[發(fā)明專(zhuān)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(shí)別方法

在審

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

本發(fā)明公開(kāi)了融合多尺度特征的密集神經(jīng)網(wǎng)絡(luò)肺部腫瘤圖像識(shí)別方法，包括：通過(guò)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(lèi)器中得到肺部腫瘤分類(lèi)結(jié)果。本發(fā)明構(gòu)建的密集神經(jīng)網(wǎng)絡(luò)模型優(yōu)于AlexNet模型，可有效地利用高層信息再次發(fā)掘底層新特征，增強(qiáng)了特征在網(wǎng)絡(luò)間的傳播，實(shí)現(xiàn)和加強(qiáng)了特征重用；網(wǎng)絡(luò)深度深、網(wǎng)絡(luò)泛化能力強(qiáng)，肺部腫瘤分類(lèi)準(zhǔn)確度高。

技術(shù)領(lǐng)域

本發(fā)明屬于神經(jīng)網(wǎng)絡(luò)圖像識(shí)別技術(shù)領(lǐng)域，特別涉及一種融合多尺度特征的密集神經(jīng)網(wǎng)絡(luò)肺部腫瘤圖像識(shí)別方法。

背景技術(shù)

肺部腫瘤是目前癌癥中發(fā)病率和死亡率居高不下的惡性腫瘤之一，肺部腫瘤發(fā)病率逐年增長(zhǎng)，嚴(yán)重威脅人類(lèi)健康，根據(jù)2019年美國(guó)癌癥統(tǒng)計(jì)報(bào)告，肺癌是最常見(jiàn)的癌癥之一，占所有癌癥病例的11.6％，肺癌也是導(dǎo)致癌癥死亡的主要原因，占癌癥死亡總?cè)藬?shù)的18.4％。據(jù)2019年國(guó)家癌癥中心報(bào)告，肺癌的發(fā)病率、致死率在所有癌癥中占據(jù)首位，醫(yī)學(xué)影像學(xué)方法檢查廣泛應(yīng)用于肺部腫瘤的診斷，其中包括超聲、X線成像、電子計(jì)算機(jī)斷層掃描(Computed Tomography,CT)、磁共振成像(Magnetic Resonance Imaging,MRI)和正電子發(fā)射型計(jì)算機(jī)斷層顯像(Positron Emission Computed Tomography,PET)等。其中CT屬于解剖成像，對(duì)于病灶部分具有良好的密度分辨能力，在肺癌早期診斷中多層螺旋CT通過(guò)重建技術(shù)能夠清晰顯示出橫斷面、矢狀面和冠狀面的病灶特征，中期診斷中螺旋CT診斷聯(lián)合表面遮蔽和多平面重建能夠清晰顯示腫瘤部位、內(nèi)部結(jié)構(gòu)、邊緣特征、血液供應(yīng)、侵犯周?chē)M織程度以及周邊組織的改變，具有較高的診斷準(zhǔn)確率，因此，從CT圖像中進(jìn)行胸部疾病檢測(cè)，能夠?qū)Ψ尾考膊〉脑\斷及治療提供參考依據(jù)。計(jì)算機(jī)輔助診斷技術(shù)(CAD)已經(jīng)廣泛應(yīng)用于各種疾病的診療過(guò)程中，肺癌檢測(cè)是最常見(jiàn)的CAD技術(shù)應(yīng)用之一，引入計(jì)算機(jī)輔助診斷技術(shù)對(duì)肺癌的早期發(fā)現(xiàn)與診療有著重要的積極作用。

近年來(lái)，CNN模型已成為計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)，CNN網(wǎng)絡(luò)模型是一種基于感知器的模型結(jié)構(gòu)，其優(yōu)點(diǎn)在于可以直接輸入原始圖像，避免對(duì)圖像的過(guò)度預(yù)處理，通過(guò)局部感受野、權(quán)值共享、池化功能，使得CNN能在較低的模型復(fù)雜度下充分利用圖像局部和全局信息，在圖像處理領(lǐng)域取得較好成績(jī)。以密集神經(jīng)網(wǎng)絡(luò)為代表的CNN模型在醫(yī)學(xué)圖像領(lǐng)域應(yīng)用日益廣泛；在良惡性腫瘤、腦功能、心腦血管疾病等重大疾病的臨床輔助分類(lèi)、識(shí)別、檢測(cè)、分割等方面取得良好效果。殘差神經(jīng)網(wǎng)絡(luò)通過(guò)跨層參數(shù)共享和保留中間特征的方式降低特征冗余度，重復(fù)利用已有特征，但缺點(diǎn)是難以利用高層信息再發(fā)掘底層特征。

Guoting Luo在胸部X射線圖像方面提出自動(dòng)氣胸分割算法：Multi-Scale ScSE-DenseNet模型，該算法包括完全卷積DenseNet(FC-DenseNet)，空間和通道壓縮和激勵(lì)模塊(SCSE)以及多個(gè)比例模塊。利用多尺度模塊捕獲視點(diǎn)相關(guān)的對(duì)象可變性，并利用SCSE模塊對(duì)特征圖進(jìn)行自適應(yīng)重新校準(zhǔn)，以增強(qiáng)有意義的特征以獲得更好的結(jié)果。Zhang在U-Net模型、GoogLeNet的Inception-Res模塊和Dense-Net模型的啟發(fā)下，提出了一種新的Dense-Inception U-Net(DIU-Net)的網(wǎng)絡(luò)結(jié)構(gòu)用于醫(yī)學(xué)圖像分割任務(wù)，該網(wǎng)絡(luò)將Inception模塊和密集連接集成到U-Net體系結(jié)構(gòu)中。Inception-Res塊通過(guò)替換標(biāo)準(zhǔn)卷積層來(lái)增加網(wǎng)絡(luò)的寬度，Dense-Inception塊提取特征并使網(wǎng)絡(luò)更深，該方法對(duì)腦腫瘤分割有較好效果。劉一璟提出端到端DenseNet-centercrop網(wǎng)絡(luò)。通過(guò)在DenseNet結(jié)構(gòu)中的稠密塊間增加新的分支，引入了中心剪裁操作。將其稠密連接機(jī)制擴(kuò)展到了稠密塊水平，大大豐富了肺結(jié)節(jié)的多尺度特征并且參數(shù)量較少，在肺結(jié)節(jié)良惡性分類(lèi)方法具有更高的AUC分值和分類(lèi)精度。

但上述方法對(duì)于肺部腫瘤圖像識(shí)別精確度還有待提高，并不能很好的識(shí)別肺部腫瘤良惡性分類(lèi)。

發(fā)明內(nèi)容