本发明涉及计算机视觉,尤其涉及一种磨玻璃肺结节的识别方法及系统。
背景技术:
1、在计算机技术高速发展的今天,结合计算机技术和图形图像处理技术的医学图像的分析,也逐渐成为了国内外的研究热点。特征提取和模型建立是医学图像处理的核心,基于以上两点将国内外研究划为以下两类:一类是依据传统的机器学习方法进行分类,该方法主要分为两个部分,第一部分是由人工设计提取某几种类型的结节特征,但对于医学图像而言,它的特征维度往往较高,而且可能存在冗余的特征,因此很多研究者会在特征选择方面进行研究,第二部分为肺结节分类器的选择上,每一种分类器在对结节识别的任务上各有利弊,因此选择合适的分类模型也是传统机器学习方法的研究重点;二是基于神经网络的深度学习方法,此方法把医学图像送入构建完成的神经网络模型,基于该模型进行结节特征的提取,最终实现结节分类。
2、随着深度卷积神经网络的快速发展,深度学习相关的研究课题变得越来越热门。深度学习算法不像传统方法一样,需要人工设计特征提取过程,而是由模型以卷积的方式自动提取图像的表征,且深层的网络提取的特征更全面。因此,越来越多的研究者将深度学习的算法应用于医学影像领域。深度学习模型可以自动学习不一样的医学图像数据特征,并从中获得关键特征,进一步提高疾病判断的准确度。
3、为了获得更好地肺结节特征信息,本文提出一种磨玻璃肺结节的识别方法及系统。
技术实现思路
1、本发明的目的是提出一种磨玻璃肺结节的识别方法及系统,从而解决目前对于磨玻璃肺结节识别准确率较低的问题。
2、一方面,为实现上述目的,本发明提供一种磨玻璃肺结节的识别方法,包括:
3、获取肺结节图像,并对所述肺结节图像进行预处理,获取预处理后的图像数据;
4、构建深度学习模型,将所述预处理后的图像数据输入所述深度学习模型中的3d卷积层,进行一次特征提取,获取特征图;
5、构建transformer编码层,将所述特征图经过处理后传入所述transformer编码层中进行二次特征提取,获取提取结果;
6、构建svm分类层,将所述提取结果输入至所述svm分类层,获取磨玻璃肺结节识别结果。
7、优选地,对所述肺结节图像进行预处理,包括:
8、采用数据增强处理方法进行预处理,所述数据增强方法包括3d随机旋转、3d随机位移、高斯噪音处理、随机缩放以及随机翻转。
9、优选地,进行所述3d随机旋转,包括:随机固定所述肺结节图像的一条边,进行180度的旋转;
10、进行所述3d随机位移包括:对输入的所述肺结节图像使用随机位移的方式在x,y或z轴任意方向移动,移动范围为输入的肺结节图像块尺寸的百分之十。
11、优选地,所述高斯噪音处理过程,包括:
12、为输入的所述肺结节图像添加噪音,并设置高斯分布的偏移量为0.2,标准差为0.3。
13、优选地,进行一次特征提取,获取所述特征图包括:
14、建立3d特征提取器提取图像特征,使用若干组3d卷积核卷积不同的输入特征量,生成新的特征体,即所述特征图。
15、优选地,进行二次特征提取,获取所述提取结果,包括:
16、将所述特征图的尺寸进行转换,输入至所述transformer编码层,将所述特征图以像素为单位进行切分,获取所有像素数目,获取的所述像素数目即transformer编码器的有效输入序列长度,即所述提取结果。
17、优选地,所述transformer编码器包括多头注意力层和多层感知器层,所述多头注意力层和多层感知器层前均使用层标准化,所述多头注意力层和多层感知器层后均使用残差连接。
18、优选地,构建所述svm分类层的过程中选择径向基核函数作为svm模型的核函数,基于网格搜索法与k折交叉验证法优化所述svm模型。
19、另一方面,为了实现上述目的,还提供了一种磨玻璃肺结节的识别系统,包括:
20、图像处理单元:用于获取肺结节图像,并对所述肺结节图像进行预处理,获取预处理后的图像数据;
21、模型构建单元:用于构建深度学习模型,将所述预处理后的图像数据输入所述深度学习模型中的3d卷积层,获取特征图;
22、transformer编码单元:用于将所述特征图经过处理后传入transformer编码层中进行二次特征提取,获取提取结果;
23、svm分类单元:用于将所述提取结果输入至svm分类层,获取磨玻璃肺结节识别结果。
24、与现有技术相比,本发明具有如下优点和技术效果:
25、本发明在利用resnet18模型提取特征的基础上加入transformer模型,可以保留更多的空间信息,另外,在transformer模型之前使用resnet网络,也解决了单使用transformer模型会过于关注全局信息,一定程度上会丧失捕捉局部特征的能力的问题,并且最终使用svm进行分类,能够有效提高磨玻璃肺结节识别的准确率。
1.一种磨玻璃肺结节的识别方法,其特征在于,包括:
2.根据权利要求1所述的磨玻璃肺结节的识别方法,其特征在于,对所述肺结节图像进行预处理,包括:
3.根据权利要求2所述的磨玻璃肺结节的识别方法,其特征在于,进行所述3d随机旋转,包括:随机固定所述肺结节图像的一条边,进行180度的旋转;
4.根据权利要求2所述的磨玻璃肺结节的识别方法,其特征在于,所述高斯噪音处理过程,包括:
5.根据权利要求1所述的磨玻璃肺结节的识别方法,其特征在于,进行一次特征提取,获取所述特征图包括:
6.根据权利要求1所述的磨玻璃肺结节的识别方法,其特征在于,进行二次特征提取,获取所述提取结果,包括:
7.根据权利要求6所述的磨玻璃肺结节的识别方法,其特征在于,所述transformer编码器包括多头注意力层和多层感知器层,所述多头注意力层和多层感知器层前均使用层标准化,所述多头注意力层和多层感知器层后均使用残差连接。
8.根据权利要求1所述的磨玻璃肺结节的识别方法,其特征在于,构建所述svm分类层的过程中选择径向基核函数作为svm模型的核函数,基于网格搜索法与k折交叉验证法优化所述svm模型。
9.一种磨玻璃肺结节的识别系统,实施权利要求1-8任一所述的磨玻璃肺结节的识别方法,其特征在于,包括: