基于CNN模型的肺结节良恶性分类方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114187467A(43)申请公布日2022.03.15(21)申请号202111329957.7G06N3/04(2006.01)(22)申请日2021.11.11G06N3/08(2006.01)(71)申请人电子科技大学地址610041四川省成都市高新区（西区）西源大道2006号(72)发明人田淼梁文莹曾书勋康昭张映辉刘欣刚吴少智田丹(74)专利代理机构成都科海专利事务有限责任公司51202代理人刘业芳(51)Int.Cl.G06V10/764(2022.01)G06V10/80(2022.01)G06V10/82(2022.01)G06K9/62(2022.01)权利要求书2页说明书8页附图3页(54)发明名称基于CNN模型的肺结节良恶性分类方法及装置(57)摘要本发明涉及一种基于CNN模型的肺结节良恶性分类方法及装置，所述方法包括获取肺结节CT扫描图像数据并对图像数据进行预处理；将预处理后的肺结节CT扫描图像数据输入到训练好的CNN神经网络模型中，CNN神经网络模型对肺结节CT扫描图像数据依次进行多层特征提取、双线性池化以及分类处理，得到结节的不同CT扫描图像数据的分类结果；将同一结节不同CT扫描图像数据的分类结果进行融合，确定结节的良恶性。本发明通过卷积神经网络的卷积层的深层和浅层分别提取多层特征，然后经过双线性池化进行特征融合，最后将双线性池化融合后的特征输入到支持向量机中得到分类结果，本申请旨在融合并增强相似特征，以增强对分类目标细微差别的区分能力。CN114187467ACN114187467A权利要求书1/2页1.一种基于CNN模型的肺结节良恶性分类方法，其特征在于，包括：获取肺结节CT扫描图像数据，并对所述图像数据进行预处理；所述图像数据包括同一个结节的多张胸部CT扫描图像切片和包含标注有对应结节边界信息的文件；将预处理后的肺结节CT扫描图像数据输入到训练好的CNN神经网络模型中，所述CNN神经网络模型对所述肺结节CT扫描图像数据依次进行多层特征提取、双线性池化以及分类处理，得到结节的不同CT扫描图像数据的分类结果；将所述同一结节不同CT扫描图像数据的分类结果进行融合，确定结节的良恶性。2.根据权利要求1所述的方法，其特征在于，所述对所述图像数据进行预处理，包括：根据所述文件中标注的结节边界信息将对应的胸部CT扫描图像切片中的结节图像从所述胸部CT扫描图像切片中分离出，得到结节图像；选取黑色作为背景生成背景图像，将所有的背景图像调整至预设尺寸；将所述结节图像堆叠在预设尺寸的背景图像中心，得到待处理图像；将所述待处理图像保存为NPY文件。3.根据权利要求1或2所述的方法，其特征在于，所述CNN模型包括13个卷积层、5个池化层以及分类器。4.根据权利要求3所述的方法，其特征在于，从13个卷积层中选定神经网络浅层和神经网络深层分别用来提取浅层特征和深层特征；所述CNN神经网络模型对所述肺结节CT扫描图像数据依次进行多层特征提取、双线性池化以及分类处理，包括：分别利用CNN神经网络模型中的神经网络浅层和神经网络深层提取同一待处理图像中的结节特征；采用池化层将所述神经网络浅层提取的结节特征和神经网络深层提取的结节特征进行外积处理，得到双线性特征并进行归一化处理；采用分类器将归一化处理后得到的双线性特征进行良恶性分类。5.根据权利要求1所述的方法，其特征在于，所述将所述同一结节不同CT扫描图像数据的分类结果进行融合，确定结节的良恶性，包括：基于高斯分布的权重分配对多个胸部CT扫描图像切片对应的分类结果进行计算，得到每个胸部CT扫描图像切片对应的分类结果的权重；根据分类结果的权重计算多个CT扫描图像数据的分类结果的概率分布；根据所述概率分布确定结节的良恶性。6.根据权利要求4所述的方法，其特征在于，在对采用分类器将归一化处理后得到的双线性特征进行良恶性分类之前，还包括：将归一化处理后得到的双线性特征转化为一维向量，并将所述一维向量标准化；所述标准化为将所述一维向量转化为均值为0，标准差为1的向量。7.根据权利要求2所述的方法，其特征在于，所述背景图像像素预设尺寸为88×88；所述待处理图像的HU值设置为‑1000，在将所述待处理图像保存为NPY文件时，将所述待处理图像的HU值中的负数值设置为0。8.一种基于CNN模型的肺结节良恶性分类装置，其特征在于，包括：获取模块，用于获取肺结节CT扫描图像数据，并对所述图像数据进行预处理；所述图像2CN114187467A权利要求书2/2页数据包括多个胸部CT扫描图像切片和包含标注有对应结节边界信息的文件；处理模块，用于将预处理后的肺结节CT扫描图像数据输入到训练好的CNN神经网络模型中，所述CNN神经