本發(fā)明涉及的是一種基于卷積神經網絡和主成分分析法的肺結節(jié)特征提取方法。

背景技術：

肺結節(jié)所表現(xiàn)的醫(yī)學征象是醫(yī)師診斷肺部疾病的基礎，通過分析肺ct圖像的各種醫(yī)學征象，便于醫(yī)師判斷結節(jié)的良惡性程度并做出相應的診斷決策。但是醫(yī)師主要根據(jù)經驗診斷疾病，診斷結果具有一定主觀性，常常出現(xiàn)誤診、漏診的情況。近年來，無須人工提取特征，通過深度學習過程，原始輸入數(shù)據(jù)中所隱藏的數(shù)據(jù)信息可以逐層提取抽象出來，層數(shù)越深，提取出來的特征所代表的數(shù)據(jù)概念就表達得越深，這是淺層結構所無法表達和得到的。

技術實現(xiàn)要素：

本發(fā)明所要解決的技術問題是針對現(xiàn)有技術的不足提供一種基于卷積神經網絡和主成分分析法的肺結節(jié)特征提取方法。

本發(fā)明的技術方案如下：

一種基于卷積神經網絡和主成分分析法的肺結節(jié)特征提取方法，包括以下步驟：

a1、ct圖像的預處理

在搭建cnn模型前，提取ct圖像的包含肺實質的感興趣區(qū)域；肺部ct序列圖像取圖像左上角坐標(40,110)，右下角坐標(470,440)，這一范圍包含的肺實質最完整；然后將結果圖經過雙線插值法，規(guī)格化到112×112大小后，存儲的樣本庫中，用于進行fecnn的訓練；

a2、特征提取

a21特征提取

c層為特征提取層，每個單元的通過與前一層的局部感受野相連，經過卷積運算提取局部特征，根據(jù)局部特征來確定它與其他特征空間的位置關系；

在第k(k＝1,…6)層計算時，假設輸入的特征圖輸出的特征映射有和其中m和i分別代表x^k和y^k、z^k的最大維數(shù)；每個在卷積層運算后的特征圖

其中，convn表示特征圖x^k和卷積核的卷積運算，b代表偏置量，1表示步長為1；線性函數(shù)f(x)＝max(0,x)為激活函數(shù)；

a22特征映射

s層是特征映射層，通過局部平均運算，使樣本上所有單元的具有相等的權值，因而減少了fecnn中自由參數(shù)的個數(shù)，降低了網絡參數(shù)選擇的復雜性；

假設輸入的特征圖輸出的特征映射為其中m和n分別代表x^k和z^k的最大維數(shù)；

每個降采樣層都采用固定大小的核對y^k進行降采樣，得到特征映射

其中，downsampling代表降采樣運算，2代表步長為2；在最后一次降采樣后，通過激活函數(shù)得到最后輸出：

經過多次卷積和降采樣后，將最后一層特征圖進行全連接得到48×1維單層特征向量x1；

a23特征選擇

通過pca方法對每一層的映射進行降維后輸出，得到多層深度融合特征向量x2，使得特征表達更為緊湊；

對特征圖像適用pca降維的步驟如下：

1)假設有n幅特征圖，每個圖像的大小為m×n，則特征樣本矩陣x為：

x＝(x1,x2,...,xi,...,xn)

其中，向量xi為由第i個圖像的每一列向量依次連接成的mn的一維向量，即把矩陣向量化；計算n幅特征圖像的平均向量μ：

計算每幅特征圖像的差值di＝xi-μi＝1,2,…,n

2)計算特征圖像的協(xié)方差矩陣c：

3)對c進行奇異值分解得到特征圖像的特征值λi和特征向量xi,并選取貢獻值和大于95％的前n個最大特征值λi和對應的特征向量ui：

對每一個映射層的特征圖進行pca融合，得到特征向量y1，y2和y3，將y1，y2和y3相連，得到特征向量x2。

本發(fā)明首先利用卷積神經網絡自動學習肺結節(jié)特征，通過卷積進行特征提取和降采樣進行特征映射。在提取特征時，利用pca對特征提取卷積神經網絡模型(convolutionalneuralnetworksmodelforfeatureextraction，fecnn)中每個特征映射層的輸出降維，與輸出層的映射相融合得到最后的多層深度融合特征。為了證明本發(fā)明提出的算法的有效性，選取了肺部薄掃ct圖像共1000例，進行多次實驗，大量的實驗結果表明：與當前人工提取特征或單獨采用最后一層映射的特征結果相比，該方法在確保分類準確性的基礎上，極大的降低了特征提取的過程復雜性，從而表明了該方法在肺結節(jié)特征提取方面的有效性。

附圖說明

圖1是本發(fā)明對肺結節(jié)自動檢測方法的框架圖。運用區(qū)域生長對圖像進行預處理后存儲到樣本庫，運用卷積神經網絡對樣本進行特征提取，最后一步將特征進行融合。

圖2是本發(fā)明中樣本圖像的處理過程。經過數(shù)學統(tǒng)計將原始ct片裁剪為128×128且包含有肺實質的圖像。

圖3是本發(fā)明肺結節(jié)自動檢測的卷積神經網絡模型。此特征提取模型包含有7層，通過卷積層和降采樣層自主學習特征，將降采樣層的特征經過pca降維得到融合特征。

圖4是s2層輸出的6張?zhí)卣鲌D及融合后的特征向量y1。經過第一次降采樣后得到6張?zhí)卣鲌D像，將特征圖像進行連接后得到特征向量y1。

圖5是s4層輸出的12張?zhí)卣鲌D及融合后的特征向量y2。經過第二次降采樣后得到12張?zhí)卣鲌D像，將特征圖像進行連接后得到特征向量y2。

圖6是s6層輸出的12張?zhí)卣鲌D及融合后的特征向量y3。經過第三次降采樣后得到12張?zhí)卣鲌D像，將特征圖像進行連接后得到特征向量y3。

具體實施方式

以下結合具體實施例，對本發(fā)明進行詳細說明。

1ct圖像的預處理

在搭建cnn模型前，提取ct圖像的包含肺實質的感興趣區(qū)域。當肺部ct序列圖像取圖像左上角坐標(40,110)，右下角坐標(470,440)時包含的肺實質最完整。如圖2所示，對圖2(a)提取肺實質圖像得到圖2(b)所示結果。并將結果圖經過雙線插值法，規(guī)格化到112×112大小后，存儲的樣本庫中，用于進行fecnn的訓練。

2特征提取

在進行肺結節(jié)特征提取任務時，fecnn通過一組有相同權值向量但是在薄掃ct圖像上不同位置的單元，來獲取ct圖像的肺結節(jié)顯著特征并構成特征圖(featuremap)。在圖像的相同位置，來自不同特征圖的單元對應可以得到肺結節(jié)的不同類型特征。fecnn的結構由輸入層，隱含層和輸出層構成。輸入層讀入樣本庫中歸一化的樣本，將局部相鄰的單元分為一組，將其作為下一隱含層的輸入。通過局部感知區(qū)的不同運算，能夠抽取到顯著的或者隱含的特征，這些特征都會被下一層利用。

2.1卷積神經網絡的結構

本發(fā)明提出的特征提取模型(fecnn)可以充分的學習肺結節(jié)的特征，因為它的特征提取從低到高，由卷積和降采樣交替進行運算，隨著深度的增加，提取到的特征更加抽象，也更具有表達能力。圖3中,輸入層讀入樣本，經過卷積，得到隱含層c1的特征提取層，由6個112×112特征圖組成。每個c層后都跟有一個降采樣層s，即特征映射層。s層通過局部平均運算，不僅可以降低特征圖的分辨率，還可以降低輸出對于位移的敏感度。特征提取后的單層特征向量由x1表示。

2.2特征提取過程

2.2.1特征提取

c層為特征提取層，每個單元的通過與前一層的局部感受野相連，經過卷積運算提取局部特征，根據(jù)局部特征來確定它與其他特征空間的位置關系。

在第k(k＝1,…6)層計算時，假設輸入的特征圖輸出的特征映射有和其中m和i分別代表x^k和y^k、z^k的最大維數(shù)。每個在卷積層運算后的特征圖

其中，convn表示特征圖x^k和卷積核的卷積運算，b代表偏置量，1表示步長為1。線性函數(shù)f(x)＝max(0,x)為激活函數(shù)。

2.2.2特征映射

s層是特征映射層，通過局部平均運算，使樣本上所有單元的具有相等的權值，因而減少了fecnn中自由參數(shù)的個數(shù)，降低了網絡參數(shù)選擇的復雜性。

假設輸入的特征圖輸出的特征映射為其中m和n分別代表x^k和z^k的最大維數(shù)。

每個降采樣層都采用固定大小的核對y^k進行降采樣，得到特征映射

其中，downsampling代表降采樣運算，2代表步長為2。在最后一次降采樣后，通過激活函數(shù)得到最后輸出：

經過多次卷積和降采樣后，將最后一層特征圖進行全連接得到48×1維單層特征向量x1。

2.3特征選擇

傳統(tǒng)cnns只采用最后一層的映射輸出，而忽略了中間隱含層的特征。在特征提取后，若提取到的特征過多，除了可能增加過度擬合，也會有較高的計算復雜度；若提取到的特征過少時，將其對分類器進行訓練，會產生一個不可靠的分類器。特征選擇技術可以減少樣本集的特征空間維度，可以有效地解決該問題。本發(fā)明中通過pca方法對每一層的映射進行降維后輸出，得到多層深度融合特征向量x2，使得特征表達更為緊湊。

對特征圖像適用pca降維的步驟如下：

1)假設有n幅特征圖，每個圖像的大小為m×n，則特征樣本矩陣x為：

x＝(x1,x2,...,xi,...,xn)

其中，向量xi為由第i個圖像的每一列向量依次連接成的mn的一維向量，即把矩陣向量化。計算n幅特征圖像的平均向量μ：

計算每幅特征圖像的差值di＝xi-μi＝1,2,…,n

2)計算特征圖像的協(xié)方差矩陣c：

3)對c進行奇異值分解得到特征圖像的特征值λi和特征向量xi,并選取貢獻值和大于95％的前n個最大特征值λi和對應的特征向量ui：

對每一個映射層的特征圖進行pca融合，得到特征向量y1，y2和y3。

按照圖3中特征提取模型，將y1，y2和y3相連，得到特征向量x2。

本發(fā)明采用卷積神經網絡和pca算法，對來自山西某醫(yī)院和網絡公開的lidc數(shù)據(jù)庫的共1000例數(shù)據(jù)進行了提取特征實驗，并使用svm對提取到的多層深度融合特征進行分類，通過對比肺結節(jié)診斷的結果驗證本發(fā)明算法的有效性和準確性。

實驗結果證明，本發(fā)明算法不需要繁瑣的過程可以提取到較好的特征，取得了較好的效果。svm分類結果如表1所示。

表1提取特征svm分類結果表

實驗結果表明，本發(fā)明提出的方法，提取到的特征能夠對肺結節(jié)進行準確的分類。該方法與傳統(tǒng)的方法相比，準確率達到93.18％。

應當理解的是，對本領域普通技術人員來說，可以根據(jù)上述說明加以改進或變換，而所有這些改進和變換都應屬于本發(fā)明所附權利要求的保護范圍。