一种基于深度学习的肺部疾病多层次分类方法、系统及存储介质技术方案

本发明专利技术涉及一种基于深度学习的肺部疾病多层次分类方法、系统及存储介质,所述方法包括：S1:对肺部疾病的图像数据进行处理；S2:采用节点泄漏机制训练卷积神经网络模型，得到肺部疾病的多层次分类模型，并对所述多层次分类模型进行测试；S3:将待分类的肺部疾病的图像数据输入所述多层次分类模型，识别并输出所述肺部疾病所属的类别。本发明专利技术通过节点泄露机制训练模型，得到多层次分类模型，显著提升模型性能，可以准确的对肺结节CT图像进行多层次分类并提高肺结节病种判断的准确度。

【技术实现步骤摘要】
一种基于深度学习的肺部疾病多层次分类方法、系统及存储介质
本专利技术属于医学图像处理及人工智能
，尤其涉及一种基于深度学习的肺部疾病多层次分类方法、系统及存储介质。
技术介绍
目前，肺癌是中国发病率和死亡率最高的癌症，CT(ComputedTomography,电子计算机断层扫描)图像是最主要的肺癌检测方式。CT图像中肺结节是肺癌的重要征象，影像学检查是发现病变，对病变进行定性定量分析，预测疾病的关键。但是肺结节在CT图像上不好辨识，对肺结节的诊断往往需要经穿刺活检取出部分病灶组织进行病理分析才能确定病变性质和其发展程度。应用深度学习技术对肺结节进行病种多层次的自动分类，可以大大提高医生的工作效率。现有肺结节分类技术对肺结节的分类诊断较为单一，未考虑结节的多层次关联诊断。
技术实现思路
本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于深度学习的肺部疾病多层次分类方法、系统及存储介质，通过建立神经网络模型，对肺部疾病进行二分类和多分类，并通过节点泄露机制训练模型，得到多层次分类模型，显著提升模型性能本文档来自技高网...

【技术保护点】
1.一种基于深度学习的肺部疾病多层次分类方法，其特征在于，所述方法包括以下步骤：/nS1:对肺部疾病的图像数据进行处理；/nS2:采用节点泄漏机制训练卷积神经网络模型，得到肺部疾病的多层次分类模型，并对所述多层次分类模型进行测试；/nS3:将待分类的肺部疾病的图像数据输入所述多层次分类模型，识别并输出所述肺部疾病所属的类别。/n

【技术特征摘要】
1.一种基于深度学习的肺部疾病多层次分类方法，其特征在于，所述方法包括以下步骤：
S1:对肺部疾病的图像数据进行处理；
S2:采用节点泄漏机制训练卷积神经网络模型，得到肺部疾病的多层次分类模型，并对所述多层次分类模型进行测试；
S3:将待分类的肺部疾病的图像数据输入所述多层次分类模型，识别并输出所述肺部疾病所属的类别。


2.根据权利要求1所述的方法，其特征在于，所述对肺部疾病的图像数据进行处理包括对图像数据进行预处理，具体为：
提取肺结节的感兴趣区域ROI所在的3D影像，对数据进行裁剪和加窗操作，将预定比例的数据分别作为训练集和测试集。


3.根据权利要求1所述的方法，其特征在于，所述对肺部疾病的图像数据进行处理包括对图像数据进行扩增操作，具体为：
在指定范围内随机选取旋转的角度和平移的距离，对数据随机进行旋转、平移、镜像的增强操作，然后将其裁剪为48×48×48大小的三维数据。


4.根据权利要求1所述的方法，其特征在于，所述采用节点泄漏机制训练卷积神经网络模型，得到肺部疾病的多层次分类模型，包括：
对图像数据进行二分类以及二分类下的多分类，在二分类时利用二值化交叉熵BCE作为损失函数，在多分类时利用交叉熵CE作为损失函数，训练时在每个多分类端增加泄漏节点进行训练，所述泄漏节点包含的数据为每个分类端类别数据的补集，以此得到多层次分类模型；
其中，
BCE函数如公式(1)所示：



CE函数如公式(2)所示：



其中yi为数据真实标签，为数据预测结果,n为样本数量。


5.根据权利要求1所述的方法，其特征在于，所述对所述多层次分类模型进行测试，包括：
根据测试样本集的模型输出结果，对二分类结果采用Sigmoid函数激活，绘制受试者工作特征曲线ROC，根据约登指数确定最佳分类阈值；对多分类结果采用Softmax函数激活，在激活时忽略泄漏节点，取值最大的一类作为该数据分类类别；
其中，Sigmoid函数如公式(3)所示：



Softmax函数如公式(4)所示：



其中xi为输入，C为维度，yi为预测对象属于第c类的概率。


6.一种基于深度学习的肺部疾病多层次分类系统，其特征在于，所述系统包括：
数据处理模块，...

【专利技术属性】
技术研发人员：高铭泽，杨健程，
申请(专利权)人：点内上海生物科技有限公司，
类型：发明
国别省市：上海;31