本发明专利技术公开了一种基于双通道注意力机制卷积网络的肺结节良恶性分类算法，包括：收集肺部CT图像并对图像进行预处理，主要获取仅包含肺结节部分的病灶区域和包含肺结节的感兴趣区域。搭建双通道注意力机制卷积网络，感兴趣区域和病灶区域分别输入到前端有注意力机制CBAM的预训练网络ResNet50和DenseNet121中，然后添加自适应系数以调整提取信息的权重，接着将提取到的特征在通道维度上叠加以进行特征融合，最终输出分类结果。实验表明，该网络的准确率为94.84％，AUC为97.15％，本网络与VGG16等分类网络相比，对肺结节具有更好的分类性能。本发明专利技术采用的肺结节良恶性分类算法，在不充裕的数据量下获得较好的良恶性分类性能，为医生提供有力的医学辅助诊断支持。
【技术实现步骤摘要】
：本专利技术属于深度学习医学影像类，具体涉及一种基于双通道注意力机制卷积网络的肺结节良恶性分类算法。
技术介绍
0、
技术介绍
：
1、癌症是世界范围内的一个主要公共卫生问题，并且癌症是导致死亡的主要原因，其中肺癌(11.4％)的发病率仅次于女性乳腺癌(11.7％)居于第二名。肺癌对人的健康和生命有着很大威胁，不仅因为它的高发病率，更重要的是由于肺癌早期无明显症状，无法进行相应的治疗导致它的高死亡率，所以在早期阶段发现癌症并积极治疗会更有效，生存率会大大提高。计算机断层扫描(ct)是肺癌早期筛查的重要手段，但肺结节在ct成像中的特征并不明显，治疗干预中可能会对良恶性肺结节的判断有误，而延误治疗进程。因此针对良恶性肺结节的分类问题十分重要。
2、利用深度学习技术可以解决上述问题，但利用深度学习方法需要大量的数据集，由于医学图像的专业性和珍贵性导致无法获得大量的数据，因此为了在有限的数据集下提高肺结节分类的准确性，提出一种基于双通道注意力机制卷积网络的肺结节良恶性分类算法。首先将病灶区域和感兴趣区域分别输入到前端有注意力机制cbam的预训练网络resnet50和densenet121中，在预训练网络后添加自适应系数以调整提取信息的权重，接着将两种预训练网络提取到的特征在通道维度上叠加以进行特征融合，最终输出分类结果。本专利技术采用基于双通道注意力机制卷积网络的肺结节良恶性分类算法，能够在不充裕的数据量下获得较好的良恶性分类性能，为医生提供有力的医学辅助诊断支持。
技术实现思路</p>0、
技术实现思路
：
1、为在有限的数据集下提高肺结节良恶性分类的准确率，本专利技术提供一种基于双通道注意力机制卷积网络的肺结节良恶性分类算法，减少训练模型的样本量并提高肺结节分类的性能，为了达到上述目的，包括以下步骤：
2、1.一种基于双通道注意力机制卷积网络的肺结节良恶性分类算法，其特征在于，所述方法具体过程为：
3、步骤1.制作用于肺结节良恶性分类的ct图像数据集，通过提取病灶区域和感兴趣区域，划分训练集和测试集；
4、步骤2.用步骤1中得到的训练集对网络模型进行训练，将肺结节病灶区域输入到前端有注意力机制cbam的预训练网络resnet50进行特征提取，感兴趣区域输入到前端有注意力机制cbam的预训练网络densenet121进行特征提取；
5、步骤3.对步骤2中预训练网络resnet50和densenet121获得的特征添加自适应系数以调整提取信息权重；
6、步骤4.将步骤3中提取的特征与步骤2中预训练网络resnet50和densenet121提取的特征分别输入到全局池化层，并将两者在全局池化层的输出在通道维度上进行叠加以进行特征融合；
7、步骤5.将步骤4中筛融合的特征进行训练分类，利用测试集对该算法的分类性能进行评估。
8、2.本专利技术双通道注意力机制卷积网络的肺结节良恶性分类算法，resnet50和densenet121均为在imagenet上经过预训练的网络，从而能够大大减少模型的训练样本。
9、3.步骤1中，使用lidc-idri数据集，对数据集进行筛选，选择两名及以上医师共同标注的结节，并进行预处理。预处理的方法是：由多名医生标注的结节轮廓以及所在位置的分割切片进行整合，获得整合的分割切片sg。整合的切片sg提供的结节轮廓与位置信息结合ct图片。灰度值为0黑色区域不提供信息，相对应灰度值不为0区域与ct图片结合获得病灶区域切片sg′，在ct上裁剪分辨率与sg′相同的感兴趣区域切片io。通过提取病灶区域和感兴趣区域，划分训练集和测试集。并对包含肺结节的切片划分为病灶区域和感兴趣区域两种数据作为输入，将数据集按8：2分为训练集和测试集后输入网络。
10、4.步骤2中利用了双通道注意力机制结构，即前端嵌有cbam的resnet50和densenet121对病灶区域特征提取与感兴趣区域进行特征提取。通过前端cbam筛选特征，cbam由通道注意力和空间注意力模块组成。其通道注意力特征为其中σ表示sigmoid激活函数，w0，w1为mlp的权重，空间注意力输出特征为为在通道维度上进行最大池化和平均池化并将池化后的结果在通道维度上叠加。在注意力机制cbam后构建双通道预训练网络模型resnet50和densenet121。将肺结节病灶区域输入resnet50进行特征提取，感兴趣区域输入到densenet121进行特征提取。两个预训练网络的最后添加全局最大池化层，选出了分类辨识度更好的特征，提供非线性，选取特征纹理等边缘重要特征。从而分类时能够有效结合特征信息，提高模型分类的准确率。
11、5.步骤3中，对提取的感兴趣特征添加自适应系数以划分提取特征的权重，对特征进行加权处理，使得重要的特征得到更高的权重，可以更好地考虑不同特征对分类结果的影响，能够更灵活有效的结合肺结节周围信息，从而更加准确地识别和分类肺结节。
12、6.步骤4中，双通道在经过自适应参数后提取的特征，通过concat在同一维度合并特征张量，将感兴趣区域的特征与病灶区域的特征在通道维度上的叠加，能实现结节特征与其周围特征相结合，随后经过全连接层的非线性变化，提取特征之间的关联，最后进行分类输出。
13、7.步骤5中，利用训练集对网络进行迭代训练，利用测试集对训练完毕的网络进行测试。网络共训练50个周期，使用adam优化算法，初始学习率为l＝0.001，为防止训练过拟合，训练测试集出现当阶段最高准确率时，随后的6次训练测试集准确率没有提升，在e'个周期时停止训练。由于交叉熵损失函数能够更稳定的将每个类别进行梯度回传，可以衡量模型的预测准确性，可以让模型更快地收敛，训练的损失函数为其中gi是样本i的真实类别，pi是网络对样本i的类别预测，n为样本总数。
14、本专利技术有益效果：
15、本专利技术采用前端嵌有注意力机制的预训练网络resnet50和densenet121作为主干特征提取网络，与传统方法相比，这种设计大幅度减少了模型所需的训练样本量。通过利用网络的强大特性，我们可以更高效地提取出肺结节图像中的有用信息，从而显著缩短了训练时间，并在不降低分类准确率的情况下提高了模型性能。
16、本专利技术利用将病灶区域sg′和感兴趣区域io分别输入预训练网络中，解决网络在分类过程中忽略特征信息的问题，并提高对肺结节良恶性的分类准确率。通过这种方式，能够精确地捕捉到肺结节图像中的局部特征，并将其有效融合到整体分类过程中，使得模型能够更准确地判断肺结节的良恶性，并提供更可靠的诊断结果。
17、本专利技术在网络中添加了自适应系数以调整全局信息的权重，提高了网络的灵活性。
本文档来自技高网...
【技术保护点】
1.一种基于双通道注意力机制卷积网络的肺结节良恶性分类算法，其特征在于，所述方法具体过程为：
2.根据权利要求1所述的基于双通道注意力机制卷积网络的肺结节良恶性分类算法，其特征在于，步骤2中ResNet50和DenseNet121均为在ImageNet上经过预训练的网络，从而能够大大减少模型的训练样本。
3.根据权利要求1所述的基于双通道注意力机制卷积网络的肺结节良恶性分类算法，其特征在于，步骤1中使用LIDC-IDRI数据集，对数据集进行筛选，选择两名及以上医师共同标注的结节，并对包含肺结节的切片划分为感兴趣区域和病灶区域两种数据作为输入，将数据集按8：2分为训练集和测试集后输入网络。
4.根据权利要求1所述的基于双通道注意力机制卷积网络的肺结节良恶性分类算法，其特征在于，步骤2中利用了双通道结构，即ResNet50和DenseNet121对病灶区域进行特征提取与感兴趣区域特征提取，从而分类时能够有效结合特征信息，提高模型分类的准确率。
5.根据权利要求1所述的基于双通道注意力机制卷积网络的肺结节良恶性分类算法，其特征在于，步骤3中，对提取的病灶特征和感兴趣特征添加自适应系数以划分提取特征的权重，能够更灵活有效的结合肺结节周围信息。
6.根据权利要求1所述的基于双通道注意力机制卷积网络的肺结节良恶性分类算法，其特征在于，步骤4中，将感兴趣区域的特征与病灶区域的特征在通道维度上的叠加，能实现结节特征与其周围特征相结合，为后续的分类提供了更多的信息。
...
【技术特征摘要】
1.一种基于双通道注意力机制卷积网络的肺结节良恶性分类算法，其特征在于，所述方法具体过程为：
2.根据权利要求1所述的基于双通道注意力机制卷积网络的肺结节良恶性分类算法，其特征在于，步骤2中resnet50和densenet121均为在imagenet上经过预训练的网络，从而能够大大减少模型的训练样本。
3.根据权利要求1所述的基于双通道注意力机制卷积网络的肺结节良恶性分类算法，其特征在于，步骤1中使用lidc-idri数据集，对数据集进行筛选，选择两名及以上医师共同标注的结节，并对包含肺结节的切片划分为感兴趣区域和病灶区域两种数据作为输入，将数据集按8：2分为训练集和测试集后输入网络。
4.根据权利要求1所述的基于双通...
【专利技术属性】
技术研发人员：黄玲，刘东洋，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：
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。