[发明专利]一种基于迁移学习的肺结节良恶性图像分类方法及系统

权利要求书

1.一种迁移学习的肺结节良恶性分类图像方法，其特征在于，包括：

获取肺结节感兴趣区域的CT图像；

将肺结节感兴趣区域的CT图像进行预处理，得到二值mask对应的CT图像；

根据二值mask对应的CT图像和优化后的深度学习卷积神经网络进行肺结节良恶性分类得到肺结节良恶性分类结果；其中，所述深度卷积神经网络中进行优化的过程包括：对深度卷积神经网络进行预训练；基于迁移学习的思想，将预训练后的深度卷积神经网络中的softmax分类层修改为多层子网络，并且采用模拟退火的优化算法确定多层子网络的最优网络超参数组合。

2.如权利要求1所述的一种迁移学习的肺结节良恶性分类图像方法，其特征在于，所述多层子网络包括平均池化层、全连接层、随机失活层、全连接层和输出层。

3.如权利要求1所述的一种迁移学习的肺结节良恶性分类图像方法，其特征在于，所述深度卷积神经网络引入了一个二维卷积，将二维卷积拆成两个一维卷积。

4.如权利要求1所述的一种迁移学习的肺结节良恶性分类图像方法，其特征在于，所述深度卷积神经网络采用InceptionV3。

5.如权利要求1所述的一种迁移学习的肺结节良恶性分类图像方法，其特征在于，所述采用模拟退火的优化算法确定多层子网络的最优网络超参数组合包括：第一个全连接层的神经元数目和激活函数，随机失活层中的随机失活率；第二个全连接层的神经元数目和激活函数，输出层的权重初始化方法和激活函数；网络训练过程中的迭代次数、优化器和批大小。

6.如权利要求1所述的一种迁移学习的肺结节良恶性分类图像方法，其特征在于，超参数的选择范围包括有序超参数和无序超参数，在采用模拟退火的优化算法确定多层子网络的最优网络超参数组合时，采用先优化有序超参数，再优化无序超参数的策略。

7.如权利要求1所述的一种迁移学习的肺结节良恶性分类图像方法，其特征在于，所述采用模拟退火的优化算法确定多层子网络的最优网络超参数组合中，从大的参数优化空间开始。

8.一种迁移学习的肺结节良恶性图像分类系统，其特征在于，包括：

图像获取模块，被配置为：获取肺结节感兴趣区域的CT图像；

图像预处理模块，被配置为：将肺结节感兴趣区域的CT图像进行预处理，得到二值mask对应的CT图像；

图像分类模块，被配置为：根据二值mask对应的CT图像和优化后的深度学习卷积神经网络进行肺结节良恶性分类得到肺结节良恶性分类结果；其中，所述深度卷积神经网络中进行优化的过程包括：对深度卷积神经网络进行预训练；基于迁移学习的思想，将预训练后的深度卷积神经网络中的softmax分类层修改为多层子网络，并且采用模拟退火的优化算法确定多层子网络的最优网络超参数组合。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的一种迁移学习的肺结节良恶性图像分类方法中的步骤。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种迁移学习的肺结节良恶性分类图像方法中的步骤。