[发明专利]一种肺结节分类方法、介质及电子设备

权利要求书

1.一种结合深度学习与影像学特征的肺结节分类方法，其特征在于，包括以下步骤：

获取CT原始图像数据及对应的肺结节区域标注文件；

根据所述CT原始图像数据和肺结节区域标注文件分割出肺结节图像块；

提取所述肺结节图像块的影像学特征；

采用一训练好的三维卷积神经网络对所述肺结节图像块进行处理，提取CNN特征；

组合所述影像学特征和CNN特征，获取最终特征；

采用分类器基于所述最终特征获得分类结果。

2.根据权利要求1所述的结合深度学习与影像学特征的肺结节分类方法，其特征在于，所述影像学特征包括纹理特征、灰度特征和形状特征。

3.根据权利要求1所述的结合深度学习与影像学特征的肺结节分类方法，其特征在于，训练所述三维卷积神经网络的训练样本通过以下方式获得：

从多个CT原始图像中截取以肺结节为中心的像素块，在三个维度对每个像素块进行变换操作以扩增数据，并对扩增后数据进行下采样，形成训练样本。

4.根据权利要求1所述的结合深度学习与影像学特征的肺结节分类方法，其特征在于，所述三维卷积神经网络包括Conv3D卷积层、MaxPooling3D池化层和Dense全连接层。

5.根据权利要求1所述的结合深度学习与影像学特征的肺结节分类方法，其特征在于，所述最终特征采用基于随机森林模型的特征选择方法获得。

6.根据权利要求1所述的结合深度学习与影像学特征的肺结节分类方法，其特征在于，所述肺结节区域标注文件为XLM文件。

7.根据权利要求1所述的结合深度学习与影像学特征的肺结节分类方法，其特征在于，所述分类器包括支持向量机分类器或随机森林分类器。

8.根据权利要求1所述的结合深度学习与影像学特征的肺结节分类方法，其特征在于，基于所述三维卷积神经网络提取512个CNN特征。

9.一种计算机可读存储介质，其特征在于，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述结合深度学习与影像学特征的肺结节分类方法的指令。

10.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器；和

被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述结合深度学习与影像学特征的肺结节分类方法的指令。