【技术实现步骤摘要】
一种肺结节多视图分类方法
本专利技术涉及多视图分类方法领域，特别涉及一种肺结节多视图分类方法。
技术介绍
肺癌已经成为导致病人死亡的恶性疾病中最主要的一种,由于发病率高,而确诊后的治愈率较低,所以患者的存活率一直处于较低的水平。CT技术广泛应用为医生在诊断肺部病灶方面提供了精确的帮助,但是肺癌患者数量仍然居高不下的原因主要有3点:(1)肺部CT扫描图像数量庞大,有经验的阅片医生不足以应付快速增长的病例。(2)肺部的血管、组织较多,与肺部病灶相互交织在一起不易分辨。(3)传统的机器学习方法主要是通过人工提取病灶的低层特征,不同的专家有着不同的提取方法,而不同的特征对于分类结果有着很大的影响。自深度学习技术应用于医学影像以来，在肺癌防控强烈需求驱动下，肺结节计算机辅助分类技术表现出深度学习、数据驱动、特征自学习、处理端到端等新特征。因此，围绕肺结节分类和属性特征学习等技术，设计肺结节辅助诊断新型网络结构成为肺结节筛查技术的发展重点，涌现出多种适用于医学影像分析的新型神经网络结构。这些网络通过堆叠深度学习模型结构来获取图像...
【技术保护点】
1.一种肺结节多视图分类方法，其特征在于：包括如下步骤：/nS100：选择公开医疗数据集，该数据集包含多个样本，每个样本包括肺结节图片、该图片上图像的边缘特征吻合度实际得分
【技术特征摘要】
1.一种肺结节多视图分类方法，其特征在于：包括如下步骤：
S100：选择公开医疗数据集，该数据集包含多个样本，每个样本包括肺结节图片、该图片上图像的边缘特征吻合度实际得分和该图片上图像的实际良恶分类结果得分选择部分样本作为训练集；
S200：建立多视图网络结构模型，具体步骤如下：
S210：选择一样本，以该样本中的肺结节图片中心为中轴对该图片进行连续切片处理，获得N张连续切片，并将N张连续切片上的图像数据转换为所需的数据结构；
S220：将转换数据结构后的N张连续切片作为输入，利用卷积函数提取该N张连续切片的初步特征Oz×x×y；
S230：设将作为输入，使用Sobel边缘检测算子计算该N张连续切片的边缘特征具体表达式如下：
其中，表示第i张切片的初步特征；
S240：对进行连续卷积得到该切片的最终特征向量具体表达式如下：
其中，表示第i张切片的边缘特征；
S250：设X3为该图像所有切片的最终特征向量集合，具体表达式如下：
其中，i＝1，2，…，N；
将X3作为输入，计算得到多视图网络结构模型：
(s，m2)＝fc(cat(X3)(2-4)
其中，cat(·)表示级联操作，fc(·)表示全连接函数，m2表示分类结果，s表示边缘特征吻合度得分；
S300：选择一个样本，将该样本中的肺结节图片作为多视图网络结构模型的输入，输出为该肺结节的分类结果m2和该肺结节图像的边缘特征吻合度得分s；
S400：将s作为损失函数的输入，通过损失函数更新多视图网络结构模型的相关参数；
S500：预设最大迭代次数，重复步骤S300-S400，将训练集数据作为输入，对多视图网络结构模型进行训练，通过反向传播更新多视图网络结构模型的参数，当训练达到最大迭代次数时停止，得到训练好的多视图网络结构模型；
S600：将待预测肺结节图像输入训练好的多视图网络结构模型，输出分类结果m2；
其中，m2的值为1或者0，1表示肺结节为恶性，0表示肺结节为良性，即以此表示肺结节的良恶分类结果。
2.如权利要求1所述的一种肺结节多视图分类方法，其特征在于：所述S220中利用卷积函数提取该N张连续切片的初步特征Oz×x×y的具体步骤如下：
S221：建立加入空洞卷积函数后的卷积模块，具体表达式如下：
convd(Mc×w×h)＝Nz×x×y(2-5)
其中，convd(·)为添加了空洞卷积后的卷积模块；Mc×w×h表示连续切片向量，c表示切片的通道数，w表示切片的宽，h表示切片的高；Nz×x×y表示连续切片的多维度向量，z表示Nz×x×y的通...
【专利技术属性】
技术研发人员：杨晗，申璐，张萌苛，王秋里，洪明坚，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50
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。