CN112633336A - 一种基于多尺度特征融合的肺结节识别分类方法 - Google Patents
一种基于多尺度特征融合的肺结节识别分类方法 Download PDFInfo
- Publication number
- CN112633336A CN112633336A CN202011455251.0A CN202011455251A CN112633336A CN 112633336 A CN112633336 A CN 112633336A CN 202011455251 A CN202011455251 A CN 202011455251A CN 112633336 A CN112633336 A CN 112633336A
- Authority
- CN
- China
- Prior art keywords
- classification
- lung
- benign
- malignant
- lung nodule
- 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.)
- Pending
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000002685 pulmonary effect Effects 0.000 title description 11
- 206010056342 Pulmonary mass Diseases 0.000 claims abstract description 81
- 230000003211 malignant effect Effects 0.000 claims abstract description 48
- 238000013145 classification model Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 230000011218 segmentation Effects 0.000 claims abstract description 5
- 210000004072 lung Anatomy 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 5
- 210000000988 bone and bone Anatomy 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 235000002566 Capsicum Nutrition 0.000 claims description 3
- 239000006002 Pepper Substances 0.000 claims description 3
- 235000016761 Piper aduncum Nutrition 0.000 claims description 3
- 235000017804 Piper guineense Nutrition 0.000 claims description 3
- 235000008184 Piper nigrum Nutrition 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 230000003321 amplification Effects 0.000 claims description 2
- 230000003902 lesion Effects 0.000 claims description 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 244000203593 Piper nigrum Species 0.000 claims 1
- 230000006870 function Effects 0.000 description 10
- 206010054107 Nodule Diseases 0.000 description 8
- 239000000126 substance Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 241000722363 Piper Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 208000019693 Lung disease Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000003925 fat Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000001370 mediastinum Anatomy 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及一种基于多尺度特征融合的肺结节识别分类方法，属于图像处理领域。该方法包括以下步骤：S1：建立训练样本；S2：建立多尺度特征融合的肺结节良恶性分类模型；该分类模型由有三个尺度的深度卷积神经网络分类模型组成，每个模型分为特征提取部分、良恶性分类部分和特征融合部分；S3：训练肺结节分割模型。该方法能够自动提取结节的高层次特征，更加准确、快速地识别和分类肺结节。
Description
技术领域
本发明属于图像处理领域，涉及一种基于多尺度特征融合的肺结节识别分类方法。
背景技术
对肺结节的精确识别是基于CT影像的早期肺癌计算机辅助识别的关键步骤，并且肺部CT上的良性和恶性结节的自动识别仍然是需要专业知识的，能否从CT影像中精确地识别出恶性肺结节，最终会影响到计算机辅助识别系统的性能。
现有技术中，肺结节良恶性识别分类方法有很多，但其鲁棒性较差，准确性较低，造成的肺结节良恶性划分困难主要原因是：
(1)结节形状、大小、纹理变化范围大，精准描述困难。
(2)恶性和良性结节在视觉上具有相似的形态的特征。
发明内容
有鉴于此，本发明的目的在于提供一种基于多尺度特征融合的肺结节识别分类方法。
为达到上述目的，本发明提供如下技术方案：
一种基于多尺度特征融合的肺结节识别分类方法，该方法包括以下步骤：
S1：建立训练样本；
S2：建立多尺度特征融合的肺结节良恶性分类模型；该分类模型由有三个尺度的深度卷积神经网络分类模型组成，每个模型分为特征提取部分、良恶性分类部分和特征融合部分；
S3：训练肺结节分割模型。
可选的，所述S1具体为：
S11：根据CT影像成像特点，保留从空气到骨骼的区域，将其像素值进行截断处理，只保留[-1000,+400]区间内的像素点；同时使用图像增强技术，提高CT影像信噪比，并将像素值归一化到[0,1]之间；再对肺部CT图像重采样，使其空间分辨率为1mm*1mm*1mm；
S12：对肺部CT影像进行标注，获取病变肺结节区域，得到肺结节的坐标x，y，z及其半径r；根据标注，对肺结节进行切块处理，切块大小为26*42*42体素；
使用数据增强技术扩增数据集：
(1)随机裁剪成24*40*40大小的立方块，数据集扩增9倍；
(2)对裁剪的立方块进行复制造成，自我复制1次，数据集扩增2倍；
(3)对裁剪好的立方块从三个正交尺寸翻转它，数据扩增8倍；三个正交尺寸包括冠状、矢状和轴向位置；
(4)对立方块添加随机椒盐白噪声，提高模型的鲁棒性和泛化能力。
可选的，所述S2具体为：
S21：特征提取部分是由多个残差块组成；
S22：良恶性分类部分是由全连接层组成；
S23：特征融合部分则是融合三个尺度良恶性分类模型的分类结果，进行非线性映射，得到最终的分类结果。
可选的，所述S3具体为：
S31：将标签进行平滑处理，防止数据过拟合；
S32：在训练集中进行随机采样，使用批处理数据；并将批处理数据以中心为原点，进行裁剪，得到另外两个尺度的训练样本；将三个尺度的训练集作为输入放进多尺度特征融合良恶性分类网络，得到肺结节良恶性的识别结果。
本发明的有益效果在于：该方法能够自动提取结节的高层次特征，更加准确、快速地识别和分类肺结节。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明流程图；
图2为建立训练样本的流程图；
图3为基于多尺度特征融合的肺结节良恶性分类模型结构示意图；
图4为多尺度的肺结节良恶性分类模型的网络流程图；
图5为图4中每个残差块的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
本发明的总体构思为，将CT影像进行预处理，根据标注，生成一一对应的肺结节立方块，并使用数据增强扩充数据集。本发明的分类模型能够提取多个尺度的肺结节特征，以适应肺结节大小、形态变化多样。
图1是实施基于多尺度特征融合的肺结节良恶性分类方法的流程图。基于多尺度特征融合的肺结节良恶性分类方法包括以下步骤：
Step 1.对CT影像完成肺结节标注,并对尺度归一化。
本发明依托基于监督式的深度学习分类模型，通过完成对肺部CT影像的标注获得肺结节的相关信息，如：x(mm)，y(mm)，z(mm)、半径r(mm)以及良恶性类别。由于获取CT影像的设备不同，其每个CT影像的体素间隔是不一致的。为了真实并统一反应肺结节大小、形态信息，对对肺部CT影像重采样，使其空间分辨率为1mm*1mm*1mm。
Step2.CT图像截断处理，图像增强，像素值归一化。
CT影像采集后所得的数值为X射线衰减值,单位为亨氏单位(Hounsfield unit,HU)。HU值计算公式为：
其中,μ为线性衰减系数，和X射线强度有关。某物质的CT值等于该物质的衰减系数与水的吸收系数之差再与水的衰减系数相比之后乘以分度因素。物质的CT值反映物质的密度，即物质的CT值越高相当于物质密度越高。人体内不同的组织具有不同的衰减系数，因而其CT值也各不相同。按照CT值的高低分别为骨组织，软组织，脂肪，水，气体，水的CT值为0HU左右。在对肺部CT图像处理之中,由于肺的HU值为-500左右,因此将HU值在[-1000,+400]内的区域保留(从空气到骨骼),超出此范围的区域就可以认为与肺部疾病监测无关而舍去。
在进行肺结节识别前进行CT影像的显著性区域增强有助于提高肺结节识别的精准性、特异性和敏感性。环境、设备、人体组织密度、呼吸等外部和内部因素会在CT影像成像过程造成大量多源噪声的干扰。这些噪声会造成CT影像细节丢失以及边缘模糊的情况，对后续肺结节良恶性识别造成直接的影响。因此使用图像增强技术，提高CT影像信噪比，突出肺结节结构和抑制背景结构的CT影像显著性区域，为后续肺结节识别步骤提高准确度打下良好的基础。
在像素截断之后，像素值仍然较大，不利于模型的收敛，所以把像素值归一化到[0,1]之间，并且可以很好的可视化。
Step3.根据标注建立训练样本集。
根据在Step1中的标注，我们得到肺结节的坐标x(mm)，y(mm)，z(mm)、半径r(mm)以及良恶性类别。根据坐标进行肺结节立方块裁剪。先裁剪成26*42*42大小的立方块。再使用数据增强技术扩充数据集，扩充之后的肺结节立方块大小为24*40*40。同时在肺结节立方块上随机生成椒盐白噪声，以提高模型的泛化能力和鲁棒性。整个流程如图2所示。
Step4.建立多尺度特征融合肺结节良恶性分类模型。
传统的肺结节良恶性分类方法难以提取有效特征，其鲁棒性差，稳定性低。这是因为肺结节尺度变化大、形状多变不规则、分布位置随机，同时易被肋骨、纵膈和隔膜等结构遮挡。本发明的肺结节良恶性分类模型能有效利用肺结节的多尺度特征信息，通过多个尺度分类网络的特征融合达到高效精准的肺结节良恶性识别结果，具有强大的泛化性与鲁棒性，适用于复杂环境下肺结节的良恶性分类。如图3所示，多尺度特征融合的肺结节良恶性分类模型是由有三个尺度的深度卷积神经网络分类模型组成。
肺结节的大小各异，大的肺结节直径可达3cm及以上，小的肺结节直径可低至3mm，甚至更低。一般肺结节的最大与最小的尺度比例约为10：1，因此使用单一尺度的特征分类器无法适用于不同大小的肺结节良恶性识别。如果特征提取器使用的感受野太大，对小结节进行识别时会存在较大的噪声。如果特征提取器使用的感受野太小，则无法表征大结节。所以本发明使用多尺度特征融合的方式来进行肺结节的良恶性识别。三个尺度的特征分类模型所接收的尺度分别为：24*40*40，12*20*20和6*10*10大小的肺结节立方体，分别对应三个尺度的分类模型：Scale-1、Scale-2和Scale-3。
每个模型分为特征提取部分、良恶性分类部分和特征融合部分。特征提取部分使用3D CNN为基础搭建的残差块组成。残差块的堆叠一方面能高效提取肺结节深层次的语义特征，并且在训练的时候易于快速收敛。良恶性分类部分是由全连接组成的神经网络构成，是为了把特征提取器得到的高维特征向量的进一步抽象和分类。在其最后一层使用softmax回归，得到肺结节良恶性识别的预测值。将Scale-1模型中属于c类的肺结节的回归概率定义为(Scale-2和Scale-3类似)：
其中Ni表示训练样本集中第i个肺结节。
是第i个肺结节的类别标签，c是类别，c＝0表示良性肺结节，c＝1表示恶性肺结节。特征融合部分则充分考虑各个尺度的预测结果，并进行非线性映射得到最后的预测值。在特征融合之后的分类概率如下：
其中Pfusion是整个框架下属于c类输出的Ni的融合预测概率，
是对应第
个模型的预测概率，
w是特征融合部分的权值，b是偏置，f(·)是非线性激活函数。
Step5.训练肺结节分割模型，得到多尺度特征融合肺结节良恶性识别模型的参数。
使用批处理数据的方法，随机把256个训练样本作为一批数据放入模型进行训练。在前向传播的时候把训练样本以中心为原点进行裁剪成12*20*20和6*10*10大小的肺结节立方块，并作为另外两个分类模型的输入。模型使用的激活函数为Leak relu函数，具体为：
其中a属于[1,+∞)中的固定参数。带泄露修正线性单元(Leaky ReLU)函数是ReLu激活函数的变体，该函数输出对负值输入有很小的坡度。由于导数总是不为零，这能减少静默神经元的出现，允许基于梯度的学习，解决了Relu函数进入负区间后，导致神经元不学习的问题。
由于良恶性分类部分和特征融合部分均是全连接层组成，所以分别在其最后一层进行softmax回归，使得输出值在0到1之间，以求得肺结节良恶性分类的预测值。
对肺结节的类别标注使用标签平滑归一化(label smoothing)，将将原本狄拉克分布的标签变量替换为
的狄拉克函数，以保证模型的泛化能力，避免造成过拟合，其中
取0.1。
损失函数结合Focal loss和F1得分，其定义为：
式中y表示肺结节的分类标注，y’表示预测值。α和γ是超参数分别设置为0.25和2。α是平衡因子，用于平衡阳性和阴性样本本身的不均衡比例，γ调节简单样本权重降低的速率。F1得分是用来衡量二元分类模型准确性的指标，它既考虑了分类模型的准确性，也考虑了分类模型的召回率。其定义为：
由于训练样本存在正负样布类不平衡问题，训练样本中存在大量的负样本类，这些大量负样本类会主导梯度的跟新方向，造成模型无法学习有用的信息，进而无法对肺结节实现精确分割。因此使用Focal loss解决正负样本类不平衡问题，其降低了大量简单负样本在训练中所占的权重，也是一种难例挖掘机制。并使用F1得分作为损失项，更加客观和准确的衡量模型的分类结果。
使用带动量的随机梯度下降优化损失函数。带动量的随机梯度下降算法，由于梯度的计算使用了指数加权平均方法，使得本次梯度的计算和之前是有关联的，这样就能抵消比如梯度在上下摆动的这种状况，使得收敛优化变得更快。
训练肺结节分割模型直至收敛，从而建立基于多尺度特征融合的肺结节良恶性分类模型。可以将CT影像的肺结节进行切块，使用基于多尺度特征融合的肺结节良恶性分类方法，从而得到最终的肺结节识别结果。因此,本发明基于多尺度特征融合的肺结节良恶性分类方法能够实现对肺结节定性的精细化处理。
本发明的基于多尺度特征融合的肺结节良恶性分类方法，一方面,能够充分地利用肺结节的多尺度特征信息,并使用难例挖掘解决正负样本类不平衡问题。另一方面利用深度卷积神经网络高效提取特征的优势,直接学习到肺结节的特征,使用与各种类别、形态、大小的肺结节良恶性识别。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于多尺度特征融合的肺结节识别分类方法，其特征在于：该方法包括以下步骤：
S1：建立训练样本；
S2：建立多尺度特征融合的肺结节良恶性分类模型；该分类模型由有三个尺度的深度卷积神经网络分类模型组成，每个模型分为特征提取部分、良恶性分类部分和特征融合部分；
S3：训练肺结节分割模型。
2.根据权利要求1所述的一种基于多尺度特征融合的肺结节识别分类方法，其特征在于：所述S1具体为：
S11：根据CT影像成像特点，保留从空气到骨骼的区域，将其像素值进行截断处理，只保留[-1000,+400]区间内的像素点；同时使用图像增强技术，提高CT影像信噪比，并将像素值归一化到[0,1]之间；再对肺部CT图像重采样，使其空间分辨率为1mm*1mm*1mm；
S12：对肺部CT影像进行标注，获取病变肺结节区域，得到肺结节的坐标x，y，z及其半径r；根据标注，对肺结节进行切块处理，切块大小为26*42*42体素；
使用数据增强技术扩增数据集：
(1)随机裁剪成24*40*40大小的立方块，数据集扩增9倍；
(2)对裁剪的立方块进行复制造成，自我复制1次，数据集扩增2倍；
(3)对裁剪好的立方块从三个正交尺寸翻转它，数据扩增8倍；三个正交尺寸包括冠状、矢状和轴向位置；
(4)对立方块添加随机椒盐白噪声，提高模型的鲁棒性和泛化能力。
3.根据权利要求2所述的一种基于多尺度特征融合的肺结节识别分类方法，其特征在于：所述S2具体为：
S21：特征提取部分是由多个残差块组成；
S22：良恶性分类部分是由全连接层组成；
S23：特征融合部分则是融合三个尺度良恶性分类模型的分类结果，进行非线性映射，得到最终的分类结果。
4.根据权利要求3所述的一种基于多尺度特征融合的肺结节识别分类方法，其特征在于：所述S3具体为：
S31：将标签进行平滑处理，防止数据过拟合；
S32：在训练集中进行随机采样，使用批处理数据；并将批处理数据以中心为原点，进行裁剪，得到另外两个尺度的训练样本；将三个尺度的训练集作为输入放进多尺度特征融合良恶性分类网络，得到肺结节良恶性的识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011455251.0A CN112633336A (zh) | 2020-12-10 | 2020-12-10 | 一种基于多尺度特征融合的肺结节识别分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011455251.0A CN112633336A (zh) | 2020-12-10 | 2020-12-10 | 一种基于多尺度特征融合的肺结节识别分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112633336A true CN112633336A (zh) | 2021-04-09 |
Family
ID=75309896
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011455251.0A Pending CN112633336A (zh) | 2020-12-10 | 2020-12-10 | 一种基于多尺度特征融合的肺结节识别分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112633336A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114861865A (zh) * | 2022-03-10 | 2022-08-05 | 长江三峡技术经济发展有限公司 | 高光谱图像分类模型的自监督学习方法、系统、介质和电子设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242839A (zh) * | 2018-08-29 | 2019-01-18 | 上海市肺科医院 | 一种基于新型神经网络模型的ct影像肺结节良恶性分类方法 |
| CN110084237A (zh) * | 2019-05-09 | 2019-08-02 | 北京化工大学 | 肺结节的检测模型构建方法、检测方法和装置 |
| CN110516747A (zh) * | 2019-08-29 | 2019-11-29 | 电子科技大学 | 基于对抗生成网络和自编码结合的肺结节良恶性分类方法 |
| CN110689547A (zh) * | 2019-09-25 | 2020-01-14 | 重庆大学 | 一种基于三维ct影像的肺结节分割方法 |
| 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 |
| CN110852350A (zh) * | 2019-10-21 | 2020-02-28 | 北京航空航天大学 | 一种基于多尺度迁移学习的肺结节良恶性分类方法和系统 |
| CN111144474A (zh) * | 2019-12-25 | 2020-05-12 | 昆明理工大学 | 基于多视图、多尺度、多任务肺结节分类方法 |
| WO2020215236A1 (zh) * | 2019-04-24 | 2020-10-29 | 哈尔滨工业大学（深圳） | 图像语义分割方法和系统 |
-
2020
- 2020-12-10 CN CN202011455251.0A patent/CN112633336A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242839A (zh) * | 2018-08-29 | 2019-01-18 | 上海市肺科医院 | 一种基于新型神经网络模型的ct影像肺结节良恶性分类方法 |
| WO2020215236A1 (zh) * | 2019-04-24 | 2020-10-29 | 哈尔滨工业大学（深圳） | 图像语义分割方法和系统 |
| CN110084237A (zh) * | 2019-05-09 | 2019-08-02 | 北京化工大学 | 肺结节的检测模型构建方法、检测方法和装置 |
| CN110516747A (zh) * | 2019-08-29 | 2019-11-29 | 电子科技大学 | 基于对抗生成网络和自编码结合的肺结节良恶性分类方法 |
| 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 |
| CN110689547A (zh) * | 2019-09-25 | 2020-01-14 | 重庆大学 | 一种基于三维ct影像的肺结节分割方法 |
| CN110852350A (zh) * | 2019-10-21 | 2020-02-28 | 北京航空航天大学 | 一种基于多尺度迁移学习的肺结节良恶性分类方法和系统 |
| CN111144474A (zh) * | 2019-12-25 | 2020-05-12 | 昆明理工大学 | 基于多视图、多尺度、多任务肺结节分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 尹宏鹏: "基于人工智能的影像组学与数字病理学研究在脑胶质瘤诊断中的应用进展", 《中华脑科疾病与康复杂志(电子版)》, no. 202004, 15 August 2020 (2020-08-15), pages 230 - 233 * |
| 武京相: "融合全局和局部特征的医学图像分类", 《中国优秀硕士学位论文全文数据库（信息科技辑）》, no. 201104, 15 April 2011 (2011-04-15), pages 138 - 818 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114861865A (zh) * | 2022-03-10 | 2022-08-05 | 长江三峡技术经济发展有限公司 | 高光谱图像分类模型的自监督学习方法、系统、介质和电子设备 |
| CN114861865B (zh) * | 2022-03-10 | 2023-07-21 | 长江三峡技术经济发展有限公司 | 高光谱图像分类模型的自监督学习方法、系统、介质和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112365464B (zh) | 一种基于gan的医学图像病变区域弱监督定位方法 | |
| Li et al. | Attention-guided convolutional neural network for detecting pneumonia on chest x-rays | |
| Song et al. | Using HOG-LBP features and MMP learning to recognize imaging signs of lung lesions | |
| CN108549912A (zh) | 一种基于机器学习的医学图像肺结节检测方法 | |
| CN111369501B (zh) | 一种基于视觉特征识别口腔鳞状细胞癌的深度学习方法 | |
| CN111553892A (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
| CN112950587B (zh) | 基于深度学习的脑胶质瘤荧光图像分析方法、系统及设备 | |
| CN113744183A (zh) | 肺结节检测方法及系统 | |
| CN110570419A (zh) | 特征信息的获取方法、装置和存储介质 | |
| Akkar et al. | Diagnosis of lung cancer disease based on back-propagation artificial neural network algorithm | |
| R-Prabha et al. | Design of hybrid deep learning approach for covid-19 infected lung image segmentation | |
| AR | A deep learning-based lung cancer classification of CT images using augmented convolutional neural networks | |
| CN116884623A (zh) | 基于激光扫描成像的医疗康复预测系统 | |
| Gunasekaran | Leveraging object detection for the identification of lung cancer | |
| CN110246143A (zh) | 肺部ct图像辅助检测处理装置 | |
| CN112633336A (zh) | 一种基于多尺度特征融合的肺结节识别分类方法 | |
| CN115880266B (zh) | 一种基于深度学习的肠道息肉检测系统和方法 | |
| Mathina Kani et al. | Classification of skin lesion images using modified Inception V3 model with transfer learning and augmentation techniques | |
| Gupta et al. | Detection and Staging of Lung Cancer from CT scan Images by Deep Learning | |
| CN113255718A (zh) | 一种基于深度学习级联网络方法的宫颈细胞辅助诊断方法 | |
| Jose et al. | Liver Tumor Classification using Optimal Opposition-Based Grey Wolf Optimization | |
| Lilly Sheeba et al. | Detection of lung cancer from ct images using image processing | |
| Paul et al. | Computer-Aided Diagnosis Using Hybrid Technique for Fastened and Accurate Analysis of Tuberculosis Detection with Adaboost and Learning Vector Quantization | |
| Malathi et al. | Segmentation of CT lung images using FCM with active contour and CNN classifier | |
| Negi | Deep learning-based automated detection of lung cancer from ct scans: A comparative study |
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 |