[发明专利]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

权利要求书

1.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，其特征在于包括以下步骤：

(1)制作样本数据集，根据肺结节公开数据集LIDC-IDRI的原始数据集，通过读取原始数据集的XML格式注释文件，提取出肺结节坐标和良恶性程度的信息，分割出肺结节ROI区域，组成样本数据集；

(2)扩充样本数据集，对样本数据集进行数据增强预处理，扩充数据集，使用良性肺结节作为训练集和验证集，使用良性和恶性肺结节混合作为测试集；

(3)训练对抗生成网络模型，使用只包含良性肺结节的训练集和验证集对对抗生成网络模型进行训练，得到训练好的生成器和判别器；

(4)训练新型分类器，将自编码器与训练好的对抗生成网络模型进行叠加结合，构建新型肺结节良恶性分类器，使用只包含良性肺结节的训练集和验证集对新型分类器进行训练，得到训练好的新型分类器；

(5)肺结节良恶性分类，利用训练好的新型肺结节良恶性分类器对混合良恶性肺结节图像的测试数据集进行良恶性分类，计算良恶性打分，得到分类结果。

2.根据权利要求1所述的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，其特征在于：在步骤(2)中，扩充样本数据集，对已分好类的良性肺结节样本数据集，分别按照1:3:10的比例随机提取出测试样本集、验证样本集和训练样本集；对良性肺结节的验证样本集和训练样本集进行数据增强预处理，通过翻转，旋转，平移，添加噪声等方式进行数据增强，增加样本数据集的随机性和多样性；测试样本集不进行数据增强，直接用于最后的测试步骤；对已分好类的恶性肺结节样本数据集随机选取出和良性测试样本集数量相当的图像数据，与良性测试样本集混合，共同作为测试样本集。

3.根据权利要求1所述的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，其特征在于：在步骤(3)中，训练对抗生成网络模型，使用只包含良性肺结节的训练集和验证集对对抗生成网络模型进行训练，得到训练好的生成器和判别器；所述对抗生成网络模型，使用的是WGAN-GP网络，生成器和判别器分别使用的是结合残差网络结构的标准卷积解码器和卷积编码器；其中生成器网络的构建是：首先输入是1×128的噪声，输入到全连接层，全连接层的神经元个数为4×4×512，接下来的四个网络块为标准的残差块，其卷积核个数分别为512-256-128-64，卷积核的尺寸为3×3，步长设置为1，然后输入到1个卷积层，激活函数使用tanh，最后得到64×64的图像；然后判别器网络的构建是：输入是64×64的肺结节图像，经过一层卷积层的处理之后输入到四个网络块为标准的残差块，其卷积核个数分别为128-256-512-512，卷积核为3×3，步长设置为1，最后输入到一个全连接网络中进行分类，网络的输出层只有1个神经元，输出该图像的来源是来自真实图像还是生成图像；用步骤(2)中得到的训练集和验证集迭代训练对抗生成网络50000次，在训练网络时使用的是Adam优化方法。