[发明专利]一种肺部CT图像的识别分类方法

权利要求书

1.一种肺部CT图像的识别分类方法，其特征在于，包括以下步骤：

1)获取肺部CT图像数据集并进行预处理，得到训练样本；

2)利用训练样本训练二维卷积神经网络，构建分割模型，用于识别肺部CT图像的多类型感兴趣区域；

3)利用分割模型识别的多类型感兴趣区域，在原肺部CT图像中裁剪出多个不同大小的三维图像块并进行分类类别标注；

4)利用三维图像块及其标注训练三维多尺度融合神经网络，构建假阳识别分类模型，用于筛除假阳感兴趣区域并对真阳感兴趣区域进行分类；

5)利用训练完成的分割模型和假阳识别分类模型对待分类的肺部CT图像进行分类和假阳筛除。

2.根据权利要求1所述的一种肺部CT图像的识别分类方法，其特征在于，所述的二维卷积神经网络采用U-Net网络，所述的三维多尺度融合神经网络采用MGI-CNN融合网络。

3.根据权利要求2所述的一种肺部CT图像的识别分类方法，其特征在于，步骤2)具体包括：

21)对训练样本数据进行数据增强；

22)对训练样本数据进行数据类型转换，将图片像素值转换成float类型并进行通道归一化；

23)构建U-Net网络结构及其损失函数；

24)将训练样本的标准分割图像作为标签，对U-Net网络进行训练，得到分割模型。

4.根据权利要求3所述的一种肺部CT图像的识别分类方法，其特征在于，所述的U-Net网络模型包括收缩路径和扩展路径，所述的收缩路径用于捕捉肺部CT图像中的上下文信息，所述的扩展路径用于对肺部CT图像中的感兴趣区域进行定位。

5.根据权利要求2所述的一种肺部CT图像的识别分类方法，其特征在于，所述的训练样本中包括肺部CT图像的真值mask图，所述的真值mask图通过CT数据集中的标注文件提取，所述的分割模型用于对原始肺部CT图像进行感兴趣区域分割，并输出预测mask图。

6.根据权利要求5所述的一种肺部CT图像的识别分类方法，其特征在于，所述的U-Net网络的损失函数的表达式为：

其中，y_true为真值mask图的展开图像矩阵，y_pred为预测mask图的展开图像矩阵，K为平滑数。

7.根据权利要求5所述的一种肺部CT图像的识别分类方法，其特征在于，步骤1)具体包括：

11)根据肺部CT数据集中的标注文件，读取感兴趣区域的坐标以及半径；

12)进行世界坐标到体像素坐标之间的转换，得到2D图片；

13)根据转换后的坐标读取3D图片，并进行标准化操作；

14)根据步骤11)中得到的坐标及半径信息，确定感兴趣区域的中心点和长宽，并以此来生成mask图，其中，感兴趣兴趣区域内的像素值设为1，感兴趣区域外的像素值设为0。

8.根据权利要求5所述的一种肺部CT图像的识别分类方法，其特征在于，步骤4)具体包括：

41)获取预测mask图，并找到其中心坐标；

42)根据中心坐标在原肺部CT图像中裁剪出三个不同大小的三维图像块；

43)根据原肺部CT图像中人为标注的感兴趣区域类别，分别标注每个三维图像块的类别，并区分真阳感兴趣区域和假阳感兴趣区域；

44)构建MGI-CNN融合网络结构及其损失函数；

45)利用各类别对应的三维图像块及其标签作为训练集，对MGI-CNN融合网络进行训练，得到假阳识别分类模型。

9.根据权利要求2或8所述的一种肺部CT图像的识别分类方法，其特征在于，所述的MGI-CNN融合网络首先获取三个不同大小的三维图像块，并将三个三维图像块调整为大小相同的尺寸后进行信息融合，得到Zoom-in特征和Zoom-out特征，然后将Zoom-in特征和Zoom-out特征通过卷积层调整到设定大小的特征并进行融合，最后得到真阳感兴趣区域的分类信息和假阳识别信息。

10.根据权利要求2或8所述的一种肺部CT图像的识别分类方法，其特征在于，所述的MGI-CNN融合网络的损失函数的表达式为：

其中，Loss₁为假阳损失函数，Loss₂为分类损失函数，N为样本数，y_i为第i个样本的标签，p_i为第i个样本的预测值，M为类别数。