[發明專利]一種基于卷積神經網絡和字典對學習的肺結節分類方法

在審

• 申請號: 201710280338.0
• 申請日: 2017-04-26
• 公開（公告）號: CN107103334A
• 公開（公告）日: 2017-08-29
• 發明（設計）人: 強彥;賀娜娜;強梓林;趙涓涓;郝瑞;王華;張小龍
• 申請（專利權）人: 太原理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T7/11;G06T7/136;G06T7/194
• 代理公司: 北京恒創益佳知識產權代理事務所(普通合伙)11556
• 代理人: 柴淑芳

1.一種基于卷積神經網絡和字典對學習的肺結節分類方法，其特征在于，包括卷積神經網絡參數的訓練與肺結節分類即訓練階段和分類階段兩個階段：

1)訓練階段:

A.輸入作為訓練樣本的低劑量薄層掃描CT圖像；

B.對訓練樣本的CT圖像進行預處理；

C.訓練分類模型CNN-DPC的參數；包括以下步驟：

C1.對卷積神經網絡的參數進行預訓練；在預訓練階段，借鑒經典卷積神經網絡LeNet-5的網絡結構，以訓練數據集為基礎，設計一個9層的卷積神經網絡結構，該卷積神經網絡包括輸入層、隱含層和輸出層三個部分，其中隱含層包含三個卷積層、三個最大池化層和一個全連接層；輸入層節點個數為128×128，各隱含層節點數各不相同，輸出層節點數為2，輸出層即為分類層，分類用的函數為sigmoid函數，隱含層的激活函數為ReLU(Rectified Linear Units)；采用標準的正向傳播與誤差反向傳播算法對這個9層的卷積神經網絡的參數進行預訓練；

C2.預訓練結束后，用字典對學習算法替換卷積神經網絡的分類層，再進行參數的優化；參數的優化包括字典對的更新和網絡參數的微調，具體包括以下步驟：

C21.用字典對學習算法替換卷積神經網絡分類層的sigmoid函數；假設X_k表示訓練階段第k類訓練數據對應卷積神經網絡全連接層的輸出，C表示字典對學習算法的目標函數，C_k表示第k類訓練數據對應的字典對學習算法的目標函數，{P_k,D_k}表示第k類訓練數據對應的結構化字典對，由于在字典對學習算法中，字典對的更新被分解為以下的子問題：

argminPk,DkCk(Pk,Dk)=argminPk,Dk||Xk-DkPkXk||F2+λ||PkXk‾||F2s.t.||di||22≤1;]]>

那么在參數優化步驟中，令則C對X_k的偏導數為：

∂C∂Xk=2(I-PkTDkT)(Xk-DkPkXk)+Σk′≠k2λPk′Tpk′Xk]]>

由于我們的目的是將肺結節分為兩類，所以在上式中，k＝1,2，K＝2；

C22.在得到所有的后，將其作為標準的反向傳播算法中的梯度對卷積神經網絡的參數進行微調，同時利用微調后的網絡獲取訓練數據集的特征對字典對進行更新；

2)分類階段，待分類數據的分類；分類階段包括以下三步：

a.輸入待分類的低劑量薄層掃描CT圖像；

b.對待分類的CT圖像進行預處理；

c.利用訓練好網絡參數的分類模型CNN-DPC對待分類圖像進行分類；通過優化后的卷積神經網絡獲取所有訓練數據集中肺實質圖像的特征，對字典對學習算法的目標函數求解，可以得到2個子字典對{(D₁,P₁)，(D₂,P₂)}；給定一個測試圖像，提取其特征，記為x，令x在第k(k＝1,2)個子字典對基礎上的重建誤差為E(x；D_k,P_k)，則分類模型CNN-DPC對測試圖像進行分類的規則為：

E(x;Dk,Pk)=||x-DkPkx||F2]]> 1

label=argminkE(x;Dk,Pk)]]>

即，若第k個子字典對重建出x的重建誤差最小，那么特征x對應的樣本圖像就屬于第k類。