[发明专利]一种基于双模态极限学习机的肺结节诊断方法

权利要求书

1.一种双模态极限学习机的肺结节诊断方法，其特征在于，包括训练阶段和测试阶段：

训练阶段：

(A1)标注肺结节的PET-CT图像，根据肺结节良恶性标记PET-CT图像，在待训练的肺结节PET-CT图像中专门开辟出一行或者一列，用来存储图像的标签信息，将标签信息作为像素值插入到图像中；

(A2)分别对PET-CT图像进行深层自编码，不同模态图像的自编码流程相同，输入图像不同，深度自编码后的输出就是高层图像特征；

第一层自编码网络编码流程：

(A21)、从训练样本中挑选出相同数量的良性和恶性的样本x_c1和x_c2，并将两个样本作差，x_c2-x_c1；

(A22)、根据归一化样本间差异并计算相应的偏置

(A23)、将ω和b作为第一层自编码网络的输入权值和偏置向量；

(A24)、对输入训练样本X，激活函数为sigmoid函数则隐含层的输出

(A25)、利用标准极限学习机算法计算输出权重其中I是单位矩阵，λ是正则化系数，X_c为带有类别标签的样本；

(A26)、输出权重β₀包含输入数据的分布信息，因此将β₀的转置β₀^T作为深层极限学习机自编码的输入权重，取代随机生成的权重；则第一层自编码网络隐含层的输出为：

第二层自编码网络编码流程：

(A27)、将第一层自编码网络的隐含层输出作为第二层自编码网络的输入和期望输出，第一层自编码网络的ω和b作为第二层自编码网络的输入权重和偏置，重复步骤(A24)到步骤(A26)，得第二层自编码网络的隐含层输出输出权值

(A28)、第二层自编码网络的隐含层输出

(A29)、对于第N层自编码网络的隐含层输出权值则深层自编码网络的第N(N>1)个隐含层输出其中为前一个隐含层输出；对于CT图像，采用7层网络进行特征提取得到特征对于PET图像，采用5层网络进行特征提取得到特征最后将两个特征作为待融合的特征；

(A3)特征融合

经过深层自编码之后分别获得肺结节PET-CT图像的高层特征F(PET)、F(CT)，为了使得不同模态的图像对分类性能都具有贡献，采用特征融合策略，将CT和PET特征进行融合，将两种特征进行线性组合：

F(Fusion)＝αF(CT)+(1-α)F(PET)

其中，系数α控制两种特征的贡献度；

(A4)特征分类

最后利用融合特征对肺结节良恶性进行分类，采用极限学习机作为分类算法，具体过程如下：

(A41)随机初始化输入权重k和偏置c，

(A42)由训练阶段的融合特征向量F_train(Fusion)以及确定的激活函数计算隐含层神经元的输出

(A43)根据训练数据的良恶性生成诊断标签G＝[1,1,-1,...,-1,1]，其中1表示良性结节，-1表示恶性结节；最后利用隐含层输出H计算网络输出权重其中I是单位矩阵，λ是正则化系数，λ取10e8；

测试阶段：

(B1)读取肺结节的PET-CT图像测试样本；

(B2)利用训练阶段N层自编码得到的权值β_ii＝0,1,...,N-1计算N层深度自编码的隐含层输出；第一个隐含层的输出为：其中，X为输入的测试样本；深层自编码网络的第N(N>1)个隐含层输出其中为前一个隐含层输出，对于CT图像，采用7层网络进行特征提取得到特征对于PET图像，采用5层网络进行特征提取得到特征最后将两个特征作为待融合的特征；

(B3)特征融合

经过深层自编码之后分别获得肺结节PET-CT图像的高层特征F(PET)、F(CT)，为了使得不同模态的图像对分类性能都具有贡献，采用特征融合策略，将CT和PET特征进行融合，将两种特征进行简单的线性组合：

F(Fusion)＝αF(CT)+(1-α)F(PET)

其中，系数α控制两种特征的贡献度；

(B4)特征分类

最后利用融合特征对肺结节良恶性进行分类，采用极限学习机作为分类算法，具体过程如下：

(B41)输入测试样本的融合特征F_test(Fusion)；

(B42)利用训练时的输入权重k、偏置c和激活函数计算隐含层输出

(B43)由训练阶段得到的输出权重β计算测试样本的类别G＝Hβ，向量G的值介于-1到1之间，判定小于0的值对应的肺结节属于恶性，大于等于0的值对应的肺结节属于良性。