[發明專利]一種支持向量數據描述的胸部影像異常檢測方法

有效

• 申請號: 202010011696.3
• 申請日: 2020-01-06
• 公開（公告）號: CN111242906B
• 公開（公告）日: 2022-03-18
• 發明（設計）人: 陳華華;陳哲;郭春生;應娜;葉學義
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G16H50/20
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 楊舟濤

本發明公開了一種支持向量數據描述的胸部影像異常檢測方法。本發明方法包括訓練階段和測試階段。在訓練階段，構建并訓練深度稀疏變分自編碼器，獲得訓練數據集的隱藏層特征的均值，然后在稀疏變分自編碼器基礎上構建并訓練深度支持向量數據描述網絡，將均值作為超球體中心；在測試階段，將測試數據集輸入到訓練好的深度支持向量數據描述網絡中，計算得到異常分數和對應的ROC曲線并以此得到最佳閾值，當異常分數小于等于閾值則判為正常，否則判為異常。本發明方法采用了變分稀疏自編碼器來進行特征學習，通過深度支持向量數據描述網絡分離特征數據，具有較高的特征提取能力和較高的檢測準確性。

技術領域

本發明屬于醫療影像處理技術領域，具體涉及一種支持向量數據描述的胸部影像異常檢測方法。

背景技術

伴隨著社會的進步，醫療行業有了極大的發展，人們對于醫療的需求也越來越大。然而，目前影像科醫生的培養周期長速度慢，跟不上醫療需求的發展速度，因此現在的醫學影像自動化判斷至關重要。醫療影像的異常檢測，如骨骼X光片的異常檢測，胸部CT影像的異常檢測，腫瘤CT影像的異常檢測，腹部彩超影像的異常檢測等具有重要的臨床應用價值。異常檢測模型可以用于降低影像科醫生的工作量，提高診斷的效率，通過檢測到的異常達到一個預診斷的效果，幫助臨床醫生給出更好的診斷方向和建議。

傳統的計算機輔助診斷通過手工提取的Haar-like和HoG特征以及使用灰度共生矩陣計算得到紋理特征等并結合SVM分類器判斷是否存在異常。但是，由于傳統方法往往只能提取初級特征，隨著樣本數量的增大以及樣本多樣性增強，傳統的方法存在表示能力有限、學習能力不強等問題。隨著計算機技術的發展，目前提出了基于深度卷積神經網絡的分類模型，通過傳入標記后的數據進行有監督地學習，并根據學習到的特征進行分類判斷。但是這個方法也存在一定不足：胸部影像數據集屬于異常數據和正常數據在數量上差別很大的不平衡數據集，因此傳統的有監督學習對數據的特征提取能力不夠，會丟失一部分特征信息，進而影響識別的準確率。因此，如何在數據集中獲得表征能力強，泛化性能好，識別率高的異常檢測模型是一個關鍵問題。

發明內容

本發明的目的就是針對現有胸部CT影像異常檢測算法中存在的問題，提供一種支持向量數據描述的胸部影像異常檢測方法，能夠自動地提取圖像深層次抽象特征，提高特征識別能力，以提高對異常數據的檢測率。

本發明方法包括訓練階段和測試階段。

訓練階段具體方法是：

步驟(1).獲取訓練數據集；訓練數據集由正常胸部影像數據構成，對訓練數據集進行尺度規范化，并進行灰度歸一化處理，將數據灰度值縮小到0到1。

步驟(2).構建和訓練深度稀疏變分自編碼器。

深度稀疏變分自編碼器包括編碼網絡和解碼網絡；編碼網絡對輸入數據進行特征提取，并重采樣形成新特征；解碼網絡對編碼網絡生成的新特征進行解碼，解碼網絡輸出的數據和編碼網絡輸入的數據相同。

編碼網絡依次由卷積模塊層、全連接層、采樣層模塊和隱藏層構成。

卷積模塊層由三個卷積模塊構成，每個卷積模塊依次為多個大小是3×3的卷積核，池化層為核大小是2×2的最大池化層，池化層后接激活層。第一卷積模塊卷積核數量為32，第二卷積模塊卷積核數量為64，第三卷積模塊卷積核數量為128。所有卷積核滑動步長為2，零邊緣填充為1，激活層均使用Relu函數作為激活函數。

卷積模塊層后連接一個全連接層，全連接層輸入維數為2048，輸出維數為1024。

采樣模塊層包括三個并聯的采樣層，分別用于生成隱藏層隱變量z的均值μ、對數方差σ²、對數峰值概率γ，