[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

说明书

本发明属于医学图像分类技术领域，提供了一种基于迁移学习的肺结节良恶性图像分类方法及系统，包括如下步骤：获取获取肺结节感兴趣区域的CT图像；对感兴趣区域图像进行预处理；根据肺结节感兴趣区域图像和优化后的深度卷积神经网络进行肺结节良恶性分类，基于迁移学习的思想，将深度卷积神经网络中softmax分类层修改为多层子网络，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。避免了手工调参的工作量大和参数未达到最优状态导致准确率不高的问题。

技术领域

本发明属于医学图像分类技术领域，尤其涉及一种基于迁移学习的肺结节良恶性图像分类方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

计算机辅助诊断系统在2000年左右被提出，目前已经应用于临床，但是仍然存在缺陷和亟待解决的问题。

Dhara等人，从LIDC-IDRI肺结节图像数据库联盟和图像数据库资源倡议公共数据库的数据集中选取891个由4位专家标注的肺结节，根据Sudipta Mukhopadhyay等人提出的半自动化技术分割出肺结节的VOI区域，利用支持向量机(Support vector machine,SVM)对二维形状、三维形状、二维纹理、三维纹理组成的49个特征向量对良恶性结节分类。Sweetlin等人采用蚁群优化算法，从纹理特征、形状特征和游程特征选择两个特征子集，分别训练一个SVM模型和一个朴素贝叶斯模型。Gong等人开发的CAD系统使用纹理、形状、强度特征和三个分类器(SVM、朴素贝叶斯分类器和线性判别分析)对结节进行分类。这种方法只能在简单数据集中分类精度高，但当遇到复杂的结节图像时表现较差。

随着深度学习研究的逐步发展，Da Silva等人将遗传算法和二维CNN结合起来，用于提取结节的深度特征。Song等人，设计了三种类型的深度神经网络(CNN,DNN,SAE)用于肺癌分类，Xia等人，提出了一种新的多尺度注意网络(MSAN)，该网络融合了空间注意机制和上下文注意机制的优点，能够自动获取结节的显著特征，最后，利用梯度提升机(GBM)算法对恶性结节和良性结节进行区分。但是上述方法均存在的问题是肺结节数据集规模较小，在训练过程中容易发生过拟合现象，导致准确率降低。

发明内容

为了解决上述背景技术中存在的至少一项技术问题，本发明提供一种迁移学习的肺结节良恶性图像分类方法及系统，将预处理后的肺结节感兴趣区域(ROI)图像送入经ImageNet数据集预训练的InceptionV3卷积神经网络中，基于迁移学习的思想，本发明将最后的softmax分类层修改为由平均池化层(Average Pooling Layer)、全连接层(DenseLayer)、随机失活层(Dropout Layer)、全连接层(Dense Layer)和输出层(Output Layer)组成的5层子网络，采用模拟退火的优化算法对子网络中的参数进行优化，得到分类准确率最高的参数组合。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种迁移学习的肺结节良恶性分类图像方法，包括如下步骤：获取肺结节感兴趣区域的CT图像；

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。

本发明的第二个方面提供一种迁移学习的肺结节良恶性图像分类系统，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；