CN104700118A - 基于卷积神经网络的肺结节良恶性预测方法 - Google Patents

Abstract

本发明提供的基于卷积神经网络的肺结节良恶性预测方法，包括：从肺结节坐标中获取多尺度肺结节图像块；根据所述多尺度肺结节图像块构造所述多尺度肺结节图像块对应的各个卷积神经网络；根据损失函数利用所述多尺度肺结节图像块训练所述卷积神经网络；利用训练的卷积神经网络提取肺结节的低维特征；利用所述低维特征训练非线性分类器，并预测未知肺结节图像块。本发明可以准确地预测未知肺结节图像块的良恶性。

Description

基于卷积神经网络的肺结节良恶性预测方法

技术领域

本发明涉及医学图像领域，特别是涉及一种基于卷积神经网络的肺结节良恶性预测方法。

背景技术

目前的肺结节良恶性提取方法包括：肺结节分割；特征提取；分类器训练，以上方法依赖于肺结节的预分割。目前的很多分割方法都依赖于算法的初始化，如区域生长算法，水平集算法等。不同的初始化会对最终的分割结果产生不同的影响，因此，利用这样的分割结果得到的特征，通常是不准确的。

发明内容

本发明提供的基于卷积神经网络的肺结节良恶性预测方法，可以准确地预测未知肺结节图像块。

根据本发明的一方面，提供一种基于卷积神经网络的肺结节良恶性预测方法，包括：

从肺结节坐标中获取多尺度肺结节图像块；根据所述多尺度肺结节图像块构造所述多尺度肺结节图像块对应的各个卷积神经网络；根据损失函数利用所述多尺度肺结节图像块训练所述卷积神经网络；利用训练的卷积神经网络提取肺结节的低维特征；利用所述低维特征训练非线性分类器，并预测未知肺结节图像块。

本发明实施例提供的基于卷积神经网络的肺结节良恶性预测方法，通过根据多个肺结节图像块构造多个肺结节图像块对应的各个卷积神经网络，并且根据各个卷积神经网络得到多维图像块对应的低维特征，利用低维特征训练非线性分类器，从而准确地预测未知肺结节图像块。

附图说明

图1为本发明实施例提供的基于卷积神经网络的肺结节良恶性预测方法流程图；

图2为本发明实施例提供的不同参数配置下的卷积神经网络的预测精确度示意图；

图3为本发明实施例提供的良性肺结节和恶性肺结节对应的降维特征示意图；

图4为本发明实施例提供的多尺度肺结节图像块。

具体实施方式

本发明的总体构思是，通过根据多个肺结节图像块构造多个肺结节图像块对应的各个卷积神经网络，并且根据各个卷积神经网络得到多维图像块对应的低维特征，利用低维特征训练非线性分类器，从而准确地预测未知肺结节图像块。

下面结合附图对本发明实施例提供的基于卷积神经网络的肺结节良恶性预测方法进行详细描述。

图1为本发明实施例提供的基于卷积神经网络的肺结节良恶性预测方法流程图。

参照图1，在步骤S101，从肺结节坐标中获取多尺度肺结节图像块。

这里，多个肺结节图像块可以为三个尺度的图像块，分别为32*32*32、64*64*64和96*96*96。在提取结节图像块之前，首先需要将CT图像重采样到0.5mm/pixel的分辨率，从而解决不同CT图像之间分辨率不一致的问题。在截取结节图像块时，每个尺度的立方体的中心对应肺结节的中心。

在步骤S102，根据所述多尺度肺结节图像块构造所述多尺度肺结节图像块对应的各个卷积神经网络。

这里，对应于三个尺度的图像块的输入，构造相应的三个卷积神经网络，每个卷积神经网络包括两个卷积层，每个卷基层后连接一个Max-pooling层，网络的最后采用全连接结构，输出50维特征。最后，每个网络的50维特征连接起来，得到150维特征，作为最终的多尺度特征。在这一步中，们每个卷积层中都拥有100个卷积核，卷积核的大小为5*5，max-pooling区域的大小为2*2。

根据本发明的示例性实施例，所述根据所述多尺度肺结节图像块构造所述多尺度肺结节图像块对应的各个卷积神经网络包括：

根据公式(1)计算所述卷积神经网络的卷积层：

$y=\max (0,\underset{c}{\mathrm{\Σ}}{f}_c*h_c+b)---\left(1\right)$

其中，f_c为所述肺结节图像块，h_c为卷积核，b为标量。

max-pooling层的计算公式如(2)所示：

$y(i,j)=\underset{0\≤m,n\≤s}{\max }\left\{x(i\·s+m,j\·s+n)\right\}---\left(2\right)$

其中，s为max-pooling的区域大小。

在步骤S103，根据损失函数利用所述多尺度肺结节图像块训练所述卷积神经网络。

这里，所述损失函数包括：三个对应每个独立的子网络的特征层的Hinge Loss损失函数。训练的过程中，同时优化这4个损失函数。在这四个损失函数中，三个独立子网络对应的损失函数权值维为0.001，最终150维特征对应的损失函数的权值为1。

根据本发明的示例性实施例，所述根据损失函数利用所述多尺度肺结节图像块训练所述卷积神经网络包括：

根据公式(3)计算损失函数：

loss＝max(0,1-ty^feat)           (3)

其中，loss为所述多维图像块对应的损失函数，y^feat为所述卷积神经网络的输出概率，t为肺结节的良恶性表示。

在步骤S104，利用训练的卷积神经网络提取肺结节的低维特征。

根据本发明的示例性实施例，所述利用训练的卷积神经网络提取肺结节的低维特征包括：

根据所述肺结节图像块利用所述卷积神经网络提取所述肺结节的低维特征。

这里，将肺结节图像块输入所述卷积神经网络中，提取出卷积神经网络的最后一层特征层的输出值，并将最后一层特征层的输出值作为肺结节图像对应的低维特征。

在步骤S105，利用所述低维特征训练非线性分类器，并预测未知肺结节图像块。

这里，分类器的最优参数通过交叉验证方法获得。

根据本发明的示例性实施例，所述非线性分类器包括随机森林分类器或支持向量机分类器，利用所述低维特征训练非线性分类器，并预测未知肺结节图像块包括：

利用所述低维特征训练随机森林分类器，并预测未知肺结节图像块；或

利用所述低维特征训练支持向量机分类器，并预测未知肺结节图像块。

图2为本发明实施例提供的不同参数配置下的卷积神经网络的预测精确度示意图。

参照图2，对于卷积神经网络的结构使用了8中不同的配置(每层网络的卷积核数目和特征层的隐含节点数目)，每个配置下，网络均可以达到84％以上的分类准确度。

图3为本发明实施例提供的良性肺结节和恶性肺结节对应的降维特征示意图。

参照图3，训练集的肺结节样本和测试集的肺结节样本提取到的150维特征，采用PCA降维的方式，将特征降到2维子空间中显示的结果。由此可将良性结节和恶性结节很好的区分开，说明了提取到的150维特征具有高度区分性，可以有效地用来区分良恶性结节。

图4为本发明实施例提供的多尺度肺结节图像块。

参照图4，(a)图为良性结节的多维度输入，(b)图为恶性结节的多维度输入。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (5)

1.一种基于卷积神经网络的肺结节良恶性预测方法，其特征在于，所述方法包括：

从肺结节坐标中获取多尺度肺结节图像块；

根据所述多尺度肺结节图像块构造所述多尺度肺结节图像块对应的各个卷积神经网络；

根据损失函数利用所述多尺度肺结节图像块训练所述卷积神经网络；

利用训练的卷积神经网络提取肺结节的低维特征；

利用所述低维特征训练非线性分类器，并预测未知肺结节图像块。

2.根据权利要求1所述的方法，其特征在于，所述根据所述多尺度肺结节图像块构造所述多尺度肺结节图像块对应的各个卷积神经网络包括：

根据下式计算所述卷积神经网络的卷积层：

$y=\max (0,\underset{c}{\mathrm{\Σ}}{f}_c*h_c+b)$

其中，f_c为所述肺结节图像块，h_c为卷积核，b为标量。

3.根据权利要求1所述的方法，其特征在于，所述根据损失函数利用所述多尺度肺结节图像块训练所述卷积神经网络包括：

根据下式计算所述损失函数：

loss＝max(0,1-ty^feat)

其中，loss为所述多维图像块对应的损失函数，y^feat为所述卷积神经网络的输出概率，t为肺结节的良恶性表示。

4.根据权利要求1所述的方法，其特征在于，所述利用训练的卷积神经网络提取肺结节的低维特征包括：

根据所述肺结节图像块利用所述卷积神经网络提取所述肺结节的低维特征。

5.根据权利要求1所述的方法，其特征在于，所述非线性分类器包括随机森林分类器或支持向量机分类器，利用所述低维特征训练非线性分类器，并预测未知肺结节图像块包括：

利用所述低维特征训练随机森林分类器，并预测未知肺结节图像块；或

利用所述低维特征训练支持向量机分类器，并预测未知肺结节图像块。