一种磨玻璃肺结节的识别方法及系统

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。

技术特征：

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：

技术总结
本发明公开了一种磨玻璃肺结节的识别方法及系统，方法包括：获取肺结节图像，并对肺结节图像进行预处理，获取预处理后的图像数据；构建深度学习模型，将预处理后的图像数据输入深度学习模型中的3D卷积层，进行一次特征提取，获取特征图；构建Transformer编码层，将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；构建SVM分类层，将提取结果输入至所述SVM分类层，获取最终识别结果。本发明能够提升识别准确率。

技术研发人员：苗军,张茂炫,常艺茹,乔元华,段立娟
受保护的技术使用者：北京信息科技大学
技术研发日：
技术公布日：2024/1/15