基于深度学习的肺癌CT图像亚型分类方法技术

本发明专利技术提出了一种基于深度学习的肺癌CT图像亚型分类方法，包括以下步骤：S1，预处理：采集CT图像原始数据信息并进行预处理，得到增强后的数据集，并将预处理之后的CT图像数据划分为测试集和训练集；S2，构建模型：构建改进的3D

【技术实现步骤摘要】
基于深度学习的肺癌CT图像亚型分类方法


[0001]本专利技术涉及医学图像分类
，特别是涉及一种基于深度学习的肺癌CT图像亚型分类方法。

技术介绍

[0002]目前中国各类癌症的发病率和死亡率居各种疾病之首，其中又以肺癌的发病率和死亡率均居各种恶性肿瘤之首，主要分为小细胞肺癌和非小细胞肺癌，非小细胞肺癌(NSCLC)的两个主要亚型是肺鳞癌(SCC)和肺腺癌(ADC)，分别占20％和40％。因此，肺癌的准确分类是个体化治疗和系统治疗决策的第一步，也是至关重要的一步。到目前为止，在常规临床实践中，术后活检和病理组织切片是确定肺癌亚型的主要方法。这两种方法都属于侵入性诊断方法，肺结节穿刺活检伴随的感染、出血和气胸等一系列风险、组织获取的有限性以及病理确诊的耗时性导致的治疗推迟是临床普遍存在的问题。总而言之，发展非侵入性方法来对肺癌亚型进行分类可以帮助医生更好地做出治疗决策。此外，他们还可以为那些无法获得足够组织进行组织病理学检查的患者提供其他方法来了解结果。

技术实现思路

[0003]本专利技术旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于深度学习的肺癌CT图像亚型分类方法。
[0004]为了实现本专利技术的上述目的，本专利技术提供了一种基于深度学习的肺癌CT图像亚型分类方法，包括以下步骤：
[0005]S1，预处理：采集CT图像原始数据信息并进行预处理，得到增强后的数据集，并将预处理之后的CT图像数据划分为测试集和训练集；
[0006]S2，构建模型：构建改进的3D
‑
LungNet网络模型，用于对预处理后的图像进行特征提取；所述改进的3D
‑
LungNet网络模型是基于三维卷积网络3D
‑
LungNet，并借鉴了ResNet中的跳接方法。该网络能有效地从输入CT图像中提取信息，并能进行端到端的有效训练。
[0007]S3，训练模型：将训练集输入到所述改进的3D
‑
LungNet网络模型中进行训练，得到训练好的CT图像分类模型；
[0008]S4，测试集输入模型：将所述测试集输入到所述CT图像分类模型中，得到CT图像分类结果。
[0009]进一步地，所述CT图像原始数据为在手术前或任何化疗前获得且包含结节位置信息。
[0010]进一步地，所述预处理包括：
[0011]将CT图像重采样为统一规格，3D图像块的线性尺寸调整为每像素1mm；然后归一化到[
‑
1，1]的范围，并进行数据增广。
[0012]每张CT图像由多个3D图像块组成。
[0013]数据增广包括裁剪感兴趣的区域、旋转、平移等数据增广方式。
[0014]进一步地，所述改进的3D
‑
LungNet网络模型包括：输入模块、特征提取模块以及分类模块，输入模块的数据输出端与特征提取模块的数据输入端相连，特征提取模块的数据输出端与分类模块的数据输入端相连；
[0015]输入模块：输入d
×
d
×
d像素的3D图像块；
[0016]特征提取模块：通过各个层级网络提取输入图像的特征；
[0017]分类模块：根据提取的特征对待测图像进行分类，得到预测分类结果；具体包括：通过全局平均池化GAP，从完全连接层Dense输出三个概率值，分别对应于肺鳞癌、肺腺癌和小细胞癌，概率最大的类别为分类结果。
[0018]进一步地，所述特征提取模块包括：
[0019]S
‑
A，通过批量归一化层BN和一个卷积网络用于提取包含局部细节的特征；
[0020]卷积网络具有提升对局部细节的特征提取能力，使用四个卷积层代替普通卷积核，在降低退化现象的同时实现局部特征增强。
[0021]所述卷积网络有4层，卷积核分别为d
×
d
×
d、1
×
d
×
d、d
×1×
d和d
×
d
×
1，每个卷积核的滤波器数量为64。
[0022]S
‑
B，进入积木模块，用于计算图像坐标、纹理等全局特征信息的核心结构；
[0023]S
‑
C，通过批量归一化层BN和激活函数层RELU，RELU的作用是增加线性特征的非线性，避免过拟合。
[0024]进一步地，所述卷积网络使用d
×
d
×
d、1
×
d
×
d、d
×1×
d和d
×
d
×
1的卷积核来滑动提取特征，并在四个分支的卷积后进行Batch Normalization操作得到每各分支的输出，将各层输出相加得到丰富的特征空间：
[0025][0026]其中Y为最后输出结果；
[0027]Y1、Y2、Y3、Y4分别为四个分支的卷积结果；
[0028]I为输入数据；
[0029]w1、w2、w3、w4分别表示各分支在融合计算时的权重；
[0030]η1、η2、η3、η4分别表示各分支归一化的标准差；
[0031]K
d
×
d
×
d
表示尺寸为d
×
d
×
d的卷积核；
[0032]K1×
d
×
d
表示尺寸为1
×
d
×
d的卷积核；
[0033]K
d
×1×
d
表示尺寸为d
×1×
d的卷积核；
[0034]K
d
×
d
×1表示尺寸为d
×
d
×
1的卷积核；
[0035]c表示为各分支输出融合后的偏置量；
[0036]为加运算。
[0037]进一步地，所述积木模块由六个单独的构造块组成，数据从第一个构造块进入，然后依次通过之后的构造块；
[0038]第一个构造块的卷积步长为1，这是为了保持特征图，之后每个构造块结构的步长为2，这代表了可以减少特征图的下采样。最终输出的图像大小为2*2*2；
[0039]其中每个构造块中都有过滤器，前四个构造块的过滤器数量为32，其余构造块的过滤器数量设置为64。过滤器越多对图像特征的计算能力更强，但对算力要求也更高，因此在兼顾两者的情况下，将前四个设置为32。
[0040]进一步地，所述构造块由第一残差块与第二残差块模块构成；
[0041]第一残差块的输入端与卷积层相连，卷积层的输出端与第一残差块的输出端相连，再通过加运算，把经过第一残差块的数据与经过所述卷积层的数据进行整合；
[0042]将整合后的数据输入第二残差块，
[0043]第二残差块的输出本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的肺癌CT图像亚型分类方法，其特征在于，包括以下步骤：S1，预处理：采集CT图像原始数据信息并进行预处理，得到增强后的数据集，并将预处理之后的CT图像数据划分为测试集和训练集；S2，构建模型：构建改进的3D
‑
LungNet网络模型，用于对预处理后的图像进行特征提取；S3，训练模型：将训练集输入到所述改进的3D
‑
LungNet网络模型中进行训练，得到训练好的CT图像分类模型；S4，测试集输入模型：将所述测试集输入到所述CT图像分类模型中，得到CT图像分类结果。2.根据权利要求1所述的一种基于深度学习的肺癌CT图像亚型分类方法，其特征在于，所述CT图像原始数据为在手术前或任何化疗前获得且包含结节位置信息。3.根据权利要求1所述的一种基于深度学习的肺癌CT图像亚型分类方法，其特征在于，所述预处理包括：将CT图像重采样为统一规格，3D图像块的线性尺寸调整为每像素1mm；然后归一化到[
‑
1，1]的范围，并进行数据增广。4.根据权利要求1所述的一种基于深度学习的肺癌CT图像亚型分类方法，其特征在于，所述改进的3D
‑
LungNet网络模型包括：输入模块、特征提取模块以及分类模块，输入模块的数据输出端与特征提取模块的数据输入端相连，特征提取模块的数据输出端与分类模块的数据输入端相连；输入模块：输入d
×
d
×
d像素的3D图像块；特征提取模块：通过各个层级网络提取输入图像的特征；分类模块：根据提取的特征对待测图像进行分类，得到预测分类结果；具体包括：通过全局平均池化GAP，从完全连接层Dense输出三个概率值，分别对应于肺鳞癌、肺腺癌和小细胞癌，概率最大的类别为分类结果。5.根据权利要求4所述的一种基于深度学习的肺癌CT图像亚型分类方法，其特征在于，所述特征提取模块包括：S
‑
A，通过批量归一化层BN和一个卷积网络用于提取包含局部细节的特征；S
‑
B，进入积木模块，用于计算全局特征信息的核心结构；S
‑
C，通过批量归一化层BN和激活函数层RELU。6.根据权利要求5所述的一种基于深度学习的肺癌CT图像亚型分类方法，其特征在于，所述卷积网络使用d
×
d
×
d、1
×
d
×
d、d
×1×
d和d
×
d
×
1的卷积核来滑动提取特征，并在四个分支的卷积后进行Batch Normalization操作得到每各分支的输出，将各层输出相加得...

【专利技术属性】
技术研发人员：吴永忠，郭聪，杨维斌，谢婷婷，周宏，林博，
申请(专利权)人：重庆大学附属肿瘤医院，
类型：发明
国别省市：