[發明專利]一種基于多尺度特征融合的肺結節識別分類方法

在審

• 申請號: 202011455251.0
• 申請日: 2020-12-10
• 公開（公告）號: CN112633336A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 尹宏鵬;柴毅;劉洋;廖國波
• 申請（專利權）人: 重慶大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T7/00
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 趙榮之

本發明涉及一種基于多尺度特征融合的肺結節識別分類方法，屬于圖像處理領域。該方法包括以下步驟：S1：建立訓練樣本；S2：建立多尺度特征融合的肺結節良惡性分類模型；該分類模型由有三個尺度的深度卷積神經網絡分類模型組成，每個模型分為特征提取部分、良惡性分類部分和特征融合部分；S3：訓練肺結節分割模型。該方法能夠自動提取結節的高層次特征，更加準確、快速地識別和分類肺結節。

技術領域

本發明屬于圖像處理領域，涉及一種基于多尺度特征融合的肺結節識別分類方法。

背景技術

對肺結節的精確識別是基于CT影像的早期肺癌計算機輔助識別的關鍵步驟，并且肺部CT上的良性和惡性結節的自動識別仍然是需要專業知識的，能否從CT影像中精確地識別出惡性肺結節，最終會影響到計算機輔助識別系統的性能。

現有技術中，肺結節良惡性識別分類方法有很多，但其魯棒性較差，準確性較低，造成的肺結節良惡性劃分困難主要原因是：

(1)結節形狀、大小、紋理變化范圍大，精準描述困難。

(2)惡性和良性結節在視覺上具有相似的形態的特征。

發明內容

有鑒于此，本發明的目的在于提供一種基于多尺度特征融合的肺結節識別分類方法。

為達到上述目的，本發明提供如下技術方案：

一種基于多尺度特征融合的肺結節識別分類方法，該方法包括以下步驟：

S1：建立訓練樣本；

S2：建立多尺度特征融合的肺結節良惡性分類模型；該分類模型由有三個尺度的深度卷積神經網絡分類模型組成，每個模型分為特征提取部分、良惡性分類部分和特征融合部分；

S3：訓練肺結節分割模型。

可選的，所述S1具體為：

S11：根據CT影像成像特點，保留從空氣到骨骼的區域，將其像素值進行截斷處理，只保留[-1000,+400]區間內的像素點；同時使用圖像增強技術，提高CT影像信噪比，并將像素值歸一化到[0,1]之間；再對肺部CT圖像重采樣，使其空間分辨率為1mm*1mm*1mm；

S12：對肺部CT影像進行標注，獲取病變肺結節區域，得到肺結節的坐標x，y，z及其半徑r；根據標注，對肺結節進行切塊處理，切塊大小為26*42*42體素；

使用數據增強技術擴增數據集：

(1)隨機裁剪成24*40*40大小的立方塊，數據集擴增9倍；

(2)對裁剪的立方塊進行復制造成，自我復制1次，數據集擴增2倍；

(3)對裁剪好的立方塊從三個正交尺寸翻轉它，數據擴增8倍；三個正交尺寸包括冠狀、矢狀和軸向位置；

(4)對立方塊添加隨機椒鹽白噪聲，提高模型的魯棒性和泛化能力。

可選的，所述S2具體為：

S21：特征提取部分是由多個殘差塊組成；

S22：良惡性分類部分是由全連接層組成；

S23：特征融合部分則是融合三個尺度良惡性分類模型的分類結果，進行非線性映射，得到最終的分類結果。

可選的，所述S3具體為：

S31：將標簽進行平滑處理，防止數據過擬合；

S32：在訓練集中進行隨機采樣，使用批處理數據；并將批處理數據以中心為原點，進行裁剪，得到另外兩個尺度的訓練樣本；將三個尺度的訓練集作為輸入放進多尺度特征融合良惡性分類網絡，得到肺結節良惡性的識別結果。