一种基于三元胶囊网络算法的肺结节分析方法、装置及存储介质制造方法及图纸

本发明专利技术涉及一种基于三元胶囊网络算法的肺结节分析方法、装置及存储介质，方法包括步骤：构造基于三元胶囊网络算法的肺结节分析模型；获取待分析图像；进行单胶囊网络模块学习，对胶囊网络智能体进行训练；进行三元胶囊网络模块学习，基于三元胶囊网络损失对胶囊网络智能体进行优化；基于学习和优化后的胶囊网络智能体，对CT图像进行分析，给出肺结节的分类结果，即获取患者患有的肺结节的征象；根据分类结果确定待分析图像的数据分析结果，并通过结果确定模块输出。与现有技术相比，本发明专利技术具有提高肺结节的分析准确率等优点。提高肺结节的分析准确率等优点。提高肺结节的分析准确率等优点。

【技术实现步骤摘要】
一种基于三元胶囊网络算法的肺结节分析方法、装置及存储介质


[0001]本专利技术涉及机器学习
，尤其是涉及一种基于三元胶囊网络算法的肺结节分析方法、装置及存储介质。

技术介绍

[0002]随着计算机辅助技术的发展，医学领域也越来越多的使用计算机辅助设备减轻医生的工作强度。医生对患者的身体影像人为观测和分析，伴随着人们健康意识的增强，肺部影像检查诊断需求逐年增多。在医学图像分析领域，目前主要的困难包括以下几种：(一)样本标注复杂，医学图像中病灶的征象表现复杂多样，不同类别结节区分难度大，鉴别和标注需要专业的知识和丰富的经验；这种复杂的标注过程使阅片者容易疲劳，导致诊断结果不稳定，因此每个病灶都需要多个专家用不同的时段进行较验，致使代价高昂。(二)医院放射科医生不足，医生们每天阅片任务繁重，无法抽出专门时间做样本标注，导致医学图像分析研究领域样本不足。在肺结节分类及其相关医学图像分类领域，胶囊网络强化学习已经开始引起人们的兴趣。Silva使用一组3D几何特征结合强化学习方法，对肺结节进行良/恶性分类，得到了81％的准确度。Ali在AlphaGo系统的启发下提出了一种基于深度强化学习的肺结节检测算法，其中智能体采用卷积神经网络。该方法在LIDC
‑
IDRI数据库上训练并做测试，结果得到了64.4％的总体准确率(敏感性58.9％，特异性55.3％，PPV 54.2％，和NPV 60％)。至于三元损失函数，目前尚未在肺结节分类领域发现相关的应用。在医学图像领域，Puch提出了一种基于深度三元网络的小样本学习模型对脑MRI图像进行分类。结果表明，在样本有限的情况下，该模型比传统的卷积神经网络分类器更能准确地识别不同模式的图像。Medela在一项研究工作中验证了采用三元组网络技术可以通过使用很少的训练图像即可将知识从定义良好的源数据(结肠组织图像)迁移到由结肠、肺和乳腺组织图像构成的更通用领域。
[0003]基于强化学习的图像分析技术逐渐得到医生的信赖和采用，特别是肺结节的检测任务；基于强化学习的图像分析技术能够大大减少医生的工作量。然而影像科专家无法额外抽出大量时间做样本标注工作，导致医学图像分析研究领域样本不足和准确率不高。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于三元胶囊网络算法的肺结节分析方法、装置及存储介质，用于提高分析肺结节的准确率。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种基于三元胶囊网络算法的肺结节分析方法，该方法包括如下步骤：
[0007]S1：构造基于三元胶囊网络算法的肺结节分析模型，所述肺结节分析模型包括记忆池模块、单胶囊网络模块、三元胶囊网络模块、识别模块和结果确定模块。
[0008]S2：获取待分析图像。
[0009]S3：进行单胶囊网络模块学习，对胶囊网络智能体进行训练。具体地，保持CT图像上的滑动窗口的大小不变，使每一张CT提取的图像块数确定，在强化学习的过程中每一轮的状态数M为确定的，对比单胶囊网络诊断结果与标定结果的异同，相应计算在每个图像块上的动作回报。
[0010]对比单胶囊网络诊断结果与标定结果的异同的具体方法为：
[0011]对于一个图像块s
t
，若单胶囊网络诊断正确，则给予奖励值，即回报值r；否则给予奖励值为0；判断单胶囊网络诊断结果是否正确的判断方法为：
[0012]A：若图像块s
t
区域与标定结果某个病灶区域重叠，则进一步检查此图像块的分类结果与标定结果的征象类别标签是否一致，若一致，则判断单胶囊网络诊断结果正确，否则判断诊断结果错误；
[0013]B：若图像块s
t
区域不与标定结果的任何病灶区域重叠，且该图像块的分类结果为阴性，则判断单胶囊网络诊断结果正确，否则判断单胶囊网络诊断结果错误。
[0014]S4：进行三元胶囊网络模块学习，基于三元胶囊网络损失对胶囊网络智能体进行优化。
[0015]S5：向学习到的胶囊网络输入肺部CT图像，模型对CT图像进行滑窗处理，得到一系列的状态。
[0016]S6：根据分类结果确定待分析图像的数据分析结果，并通过结果确定模块输出。
[0017]进一步地，S1中，构造基于三元胶囊网络算法的肺结节分析模型的具体内容为：
[0018]11)输入若干图片，设置初始学习参数，包括记忆池模块中记忆池D的存储量N，临时记忆池D
T
的容量H、回报值r、间隔因子α、小批次的数B，训练迭代次数EPOCHS，以及胶囊网络初始参数ω
c
；
[0019]12)对于一张512
×
512像素的CT图像，采用K
×
K像素的滑动窗口在CT图像上获取32
×
32像素图像块，同时记录下图像块的左上角坐标(x
i
,y
i
)；将每一个图像块设为一个状态s
t
，进而将从CT图像上提取的所有图像块组成所有状态的集合S；
[0020]13)胶囊网络对集合S中的状态s
t
从动作空间A中选择执行相应的分类动作a
t
，输出此状态的类别属性c
j
；
[0021]14)在胶囊网络从一张CT影像上取得的所有图块s
i
执行相应的动作a
t
结束后，将胶囊网络检测的肺结节及其征象分类结果按图像块区域的坐标位置显示回CT图像上，从而构造基于三元胶囊网络算法的肺结节分析模型。
[0022]进一步地，S3中，由单胶囊网络在特征表达之后增加一层全连接层输出每个类别对应的累计奖励Q
target
值：
[0023]Q
target
＝M
×
r
[0024]相应的单步损失函数为：
[0025][0026]式中，L(ω
c
)为损失函数的名称，R(x)为回报函数，为胶囊网络智能体，为锚点图像，a
j
为相应的动作，ω
c
为超参；
[0027]采用单胶囊网络的相应的单步损失函数学习单胶囊网络的参数，直到损失函数小于预设值。
[0028]进一步地，S4中，进行三元胶囊网络模块学习的具体内容为：
[0029]41)一次输入三幅图像，分别为锚点图像正样本图像和负样本图像分别利用胶囊网络从三幅图像中提取特征，进而计算锚点图像与正样本图像之间的欧氏距离d
+
以及锚点图像与负样本图像之间的欧氏距离d
‑
，并对其进行归一化；并在此基础上计算三元损失函数；
[0030]42)将单层胶囊网络的损失函数过渡为三元损失函数；
[0031]43)令三元胶囊网络从状态集S中接收一个状态，计算对应不同类别的奖励Q
target
值，选本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于三元胶囊网络算法的肺结节分析方法，其特征在于，包括下列步骤：1)构造基于三元胶囊网络算法的肺结节分析模型，所述肺结节分析模型包括记忆池模块、单胶囊网络模块、三元胶囊网络模块、识别模块和结果确定模块；2)获取待分析图像；3)进行单胶囊网络模块学习，对胶囊网络智能体进行训练；4)进行三元胶囊网络模块学习，基于三元胶囊网络损失对胶囊网络智能体进行优化；5)向学习到的胶囊网络输入肺部CT图像，模型对CT图像进行滑窗处理，得到一系列的状态；6)根据分类结果确定待分析图像的数据分析结果，并通过结果确定模块输出。2.根据权利要求1所述的基于三元胶囊网络算法的肺结节分析方法，其特征在于，步骤1)中，构造基于三元胶囊网络算法的肺结节分析模型的具体内容为：11)输入若干图片，设置初始学习参数，包括记忆池模块中记忆池D的存储量N，临时记忆池D
T
的容量H、回报值r、间隔因子α、小批次的数B，训练迭代次数EPOCHS，以及胶囊网络初始参数ω
c
；12)对于一张512
×
512像素的CT图像，采用K
×
K像素的滑动窗口在CT图像上获取32
×
32像素图像块，同时记录下图像块的左上角坐标(x
i
，y
i
)；将每一个图像块设为一个状态s
t
，进而将从CT图像上提取的所有图像块组成所有状态的集合S；13)胶囊网络对集合S中的状态s
t
从动作空间A中选择执行相应的分类动作a
t
，输出此状态的类别属性c
j
；14)在胶囊网络从一张CT影像上取得的所有图块s
i
执行相应的动作a
t
结束后，将胶囊网络检测的肺结节及其征象分类结果按图像块区域的坐标位置显示回CT图像上，从而构造基于三元胶囊网络算法的肺结节分析模型。3.根据权利要求2所述的基于三元胶囊网络算法的肺结节分析方法，其特征在于，步骤3)中，进行单胶囊网络模块学习的具体内容为：保持CT图像上的滑动窗口的大小不变，使每一张CT提取的图像块数确定，在强化学习的过程中每一轮的状态数M为确定的，对比单胶囊网络诊断结果与标定结果的异同，相应计算在每个图像块上的动作回报。4.根据权利要求3所述的基于三元胶囊网络算法的肺结节分析方法，其特征在于，对比单胶囊网络诊断结果与标定结果的异同的具体方法为：对于一个图像块s
t
，若单胶囊网络诊断正确，则给予奖励值，即回报值r；否则给予奖励值为0；判断单胶囊网络诊断结果是否正确的判断方法为：A：若图像块s
t
区域与标定结果某个病灶区域重叠，则进一步检查此图像块的分类结果与标定结果的征象类别标签是否一致，若一致，则判断单胶囊网络诊断结果正确，否则判断诊断结果错误；B：若图像块s
t
区域不与标定结果的任何病灶区域重叠，且该图像块的分类结果为阴性，则判断单胶囊网络诊断结果正确，否则判断单胶囊网络诊断结果错误。5.根据权利要求4所述的基于三元胶囊网络算法的肺结节分析方法，其特征在于，步骤3)中，由单胶囊网络在特征表达之后增加一层全连接层输出每个类别对应的累计奖励Q
target
值：
Q
target
＝M
×
r相应的单步损失函数为：式中，L(ω
c
)...

【专利技术属性】
技术研发人员：郑光远，
申请(专利权)人：上海建桥学院有限责任公司，
类型：发明
国别省市：