[发明专利]一种肺结节分类方法、介质及电子设备

说明书

本发明涉及一种肺结节分类方法、介质及电子设备，所述肺结节分类方法包括以下步骤：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。与现有技术相比，本发明能够获得更准确的识别特征，以提高分类精度。

技术领域

本发明涉及机器学习与CT图像处理领域，尤其是涉及一种结合深度学习与影像学特征的肺结节分类方法、介质及电子设备。

背景技术

肺癌是目前人类主要的恶性肿瘤死亡原因之一，其发病率和死亡率呈逐年上升趋势。“早发现、早诊断、早治疗”是提高肺癌患者生存率的关键。与晚期肺癌相比，早期诊断的肺癌患者存活率大大提高。肺癌早期一般表现为肺结节，因此，肺结节的检测是降低肺癌患者死亡率的关键。

在临床治疗中，医生会根据患者CT影像中结节的形态、位置和纹理等特征分析病变信息，但由于影像数据比较庞大，人工进行识别是无疑是一项耗时、费力、高强度的工作，加之不同放射医师的经验不同，识别结果具有很强主观性，无法保证精确度。为了提高肺结节的检测准确度，技术人员在影响肺结节准确度的多个因子上进行了技术研究。CT影像中这些特征的提取、识别是其中的关键过程。

基于传统影像学方法的肺结节危险程度类型识别流程主要包括：肺结节分割、特征提取、特征优化、分类器分类等。通常，分类精度与三个因素有关：(1)肺结节分割精度；(2)肺结节提取特征的代表性；(3)分类器的性能。因此常通过优化改进上述因素提高肺结节良恶性分类精度。

近年来，深度学习在医学图像分析领域取得显著进展，在肺结节良恶性分类领域，很多性能优良的网络模型被陆续提出。如CN110534192A公开一种基于深度学习的肺结节良恶性识别方法，相较于人工方式具有实时性强、准确率高以及鲁棒性的特点，但该方法还存在数据量不足的情况下，分类效果不好的问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种结合深度学习与影像学特征的肺结节分类方法、介质及电子设备，能够获得更准确的识别特征，以提高分类精度。

本发明的目的可以通过以下技术方案来实现：

一种结合深度学习与影像学特征的肺结节分类方法，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。

进一步地，所述影像学特征包括纹理特征、灰度特征和形状特征。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，所述肺结节区域标注文件为XLM文件。