出的特征图像，从而压缩特征矩阵；
全连接层：用于进行图像特征的分类，实现对癌变细胞的初筛。


5.如权利要求4所述的基于影像组学小样本学习的肺癌诊断方法，其特征在于：所述loss函数包括，
初始化初代t＝0和最大的迭代次数T，设置全局最优解为Max_Global＝0和最低错误率，初始化系统参数；
将收集到的特征样本输入所述VGG16网络，初始化参数计算出所述loss函数。


6.如权利要求5所述的基于影...

【专利技术属性】
技术研发人员：刘亚峰，
申请(专利权)人：徐州云联医疗科技有限公司，
类型：发明
国别省市：江苏;32