[發(fā)明專利]一種基于語義特征和有監(jiān)督哈希的圖像檢索方法

有效

• 申請?zhí)枺?/td>: 201710195957.X
• 申請日: 2017-03-29
• 公開（公告）號: CN107092918B
• 公開（公告）日: 2020-10-30
• 發(fā)明（設計）人: 趙涓涓;潘玲;強梓林;郝曉燕;王華;強彥
• 申請（專利權）人: 太原理工大學
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06T7/00;G06N3/08;G16H50/20
• 代理公司: 北京恒創(chuàng)益佳知識產權代理事務所(普通合伙) 11556
• 代理人: 柴淑芳

本發(fā)明公開了一種基于語義特征和有監(jiān)督哈希的圖像檢索實現肺結節(jié)醫(yī)學征象識別的方法，包括以下步驟：步驟A，提取肺部CT圖像中的肺結節(jié)混合征象區(qū)域，并截取其中各個單一征象區(qū)域；步驟B，采用基于參數共享的卷積神經網絡(CNN)提取表達肺結節(jié)征象信息的語義特征；步驟C，用于實現相似的肺結節(jié)圖像檢索；步驟D，用于識別肺結節(jié)征象。本發(fā)明的方法基于語義特征和有監(jiān)督哈希的肺結節(jié)圖像檢索，進而識別肺結節(jié)圖像所表現的征象類別，便于醫(yī)師判斷肺結節(jié)的良惡性程度，減少了醫(yī)師對診斷經驗的過度依賴。

技術領域

本發(fā)明涉及肺結節(jié)征象識別，具體涉及一種基于語義特征和有監(jiān)督哈希的圖像檢索方法。

背景技術

肺結節(jié)所表現的醫(yī)學征象是醫(yī)師診斷肺部疾病的基礎，通過分析肺CT圖像的各種醫(yī)學征象，便于醫(yī)師判斷結節(jié)的良惡性程度并做出相應的診斷決策。但是醫(yī)師主要根據經驗診斷疾病，診斷結果具有一定主觀性，常常出現誤診、漏診的情況。基于內容的醫(yī)學圖像檢索能夠幫助醫(yī)師從醫(yī)學數據庫中快速尋找相似的病灶圖像，這些已確診病例的診斷方案和病灶特征等可以為查詢病灶的診斷提供參考，從而輔助醫(yī)師做出可靠的診斷決策。

發(fā)明內容

本發(fā)明針對現有技術的不足提供一種基于語義特征和有監(jiān)督哈希的圖像檢索用于肺結節(jié)征象識別的方法，既能檢索得到相似的肺結節(jié)圖像，又能有效識別肺結節(jié)的醫(yī)學征象，為醫(yī)師對查詢病灶的診斷提供決策支持，從客觀方面起到輔助診斷的作用。

本發(fā)明采用的技術方案為：

一種基于語義特征和有監(jiān)督哈希的圖像檢索實現肺結節(jié)醫(yī)學征象識別的方法，包括以下步驟：

步驟A，提取肺部CT圖像中的肺結節(jié)混合征象區(qū)域，并截取其中各個單一征象區(qū)域，為之后提取表達肺結節(jié)征象信息的語義特征以及檢索相似的肺結節(jié)圖像，進而識別查詢圖像所表現的醫(yī)學征象做準備；

步驟B，采用基于參數共享的卷積神經網絡(CNN)提取表達肺結節(jié)征象信息的語義特征；首先使用第一個CNN訓練單一征象數據，通過調整網絡參數使其有效識別各個單一征象；然后將網絡參數傳遞到第二個CNN，訓練混合征象數據，并通過損失函數和誤差反向傳播機制來微調網絡參數，從而獲得表達結節(jié)征象信息的高維的語義特征；

步驟C，用于實現相似的肺結節(jié)圖像檢索；利用監(jiān)督信息構造有效的哈希函數，將步驟B得到的高維的語義特征映射為簡潔的哈希碼，并為查詢圖像設計自適應權重向量，通過加權漢明距離的相似度衡量，從肺結節(jié)圖像庫中檢索出具有相似征象的肺結節(jié)圖像

所述的方法，所述步驟B中網絡參數調整過程如下：

B1、對于第一個CNN，使用單一征象數據集進行訓練；

第一個CNN網絡共有7層，輸入層、包含2個卷積層和2個降采樣層的隱含層、全連接層和輸出層；使用線性插值方法將單一征象數據集中的圖像統(tǒng)一大小為48×48，并減去圖像均值進行預處理，將其作為卷積神經網絡輸入層的輸入；使用多項邏輯回歸模型中的softmax函數作為損失函數，輸出層產生一個在各單一征象類上的概率分布；在隱含層使用rectified linear units(ReLU)作為激勵函數，以便縮短學習周期的同時提高學習精度；在整個訓練過程中使用梯度下降法進行優(yōu)化，使得損失函數能夠快速收斂；通過第一個CNN的訓練，得到能夠有效識別不同單一征象的網絡參數；

B2、對于第二個CNN，使用混合征象數據集進行訓練；