[发明专利]一种针对CT影像的肺结节恶性度分级系统

说明书

本发明公开了一种针对CT影像的肺结节恶性度分级方法。其步骤为：1.提取影像组合特征并融合卷积神经网络获得的高阶特征形成肺内小结节的每类放射学语义征象的特征集。2.根据特征重要性排名对每类放射学语义征象进行特征选择。3.利用进化搜索机制来优化集成分类器的结构及性能，并应用其进行放射语义征象的评分。4.将语义征象的评分作为恶性度分类的特征通过多分类逻辑回归函数对其进行恶性度的分级。本方法通过特征融合和集成分类器的优化，提高了放射学语义征象的量化准确率。使用多分类逻辑回归函数在实现恶性度分级的同时也增强了模型的可解释性。

技术领域

本发明属于医疗大数据领域，具体涉及到一种针对CT影像的肺结节恶性度分级方法。所述方法通过将不同的放射学语义征象进行量化，根据量化后放射学语义征象评分来对肺结节恶性度进行分级。实现计算机对肺结节进行恶性度自动分级，减少人为参与的操作，提高医医疗诊断过程的效率和准确率。

背景技术

通过电子计算机X射线断层扫描技术获得的肺内CT影像是肺内结节早期诊断的重要手段。在诊断过程中医生需要消耗较长的工作时间去阅读大量的CT影像，以观察肺结节的放射学语义征象，再根据征象结果判断肺结节的恶性度等级。此外，由于医师年资和业务水平的不同可能导致诊断结构产生一定的差异性，所以利用计算机视觉技术实现肺内小结节的自动恶性度分级识别不仅有利于降低医师的劳动强度提高诊断过程的效率，还有利于保证诊断的准确率。

目前针对肺结节恶性度分级识别方面的方法大致分为两类：一类是基于特征和分类器的方式。在特征方面如提取灰度，纹理方面等特征。在分类器方面有如使用单分类器，集成分类器。这种方法在对恶性度进行二分类时性能较好，但在对恶性度多分级时性能不高，主要受限于特征质量和分类器的性能。另一类主要基于卷积神经网络的方式。卷积神经网络(Convolutional Neural Networks,CNN)能够通过卷积核获得图像的纹理信息。在图像分类，分割和目标检测方面取得重大的突破。但这种方式在可解释性方面较差。在医学辅助应用方面，医生不仅关注于模型的准确率，同时也关注于模型如何进行决策。而且直接通过计算机特征对恶性度分级缺乏医生所需的影像指标很难使医生信服。本发明通过提取图像的影像组学特征信息并融合通过CNN获取的图像高阶信息来构造更丰富的特征集，通过改进的集成分类器对放射学语义征象进行量化来提高量化的准确率，将量化后的评分放入改进的softmax多元概率模型中进行恶性度分级，在提高准确率的同时增强模型的可解释性。

发明内容

本文发明提出了一种针对CT影像的肺结节恶性度分级方法。该方法利用进化搜索机制优化集成分类器的结构和性能，在使用其对CT影像中不同的征象进行打分计算，最后通过softmax模型，即多分类逻辑回归函数，对肺结节恶性度的分级。为此，需要解决的关键技术问题包括：特征提取、融合与选择、放射学语义征象量化、恶性度分级3个方面。

为实现上述目的，本发明的具体技术方案如下：

一种针对CT影像的肺结节恶性度分级方法，所述方法包括以下步骤：

步骤1：数据准备。具体为：

步骤1.1：肺内小结节影像提取。肺结节影像集合可表示为

G＝{G₁,G₂,...,G_N},i＝1,2,...,N，

其中，N为肺结节集合的总数，G_i为根据肺部CT影像病例集中的医生对结节中心点的标注信息，上下左右分别加g个像素得到包含结节的矩形区域，可表示为G_i＝{x+g,x-g,y+g,y-g}。经实验发现g取15像素时性能最好。

步骤1.2：划分肺结节影像集合。根据医生对每个结节标注的放射学语义征象和恶性度信息将肺结节影像集合G进行划分，其结构可表示为