[发明专利]一种基于迁移学习与特征融合的超声甲状腺结节良恶性分类系统

摘要

一种基于迁移学习与特征融合的超声甲状腺结节良恶性分类方法，首先将超声图像进行预处理并缩放为统一尺寸，然后对超声图像提取传统底层特征，再通过迁移学习的方法，把自然图像中经深度神经网络训练得到的模型用于提取超声图像的高层语义特征，其后，将底层特征与高层特征融合，利用良恶性甲状腺结节的区分度进行特征筛选得到最终的特征向量，用于训练支持向量机分类器，进行最终的甲状腺结节良恶性分类；本发明将底层特征和高层特征相融合、并进行显著性特征筛选，弥补了单一特征在语义层次上对甲状腺结节特性描述能力的不足，有效提高了分类精度；通过引入迁移学习，解决了医学样本图像少、无法直接训练获取深度特征的问题。

主权项

1.一种基于迁移学习与特征融合的超声甲状腺结节良恶性分类系统，其特征在于，包括以下模块：模块一，对包含结节区域的超声图像进行预处理，采用各向异性扩散斑点抑制方法进行斑点噪声消除，并将图像缩放为统一尺寸；模块二，对模块一得到的每一张图像，分别提取包括HOG、LBP、SIFT‑VLAD在内的底层特征；模块三，将模块一得到的每一张图像，输入到已通过ImageNet数据集训练后的VGG‑F模型，包括5个卷积层和3个全连接层，并提取第二个全连接层的输出向量作为该图像的高层语义特征，该层输出向量为4096维；模块四，将模块二和三提取的特征合并，根据良恶性甲状腺结节的区分度进行特征筛选，得到最终的显著特征描述向量；将模块二和三提取的特征向量首尾相连直接连缀成一维向量，根据良恶性甲状腺的区分度进行特征筛选，即，根据以下公式得到N维特征的区分度，从N维特征分量中选择K个显著分量：其中，MB代表良性，MM代表恶性，N代表特征维数，vik代表第i个图像样本的第k维特征，将计算得到的diffk从大到小排列，选择前K个对应的特征描述子分量作为显著特征，组成新的特征描述子，得到最终的显著特征描述向量；模块五，将医生已标记好的甲状腺结节超声图像作为训练集，利用支持向量机(SVM)及模块四得到的显著特征描述向量进行样本训练，得到针对超声甲状腺结节的分类器；模块六，将待分类的甲状腺结节超声图像按照模块二‑四提取到其特征向量，并输入模块五得到的分类器，得到该结节良恶性分类结果。