【技术实现步骤摘要】
一种用于肺癌智能诊断的基于深度图像分割和识别的测定方法
本专利技术涉及医疗
，具体涉及一种用于肺癌智能诊断的基于深度图像分割和识别的测定方法。
技术介绍
肺癌是所有癌症中致死率最高的一种，比一年内死于乳腺癌、前列腺癌和结肠癌的人数还多。医学图像分割是图像处理和图像分析领域中的一个复杂问题。尽管在一些研究中已经解决了胸部X光图像中肺组织分割的问题，但在很多情况下完全自动提取肺区域的结果仍然令人不满意。肺癌最好的生存机会来自早期发现和治疗，这可能通过改进的自动化恶性结节检测方法来帮助。肺的放射科医生通常检测肺结节在片内考虑肋骨的形状和圆形物体的亮度。肺结节是胸腔内小而圆的组织生长。结节一般被认为是小于30mm的尺寸，较大的肿瘤被推定为恶性。结节间5-30MM可能是良性或恶性，随着规模的增大，恶性肿瘤的可能性。有迹象显示，钙化结节良性而更光滑分叶状或结节边缘毛刺可能提示恶性肿瘤。肺的放射科医生通常检测肺结节在片内考虑肋骨的形状和圆形物体的亮度。计算机辅助检测(CAD)技术的研究使肺结节的识别更...
【技术保护点】
1.一种用于肺癌智能诊断的基于深度图像分割和识别的测定方法，其特征在于：采用如下步骤：/n步骤一，结节训练数据集：以天池医疗AI竞赛中提供了肺部CT图像的标记结节的位置，使用天池医疗AI数据集来产生适当的训练集；/n步骤二，肺部区域和结节图像的生成：利用图像分割算法生成肺部区域的mask图像，然后根据mask图像生成肺区域图像；/n步骤三，利用U-Net通过分割检测来发现疑似肺结节，根据肺结节卷积网络分割结果，对分割图像进行二值化分割，提取连接块处理，提取疑似肺结节，/n步骤四：ResNet-50肺癌结节概率预测，采用如下步骤：/n(1)根据步骤三中的形成的疑似肺结节图像，...
【技术特征摘要】
1.一种用于肺癌智能诊断的基于深度图像分割和识别的测定方法，其特征在于：采用如下步骤：
步骤一，结节训练数据集：以天池医疗AI竞赛中提供了肺部CT图像的标记结节的位置，使用天池医疗AI数据集来产生适当的训练集；
步骤二，肺部区域和结节图像的生成：利用图像分割算法生成肺部区域的mask图像，然后根据mask图像生成肺区域图像；
步骤三，利用U-Net通过分割检测来发现疑似肺结节，根据肺结节卷积网络分割结果，对分割图像进行二值化分割，提取连接块处理，提取疑似肺结节，
步骤四：ResNet-50肺癌结节概率预测，采用如下步骤：
(1)根据步骤三中的形成的疑似肺结节图像，利用卷积神经网络，用于疑似肺结节的分类，并确定疑似肺结节是否为真正的肺结节；
(2)使用一个50层的剩余网络学习迁移模型，剩余网络学习迁移模型为ResNet模型；通过固定预训练的权重的ResNet，特征是从五个不同的层中提取；
(3)步骤(2)中的特征从ResNet层的pool1，res2c，res3d，res4f，和pool5中提取出来；
pool1层经过一个单一的卷积层，其次是batchnorm和ReLu层和最大池化层；
res2c层在三层ResNet之后，res3d在七层之后，res4f在十三层之后；
pool5层在十六层后，并且是最后一个平均池层，pool5层在全连接层产生的预测分类的50层ResNet的最后一层；
提取的特征保存到磁盘以加快计算速度；由于ResNet卷积层冻结，故没有必要在深度训练中反向传播；
(1)提取的特征被输入到最终的完全连接层，并且有三个输出；通过解释输出三类肺部结节的非标准概率和最小化这些标记和正确的图像标记之间的交叉熵损失，最后一层被训练为Softmax分类器；其中：三类肺部结节分别为：非肺结节，良性肺结节，恶性肺结节；
单一图像的交叉熵损失的公式如下：
其中，sj是的输出向量，并且jth是正确图像的标记；
(4)深度卷积神经网络的总损失是图像损失的平均值和L2范数正则化项有利于小权重和避免过度拟合训练数据的总和，它的完全损失的公式如下：
其中：λ是一个调节常数，W是权重矩阵；
上述算法试图找到最小化这种损失函数的权重，而这种最小化是通过动量的小批量梯度下降完成的；在每次迭代中，使用如下的动量更新方程更新权重：
W←W+v
其中：α是学习速率，μ是动量参数，并且损失的梯度是在一批训练数据上计算的；
(5)特征提取的最后pool5层与良性或恶性结节也被送入一个单独的回归头结节定位图像；这个完全连接层有四个输出，代表网络对结节周围坐标的预测；通过最小化预测坐标和真正的结节轮廓坐标之间的欧几里德距离来训练这一层的权重；总损失函数是图像的欧氏距离和正则化项的平均值之和，...
【专利技术属性】
技术研发人员：周文生，高为雄，汪明啸，
申请(专利权)人：苏州速游数据技术有限公司，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。