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.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CN110852350A(43)申请公布日2020.02.28(21)申请号201911001610.2(22)申请日2019.10.21(71)申请人北京航空航天大学地址100191北京市海淀区学院路37号(72)发明人张光磊李泽坤范广达邢彤彤(74)专利代理机构中国航天科技专利中心11009代理人张欢(51)Int.Cl.G06K9/62(2006.01)G06K9/32(2006.01)G06T7/00(2017.01)G06T5/40(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书7页附图2页(54)发明名称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(57)摘要本发明公开了一种基于多尺度迁移学习的肺结节良恶性分类方法，包括以下几个步骤：S1、对肺部CT影像中的结节进行多尺度采样，获得多尺度感兴趣区域；S2、对上述获得的多尺度感兴趣区域进行预处理，合成三通道RGB图像；S3、初步构建迁移学习网络模型；S4、使用上述合成的RGB图像训练上述初步构建的迁移学习网络模型，获得可对肺结节进行良恶性分类的模型。上述基于迁移学习的肺结节良恶性分类模型构建方法，可以充分利用肺结节内部和外部等不同尺度下的影像学特征进行良恶性判断，只需要提供结节的大致位置，不需要在分类时使用结节的轮廓信息，避免了对结节区域的分割步骤，因此自动化程度更高、实用性更强。CN110852350ACN110852350A权利要求书1/2页1.一种基于多尺度迁移学习的肺结节良恶性分类方法，其特征在于，包括步骤如下：S1、获得n张肺部CT图像，对每一张肺部CT影像中的结节进行特征信息提取，提取方式为多尺度采样，获得多尺度感兴趣区域；S2、对S1中获得的来自同一个CT影像的多尺度感兴趣区域进行预处理，合成RGB图像；S3、初步构建迁移学习网络模型；S4、采用交替开放卷积网络层数并同时改变学习率大小的训练方法，使用S2中生成的若干RGB图像训练S3中初步构建的迁移学习网络模型，建立对肺结节进行良恶性分类的迁移学习网络模型；S5、获得未标记的肺部CT图像，放入S4中建立的对肺结节进行良恶性分类的迁移学习网络模型中，进行辅助判断，输出该肺部CT图像中存在疑似恶性或良性的肺结节判断结果。2.根据权利要求1所述的一种基于多尺度迁移学习的肺结节良恶性分类方法，其特征在于，步骤S1中，对每一张肺部CT影像中的结节进行特征信息提取的具体方法为：围绕CT影像中结节中心裁剪获得边长大小分别为a像素，b像素，c像素的三个正方形感兴趣区域灰度图，获得多尺度感兴趣区域，其中，a像素区域用于获取结节的内部信息，b像素区域用于获取结节的边缘信息，c像素区域用于获取结节的周围环境信息，上述边长的关系为a<b<c。3.根据权利要求1或2所述的一种基于多尺度迁移学习的肺结节良恶性分类方法，其特征在于，步骤S2中，对所获得感兴趣区域灰度图进行标准化、自适应直方图均衡化处理，并通过双三次插值将三幅不同尺寸的图像变为224×224像素大小的正方形灰度图，最后将来自同一个CT影像中同一个结节的三张插值变换后的灰度图作为一张RGB图像的三个通道的内容合成为一张RGB图像。4.根据权利要求3所述的一种基于多尺度迁移学习的肺结节良恶性分类方法，其特征在于，步骤S3中，迁移的源网络为在ImageNet数据集上预先训练好的深度残差网络；初步构建的迁移学习网络模型包括两部分，其中一部分迁移了源网络的除全连接层外的所有层以及上述层的参数，另一部分为连接在源网络的除全连接层外的所有层之后的参数随机初始化的全连接层，并根据分类模型的二分类功能连接神经元数为2的输出层。5.根据权利要求3所述的一种基于多尺度迁移学习的肺结节良恶性分类方法，其特征在于，步骤S4中，交替开放卷积网络层数并同时改变学习率大小的训练方法，具体步骤如下：首先冻结从源网络迁移过来的所有神经网络层的参数，使用学习率m训练新搭建的全连接层使其具有分类的功能，随后开放网络中所有层并使用学习率n微调所有参数，当模型准确率上升到一个平稳期后，再次冻结源网络参数，以学习率p训练全连接层，重复上述操作k次，获得对肺结节进行良恶性分类的迁移学习网络模型。6.一种基于多尺度迁移学习的肺结节良恶性分类系统，其特征在于，包括：第一模块、用于获得n张肺部CT图像，对每一张肺部CT影像中的结节进行特征信息提取，提取方式为多尺度采样，获得多尺度感兴趣区域；对来自同一个CT影像的多尺度感兴趣区域进行预处理，合成若干RGB图像；第二模块、用于初步构建迁移学习网络模型；并采用交替开放卷积网络层数并同时改变学习率大小的训练方法，使用生成的若干RGB图像训练初