CN112598083B - 一种肺结节样本数据的分类方法、装置和电子设备 - Google Patents

一种肺结节样本数据的分类方法、装置和电子设备 Download PDF

Info

Publication number
CN112598083B
CN112598083B CN202110213263.0A CN202110213263A CN112598083B CN 112598083 B CN112598083 B CN 112598083B CN 202110213263 A CN202110213263 A CN 202110213263A CN 112598083 B CN112598083 B CN 112598083B
Authority
CN
China
Prior art keywords
sample data
feature
feature vector
lung
deep learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110213263.0A
Other languages
English (en)
Other versions
CN112598083A (zh
Inventor
柴象飞
郭娜
张路
刘鹏飞
张莞舒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huiying medical technology (Beijing) Co.,Ltd.
Original Assignee
Huiying Medical Technology Beijing Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huiying Medical Technology Beijing Co ltd filed Critical Huiying Medical Technology Beijing Co ltd
Priority to CN202110213263.0A priority Critical patent/CN112598083B/zh
Publication of CN112598083A publication Critical patent/CN112598083A/zh
Application granted granted Critical
Publication of CN112598083B publication Critical patent/CN112598083B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供了一种肺结节样本数据的分类方法、装置和电子设备。该方法包括：获取一个CT序列中N个肺结节区域的N个样本数据，其中，N≥2；将所述N个样本数据输入目标深度学习网络；从所述目标深度学习网络获取所述N个样本数据对应的N个肺结节属于目标分类的概率。本申请实施例提供的一种肺结节样本数据的分类方法、装置和电子设备，能够输出病患肺中多个肺结节属于良性的概率或者属于恶性的概率，为后续的诊疗提供重要的参考指标。

Description

一种肺结节样本数据的分类方法、装置和电子设备
技术领域
本申请涉及电数字数据处理领域，尤其涉及一种肺结节样本数据的分类方法、装置和电子设备。
背景技术
深度学习网络可以应用在肺结节良恶性自动诊断中。使用深度学习方法实现肺结节良恶性自动诊断时，通常是按照某一结节尺寸，或者按照某一给定长度，根据结节位置截取出一个长方体（或正方体），仅将截取的这一部分像素作为模型输入。
在上述肺结节良恶性自动分类的流程中，仅关注到了目标结节和它附近的像素，无法考虑该病人肺内的综合情况，例如肺内其他结节的性质等。
发明内容
本申请实施例的目的是提供一种肺结节样本数据的分类方法、装置和电子设备，能够得到病患肺内的多个结节的分类结果。
为解决上述技术问题，本申请实施例是通过以下各方面实现的。
第一方面，本申请实施例提供了一种肺结节样本数据的分类方法，包括：获取一个CT序列中N个肺结节区域的N个样本数据，其中，N≥2；将所述N个样本数据输入目标深度学习网络；从所述目标深度学习网络获取所述N个样本数据对应的N个肺结节属于目标分类的概率。
第二方面，本申请实施例提供了一种肺结节样本数据的分类装置，包括：获取模块，用于获取一个CT序列中N个肺结节区域的N个样本数据，其中，N≥2；输入模块，用于将所述N个样本数据输入目标深度学习网络；分类模块，用于从所述目标深度学习网络获取所述N个样本数据对应的N个肺结节属于目标分类的概率。
第三方面，本申请实施例提供了一种电子设备，包括：存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机可执行指令，所述计算机可执行指令被所述处理器执行时实现如上述第一方面所述的方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机可执行指令，所述计算机可执行指令被处理器执行时实现如上述第一方面所述的方法的步骤。
在本申请实施例中，通过获取一个CT序列中N个肺结节区域的N个样本数据，其中，N≥2；将所述N个样本数据输入目标深度学习网络；从所述目标深度学习网络获取所述N个样本数据对应的N个肺结节属于目标分类的概率，能够输出病患肺中多个肺结节属于良性的概率或者属于恶性的概率，为后续的诊疗提供重要的参考指标。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图；
图1示出本申请实施例提供的一种肺结节样本数据的分类方法的一种流程示意图；
图2示出本申请实施例提供的一种肺结节样本数据的分类方法的另一种流程示意图；
图3示出本申请实施例提供的一种肺结节样本数据的分类装置的结构示意图;
图4示出执行本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
图1示出本申请实施例提供的一种肺结节样本数据的分类方法的一种流程示意图，该方法可以由电子设备执行，例如终端设备。换言之，所述方法可以由安装在终端设备的软件或硬件来执行。如图所示，该方法可以包括以下步骤。
S10：获取一个CT序列中N个肺结节区域的N个样本数据。
在为某一病患进行的计算机断层扫描（Computed Tomography，CT）序列中有至少2个结节。在本步骤中获取其中N个肺结节区域的N个样本数据。其中，N≥2。本步骤中肺结节区域的样本数据属于电数字数据，本发明实施例后续步骤对其进行的处理属于对电数字数据进行处理。此外，本发明实施例也涉及对肺结节区域的样本数据这一数据的识别以及分析处理过程。
S20：将所述N个样本数据输入目标深度学习网络。
S30：从所述目标深度学习网络获取所述N个样本数据对应的N个肺结节属于目标分类的概率。
属于目标分类的概率包括：属于良性的概率，或者属于恶性的概率。例如，N个肺结节中的第一结节属于良性的概率为90%，第二结节属于良性的概率为80%等。
需要说明的是，本申请实施例的方法的直接目的并不是为了获得疾病的诊断结果或健康状况，本步骤输出的N个肺结节属于目标分类的概率也无法直接得到疾病的诊断结果或健康状况，而是属于中间结果信息，作为重要的参考指标，表征肺结节属于恶性的风险度，从而为后续的诊疗提供重要的参考指标。
图2示出本申请实施例提供的一种肺结节样本数据的分类方法的另一种流程示意图，该方法可以由电子设备执行，例如终端设备。换言之，所述方法可以由安装在终端设备的软件或硬件来执行。如图所示，该方法可以包括以下步骤。
S10：获取一个CT序列中N个肺结节区域的N个样本数据。
在为某一病患进行的计算机断层扫描（Computed Tomography，CT）序列中有至少2个结节。在本步骤中获取其中N个肺结节区域的N个样本数据。其中，N≥2。可选地，所述目标深度学习网络包括但不限于：VGG、InceptionNet、Resnet中的至少一者。
S21：通过CNN特征提取网络，对所述N个样本数据中的每个样本数据分别提取结节特征。
每个肺结节影像数据分别通过CNN特征提取网络提取结节特征。对第i个肺结节，其经过特征提取网络后特征维度为
Figure 504973DEST_PATH_IMAGE001
。1≤i≤N。
S22：对所述N个样本数据进行全局池化处理，得到N个对应的特征向量
Figure 664033DEST_PATH_IMAGE002
并将N个特征向量级联形成第一特征向量F。
具体地，在一种实现方式中，本步骤可以包括：
对所述N个样本数据中的第i个样本数据，例如，对第i个肺结节特征
Figure 873209DEST_PATH_IMAGE001
，进行全局池化处理，得到对应的特征向量
Figure 322645DEST_PATH_IMAGE003
，
Figure 489184DEST_PATH_IMAGE004
的尺寸为[1, x]，x大于0。
基于所述N个样本数据分别对应的特征向量
Figure 425785DEST_PATH_IMAGE004
，得到所述N个对应的特征向量
Figure 19577DEST_PATH_IMAGE002
所述N个对应的特征向量的尺寸为[N, x]。
S23：将所述第一特征向量F进行特征重组，聚合所述N个样本数据中每个样本数据的特征及其他结节的特征，生成第二特征向量G。
具体地，在一种实现方式中，本步骤可以包括：
将所述第一特征向量F与所述第一特征向量F的转置矩阵相乘作为所述第二特征向量G。即G=F×FT，G的尺寸为[N, N]。G为融合了该病人肺内全部N个结节特征的特征矩阵。
S24：基于所述第一特征向量F和所述第二特征向量G生成重组特征矩阵H，其中，所述重组特征矩阵H中的每一行对应一个结节。
具体地，在一种实现方式中，本步骤可以包括：
将第二特征向量G与所述第一特征向量F相乘，得到所述重组特征矩阵H。即H=G×F，重组特征矩阵H的尺寸为[N, x]。重组特征矩阵H的每一行，认为是每个结节的特征向量。
S25：将所述重组特征矩阵H中的每一行进行全连接层和sigmoid函数的处理，得到所述N个样本数据对应的N个肺结节属于目标分类的概率。
Sigmoid函数用作神经网络的激活函数，能够将变量映射到0,1之间。
S30：从所述目标深度学习网络获取所述N个样本数据对应的N个肺结节属于目标分类的概率。
属于目标分类的概率包括：属于良性的概率，或者属于恶性的概率。例如，N个肺结节中的第一结节属于良性的概率为90%，第二结节属于良性的概率为80%等。
在本申请实施例中，通过获取一个CT序列中N个肺结节区域的N个样本数据，其中，N≥2；将所述N个样本数据输入目标深度学习网络；从所述目标深度学习网络获取所述N个样本数据对应的N个肺结节属于目标分类的概率，能够输出病患肺中多个肺结节属于良性的概率或者属于恶性的概率，为后续的诊疗提供重要的参考指标。
图3示出本申请实施例提供的一种肺结节样本数据的分类装置的结构示意图，该装置300包括：获取模块310、输入模块320、分类模块330。
获取模块310，用于获取一个CT序列中N个肺结节区域的N个样本数据，其中，N≥2。输入模块320，用于将所述N个样本数据输入目标深度学习网络。分类模块330，用于从所述目标深度学习网络获取所述N个样本数据对应的N个肺结节属于目标分类的概率。
在一种实现方式中，所述输入模块用于：通过CNN特征提取网络，对所述N个样本数据中的每个样本数据分别提取结节特征；对所述N个样本数据进行全局池化处理，得到N个对应的特征向量
Figure 159572DEST_PATH_IMAGE005
并将N个特征向量级联形成第一特征向量F；将所述第一特征向量F进行特征重组，聚合所述N个样本数据中每个样本数据的特征及其他结节的特征，生成第二特征向量G；基于所述第一特征向量F和所述第二特征向量G生成重组特征矩阵H，其中，所述重组特征矩阵H中的每一行对应一个结节；将所述重组特征矩阵H中的每一行进行全连接层和sigmoid函数的处理，得到所述N个样本数据对应的N个肺结节属于目标分类的概率。
在一种实现方式中，所述输入模块用于对所述N个样本数据进行全局池化处理，得到N个对应的特征向量
Figure 880534DEST_PATH_IMAGE006
包括：对所述N个样本数据中的第i个样本数据，进行全局池化处理，得到对应的特征向量
Figure 131694DEST_PATH_IMAGE004
，
Figure 4710DEST_PATH_IMAGE004
的尺寸为[1, x]，x大于0；基于所述N个样本数据分别对应的特征向量
Figure 897579DEST_PATH_IMAGE004
，得到所述N个对应的特征向量
Figure 156654DEST_PATH_IMAGE006
所述N个对应的特征向量的尺寸为[N, x]。
在一种实现方式中，所述输入模块用于将所述第一特征向量F进行特征重组，聚合所述N个样本数据中每个样本数据的特征及其他结节的特征，生成第二特征向量G，包括：将所述第一特征向量F与所述第一特征向量F的转置矩阵相乘作为所述第二特征向量G。
在一种实现方式中，所述输入模块用于基于所述第一特征向量F和所述第二特征向量G生成重组特征矩阵H，包括：将第二特征向量G与所述第一特征向量F相乘，得到所述重组特征矩阵H。
在一种实现方式中，所述目标深度学习网络包括但不限于：VGG、InceptionNet、Resnet中的至少一者。
本申请实施例提供的该装置300，可执行前文方法实施例中所述的各方法，并实现前文方法实施例中所述的各方法的功能和有益效果，在此不再赘述。
图4示出执行本申请实施例提供的电子设备的硬件结构示意图。如图所示，该电子设备400包括但不限于：存储器402、处理器401等部件。本领域技术人员可以理解，图中示出的移动终端结构并不构成对移动终端的限定，移动终端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。在本发明实施例中，移动终端包括但不限于手机、平板电脑、笔记本电脑、掌上电脑等。
其中，处理器401用于执行：获取一个CT序列中N个肺结节区域的N个样本数据，其中，N≥2；
将所述N个样本数据输入目标深度学习网络；
从所述目标深度学习网络获取所述N个样本数据对应的N个肺结节属于目标分类的概率。
在一种实现方式中，将所述N个样本数据输入目标深度学习网络，包括：
通过CNN特征提取网络，对所述N个样本数据中的每个样本数据分别提取结节特征；
对所述N个样本数据进行全局池化处理，得到N个对应的特征向量
Figure 818579DEST_PATH_IMAGE002
并将N个特征向量级联形成第一特征向量F；
将所述第一特征向量F进行特征重组，聚合所述N个样本数据中每个样本数据的特征及其他结节的特征，生成第二特征向量G；
基于所述第一特征向量F和所述第二特征向量G生成重组特征矩阵H，其中，所述重组特征矩阵H中的每一行对应一个结节；
将所述重组特征矩阵H中的每一行进行全连接层和sigmoid函数的处理，得到所述N个样本数据对应的N个肺结节属于目标分类的概率。
在一种实现方式中，对所述N个样本数据进行全局池化处理，得到N个对应的特征向量
Figure 412896DEST_PATH_IMAGE005
包括：
对所述N个样本数据中的第i个样本数据，进行全局池化处理，得到对应的特征向量
Figure 839067DEST_PATH_IMAGE004
，
Figure 151100DEST_PATH_IMAGE004
的尺寸为[1, x]，x大于0；
基于所述N个样本数据分别对应的特征向量
Figure 933111DEST_PATH_IMAGE004
，得到所述N个对应的特征向量
Figure 55919DEST_PATH_IMAGE002
所述N个对应的特征向量的尺寸为[N, x]。
在一种实现方式中，将所述第一特征向量F进行特征重组，聚合所述N个样本数据中每个样本数据的特征及其他结节的特征，生成第二特征向量G，包括：
将所述第一特征向量F与所述第一特征向量F的转置矩阵相乘作为所述第二特征向量G。
在一种实现方式中，基于所述第一特征向量F和所述第二特征向量G生成重组特征矩阵H，包括：
将第二特征向量G与所述第一特征向量F相乘，得到所述重组特征矩阵H。
在一种实现方式中，所述目标深度学习网络包括但不限于：VGG、InceptionNet、Resnet中的至少一者。
存储器402可用于存储软件程序以及各种数据。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器401是移动终端的控制中心，利用各种接口和线路连接整个移动终端的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行移动终端的各种功能和处理数据，从而对移动终端进行整体监控。处理器401可包括一个或多个处理单元；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
电子设备还可以包括给各个部件供电的电源403（比如电池），优选的，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
另外，电子设备包括一些未示出的功能模块，在此不再赘述。
可选地，本发明实施例还提供一种电子设备，包括处理器401，存储器402，存储在存储器402上并可在所述处理器401上运行的计算机程序，该计算机程序被处理器401执行时实现上述方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例还提出了一种计算机可读存储介质，所述计算机可读介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的终端执行时，使得所述终端执行以下操作：
获取一个CT序列中N个肺结节区域的N个样本数据，其中，N≥2；
将所述N个样本数据输入目标深度学习网络；
从所述目标深度学习网络获取所述N个样本数据对应的N个肺结节属于目标分类的概率。
在一种实现方式中，将所述N个样本数据输入目标深度学习网络，包括：
通过CNN特征提取网络，对所述N个样本数据中的每个样本数据分别提取结节特征；
对所述N个样本数据进行全局池化处理，得到N个对应的特征向量
Figure 923381DEST_PATH_IMAGE002
并将N个特征向量级联形成第一特征向量F；
将所述第一特征向量F进行特征重组，聚合所述N个样本数据中每个样本数据的特征及其他结节的特征，生成第二特征向量G；
基于所述第一特征向量F和所述第二特征向量G生成重组特征矩阵H，其中，所述重组特征矩阵H中的每一行对应一个结节；
将所述重组特征矩阵H中的每一行进行全连接层和sigmoid函数的处理，得到所述N个样本数据对应的N个肺结节属于目标分类的概率。
在一种实现方式中，对所述N个样本数据进行全局池化处理，得到N个对应的特征向量
Figure 760143DEST_PATH_IMAGE005
包括：
对所述N个样本数据中的第i个样本数据，进行全局池化处理，得到对应的特征向量
Figure 396661DEST_PATH_IMAGE004
，
Figure 768999DEST_PATH_IMAGE004
的尺寸为[1, x]，x大于0；
基于所述N个样本数据分别对应的特征向量
Figure 918831DEST_PATH_IMAGE004
，得到所述N个对应的特征向量
Figure 572666DEST_PATH_IMAGE002
所述N个对应的特征向量的尺寸为[N, x]。
在一种实现方式中，将所述第一特征向量F进行特征重组，聚合所述N个样本数据中每个样本数据的特征及其他结节的特征，生成第二特征向量G，包括：
将所述第一特征向量F与所述第一特征向量F的转置矩阵相乘作为所述第二特征向量G。
在一种实现方式中，基于所述第一特征向量F和所述第二特征向量G生成重组特征矩阵H，包括：
将第二特征向量G与所述第一特征向量F相乘，得到所述重组特征矩阵H。
在一种实现方式中，所述目标深度学习网络包括但不限于：VGG、InceptionNet、Resnet中的至少一者。
其中，所述的计算机可读存储介质包括只读存储器（Read-Only Memory，简称ROM）、随机存取存储器（Random Access Memory，简称RAM）、磁碟或者光盘等。
该计算机程序被处理器执行时实现上述方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
进一步地，本申请实施例还提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，实现以下流程：
获取一个CT序列中N个肺结节区域的N个样本数据，其中，N≥2；
将所述N个样本数据输入目标深度学习网络；
从所述目标深度学习网络获取所述N个样本数据对应的N个肺结节属于目标分类的概率。
在一种实现方式中，将所述N个样本数据输入目标深度学习网络，包括：
通过CNN特征提取网络，对所述N个样本数据中的每个样本数据分别提取结节特征；
对所述N个样本数据进行全局池化处理，得到N个对应的特征向量
Figure 814423DEST_PATH_IMAGE006
并将N个特征向量级联形成第一特征向量F；
将所述第一特征向量F进行特征重组，聚合所述N个样本数据中每个样本数据的特征及其他结节的特征，生成第二特征向量G；
基于所述第一特征向量F和所述第二特征向量G生成重组特征矩阵H，其中，所述重组特征矩阵H中的每一行对应一个结节；
将所述重组特征矩阵H中的每一行进行全连接层和sigmoid函数的处理，得到所述N个样本数据对应的N个肺结节属于目标分类的概率。
在一种实现方式中，对所述N个样本数据进行全局池化处理，得到N个对应的特征向量
Figure 528301DEST_PATH_IMAGE005
包括：
对所述N个样本数据中的第i个样本数据，进行全局池化处理，得到对应的特征向量
Figure 370355DEST_PATH_IMAGE004
，
Figure 811569DEST_PATH_IMAGE004
的尺寸为[1, x]，x大于0；
基于所述N个样本数据分别对应的特征向量
Figure 891521DEST_PATH_IMAGE004
，得到所述N个对应的特征向量
Figure 776300DEST_PATH_IMAGE002
所述N个对应的特征向量的尺寸为[N, x]。
在一种实现方式中，将所述第一特征向量F进行特征重组，聚合所述N个样本数据中每个样本数据的特征及其他结节的特征，生成第二特征向量G，包括：
将所述第一特征向量F与所述第一特征向量F的转置矩阵相乘作为所述第二特征向量G。
在一种实现方式中，基于所述第一特征向量F和所述第二特征向量G生成重组特征矩阵H，包括：
将第二特征向量G与所述第一特征向量F相乘，得到所述重组特征矩阵H。
在一种实现方式中，所述目标深度学习网络包括但不限于：VGG、InceptionNet、Resnet中的至少一者。
该计算机程序被处理器执行时实现上述方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (7)

1.一种肺结节样本数据的分类方法，其特征在于，包括：
获取一个CT序列中N个肺结节区域的N个样本数据，其中，N≥2；
将所述N个样本数据输入目标深度学习网络；
从所述目标深度学习网络获取所述N个样本数据对应的N个肺结节属于目标分类的概率；
将所述N个样本数据输入目标深度学习网络，包括：
通过CNN特征提取网络，对所述N个样本数据中的每个样本数据分别提取肺结节特征；
对所述N个样本数据进行全局池化处理，得到N个对应的特征向量
Figure 635691DEST_PATH_IMAGE001
，并将 N个特征向量级联形成第一特征向量F；
将所述第一特征向量F进行特征重组，聚合所述N个样本数据中每个样本数据的特征及其他肺结节的特征，生成第二特征向量G；
基于所述第一特征向量F和所述第二特征向量G生成重组特征矩阵H，其中，所述重组特征矩阵H中的每一行对应一个肺结节；
将所述重组特征矩阵H中的每一行进行全连接层和sigmoid函数的处理，得到所述N个样本数据对应的N个肺结节属于目标分类的概率；
对所述N个样本数据进行全局池化处理，得到N个对应的特征向量
Figure 331114DEST_PATH_IMAGE001
，包 括：
对所述N个样本数据中的第i个样本数据，进行全局池化处理，得到对应的特征向量
Figure 572740DEST_PATH_IMAGE002
，
Figure 51126DEST_PATH_IMAGE002
的尺寸为[1, x]，x大于0；
基于所述N个样本数据分别对应的特征向量
Figure 960176DEST_PATH_IMAGE002
，得到所述N个对应的特征向量
Figure 295342DEST_PATH_IMAGE003
，所述N个对应的特征向量的尺寸为[N, x]。
2.根据权利要求1所述的分类方法，其特征在于，将所述第一特征向量F进行特征重组，聚合所述N个样本数据中每个样本数据的特征及其他肺结节的特征，生成第二特征向量G，包括：
将所述第一特征向量F与所述第一特征向量F的转置矩阵相乘作为所述第二特征向量G。
3.根据权利要求2所述的分类方法，其特征在于，基于所述第一特征向量F和所述第二特征向量G生成重组特征矩阵H，包括：
将第二特征向量G与所述第一特征向量F相乘，得到所述重组特征矩阵H。
4.根据权利要求1所述的分类方法，其特征在于，所述目标深度学习网络包括但不限于：VGG、InceptionNet、Resnet中的至少一者。
5.一种肺结节样本数据的分类装置，其特征在于，包括：
获取模块，用于获取一个CT序列中N个肺结节区域的N个样本数据，其中，N≥2；
输入模块，用于将所述N个样本数据输入目标深度学习网络；
分类模块，用于从所述目标深度学习网络获取所述N个样本数据对应的N个肺结节属于目标分类的概率；
所述输入模块用于：
通过CNN特征提取网络，对所述N个样本数据中的每个样本数据分别提取肺结节特征；
对所述N个样本数据进行全局池化处理，得到N个对应的特征向量
Figure 227526DEST_PATH_IMAGE003
，并 将N个特征向量级联形成第一特征向量F；
将所述第一特征向量F进行特征重组，聚合所述N个样本数据中每个样本数据的特征及其他肺结节的特征，生成第二特征向量G；
基于所述第一特征向量F和所述第二特征向量G生成重组特征矩阵H，其中，所述重组特征矩阵H中的每一行对应一个肺结节；
将所述重组特征矩阵H中的每一行进行全连接层和sigmoid函数的处理，得到所述N个样本数据对应的N个肺结节属于目标分类的概率；
对所述N个样本数据进行全局池化处理，得到N个对应的特征向量
Figure 571920DEST_PATH_IMAGE003
，包 括：
对所述N个样本数据中的第i个样本数据，进行全局池化处理，得到对应的特征向量
Figure 69897DEST_PATH_IMAGE002
，
Figure 44806DEST_PATH_IMAGE002
的尺寸为[1, x]，x大于0；
基于所述N个样本数据分别对应的特征向量
Figure 261024DEST_PATH_IMAGE004
，得到所述N个对应的特征向量
Figure 143529DEST_PATH_IMAGE003
，所述N个对应的特征向量的尺寸为[N, x]。
6.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使用所述处理器执行权利要求1至4中的任意一项或多项所述的方法。
7.一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机可执行指令，所述计算机可执行指令被处理器执行权利要求1至4中的任意一项或多项所述的方法。
CN202110213263.0A 2021-02-26 2021-02-26 一种肺结节样本数据的分类方法、装置和电子设备 Active CN112598083B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110213263.0A CN112598083B (zh) 2021-02-26 2021-02-26 一种肺结节样本数据的分类方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110213263.0A CN112598083B (zh) 2021-02-26 2021-02-26 一种肺结节样本数据的分类方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN112598083A CN112598083A (zh) 2021-04-02
CN112598083B true CN112598083B (zh) 2021-06-01

Family

ID=75207833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110213263.0A Active CN112598083B (zh) 2021-02-26 2021-02-26 一种肺结节样本数据的分类方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN112598083B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766051A (zh) * 2019-09-20 2020-02-07 四川大学华西医院 一种基于神经网络的肺结节形态学分类方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108389201B (zh) * 2018-03-16 2020-06-30 北京推想科技有限公司 基于3d卷积神经网络与深度学习的肺结节良恶性分类方法
US11244453B2 (en) * 2018-11-02 2022-02-08 Siemens Healthcare Gmbh Determining malignancy of pulmonary nodules using deep learning
CN109871869B (zh) * 2019-01-11 2023-03-21 五邑大学 一种肺结节分类方法及其装置
CN111539491B (zh) * 2020-07-07 2020-11-06 点内（上海）生物科技有限公司 基于深度学习与注意力机制的多发性结节分类系统和方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110766051A (zh) * 2019-09-20 2020-02-07 四川大学华西医院 一种基于神经网络的肺结节形态学分类方法

Also Published As

Publication number Publication date
CN112598083A (zh) 2021-04-02

Similar Documents

Publication Publication Date Title
CN112101190B (zh) 一种遥感图像分类方法、存储介质及计算设备
CN108920654B (zh) 一种问答文本语义匹配的方法和装置
CN113297396B (zh) 基于联邦学习的模型参数更新方法、装置及设备
CN112418292B (zh) 一种图像质量评价的方法、装置、计算机设备及存储介质
CN111311599B (zh) 图像处理方法、装置、电子设备和存储介质
CN111709415B (zh) 目标检测方法、装置、计算机设备和存储介质
CN110070867A (zh) 语音指令识别方法、计算机装置及计算机可读存储介质
CN113782093B (zh) 一种基因表达填充数据的获取方法及装置、存储介质
CN108133020A (zh) 视频分类方法、装置、存储介质及电子设备
CN109844774B (zh) 一种并行反卷积计算方法、单引擎计算方法及相关产品
CN112598083B (zh) 一种肺结节样本数据的分类方法、装置和电子设备
CN114049463A (zh) 一种二叉树的数据网格化、网格点数据的获取方法及装置
CN112183303A (zh) 变电设备图像分类方法、装置、计算机设备和介质
CN116108752A (zh) 模型压缩方法、装置、电子设备和存储介质
CN116486493A (zh) 一种活体检测方法、装置及设备
CN116310308A (zh) 图像分割方法、装置、计算机设备和存储介质
CN115905702A (zh) 基于用户需求分析的数据推荐方法及系统
CN112686343B (zh) 一种肺结节样本数据的分类方法、装置和电子设备
CN114638998A (zh) 模型更新方法、装置、系统及设备
CN114818458A (zh) 系统参数优化方法、装置、计算设备及介质
CN113827981A (zh) 一种基于朴素贝叶斯的游戏流失用户预测方法和系统
CN110929623A (zh) 多媒体文件的识别方法、装置、服务器和存储介质
CN109902699B (zh) 一种信息处理方法、装置和计算机存储介质
Abdeltif et al. Parallel framework for memory-efficient computation of image descriptors for megapixel images
CN112215354A (zh) 神经网络模型剪枝方法、装置、计算机设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder

Address after: 100192 A206, 2 / F, building B-2, Dongsheng Science Park, Zhongguancun, 66 xixiaokou Road, Haidian District, Beijing

Patentee after: Huiying medical technology (Beijing) Co.,Ltd.

Address before: 100192 A206, 2 / F, building B-2, Dongsheng Science Park, Zhongguancun, 66 xixiaokou Road, Haidian District, Beijing

Patentee before: HUIYING MEDICAL TECHNOLOGY (BEIJING) Co.,Ltd.

CP01 Change in the name or title of a patent holder