[发明专利]肺结节属性特征信息的提取方法及系统

说明书

本发明公开了一种肺结节属性特征信息的提取方法及系统，获取目标信息；采用预设特征提取深度学习模型对目标信息进行特征提取，得到第一特征信息；采用预设数据挖掘算法对目标信息进行特征提取，得到第二特征信息；根据第一特征信息和第二特征信息进行融合并生成维度矢量；将维度矢量输入至目标分类器中，得到目标信息的肺结节属性特征信息。在本发明中可以基于深度学习模型获得目标信息中的低维度像素特征，基于数据挖掘算法获得高维度的语义信息特征，这样使得获得的特征信息更加完整和准确，然后基于对上述特征信息的融合和分类，使得获得的肺结节属性特征信息更加准确，从而可以提升肺结节润侵性的分级的准确性。

技术领域

本发明涉及信息处理技术领域，特别是涉及一种肺结节属性特征信息的提取方法及系统。

背景技术

肺癌是全球癌症相关死亡的主要原因，随着多层螺旋计算机断层扫描(CT)技术的发展和低剂量螺旋CT筛查的普及，早起可能会发现越来越多的肺癌病例，从而大大减少了死亡人数。致肺癌在高分辨率CT(HRCT)中，结节显示实性，部分实性或非实性病变，并且大部分部分实性和非实性病变被鉴定为恶性。为了解决肺结节的准确分类问题，国际肺癌研究协会(IASLC)、美国胸科学会(ATS)和欧洲呼吸学会(ERS)提出了一种新的肺腺癌分类方法。根据病变的大小和病例分析中实性成分的存在，磨玻璃结节(ggsn)被分为非典型腺癌性增生(AAH)、原位腺癌(AIS)、微创癌腺(MIA)或侵袭性腺癌(IAC)。由于不同病例亚型的预后差异较大，新分类对患者的治疗选择和随访有重要影响。

现有的肺结节的润侵程度分类都是依靠医务人员进行分析，使得医务人员的工作量巨大，并且受不同医生的主管因素的影响会使得分类结果存在差异性。虽然现有技术中也有通过计算机技术来解决肺结节的润侵程度的分类问题，但是会存在着对肺结节属性特征信息的提取不准确，并会对关键信息丢失，最终使得根据提取到的肺结节属性信息实现分级结果不准确。

发明内容

针对于上述问题，本发明提供一种肺结节属性特征信息的提取方法及系统，实现了对肺结节属性特征信息的准确提取，以提升对肺结节润侵程度的准确分类。

为了实现上述目的，本发明提供了如下技术方案：

一种肺结节属性特征信息的提取方法，该方法包括：

获取目标信息，所述目标信息是根据待分析的肺结节CT图生成的；

采用预设特征提取深度学习模型对所述目标信息进行特征提取，得到第一特征信息，其中，所述预设特征提取深度学习模型的参数是通过对多个所述肺结节CT图进行训练得到的，所述第一特征信息表征低维度像素特征；

采用预设数据挖掘算法对所述目标信息进行特征提取，得到第二特征信息，其中，所述预设数据挖掘算法是根据对所述肺结节CT图进行关联分析得到的，所述第二特征信息表征高维度的语义信息特征；

根据所述第一特征信息和所述第二特征信息进行融合处理，并根据融合后的特征生成维度矢量；

将所述维度矢量输入至目标分类器中，得到所述目标信息的肺结节属性特征信息，所述肺结节属性特征信息表征肺结节润侵性的分级信息。

可选的，所述获取目标信息，包括：

获取目标患者的肺部电子计算机断层扫描CT图像；

在所述目标患者的肺部电子计算机断层扫描CT图像中提取肺结节图像，得到目标信息。

可选的，所述预设特征提取深度学习模型包括卷积层、池化层和全连接层，其中，所述卷积层用来学习输入的所述肺结节CT图的特征映射，所述池化层用来减少所述深度学习模型的计算复杂度，所述全连接层用来对学习得到的特征映射进行格式转换，使得获得的特征信息能够被所述目标分类器进行识别。

可选的，采用预设数据挖掘算法对所述目标信息进行特征提取，得到第二特征信息，包括：