[发明专利]一种基于自适应选择的双源域异构迁移学习的肺结节CT图像分类方法

说明书

本发明属于CT图像分类技术领域，具体地涉及一种基于自适应选择的双源域异构迁移学习的肺结节CT图像分类方法。本发明方法利用CT图像对SPSN患者进行PT与LA的术前辅助诊断。该方法包括两个部分：①基于自适应选择的双源域异构迁移学习的特征提取，②基于稀疏贝叶斯极限学习机的集成分类器构建。基于自适应选择的双源域异构迁移学习模型通过设计基于自适应选择的双源域特征匹配网络自适应确定源网络与目标网络之间每对特征图的匹配权重，以及源网络特征块和目标网络之间每对卷积块的匹配权重，以自动选择源网络中有利于目标任务学习的特征以及特征迁移的目的地，从而约束目标网络的训练，进而提高目标网络在小样本情况下的鲁棒性。

技术领域

本发明属于CT图像分类技术领域，具体地涉及一种基于自适应选择的双源域异构迁移学习的肺结节CT图像分类方法。

背景技术

随着计算机断层扫描(Computed Tomography，CT)技术的发展，极大的提高了孤立型肺实性结节(Solitary Pulmonary SolidNodule，SPSN)的检出率。SPSN是孤立型肺实性结节的英文缩写，PT是肺结核的英文缩写；LA是肺腺癌的英文缩写，肺结核(PulmonaryTuberculosis,PT)是良性SPSN的一种典型组织病理学表现；另一方面，肺腺癌(LungAdenocarcinomas,LA)是肺癌中最常见的组织学类型。在临床中，LA患者应采用更积极的治疗方案，以改善预后；而PT患者应避免不必要的治疗程序(如手术、化疗等)。因此，一旦发现SPSN，必须评估其恶性风险，以确定适当的治疗计划。然而，由于SPSN中的PT在放射影像学上的表现与LA相似，从而给临床医生带来诊断困境。因此，开发一种准确，高效的方法术前鉴别SPSN中的PT与LA是非常有必要的。

近年来，随着医学影像技术和计算机技术的迅速发展，计算机辅助诊断受到广泛的关注。由于卷积神经网络(Convolutional Neural Network，CNN)具有优异的特征学习能力，使得CNN在医学影像研究中得到了大量的应用。然而，医学领域数据集的规模往往较小，CNN在小样本的情况下容易发生过拟合的问题。为了改善CNN在小样本下的效果，学者们将迁移学习引入CNN中。在肺结节医学影像研究中，基于模型微调是常用的迁移学习策略。基于模型微调的方法首先在一个大型数据集(如ImageNet)上训练一个源网络，然后将学到的权重作为目标网络的初始权重，并利用目标数据对目标网络进行微调。然而，当源域数据和目标域数据在语义上不相似时，基于模型微调的迁移学习模型在目标数据上仍然会出现过拟合。

为此，学者们提出异构迁移学习的方法。在异构迁移学习中，通过特征匹配的方式实现知识在不同领域之间的迁移，从而实现利用源域数据中学习到的知识帮助目标网络的训练。Romero等提出一个教师-学生训练模式，通过计算教师特征与学生特征之间l₂匹配损失，将知识从更深的教师网络迁移至更浅的学生网络。Zagoruyko等和Srinivas等分别提出注意力迁移和雅可比矩阵匹配方法，使用特征图或雅可比矩阵生成注意力图实现知识的迁移。

上述方法虽然使得模型在异构数据源的情况下具有一定的效果，但存在两个问题：①在一个源网络中，不同的特征对目标任务的重要性是不一样的，甚至有些特征是冗余的。当冗余特征迁移至目标网络时，可能会产生负迁移。②仅仅根据经验确定源网络中的特征如何迁移至目标网络，这将耗费大量的人力物力，且结果可能不是最优的。

此外，有研究表明，当源域数据与目标域数据更相近时，迁移学习的效果更好。在医学影像领域，一般将ImageNet作为迁移学习的源域数据，因为ImageNet训练的网络具有丰富的基础纹理信息。然而，在医学影像中，与ImageNet相比，相同组织的医学影像(如，肺的全视野数字切片图像(Whole Slide Images，WSI)与肺的CT图像)在语义上更相近。肺的WSI被认为是肺部病理诊断的金标准，因为它能在显微镜下提供大量的肿瘤微观信息；相比之下，肺的CT图像可在宏观尺度上反映肿瘤的影像学信息。因此，利用CT图像对SPSN患者进行辅助诊断时，结合ImageNet和肺WSI的双源域异构迁移学习的效果可能会更好。

发明内容