• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 7
    • 下载费用:30 金币  

    重庆时时彩金沙娱乐: 基于卷积神经网络的肺结节良恶性预测方法.pdf

    关 键 词:
    基于 卷积 神经网络 结节 恶性 预测 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201510117906.6

    申请日:

    2015.03.18

    公开号:

    CN104700118A

    公开日:

    2015.06.10

    当前法律状态:

    实审

    有效性:

    审中

    法律详情: 实质审查的生效IPC(主分类):G06K 9/62申请日:20150318|||公开
    IPC分类号: G06K9/62; G06K9/46 主分类号: G06K9/62
    申请人: 中国科学院自动化研究所
    发明人: 田捷; 沈伟; 杨凤; 杨彩云
    地址: 100080北京市海淀区中关村东路95号
    优先权:
    专利代理机构: 北京博维知识产权代理事务所(特殊普通合伙)11486 代理人: 方振昌
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201510117906.6

    授权公告号:

    |||

    法律状态公告日:

    2015.07.08|||2015.06.10

    法律状态类型:

    实质审查的生效|||公开

    摘要

    本发明提供的基于卷积神经网络的肺结节良恶性预测方法,包括:从肺结节坐标中获取多尺度肺结节图像块;根据所述多尺度肺结节图像块构造所述多尺度肺结节图像块对应的各个卷积神经网络;根据损失函数利用所述多尺度肺结节图像块训练所述卷积神经网络;利用训练的卷积神经网络提取肺结节的低维特征;利用所述低维特征训练非线性分类器,并预测未知肺结节图像块。本发明可以准确地预测未知肺结节图像块的良恶性。

    权利要求书

    权利要求书
    1.  一种基于卷积神经网络的肺结节良恶性预测方法,其特征在于, 所述方法包括:
    从肺结节坐标中获取多尺度肺结节图像块;
    根据所述多尺度肺结节图像块构造所述多尺度肺结节图像块对应的 各个卷积神经网络;
    根据损失函数利用所述多尺度肺结节图像块训练所述卷积神经网络;
    利用训练的卷积神经网络提取肺结节的低维特征;
    利用所述低维特征训练非线性分类器,并预测未知肺结节图像块。

    2.  根据权利要求1所述的方法,其特征在于,所述根据所述多尺度 肺结节图像块构造所述多尺度肺结节图像块对应的各个卷积神经网络包 括:
    根据下式计算所述卷积神经网络的卷积层:
    y = max ( 0 , Σ c f c * h c + b ) ]]>
    其中,fc为所述肺结节图像块,hc为卷积核,b为标量。

    3.  根据权利要求1所述的方法,其特征在于,所述根据损失函数利 用所述多尺度肺结节图像块训练所述卷积神经网络包括:
    根据下式计算所述损失函数:
    loss=max(0,1-tyfeat)
    其中,loss为所述多维图像块对应的损失函数,yfeat为所述卷积神经网 络的输出概率,t为肺结节的良恶性表示。

    4.  根据权利要求1所述的方法,其特征在于,所述利用训练的卷积 神经网络提取肺结节的低维特征包括:
    根据所述肺结节图像块利用所述卷积神经网络提取所述肺结节的低 维特征。

    5.  根据权利要求1所述的方法,其特征在于,所述非线性分类器包 括随机森林分类器或支持向量机分类器,利用所述低维特征训练非线性分 类器,并预测未知肺结节图像块包括:
    利用所述低维特征训练随机森林分类器,并预测未知肺结节图像块; 或
    利用所述低维特征训练支持向量机分类器,并预测未知肺结节图像 块。

    说明书

    说明书基于卷积神经网络的肺结节良恶性预测方法
    技术领域
    本发明涉及医学图像领域,特别是涉及一种基于卷积神经网络的 肺结节良恶性预测方法。
    背景技术
    目前的肺结节良恶性提取方法包括:肺结节分割;特征提??;分类器 训练,以上方法依赖于肺结节的预分割。目前的很多分割方法都依赖于算 法的初始化,如区域生长算法,水平集算法等。不同的初始化会对最终的 分割结果产生不同的影响,因此,利用这样的分割结果得到的特征,通常 是不准确的。
    发明内容
    本发明提供的基于卷积神经网络的肺结节良恶性预测方法,可以准确 地预测未知肺结节图像块。
    根据本发明的一方面,提供一种基于卷积神经网络的肺结节良恶性预 测方法,包括:
    从肺结节坐标中获取多尺度肺结节图像块;根据所述多尺度肺结节图 像块构造所述多尺度肺结节图像块对应的各个卷积神经网络;根据损失函 数利用所述多尺度肺结节图像块训练所述卷积神经网络;利用训练的卷积 神经网络提取肺结节的低维特征;利用所述低维特征训练非线性分类器, 并预测未知肺结节图像块。
    本发明实施例提供的基于卷积神经网络的肺结节良恶性预测方法,通 过根据多个肺结节图像块构造多个肺结节图像块对应的各个卷积神经网 络,并且根据各个卷积神经网络得到多维图像块对应的低维特征,利用低 维特征训练非线性分类器,从而准确地预测未知肺结节图像块。
    附图说明
    图1为本发明实施例提供的基于卷积神经网络的肺结节良恶性预测方 法流程图;
    图2为本发明实施例提供的不同参数配置下的卷积神经网络的预测精 确度示意图;
    图3为本发明实施例提供的良性肺结节和恶性肺结节对应的降维特征 示意图;
    图4为本发明实施例提供的多尺度肺结节图像块。
    具体实施方式
    本发明的总体构思是,通过根据多个肺结节图像块构造多个肺结节图 像块对应的各个卷积神经网络,并且根据各个卷积神经网络得到多维图像 块对应的低维特征,利用低维特征训练非线性分类器,从而准确地预测未 知肺结节图像块。
    下面结合附图对本发明实施例提供的基于卷积神经网络的肺结节良 恶性预测方法进行详细描述。
    图1为本发明实施例提供的基于卷积神经网络的肺结节良恶性预测方 法流程图。
    参照图1,在步骤S101,从肺结节坐标中获取多尺度肺结节图像块。
    这里,多个肺结节图像块可以为三个尺度的图像块,分别为32*32*32、 64*64*64和96*96*96。在提取结节图像块之前,首先需要将CT图像重采 样到0.5mm/pixel的分辨率,从而解决不同CT图像之间分辨率不一致的 问题。在截取结节图像块时,每个尺度的立方体的中心对应肺结节的中心。
    在步骤S102,根据所述多尺度肺结节图像块构造所述多尺度肺结节图 像块对应的各个卷积神经网络。
    这里,对应于三个尺度的图像块的输入,构造相应的三个卷积神经网 络,每个卷积神经网络包括两个卷积层,每个卷基层后连接一个 Max-pooling层,网络的最后采用全连接结构,输出50维特征。最后,每 个网络的50维特征连接起来,得到150维特征,作为最终的多尺度特征。 在这一步中,们每个卷积层中都拥有100个卷积核,卷积核的大小为5*5, max-pooling区域的大小为2*2。
    根据本发明的示例性实施例,所述根据所述多尺度肺结节图像块构造 所述多尺度肺结节图像块对应的各个卷积神经网络包括:
    根据公式(1)计算所述卷积神经网络的卷积层:
    y = max ( 0 , Σ c f c * h c + b ) - - - ( 1 ) ]]>
    其中,fc为所述肺结节图像块,hc为卷积核,b为标量。
    max-pooling层的计算公式如(2)所示:
    y ( i , j ) = max 0 m , n s { x ( i · s + m , j · s + n ) } - - - ( 2 ) ]]>
    其中,s为max-pooling的区域大小。
    在步骤S103,根据损失函数利用所述多尺度肺结节图像块训练所述卷 积神经网络。
    这里,所述损失函数包括:三个对应每个独立的子网络的特征层的 Hinge Loss损失函数。训练的过程中,同时优化这4个损失函数。在这四 个损失函数中,三个独立子网络对应的损失函数权值维为0.001,最终150 维特征对应的损失函数的权值为1。
    根据本发明的示例性实施例,所述根据损失函数利用所述多尺度肺结 节图像块训练所述卷积神经网络包括:
    根据公式(3)计算损失函数:
    loss=max(0,1-tyfeat)           (3)
    其中,loss为所述多维图像块对应的损失函数,yfeat为所述卷积神经网 络的输出概率,t为肺结节的良恶性表示。
    在步骤S104,利用训练的卷积神经网络提取肺结节的低维特征。
    根据本发明的示例性实施例,所述利用训练的卷积神经网络提取肺结 节的低维特征包括:
    根据所述肺结节图像块利用所述卷积神经网络提取所述肺结节的低 维特征。
    这里,将肺结节图像块输入所述卷积神经网络中,提取出卷积神经网 络的最后一层特征层的输出值,并将最后一层特征层的输出值作为肺结节 图像对应的低维特征。
    在步骤S105,利用所述低维特征训练非线性分类器,并预测未知肺结 节图像块。
    这里,分类器的最优参数通过交叉验证方法获得。
    根据本发明的示例性实施例,所述非线性分类器包括随机森林分类器 或支持向量机分类器,利用所述低维特征训练非线性分类器,并预测未知 肺结节图像块包括:
    利用所述低维特征训练随机森林分类器,并预测未知肺结节图像块; 或
    利用所述低维特征训练支持向量机分类器,并预测未知肺结节图像 块。
    图2为本发明实施例提供的不同参数配置下的卷积神经网络的预测精 确度示意图。
    参照图2,对于卷积神经网络的结构使用了8中不同的配置(每层网 络的卷积核数目和特征层的隐含节点数目),每个配置下,网络均可以达 到84%以上的分类准确度。
    图3为本发明实施例提供的良性肺结节和恶性肺结节对应的降维特征 示意图。
    参照图3,训练集的肺结节样本和测试集的肺结节样本提取到的150 维特征,采用PCA降维的方式,将特征降到2维子空间中显示的结果。 由此可将良性结节和恶性结节很好的区分开,说明了提取到的150维特征 具有高度区分性,可以有效地用来区分良恶性结节。
    图4为本发明实施例提供的多尺度肺结节图像块。
    参照图4,(a)图为良性结节的多维度输入,(b)图为恶性结节的多维度 输入。
    以上所述,仅为本发明的具体实施方式,但本发明的?;し段Р⒉痪?限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可 轻易想到变化或替换,都应涵盖在本发明的?;し段е?。因此,本发明 的?;し段вσ运鋈ɡ蟮谋;し段?。

    关于本文
    本文标题:基于卷积神经网络的肺结节良恶性预测方法.pdf
    链接地址://www.4mum.com.cn/p-5886769.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 排三定跨公式 中国体育彩票官方网站 唐山股票配资 云南十一选五详情 组选奖号280的前后关系 河南十一选五遗漏查询 中国双色球开奖结果 黑龙江11选5走三级 计划 体育彩票11选5 云南11选5走势图走势跨度 大乐透129期的开奖号码预测 天津11选5任选基本走势图 nba分析 通化大嘴棋牌手机下载 全天北京三分彩计划