申请/专利权人：重庆大学

申请日：2020-06-30

公开（公告）日：2020-10-13

公开（公告）号：CN111767952A

主分类号：G06K9/62(20060101)

分类号：G06K9/62(20060101);G06K9/46(20060101);G06N3/04(20060101);G06N3/08(20060101)

优先权：

专利状态码：在审-实质审查的生效

法律状态：2020.10.30#实质审查的生效;2020.10.13#公开

摘要：本发明涉及一种可解释的肺结节良恶性分类方法，具体包括：S1、首先将肺结节的各医学征象进行划分，构建医学征象谱；S2、然后利用传统图像特征方法提取肺结节特征集，即图像特征谱；S3、通过对抗学习的医学征象和图像特征谱映射网络，来建立医学征象谱与肺结节图像特征的映射关系；S4、构建可解释的CNN的征象属性学习和分类诊断联合优化网络模型，最终通过设计可解释的卷积神经网络学习获得结节征象属性和良恶性的分类。本发明利用传统图像特征方法提取肺结节特征集，即图像特征谱，并建立医学征象谱与图像特征谱之间的内在关系，然后设计可解释的卷积神经网络进行的结节征象属性学习和良恶性预测，为结节的预测结果提供可解释性。

主权项：1.一种可解释的肺结节良恶性分类方法，其特征在于：具体包括以下步骤：S1、首先将肺结节的各医学征象进行划分，构建医学征象谱；S2、然后利用传统图像特征方法提取肺结节特征集，即图像特征谱，用于定量刻画肺结节的像素特征、纹理特征、空间特征和形态特征；S3、通过对抗学习的医学征象和图像特征谱映射网络，来建立医学征象谱与肺结节图像特征的映射关系；S4、构建可解释的CNN的征象属性学习和分类诊断联合优化网络模型，最终通过设计可解释的卷积神经网络学习获得结节征象属性和良恶性的分类，具体根据以下步骤获得：S4-1、针对易于学习的医学征象，先利用现有的多分枝的深度学习网络来提取特征的方法步骤进行学习；S4-2、针对不易学习的医学征象，可利用步骤S3中已经学习到的映射关系，完成这部分医学征象的提取特征；S4-3、最后，再利用多层感知机进行优化，融合步骤S4-1和S4-2的组合学习的模式提取医学征象，然后学习得到每一个医学征象的重要性，对每一个医学征象赋予相应的权重，并作为诊断依据，最终给出精确的诊断结果，作为输出。

全文数据：

权利要求：

百度查询： 重庆大学 一种可解释的肺结节良恶性分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD