[发明专利]基于深层模型和浅层模型决策融合的肺结节CT图像自动分类方法

摘要

本发明涉及一种基于深层模型和浅层模型决策融合的肺结节CT图像自动分类方法，分别提取基于深度卷积神经网络的特征和描述肺结节纹理和形状的视觉特征。对这三种不同的特征分别训练三个分类器，将所有分类器的结果进行加权平均得到最终的分类结果，实现基于CT图像的肺结节分类方法的创新。

主权项

一种基于深层模型和浅层模型决策融合的肺结节CT图像自动分类方法，其特征在于步骤如下：步骤1：在每一个包含肺结节的CT切片上提取能包含肺结节完整信息的最大外接正方形子块，采用最邻近插值算法将图像子块的尺寸调整统一；步骤2：采用步骤1中的调整尺寸的图像子块来训练深度卷积神经网络，所述的深度卷积神经网络包括9个子层：第一层：输入层；第二层：C1层是第一个卷积层；第三层：P2层是第一个池化层；第四层：C3层是第二个卷积层；第五层：P4层是第二个池化层；第六层：C5层是第三个卷积层；第七层：P6层是第三个池化层；第八层：F7是一个全连接层；第九层：F8包含2个经元节点，输出的两个值分别表示两个类别可能性的一个度量；最后是一个Softmax层，用来处理上一层的输出，得出最后的分类结果；当网络训练至收敛后，提取第七层网络输出的a维向量作为输入图像子块的深层特征；步骤3：在0°、45°、90°、135°四个方向分别计算步骤1中未调整尺寸的图像子块中相距为1的两个灰度像素同时出现的频数，得到4个方向上的4个灰度共生矩阵；对每个灰度共生矩阵，分别求对比度、相关性、能量、逆差矩4个特征，然后将求得的每个灰度共生矩阵的4个特征值级联起来，得到纹理特征；步骤4：找到形状图像中肺结节形状区域的重心坐标，沿着结节边缘依次移动一个点，绘制出移动点到重心之间的测地距离的曲线，将该曲线进行傅里叶变换，选择傅里叶变换后的前b个低频系数组成二维傅里叶描述子形状特征；步骤5：将步骤2提取的深层特征、步骤3提取的纹理特征和步骤4提取的形状特征分别分为训练集样本和验证集样本，对训练集样本分别训练三个不同的Adaboost‑BPNN分类器；所述的Adaboost‑BPNN分类器包含T个BPNN分类器，每个BPNN分类器都是由一个输入层，一个隐层，一个输出层组成，输入层的结点数目即等于输入特征的维数，隐层的结点Nodes＝log(D)，其中D是输入层结点的数目，输出结点数目为2；将验证集样本在已经训练好的BPNN分类器上进行测试得到验证集分类错误率εt，根据验证集分类错误率εt计算每个BPNN的权重：αt=12ln(1-ϵtϵt)]]>每个训练样本的权重根据如下公式被更新：wt+1(i)=wt(i)exp(-αtyiht(xi))Ct]]>Ct是归一化常量，yi是第i个训练样本的标签，当用这种方法训练T个BPNN之后，每个Adaboost‑BPNN分类器被定义如下：H(x)＝∑αtht其中，ht为第t个BPNN弱分类器的概率输出，其中1≤t≤T；步骤6：对三个不同特征训练的Adaboost‑BPNN分类器的分类结果进行加权平均得到CT切片的最终分类结果：Opro＝average(O1W1,O2W2,O3W3)其中，O1、O2、O3表示三个分类器对肺结节的分类结果，计算公式为O＝mean(H1(x),H2(x),…,Hs(x))，s表示一个肺结节CT图像中的第s个CT切片，Hs(x)为第s个CT切片在某个Adaboost‑BPNN分类器的概率输出；W1、W2、W3分别表示三个分类器的权重，计算公式为Vj,j＝1,2,3分别为三个分类器的分类正确率；最终分类结果Opro输出为两个值，定义其中一个为良性概率输出，另一个为恶性概率输出，对两个概率输出值进行判断，得到最终的类别标签：Output=benginnodule,Opro(1)>Opro(2)malignantnodule,Opro(1)≤Opro(2)]]>其中，bengin nodule表示分类结果为良性，malignant nodule表示分类结果为恶性，Opro(1)为良性概率输出，Opro(2)为恶性概率输出。