【技术实现步骤摘要】
本专利技术属于医学影像，尤其涉及一种基于重构与多对抗训练的无监督肺结节恶性诊断系统。
技术介绍
1、当下用以肺结节诊断的cad(computer-aided diagnosis,计算机辅助诊断)系统可大致分为两类：基于影像组学技术与基于深度学习技术。影像组学技术主要以机器学习算法为根基，其优势在于对数据量依赖较轻，然此类方法步骤繁多，任一环节稍有差池便即影响后续进展。相较而言，基于深度学习技术的cad系统则更为简便，其诊断流程均由模型自行完成而无需人为干预，惟其如此，此类系统在近几年中快速兴起并逐渐成为主流。目前应用于肺结节诊断领域的深度学习技术仍以监督学习算法为主，此类算法极度依赖于大规模标注数据集。然在医学领域，标注信息获取甚为不易，极难构造为模型训练所需之数据集，受限于此，此类方法性能通常难以充分发挥。
技术实现思路
1、本专利技术所要解决的技术问题是：提出一种基于重构与多对抗训练的无监督肺结节恶性诊断系统，采用“编码-解码”架构，根据重构正、异常数据所得残差值不同，检测出肺结节的异常数据。
2、本专利技术为解决上述技术问题采用以下技术方案：
3、一种基于重构与多对抗训练的无监督肺结节恶性诊断系统，包括：
4、肺结节提取模块，用于从原始肺部ct图像中分割出肺实质，对肺实质中的肺结节加以提取，并将其存储为相应规模大小的图片作为实验数据。
5、数据集构建模块，用于将所得肺结节图像划分为训练集与测试集，其中训练集中数据均为良性结节，测
6、模型训练模块，用于构建margan(multi-adversarial reconstructivegenerative adversarial network,多对抗重构生成对抗网络)模型，并采用训练集中的样本对模型加以训练，在此过程中，不断调节超参数，展开多次训练，以优化margan模型性能至最佳。
7、异常检测模块，用于将测试集中的样本输入margan模型进行检测，该模型将依据待检测样本与训练集样本间的偏差程度评定其异常分值，若偏差较大，即异常分值高于设定阈值，待检测样本便即判定为恶性；若偏差较小，即异常分值低于设定阈值，待检测样本则判定为良性。
8、进一步的，肺结节提取模块中，获得实验数据包括以下子步骤：
9、s101、图像文件以肺部ct图像为主，每张图像大小为512pixel×512pixel，并以dicom格式存储，但通常情况下，模型训练所用数据多为jpg格式，因而为便于后续操作，将原始肺部ct图像转化为jpg格式。
10、s102、由于实验所用数据仅为肺结节图像，故而原始ct图像中除肺部以外信息均属无用，而在进行肺结节提取操作前，尚需对肺实质加以分割，为此，采用阈值分割法从原始肺部ct图像中分割出肺实质。
11、s103、待肺实质分割完毕后，依照标注文件中所载结节位置信息及恶性程度对肺实质中的肺结节加以提取，并将其存储为相应规模大小图像，作为最终实验数据。
12、进一步的，数据集构建模块中，划分训练集和测试集包括以下内容：
13、本专利技术借鉴异常检测思想对肺结节进行良恶性诊断，将良性肺结节视为正常数据，将恶性肺结节视为异常数据，选取若干张良性肺结节图像构成训练集，即dtrain，且训练集中数据不附带标签信息，另选不同于训练集的若干张良性肺结节图像以及同等数量的恶性肺结节图像构成测试集，即dtest，测试集中数据附带标签信息，其中{0,1}代表标签信息，0指代良性肺结节，1指代恶性肺结节，但标签信息仅在测试阶段用于统计模型检测结果。
14、进一步的，模型训练模块中，训练模块包括以下子步骤：
15、s301、构建模型：margan模型的肺结节诊断模型主要由编码器、基底模块和多鉴别器生成对抗网络三个组件构成。
16、其中，编码器用于对输入数据进行降维得到潜在表示；基底模块包含基向量存储器以及相关的坐标变换操作符，用于拟合训练集样本所在线性空间的基，并将潜在表示重构为基下的线性表示；多鉴别器生成对抗网络用于将线性表示重新映射回图像空间得到重构数据，并计算输入数据与重构数据的统计信息。
17、s302、多鉴别器生成对抗网络主要任务便是将低维表示映射为趋于良性的肺结节图像，故而本专利技术仅以良性样本对其进行单独训练，期望其具备重构良性样本的能力。在该模型中，使用了多鉴别器生成对抗网络框架，以鉴别器组替代单鉴别器，而原有单对抗训练则演变为多对抗训练，模型训练目标由此更替为其中，d1,...,dt分别表示鉴别器组中的单个鉴别器，g表示生成器，v(·)表示损失函数，f(·)为鉴别器组集成策略，t表示鉴别器总数。无论选择何种集成策略，鉴别器组中的单鉴别器均在互不干扰的情况下单独训练，训练目标为生成器则根据鉴别器组的反馈进行训练，相较于单鉴别器，鉴别器组所提供的梯度更为平滑，更有利于模型稳定训练。本专利技术更需一个性能强大的生成器，故此采用加权平均策略对多个鉴别器进行集成，以削弱鉴别器对生成器的抑制作用，具体公式为：
18、
19、其中，amsoft表示毕达哥拉斯均值函数；λ表示毕达哥拉斯均值均值函数参数，且λ≥0；wi表示第i个鉴别器所对应的权重系数，且di表示第i个鉴别器；dj表示第j个鉴别器；v(di,g)表示生成对抗网络的损失函数，且v(di,g)<0。
20、本专利技术采用训练集dtrain对多鉴别器生成对抗网络进行epoch_1轮次训练，期间所使用的优化器为optimizer_1，学习率与批量大小分别为lr_1、batch_size_1。至此，多鉴别器生成对抗网络已完成训练。
21、s303、编码器将图像数据压缩为潜在表示，基底模块复又将潜在表示重构为基向量存储器中所存储的基的线性表示，在二者协同作用下图像数据最终被编码为可用于生成良性样本的低维表示，故而在算法逻辑上可将此二者视作整体。利用训练完成的多鉴别器生成对抗网络引导训练编码器和基底模块，固定多鉴别器生成对抗网络参数不变，仅对编码器与基底模块参数进行更新，所用训练集亦为dtrain。
22、margan模型能否发挥效用之关键在于基向量存储器是否学到良性样本所在线性空间内的一组基，由矩阵论中相关定理可知有限维线性空间的基等价于该空间的最大线性无关组，故而若能对的秩加以限制使其趋近于满秩矩阵，即可促使基向量存储器拟合线性空间的基，由此，定义一种秩损失函数指引基底模块训练，具体公式为：
23、lrank＝n-rank(bvm)
24、其中，lrank表示秩损失函数，n表示线性空间维度，rank表示矩阵的秩，bvm表示基向量存储器。
25、此外，在解码器参数固定的情况下，尚需确保编码器与基底模块将图像数据映射为与良性样本最为匹配的潜在表示，以便减小良性样本与重构样本之间的偏差，故而定义一种图像损失函数引导模型于图像层面减小良性样本文档来自技高网...
【技术保护点】
1.一种基于重构与多对抗训练的无监督肺结节恶性诊断系统，其特征在于，包括：
2.根据权利要求1所述的基于重构与多对抗训练的无监督肺结节恶性诊断系统，其特征在于，肺结节提取模块中，获得实验数据包括以下子步骤：
3.根据权利要求1所述的基于重构与多对抗训练的无监督肺结节恶性诊断系统，其特征在于，数据集构建模块中，划分训练集和测试集包括以下内容：
4.根据权利要求1所述的基于重构与多对抗训练的无监督肺结节恶性诊断系统，其特征在于，模型训练模块中，训练模块包括以下子步骤：
5.根据权利要求1所述的基于重构与多对抗训练的无监督肺结节恶性诊断系统，其特征在于，异常检测模块中，对待检测样本进行异常检测包括以下子步骤：
6.根据权利要求5所述的基于重构与多对抗训练的无监督肺结节恶性诊断系统，其特征在于，步骤S402中，基底模块被配置以执行以下动作：
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述动作的步骤。
<...【技术特征摘要】
1.一种基于重构与多对抗训练的无监督肺结节恶性诊断系统，其特征在于，包括：
2.根据权利要求1所述的基于重构与多对抗训练的无监督肺结节恶性诊断系统，其特征在于，肺结节提取模块中，获得实验数据包括以下子步骤：
3.根据权利要求1所述的基于重构与多对抗训练的无监督肺结节恶性诊断系统，其特征在于，数据集构建模块中，划分训练集和测试集包括以下内容：
4.根据权利要求1所述的基于重构与多对抗训练的无监督肺结节恶性诊断系统，其特征在于，模型训练模块中，训练模块包括以下子步骤：
5.根据权利要求1所述的基于重构与多对抗训练的无监督肺结节...
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。