申请/专利权人：西安电子科技大学

申请日：2020-10-27

公开（公告）日：2021-01-19

公开（公告）号：CN112241766A

主分类号：G06K9/62(20060101)

分类号：G06K9/62(20060101);G06K9/34(20060101);G06N3/04(20060101);G06N3/08(20060101)

优先权：

专利状态码：有效-授权

法律状态：2023.04.18#授权;2021.02.05#实质审查的生效;2021.01.19#公开

摘要：本发明公开了一种基于样本生成和迁移学习的肝脏CT图像多病变分类方法，主要解决现有方法对肝脏多种病变检测性能不高的问题。其实现方案为：划分数据集；分别构建肝脏器官分割网络和肝脏病变检测网络；基于深度卷积生成式对抗网络，构建肝囊肿样本生成网络和肝血管瘤样本生成网络，分别生成新的肝囊肿和肝血管瘤样本；构建肝脏病变分类网络；对待检测的肝脏CT图像先使用肝脏器官分割网络进行器官分割，再使用肝脏病变检测网络对分割结果进行病变检测，最后使用肝脏病变分类网络对检测到的病变进行分类。本发明缓解了不同类别样本量的不平衡，提高了病变分类性能，可用于对肝脏CT影像中存在的肝癌、肝囊肿、肝血管瘤多种病变的定位和定性。

主权项：1.基于样本生成和迁移学习的肝脏CT图像多病变分类方法，其特征在于，包括如下：1从肝脏CT影像中提取得到420张2D肝脏图像，并随机选取该图像的80％作为训练集，其余的20％为测试集；2构建基于全局注意力的肝脏器官分割网络U：2a在所有2D肝脏CT图像上标注出肝脏器官的轮廓，存储成mask图像；2b在现有的UNet分割网络中引入全局注意力上采样GAU模块；2c将训练集肝脏CT图像和mask图像输入到引入了GAU模块的分割网络中进行训练，利用Adam算法更新网络中各层的权重参数，得到肝脏器官分割网络U；3构建肝脏病变检测网络F：3a在所有的肝脏CT图像中标注出病变类型为肝癌、肝囊肿和肝血管瘤的样本和它们的位置信息，并将其制成VOC2007格式的数据集；3b利用mask图像从原肝脏CT图像中提取出仅含有肝脏部分的图像，并存储成JPG格式的图片；3c将仅含有肝脏部分的图像和病灶的位置标签输入到现有的FasterR-CNN网络中进行训练，得到肝脏病变检测网络F；4对样本量不足其他类型一半的肝囊肿和肝血管瘤这两类样本进行数据生成：4a将3a中标注好的病变区域从原CT图像中提取出来作为真实病变样本，采用resize操作将这些尺寸不一的真实病变样本转换成相同大小的样本图像，并通过旋转对这些样本进行扩充；4b使用扩充后的真实肝囊肿病变样本对深度卷积生成式对抗网络DCGAN进行迭代训练，得到肝囊肿样本生成网络HC；4c生成服从均匀分布的随机噪声，输入到肝囊肿样本生成网络HC中，生成新的肝囊肿病变样本，并加入到已有的真实肝囊肿样本中；4d按照4b和4c的操作过程构建肝血管瘤样本生成网络HH，生成新的肝血管瘤样本，并加入到已有的真实肝血管瘤样本中；5构建迁移深度学习的肝脏病变分类网络T：5a构建迁移深度学习网络，即将现有的Inceptionv3网络特征提取部分的参数进行冻结，再在该网络的输出特征表示层之后加入新的softmax层，并根据病变类别数设置网络输出的维数；5b将4c和4d中利用肝囊肿样本生成网络HC和肝血管瘤样本生成网络HH扩充后的病变样本输入到Inceptionv3网络中对其网络参数进行迭代训练，得到肝脏病变分类网络T；6对测试集待检测肝脏CT图像进行多病变检测和分类：6a将测试集中待分割的肝脏CT图像输入到2中构建的肝脏器官分割网络U中，得到测试集的肝脏器官分割结果；6b将测试集的分割结果输入到3中构建的肝脏病变检测网络F中，检测出测试集的病变区域；6c将测试集病变区域从原肝脏CT图像中提取出来，输入到5中构建的肝脏病变分类网络T中，得到最终的病变分类结果。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于样本生成和迁移学习的肝脏CT图像多病变分类方法

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