[发明专利]一种基于卷积神经网络和字典对学习的肺结节分类方法

说明书

技术领域

本发明涉及肺结节分类，具体涉及一种基于卷积神经网络和字典对学习的肺结节分类方法。

背景技术

肺癌的早期筛查对于降低肺癌的发生率与死亡率意义重大，而肺部CAD系统的应用帮助医生减少工作负担，而且诊断速度快、诊断结果客观。对于肺部CAD系统而言，能够确诊肺结节的类型是评判其性能的重要标准。传统的分类方法对于大规模的医学影像处理效果并不好，而卷积神经网络在图像识别与目标检测方面取得了比较好的应用效果，但是当前与卷积神经网络结合使用的分类器，比如SVM，sigmoid函数等，不能很好地挖掘深度特征的复杂结构。2014年出现的字典对学习算法不仅能够实现样本数据的分类，而且能够很好地表达样本数据的特征。但是利用该方法进行分类依靠人工获取特征，而且对于不同的样本需要提取不同的特征才能较好地处理分类任务。综上所述，为了提高肺部CAD系统诊断肺结节的准确率，将卷积神经网络与字典对学习方法进行结合。

字典对学习算法包括字典学习与分类两个阶段。

(1)字典学习阶段

设X＝[X₁,…,X_k,…X_K](X_k∈R^d×n_k,n_k表示第k类训练样本的个数)表示字典对学习算法的输入样本对应的特征，该特征与来自K类的输入图像对应。那么，字典对学习算法的目标是找到一个结构化分析字典P＝[P₁,…,P_k,…P_K](P_k∈R^m×d)与一个结构化合成字典D＝[D₁,…,D_k,…D_K](D_k∈R^d×m)，实现对特征X的编码与重构，m表示字典原子的个数。对于训练样本集中第k类样本的特征X_k，给定子字典对{D_k，P_k}的前提下，令， 与X_k对应的编码系数表示为P_kX_k。则，字典对学习算法DPL的目标函数定义为：

其中，Y表示与特征X对应的类标签矩阵，φ(P,D,X,Y)是一个用以增强字典D与P判别性的判别项。

在字典对学习算法中，要求子字典P_k映射来自其它类i(i≠k)的样本(样本集合X中除了X_k以外的其它样本)到一个接近零空间，即P_kX_i≈0,则问题(1)写为

其中，是一个约束信息，用于避免P_k＝0时产生平凡解，λ是一个权重系数。

由于问题(2)表示的目标函数非凸，引入一个矩阵变量A表示编码系数矩阵，并将问题(2)放松如下

其中，τ是一个权重系数。

初始化P和D为单位Frobenius范数，问题(3)的求解可以通过交替执行以下三步实现：

(i)固定{D,P,X},用式(4)表示的近似解更新A：

(ii)固定{A,X},用式(5)表示的近似解更新P：

其中，γ是一个权重系数。

(iii)固定{A,X},引入一个变量S，问题(3)转化为

那么D的值通过式(7)来更新：

其中，ρ是一个权重参数。

当迭代过程中，出现两次迭代的目标函数值的差异小于某个阈值的情况时，停止迭代。

(2)分类阶段

如果样本数据集包含有K个种类，经过字典学习阶段以后会得到K个子字典对{D_k，P_k}(k＝1,2,…,K)。给定一个测试图像，提取其特征，记为x，令x在第k个子字典对基础上的重建误差为E(x；D_k,P_k)，则字典对分类器层DPC对测试图像进行分类的规则为：

即，若第k个子字典对重建出x的重建误差最小，那么特征x对应的样本图像就属于第k类。

发明内容

本发明的目的在于克服现有技术存在的缺陷提供一种基于卷积神经网络和字典对学习算法相结合的肺结节分类算法，提高肺结节分类的准确率。

本发明采用如下技术方案：