本發(fā)明涉及肺結(jié)節(jié)分類(lèi)，具體涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)和字典對(duì)學(xué)習(xí)的肺結(jié)節(jié)分類(lèi)方法。

背景技術(shù)：

肺癌的早期篩查對(duì)于降低肺癌的發(fā)生率與死亡率意義重大，而肺部cad系統(tǒng)的應(yīng)用幫助醫(yī)生減少工作負(fù)擔(dān)，而且診斷速度快、診斷結(jié)果客觀。對(duì)于肺部cad系統(tǒng)而言，能夠確診肺結(jié)節(jié)的類(lèi)型是評(píng)判其性能的重要標(biāo)準(zhǔn)。傳統(tǒng)的分類(lèi)方法對(duì)于大規(guī)模的醫(yī)學(xué)影像處理效果并不好，而卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別與目標(biāo)檢測(cè)方面取得了比較好的應(yīng)用效果，但是當(dāng)前與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合使用的分類(lèi)器，比如svm，sigmoid函數(shù)等，不能很好地挖掘深度特征的復(fù)雜結(jié)構(gòu)。2014年出現(xiàn)的字典對(duì)學(xué)習(xí)算法不僅能夠?qū)崿F(xiàn)樣本數(shù)據(jù)的分類(lèi)，而且能夠很好地表達(dá)樣本數(shù)據(jù)的特征。但是利用該方法進(jìn)行分類(lèi)依靠人工獲取特征，而且對(duì)于不同的樣本需要提取不同的特征才能較好地處理分類(lèi)任務(wù)。綜上所述，為了提高肺部cad系統(tǒng)診斷肺結(jié)節(jié)的準(zhǔn)確率，將卷積神經(jīng)網(wǎng)絡(luò)與字典對(duì)學(xué)習(xí)方法進(jìn)行結(jié)合。

字典對(duì)學(xué)習(xí)算法包括字典學(xué)習(xí)與分類(lèi)兩個(gè)階段。

(1)字典學(xué)習(xí)階段

設(shè)x＝[x1,…,xk,…xk](xk∈r^d×n_k,n_k表示第k類(lèi)訓(xùn)練樣本的個(gè)數(shù))表示字典對(duì)學(xué)習(xí)算法的輸入樣本對(duì)應(yīng)的特征，該特征與來(lái)自k類(lèi)的輸入圖像對(duì)應(yīng)。那么，字典對(duì)學(xué)習(xí)算法的目標(biāo)是找到一個(gè)結(jié)構(gòu)化分析字典p＝[p1,…,pk,…pk](pk∈r^m×d)與一個(gè)結(jié)構(gòu)化合成字典d＝[d1,…,dk,…dk](dk∈r^d×m)，實(shí)現(xiàn)對(duì)特征x的編碼與重構(gòu)，m表示字典原子的個(gè)數(shù)。對(duì)于訓(xùn)練樣本集中第k類(lèi)樣本的特征xk，給定子字典對(duì){dk，pk}的前提下，令，與xk對(duì)應(yīng)的編碼系數(shù)表示為pkxk。則，字典對(duì)學(xué)習(xí)算法dpl的目標(biāo)函數(shù)定義為：

其中，y表示與特征x對(duì)應(yīng)的類(lèi)標(biāo)簽矩陣，φ(p,d,x,y)是一個(gè)用以增強(qiáng)字典d與p判別性的判別項(xiàng)。

在字典對(duì)學(xué)習(xí)算法中，要求子字典pk映射來(lái)自其它類(lèi)i(i≠k)的樣本(樣本集合x(chóng)中除了xk以外的其它樣本)到一個(gè)接近零空間，即pkxi≈0,則問(wèn)題(1)寫(xiě)為

其中，是一個(gè)約束信息，用于避免pk＝0時(shí)產(chǎn)生平凡解，λ是一個(gè)權(quán)重系數(shù)。

由于問(wèn)題(2)表示的目標(biāo)函數(shù)非凸，引入一個(gè)矩陣變量a表示編碼系數(shù)矩陣，并將問(wèn)題(2)放松如下

其中，τ是一個(gè)權(quán)重系數(shù)。

初始化p和d為單位frobenius范數(shù)，問(wèn)題(3)的求解可以通過(guò)交替執(zhí)行以下三步實(shí)現(xiàn)：

(i)固定{d,p,x},用式(4)表示的近似解更新a：

(ii)固定{a,x},用式(5)表示的近似解更新p：

其中，γ是一個(gè)權(quán)重系數(shù)。

(iii)固定{a,x},引入一個(gè)變量s，問(wèn)題(3)轉(zhuǎn)化為

那么d的值通過(guò)式(7)來(lái)更新：

其中，ρ是一個(gè)權(quán)重參數(shù)。

當(dāng)?shù)^(guò)程中，出現(xiàn)兩次迭代的目標(biāo)函數(shù)值的差異小于某個(gè)閾值的情況時(shí)，停止迭代。

(2)分類(lèi)階段

如果樣本數(shù)據(jù)集包含有k個(gè)種類(lèi)，經(jīng)過(guò)字典學(xué)習(xí)階段以后會(huì)得到k個(gè)子字典對(duì){dk，pk}(k＝1,2,…,k)。給定一個(gè)測(cè)試圖像，提取其特征，記為x，令x在第k個(gè)子字典對(duì)基礎(chǔ)上的重建誤差為e(x；dk,pk)，則字典對(duì)分類(lèi)器層dpc對(duì)測(cè)試圖像進(jìn)行分類(lèi)的規(guī)則為：

即，若第k個(gè)子字典對(duì)重建出x的重建誤差最小，那么特征x對(duì)應(yīng)的樣本圖像就屬于第k類(lèi)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)存在的缺陷提供一種基于卷積神經(jīng)網(wǎng)絡(luò)和字典對(duì)學(xué)習(xí)算法相結(jié)合的肺結(jié)節(jié)分類(lèi)算法，提高肺結(jié)節(jié)分類(lèi)的準(zhǔn)確率。

本發(fā)明采用如下技術(shù)方案：

一種基于卷積神經(jīng)網(wǎng)絡(luò)和字典對(duì)學(xué)習(xí)的肺結(jié)節(jié)分類(lèi)方法，包括卷積神經(jīng)網(wǎng)絡(luò)參數(shù)的訓(xùn)練與肺結(jié)節(jié)分類(lèi)即訓(xùn)練階段和分類(lèi)階段兩個(gè)階段：

1)訓(xùn)練階段:

a.輸入作為訓(xùn)練樣本的低劑量薄層掃描ct圖像；

b.對(duì)訓(xùn)練樣本的ct圖像進(jìn)行預(yù)處理；

c.訓(xùn)練分類(lèi)模型cnn-dpc的參數(shù)；包括以下步驟：

c1.對(duì)卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行預(yù)訓(xùn)練；在預(yù)訓(xùn)練階段，借鑒經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)lenet-5的網(wǎng)絡(luò)結(jié)構(gòu)，以訓(xùn)練數(shù)據(jù)集為基礎(chǔ)，設(shè)計(jì)一個(gè)9層的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該卷積神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層三個(gè)部分，其中隱含層包含三個(gè)卷積層、三個(gè)最大池化層和一個(gè)全連接層；輸入層節(jié)點(diǎn)個(gè)數(shù)為128×128，各隱含層節(jié)點(diǎn)數(shù)各不相同，輸出層節(jié)點(diǎn)數(shù)為2，輸出層即為分類(lèi)層，分類(lèi)用的函數(shù)為sigmoid函數(shù)，隱含層的激活函數(shù)為relu(rectifiedlinearunits)；采用標(biāo)準(zhǔn)的正向傳播與誤差反向傳播算法對(duì)這個(gè)9層的卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行預(yù)訓(xùn)練；

c2.預(yù)訓(xùn)練結(jié)束后，用字典對(duì)學(xué)習(xí)算法替換卷積神經(jīng)網(wǎng)絡(luò)的分類(lèi)層，再進(jìn)行參數(shù)的優(yōu)化；參數(shù)的優(yōu)化包括字典對(duì)的更新和網(wǎng)絡(luò)參數(shù)的微調(diào)，具體包括以下步驟：

c21.用字典對(duì)學(xué)習(xí)算法替換卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)層的sigmoid函數(shù)；假設(shè)xk表示訓(xùn)練階段第k類(lèi)訓(xùn)練數(shù)據(jù)對(duì)應(yīng)卷積神經(jīng)網(wǎng)絡(luò)全連接層的輸出，c表示字典對(duì)學(xué)習(xí)算法的目標(biāo)函數(shù)，ck表示第k類(lèi)訓(xùn)練數(shù)據(jù)對(duì)應(yīng)的字典對(duì)學(xué)習(xí)算法的目標(biāo)函數(shù)，{pk,dk}表示第k類(lèi)訓(xùn)練數(shù)據(jù)對(duì)應(yīng)的結(jié)構(gòu)化字典對(duì)，由于在字典對(duì)學(xué)習(xí)算法中，字典對(duì)的更新被分解為以下的子問(wèn)題：

那么在參數(shù)優(yōu)化步驟中，令則c對(duì)xk的偏導(dǎo)數(shù)為：

由于我們的目的是將肺結(jié)節(jié)分為兩類(lèi)，所以在上式中，k＝1,2，k＝2；

c22.在得到所有的后，將其作為標(biāo)準(zhǔn)的反向傳播算法中的梯度對(duì)卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行微調(diào)，同時(shí)利用微調(diào)后的網(wǎng)絡(luò)獲取訓(xùn)練數(shù)據(jù)集的特征對(duì)字典對(duì)進(jìn)行更新；

2)分類(lèi)階段，待分類(lèi)數(shù)據(jù)的分類(lèi)；分類(lèi)階段包括以下三步：

a.輸入待分類(lèi)的低劑量薄層掃描ct圖像；

b.對(duì)待分類(lèi)的ct圖像進(jìn)行預(yù)處理；

c.利用訓(xùn)練好網(wǎng)絡(luò)參數(shù)的分類(lèi)模型cnn-dpc對(duì)待分類(lèi)圖像進(jìn)行分類(lèi)。通過(guò)優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)獲取所有訓(xùn)練數(shù)據(jù)集中肺實(shí)質(zhì)圖像的特征，對(duì)字典對(duì)學(xué)習(xí)算法的目標(biāo)函數(shù)求解，可以得到2個(gè)子字典對(duì){(d1,p1)，(d2,p2)}。給定一個(gè)測(cè)試圖像，提取其特征，記為x，令x在第k(k＝1,2)個(gè)子字典對(duì)基礎(chǔ)上的重建誤差為e(x；dk,pk)，則分類(lèi)模型cnn-dpc對(duì)測(cè)試圖像進(jìn)行分類(lèi)的規(guī)則為：

即，若第k個(gè)子字典對(duì)重建出x的重建誤差最小，那么特征x對(duì)應(yīng)的樣本圖像就屬于第k類(lèi)。

所述的基于卷積神經(jīng)網(wǎng)絡(luò)和字典對(duì)學(xué)習(xí)的肺結(jié)節(jié)分類(lèi)方法，步驟b中，具體包括以下步驟：

第1步，對(duì)原始ct圖像采用otsu閾值方法進(jìn)行二值化處理；

第2步，對(duì)第1步的結(jié)果，以左上角第一個(gè)像素點(diǎn)為種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng)，將背景部分與前景部分分開(kāi)；

第3步，對(duì)第2步的結(jié)果，采用區(qū)域增長(zhǎng)算法先得到機(jī)床部分；

第4步，將前3步的結(jié)果進(jìn)行疊加，得到肺實(shí)質(zhì)部分；

第5步，基于第4步的結(jié)果，對(duì)左右肺分別采用區(qū)域增長(zhǎng)算法得到完整的左右肺，然后進(jìn)行合并；

第6步，對(duì)第5步的結(jié)果執(zhí)行形態(tài)學(xué)操作，得到肺實(shí)質(zhì)掩模；

第7步，依照肺實(shí)質(zhì)掩模分割出原始ct圖像中的肺實(shí)質(zhì)；

第8步，將第7步中的得到的肺實(shí)質(zhì)圖像大小通過(guò)雙線性插值法調(diào)整為128×128。

所述的基于卷積神經(jīng)網(wǎng)絡(luò)和字典對(duì)學(xué)習(xí)的肺結(jié)節(jié)分類(lèi)方法，分類(lèi)階段對(duì)待分類(lèi)的ct圖像進(jìn)行預(yù)處理，具體包括以下步驟：

第1步，對(duì)原始ct圖像采用otsu閾值方法進(jìn)行二值化處理；

第2步，對(duì)第1步的結(jié)果，以左上角第一個(gè)像素點(diǎn)為種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng)，將背景部分與前景部分分開(kāi)；

第3步，對(duì)第2步的結(jié)果，采用區(qū)域增長(zhǎng)算法先得到機(jī)床部分；

第4步，將前3步的結(jié)果進(jìn)行疊加，得到肺實(shí)質(zhì)部分；

第5步，基于第4步的結(jié)果，對(duì)左右肺分別采用區(qū)域增長(zhǎng)算法得到完整的左右肺，然后進(jìn)行合并；

第6步，對(duì)第5步的結(jié)果執(zhí)行形態(tài)學(xué)操作，得到肺實(shí)質(zhì)掩模；

第7步，依照肺實(shí)質(zhì)掩模分割出原始ct圖像中的肺實(shí)質(zhì)；

第8步，將第7步中的得到的肺實(shí)質(zhì)圖像大小通過(guò)雙線性插值法調(diào)整為128×128。

與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：

1.本發(fā)明能夠克服現(xiàn)有技術(shù)中的缺陷，將卷積神經(jīng)網(wǎng)絡(luò)與字典對(duì)學(xué)習(xí)算法的優(yōu)點(diǎn)結(jié)合起來(lái)，實(shí)現(xiàn)簡(jiǎn)單，易于理解；

2.通過(guò)使用本發(fā)明的技術(shù)，可以準(zhǔn)確高效地對(duì)肺結(jié)節(jié)的種類(lèi)進(jìn)行診斷，能夠?yàn)獒t(yī)生的診斷提供參考。

附圖說(shuō)明

圖1是本發(fā)明進(jìn)行肺結(jié)節(jié)分類(lèi)的流程圖。

圖2是本發(fā)明對(duì)原始ct圖像進(jìn)行預(yù)處理的過(guò)程圖。

具體實(shí)施方式

以下結(jié)合具體實(shí)施例，對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。

參照?qǐng)D1，本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)和字典對(duì)學(xué)習(xí)的肺結(jié)節(jié)分類(lèi)方法，包括訓(xùn)練階段和分類(lèi)階段，具體步驟如下：

1)訓(xùn)練階段:

a.參照?qǐng)D1，輸入作為訓(xùn)練樣本的低劑量薄層掃描ct圖像。

b.參照?qǐng)D2，對(duì)ct圖像進(jìn)行預(yù)處理，得到統(tǒng)一大小為128×128的肺實(shí)質(zhì)圖像。具體步驟包括：

第1步，對(duì)原始ct圖像采用otsu閾值方法進(jìn)行二值化處理；

第2步，對(duì)第1步的結(jié)果，以左上角第一個(gè)像素點(diǎn)為種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng)，將背景部分與前景部分分開(kāi)；

第3步，對(duì)第2步的結(jié)果，采用區(qū)域增長(zhǎng)算法先得到機(jī)床部分；

第4步，將前3步的結(jié)果進(jìn)行疊加，得到肺實(shí)質(zhì)部分；

第5步，基于第4步的結(jié)果，對(duì)左右肺分別采用區(qū)域增長(zhǎng)算法得到完整的左右肺，然后進(jìn)行合并；

第6步，對(duì)第5步的結(jié)果執(zhí)行形態(tài)學(xué)操作，得到肺實(shí)質(zhì)掩模；

第7步，依照肺實(shí)質(zhì)掩模分割出原始ct圖像中的肺實(shí)質(zhì)；

第8步，將第7步中的得到的肺實(shí)質(zhì)圖像大小通過(guò)雙線性插值法調(diào)整為128×128。

c.訓(xùn)練分類(lèi)模型cnn-dpc的參數(shù)；

表1給出本發(fā)明設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)各隱含層對(duì)應(yīng)核的大小、激活函數(shù)及輸出結(jié)果。該卷積神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層三個(gè)部分，其中隱含層包含三個(gè)卷積層、三個(gè)最大池化層和一個(gè)全連接層。使用relu(rectifiedlinearunits)作為隱含層的激活函數(shù)，則一個(gè)輸入特征映射f與一個(gè)卷積核h之間的卷積操作定義為：

其中，fk與hk分別表示第k層的輸入映射與卷積核，*表示卷積操作，b表示偏置，hk與b在訓(xùn)練過(guò)程中不斷更新。

最大池化操作定義為

其中，w說(shuō)明池化大小為w×w，co表示與池化層相鄰的前一個(gè)卷積層輸出的特征映射，i與j都是大于等于0的整數(shù)，但是要保證i·w+m≤size(co,1)且j·w+n≤size(co,2)。

全連接層將最大池化層的輸出轉(zhuǎn)化成一個(gè)一維向量。

表1卷積神經(jīng)網(wǎng)絡(luò)各隱含層對(duì)應(yīng)核的大小、激活函數(shù)及輸出結(jié)果

c1.對(duì)卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行預(yù)訓(xùn)練。在預(yù)訓(xùn)練階段，借鑒經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)lenet-5的網(wǎng)絡(luò)結(jié)構(gòu)，以訓(xùn)練數(shù)據(jù)集為基礎(chǔ)，設(shè)計(jì)一個(gè)9層的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該卷積神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層三個(gè)部分，其中隱含層包含三個(gè)卷積層、三個(gè)最大池化層和一個(gè)全連接層。輸入層節(jié)點(diǎn)個(gè)數(shù)為128×128，各隱含層節(jié)點(diǎn)數(shù)各不相同，輸出層節(jié)點(diǎn)數(shù)為2。卷積神經(jīng)網(wǎng)絡(luò)用于分類(lèi)時(shí)，輸出層即為分類(lèi)層，分類(lèi)用的函數(shù)為sigmoid函數(shù)。根據(jù)設(shè)計(jì)好的9層卷積神經(jīng)網(wǎng)絡(luò)，采用標(biāo)準(zhǔn)的正向傳播與誤差反向傳播算法進(jìn)行參數(shù)的預(yù)訓(xùn)練。

c2.預(yù)訓(xùn)練結(jié)束后，用字典對(duì)學(xué)習(xí)算法替換卷積神經(jīng)網(wǎng)絡(luò)的分類(lèi)層，再進(jìn)行參數(shù)的優(yōu)化。參數(shù)的優(yōu)化包括字典對(duì)的更新和網(wǎng)絡(luò)參數(shù)的微調(diào)，具體包括以下步驟：

c21.用字典對(duì)學(xué)習(xí)算法替換卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)層的sigmoid函數(shù)。假設(shè)xk表示訓(xùn)練階段第k類(lèi)訓(xùn)練數(shù)據(jù)對(duì)應(yīng)卷積神經(jīng)網(wǎng)絡(luò)全連接層的輸出，c表示字典對(duì)學(xué)習(xí)算法的目標(biāo)函數(shù)，ck表示第k類(lèi)訓(xùn)練數(shù)據(jù)對(duì)應(yīng)的字典對(duì)學(xué)習(xí)算法的目標(biāo)函數(shù)，{pk,dk}表示第k類(lèi)訓(xùn)練數(shù)據(jù)對(duì)應(yīng)的結(jié)構(gòu)化字典對(duì)，由于在字典對(duì)學(xué)習(xí)算法中，字典對(duì)的更新可以被分解為以下的子問(wèn)題：

那么在參數(shù)優(yōu)化步驟中，令則c對(duì)xk的偏導(dǎo)數(shù)為：

由于我們的目的是將肺結(jié)節(jié)分為兩類(lèi)，所以在上式中，k＝1,2，k＝2。

c22.在得到所有的后，將其作為標(biāo)準(zhǔn)的反向傳播算法中的梯度對(duì)卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行微調(diào)，同時(shí)利用微調(diào)后的網(wǎng)絡(luò)獲取訓(xùn)練數(shù)據(jù)集的特征對(duì)字典對(duì)進(jìn)行更新。

2)分類(lèi)階段，待分類(lèi)數(shù)據(jù)的分類(lèi)。分類(lèi)階段主要有以下三步：

a.參照?qǐng)D1，輸入待分類(lèi)的ct圖像；

b.參照?qǐng)D2，對(duì)待分類(lèi)的ct圖像進(jìn)行預(yù)處理，得到統(tǒng)一大小為128×128的肺實(shí)質(zhì)圖像。具體步驟包括：

第1步，對(duì)原始ct圖像采用otsu閾值方法進(jìn)行二值化處理；

第2步，對(duì)第1步的結(jié)果，以左上角第一個(gè)像素點(diǎn)為種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng)，將背景部分與前景部分分開(kāi)；

第3步，對(duì)第2步的結(jié)果，采用區(qū)域增長(zhǎng)算法先得到機(jī)床部分；

第4步，將前3步的結(jié)果進(jìn)行疊加，得到肺實(shí)質(zhì)部分；

第5步，基于第4步的結(jié)果，對(duì)左右肺分別采用區(qū)域增長(zhǎng)算法得到完整的左右肺，然后進(jìn)行合并；

第6步，對(duì)第5步的結(jié)果執(zhí)行形態(tài)學(xué)操作，得到肺實(shí)質(zhì)掩模；

第7步，依照肺實(shí)質(zhì)掩模分割出原始ct圖像中的肺實(shí)質(zhì)；

第8步，將第7步中的得到的肺實(shí)質(zhì)圖像大小通過(guò)雙線性插值法調(diào)整為128×128。

c.參照?qǐng)D1，利用訓(xùn)練好網(wǎng)絡(luò)參數(shù)的分類(lèi)模型cnn-dpc對(duì)待分類(lèi)的ct圖像進(jìn)行分類(lèi)。通過(guò)優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)獲取所有訓(xùn)練數(shù)據(jù)集中肺實(shí)質(zhì)圖像的特征，對(duì)字典對(duì)學(xué)習(xí)算法的目標(biāo)函數(shù)求解，可以得到2個(gè)子字典對(duì){(d1,p1)，(d2,p2)}。給定一個(gè)測(cè)試圖像，提取其特征，記為x，令x在第k(k＝1,2)個(gè)子字典對(duì)基礎(chǔ)上的重建誤差為e(x；dk,pk)，則分類(lèi)模型cnn-dpc對(duì)測(cè)試圖像進(jìn)行分類(lèi)的規(guī)則為：

即，若第k個(gè)子字典對(duì)重建出x的重建誤差最小，那么特征x對(duì)應(yīng)的樣本圖像就屬于第k類(lèi)。

表2給出了本發(fā)明與字典對(duì)學(xué)習(xí)算法、替換分類(lèi)層之前的卷積神經(jīng)網(wǎng)絡(luò)在進(jìn)行肺結(jié)節(jié)分類(lèi)時(shí)有關(guān)分類(lèi)精確度、敏感度、特異度的結(jié)果比較。從表2可以看出本發(fā)明在肺結(jié)節(jié)分類(lèi)的應(yīng)用方面優(yōu)于字典對(duì)學(xué)習(xí)算法，而且分類(lèi)精確度、敏感度兩個(gè)方面比替換分類(lèi)層之前的卷積神經(jīng)網(wǎng)絡(luò)提高了3％～6％。

表2三種算法對(duì)應(yīng)的精確度、敏感度、特異度結(jié)果對(duì)比

本發(fā)明提出的基于卷積神經(jīng)網(wǎng)絡(luò)和字典對(duì)學(xué)習(xí)的肺結(jié)節(jié)分類(lèi)方法，充分結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和字典對(duì)學(xué)習(xí)算法的優(yōu)點(diǎn)，而且直接以肺實(shí)質(zhì)圖像作為處理對(duì)象，避免了肺結(jié)節(jié)分割的復(fù)雜操作。利用卷積神經(jīng)網(wǎng)絡(luò)提取到的樣本數(shù)據(jù)的特征，更能反映出肺結(jié)節(jié)的底層抽象特征，這樣的深度特征有利于計(jì)算機(jī)對(duì)肺結(jié)節(jié)的診斷，而利用字典對(duì)學(xué)習(xí)算法不僅能夠?qū)崿F(xiàn)肺結(jié)節(jié)的分類(lèi)，而且能夠充分挖掘卷積神經(jīng)網(wǎng)絡(luò)提取到的深度特征所代表的復(fù)雜含義，這將有利于提高后續(xù)肺結(jié)節(jié)的診斷準(zhǔn)確率。

應(yīng)當(dāng)理解的是，對(duì)本領(lǐng)域普通技術(shù)人員來(lái)說(shuō)，可以根據(jù)上述說(shuō)明加以改進(jìn)或變換，而所有這些改進(jìn)和變換都應(yīng)屬于本發(fā)明所附權(quán)利要求的保護(hù)范圍。