[发明专利]一种基于双通路网络的肺结节良恶性分类方法

说明书

本发明为一种基于双通路网络的肺结节良恶性分类方法，包括：第一步，对图像进行预处理，提取肺结节图像，形成训练集和测试集；第二步，通过Res2Net类残差连接网络中进行特征提取，完成局部多特征提取；第三步，通过全局特征提取网络进行特征提取，完成全局特征提取；第四步，将局部特征和全局特征进行特征交互运算得到完成网络模型的构建；第五步，选取激活函数，将训练集输入到网络模型中进行训练完成迭代，得到训练后的网络模型；第六步，将肺结节CT图像输入到训练后的网络模型中，输出肺结节对应的良、恶性的分类概率，将分类概率最大的类别作为肺结节的最终分类结果。该方法在准确率、敏感性和特异性方面都表现出优越的性能。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于双通路网络的肺结节良恶性分类方法。

背景技术

肺癌是一种发病率和死亡率很高的疾病，肺癌主要由小的恶性肺结节引起，如果在早期较为及时的对肺结节的恶性程度进行诊断，能够在很大程度上提高患者的存活率。

CT扫描技术是目前应用最广泛的肺癌诊断技术，计算机辅助系统(ComputerAided Diagnosis，CADs)可以帮助医生诊断肺结节，减轻医生的工作量，为医生提供第二意见。尽管许多CADs已经被用于协助医生阅读胸部CT图像，但由于肺结节形状和纹理复杂，肺结节的特征很难被准确描绘。在医学领域，肺结节的类型是繁多而复杂的，不同恶性程度肺结节的大小、生长速度、边缘、钙化度和结节密度等都存在着差异，一些恶性结节常常表现出与良性结节相似的外观，如磨玻璃型结节、实质性结节、胸膜结节等，在视觉上具有相似性，因此肺结节良恶性的诊断技术依然面临许多挑战。

现有的肺结节良恶性诊断中主要有两种提取特征方法，一种是根据结节的大小、生长速度和形态外表等特点进行手工提取特征，以此判断肺结节的良恶性；或者先对肺实质进行分割，然后运用局部灰度最大分割感兴趣区域完成提取特征，最后利用SVM等分类器对肺结节进行最终分类，这种方法存在特征提取过程复杂，适应性差，局限性较大的缺陷。另一种是采用卷积神经网络(Constitutional Neural Networks，CNN)进行肺结节良恶性诊断，由于卷积层具有稀疏的局部连接和权重共享的特点，可以大大减少网络中的参数个数，从而提高了效率，防止了过拟合。然而在提取图像特征时，如果只关注局部区域，会使网络忽略输入数据的全局信息，而如果过分关注整体，会影响网络对微小目标的分类准确性。由于肺结节的形状和纹理的多样性，许多良恶性肺结节具有非常相似的外观，局部差异小，导致其特征难以描述，为了可以很好地捕捉这种局部差异，同时考虑全局特征与局部特征的交互和融合，因此本申请提出一种基于双通路网络的肺结节良恶性分类方法。

发明内容

针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于双通路网络的肺结节良恶性分类方法。

本发明解决所述技术问题采用的技术方案是：

一种基于双通路网络的肺结节良恶性分类方法，其特征在于，该方法的具体步骤如下：

第一步，对输入的肺结节CT图像进行预处理，提取肺结节图像，形成训练集和测试集；

第二步，将步骤1提取的肺结节图像分别经过卷积核大小为7×7、3×3的卷积操作，得到特征s1和s2；将特征s1经过1×1的卷积后，再经过BN层和Relu层后得到特征Z；将特征Z输入到Res2Net类残差连接网络中进行特征提取，得到特征A，完成局部多特征提取；

第三步，将第二步得到的特征s2输入到全局特征提取网络进行特征提取，得到特征B，以此完成全局特征提取；

全局特征提取网络包含依次连接的3×3卷积层、三个非局部块、1×1卷积层和Relu层，第一个非局部块与第二个非局部块之间、第三个非局部块与1×1卷积层之间分别加入随机失活层；