[發(fā)明專利]融合多尺度特征的密集神經(jīng)網(wǎng)絡(luò)肺部腫瘤圖像識別方法

在審

• 申請?zhí)枺?/td>: 202011254411.5
• 申請日: 2020-11-11
• 公開（公告）號: CN112348800A
• 公開（公告）日: 2021-02-09
• 發(fā)明（設(shè)計）人: 周濤;陸惠玲;霍兵強(qiáng);丁紅勝;田金琴
• 申請（專利權(quán)）人: 北方民族大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62
• 代理公司: 北京慕達(dá)星云知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 11465
• 代理人: 符繼超

1.融合多尺度特征的密集神經(jīng)網(wǎng)絡(luò)肺部腫瘤圖像識別方法，其特征在于：包括：

收集CT模態(tài)醫(yī)學(xué)圖像并預(yù)處理，提取不同尺度病灶ROI區(qū)域，構(gòu)成多尺度數(shù)據(jù)集；所述不同尺度病灶ROI區(qū)域帶有臨床標(biāo)記的良性或惡性腫瘤標(biāo)簽；

將所述多尺度數(shù)據(jù)集在密集神經(jīng)網(wǎng)絡(luò)中訓(xùn)練，構(gòu)建密集神經(jīng)網(wǎng)絡(luò)模型，提取全連接層特征向量并進(jìn)行特征串行融合；

在NSCR分類器中得到肺部腫瘤分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的融合多尺度特征的密集神經(jīng)網(wǎng)絡(luò)肺部腫瘤圖像識別方法，其特征在于：收集CT模態(tài)醫(yī)學(xué)圖像并預(yù)處理，提取不同尺度病灶ROI區(qū)域；包括：

將肺部CT模態(tài)的原始影像對應(yīng)編號，去偽彩轉(zhuǎn)化為灰度圖像；

從全局灰度圖像中根據(jù)臨床標(biāo)記截取對應(yīng)的病灶區(qū)域作為ROI圖像并將其歸一化為同樣大小的實驗圖像，獲取多尺度的ROI病灶圖像；所述多尺度的ROI病灶圖像包括良性樣本和肺部惡性腫瘤樣本。

3.根據(jù)權(quán)利要求1所述的融合多尺度特征的密集神經(jīng)網(wǎng)絡(luò)肺部腫瘤圖像識別方法，其特征在于：將所述多尺度數(shù)據(jù)集在密集神經(jīng)網(wǎng)絡(luò)中訓(xùn)練，構(gòu)建密集神經(jīng)網(wǎng)絡(luò)模型，提取全連接層特征向量并進(jìn)行特征串行融合；包括：

采用密集神經(jīng)網(wǎng)絡(luò)DenseNet-201模型在自然圖像數(shù)據(jù)集ImageNet上預(yù)訓(xùn)練，將預(yù)訓(xùn)練網(wǎng)絡(luò)中的參數(shù)作為網(wǎng)絡(luò)中的初始化參數(shù)；其中密集神經(jīng)網(wǎng)絡(luò)DenseNet-201的網(wǎng)絡(luò)生長率k＝32，過渡層的壓縮率θ＝0.5；

將多尺度數(shù)據(jù)集及標(biāo)簽分別輸入到預(yù)訓(xùn)練密集神經(jīng)網(wǎng)絡(luò)DenseNet-201，并構(gòu)造基于DenseNet模型的單模態(tài)網(wǎng)絡(luò)；

在密集神經(jīng)網(wǎng)絡(luò)中訓(xùn)練，在全連接層提取訓(xùn)練樣本和測試樣本特征向量，并進(jìn)行特征串行融合。

4.根據(jù)權(quán)利要求3所述的融合多尺度特征的密集神經(jīng)網(wǎng)絡(luò)肺部腫瘤圖像識別方法，其特征在于：所述進(jìn)行特征串行融合，包括：

將樣本空間中的多組病灶的特征信息合并稱為一組新的特征向量，綜合特征向量作為分類器輸入進(jìn)行學(xué)習(xí)分類，得到多尺度融合特征。

5.根據(jù)權(quán)利要求3所述的融合多尺度特征的密集神經(jīng)網(wǎng)絡(luò)肺部腫瘤圖像識別方法，其特征在于：在NSCR分類器中得到肺部腫瘤分類結(jié)果，包括：

在密集神經(jīng)網(wǎng)絡(luò)DenseNet的全連接層提取不同尺度訓(xùn)練樣本矩陣和測試樣本矩陣的特征向量進(jìn)行融合；

將融合后的特征矩陣作為NSCR分類器輸入，將所有的訓(xùn)練樣本矩陣和測試樣本矩陣標(biāo)準(zhǔn)化為L_2范數(shù)，求解出系數(shù)矩陣；

通過系數(shù)矩陣求出每一類的重構(gòu)誤差，根據(jù)重構(gòu)殘差值相似度完成最終的肺部腫瘤分類識別。