[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

技術領域

本發明涉及肺結節分類，具體涉及一種基于卷積神經網絡和字典對學習的肺結節分類方法。

背景技術

肺癌的早期篩查對于降低肺癌的發生率與死亡率意義重大，而肺部CAD系統的應用幫助醫生減少工作負擔，而且診斷速度快、診斷結果客觀。對于肺部CAD系統而言，能夠確診肺結節的類型是評判其性能的重要標準。傳統的分類方法對于大規模的醫學影像處理效果并不好，而卷積神經網絡在圖像識別與目標檢測方面取得了比較好的應用效果，但是當前與卷積神經網絡結合使用的分類器，比如SVM，sigmoid函數等，不能很好地挖掘深度特征的復雜結構。2014年出現的字典對學習算法不僅能夠實現樣本數據的分類，而且能夠很好地表達樣本數據的特征。但是利用該方法進行分類依靠人工獲取特征，而且對于不同的樣本需要提取不同的特征才能較好地處理分類任務。綜上所述，為了提高肺部CAD系統診斷肺結節的準確率，將卷積神經網絡與字典對學習方法進行結合。

字典對學習算法包括字典學習與分類兩個階段。

(1)字典學習階段

設X＝[X₁,…,X_k,…X_K](X_k∈R^d×n_k,n_k表示第k類訓練樣本的個數)表示字典對學習算法的輸入樣本對應的特征，該特征與來自K類的輸入圖像對應。那么，字典對學習算法的目標是找到一個結構化分析字典P＝[P₁,…,P_k,…P_K](P_k∈R^m×d)與一個結構化合成字典D＝[D₁,…,D_k,…D_K](D_k∈R^d×m)，實現對特征X的編碼與重構，m表示字典原子的個數。對于訓練樣本集中第k類樣本的特征X_k，給定子字典對{D_k，P_k}的前提下，令， 與X_k對應的編碼系數表示為P_kX_k。則，字典對學習算法DPL的目標函數定義為：

其中，Y表示與特征X對應的類標簽矩陣，φ(P,D,X,Y)是一個用以增強字典D與P判別性的判別項。

在字典對學習算法中，要求子字典P_k映射來自其它類i(i≠k)的樣本(樣本集合X中除了X_k以外的其它樣本)到一個接近零空間，即P_kX_i≈0,則問題(1)寫為

其中，是一個約束信息，用于避免P_k＝0時產生平凡解，λ是一個權重系數。

由于問題(2)表示的目標函數非凸，引入一個矩陣變量A表示編碼系數矩陣，并將問題(2)放松如下

其中，τ是一個權重系數。

初始化P和D為單位Frobenius范數，問題(3)的求解可以通過交替執行以下三步實現：

(i)固定{D,P,X},用式(4)表示的近似解更新A：

(ii)固定{A,X},用式(5)表示的近似解更新P：

其中，γ是一個權重系數。

(iii)固定{A,X},引入一個變量S，問題(3)轉化為

那么D的值通過式(7)來更新：

其中，ρ是一個權重參數。

當迭代過程中，出現兩次迭代的目標函數值的差異小于某個閾值的情況時，停止迭代。

(2)分類階段

如果樣本數據集包含有K個種類，經過字典學習階段以后會得到K個子字典對{D_k，P_k}(k＝1,2,…,K)。給定一個測試圖像，提取其特征，記為x，令x在第k個子字典對基礎上的重建誤差為E(x；D_k,P_k)，則字典對分類器層DPC對測試圖像進行分類的規則為：

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。

發明內容

本發明的目的在于克服現有技術存在的缺陷提供一種基于卷積神經網絡和字典對學習算法相結合的肺結節分類算法，提高肺結節分類的準確率。

本發明采用如下技術方案：